KR102274654B1

KR102274654B1 - 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법

Info

Publication number: KR102274654B1
Application number: KR1020190081174A
Authority: KR
Inventors: 신평호; 박청룡
Original assignee: 넷마블 주식회사
Priority date: 2019-07-05
Filing date: 2019-07-05
Publication date: 2021-07-07
Also published as: KR20210004562A

Abstract

본 개시내용의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 게임 서버의 하나 이상의 프로세서에 의해 실행되는 경우 게임 데이터를 저장하고 활용하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하는 동작; 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 동작; 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 동작; 및 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하는 동작을 포함할 수 있다.

Description

블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법{METHOD FOR SAVING AND UTILIZING GAME DATA BASED ON BLOCK CHAIN NETWORK}

본 개시는 게임 데이터 관리 기법에 관한 것으로서, 보다 구체적으로 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법에 관한 것이다.

최근에는 정보통신 기술의 발달로 게임 서버와 통신 연결 상에서 게임을 수행하는 온라인 게임이 발달하였다. 게임의 사용자는 게임을 이용하며 다양한 게임 데이터를 생성한다. 생성된 게임 데이터는 일반적으로 게임 회사 또는 퍼블리셔(publisher)가 소유하며, 게임의 사용자는 게임에서 일시적으로 게임 데이터를 사용하거나, 생성할 수 있을 뿐이다. 생성된 게임 데이터는 게임 회사 서버 또는 퍼블리셔 서버에 저장되며, 게임의 사용자는 단순히 데이터를 사용할 수 있을 뿐이며, 게임 시스템에서 허용하는 방식으로만 게임 데이터에 액세스 할 수 있다.

하지만, 이러한 온라인 게임들은 게임 서비스가 게임 회사 또는 게임 퍼블리셔에 의해 종료될 수 있다. 또한 게임 회사 또는 게임 퍼블리셔가 예상하지 못한 하드웨어적 또는 소프트웨어적 결함으로 게임 데이터가 유실될 수도 있다. 게임 서비스가 종료되는 경우, 사용자는 더 이상 해당 게임 서비스의 게임 데이터에 접근할 수 없게 된다. 그리고 게임 데이터가 유실된 경우, 사용자는 유실된 게임 데이터 복구 요청을 할 수 있으나, 유실된 게임 데이터가 복구되지 않을 수도 있다.

따라서 사용자가 게임 회사 또는 게임 퍼블리셔의 게임 서비스 종료 의사 결정, 게임 서버의 결함에 의한 게임 데이터가 유실된 상황에서도 자신의 게임 데이터 접근할 수 있도록 하는 방법이 당 업계에서 요구될 수 있다.

최근에는 온라인 게임을 발달함에 따라, 다양한 종류의 온라인 게임이 출시되었다. 다양한 종류의 온라인 게임들은 치열한 경쟁속에서 살아남기 위해 사용자에게 적합한 서비스를 제공하고자 노력하는 것이 당 업계의 현실이다. 사용자에게 적합한 서비스를 제공하기 위해서는 게임 데이터를 분석할 필요성이 존재한다. 따라서 최근에는 사용자에게 적합한 서비스를 제공하기 위해 인공지능을 활용한 정확한 게임 데이터 분석 및 게임 데이터 활용에 대한 다양한 방법이 연구 및 개발되고 있다.

대한민국 등록특허 10-1852080는 블록체인 기반의 게임 난이도 조절을 위해 강화학습을 이용한 분산 원장 장치 및 분산 원장 방법을 개시한다.

본 개시내용의 일 목적은 게임 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용하기 위한 방법을 제공하고자 하는 것이다.

본 개시내용의 일 목적은 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법을 제공하고자 하는 것이다. 상기 컴퓨터 프로그램은 게임 서버의 하나 이상의 프로세서에 의해 실행되는 경우 게임 데이터를 저장하고 활용하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하는 동작; 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 동작; 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 동작; 및 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 동작은, 상기 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 상기 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성하는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사전 결정된 주기는, 게임 로그에 포함된 항목에 기초하여 상이하게 결정되고, 상기 게임 로그에 포함된 항목은, 게임 플레이를 수행하는 사용자 특징을 결정하기 위한 시간 항목을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사전 결정된 주기는, 상기 블록체인 네트워크에서 관리되는 블록의 사이즈 정보에 기초하여 결정될 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자 특징 정보는, 상기 게임 로그에 포함된 제 1 사용자 특징 정보, 또는 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 제 2 사용자 특징 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 보조 정보 생성 모델은 게임 보조 정보를 생성하기 위한 교사 학습 모델(Supervised Learning Model)을 포함하고, 상기 교사 학습 모델은 컨볼루셔널 신경망(Convolutional Neural Network)을 포함하며, 그리고 상기 컨볼루셔널 신경망은: 상기 사용자 단위로 분류된 게임 로그의 피처를 추출하기 위한 컨볼루셔널 레이어(Convolutional Layer); 상기 추출된 사용자 단위로 분류된 게임 로그의 피처를 기초로 상기 추출된 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하기 위한 풀링 레이어(Pooling Layer); 또는 사용자 단위로 분류된 게임 로그에 대응되는 사용자의 특징 예측 정보를 획득하기 위한 완전 연결 레이어(Fully-Connected Layer) 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시키는 동작은: 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 학습 데이터 세트를 생성하는 동작; 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하는 동작; 및 상기 전처리된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시킨 후, 상기 학습 데이터 세트에 포함된 라벨 및 획득한 게임 보조 정보 생성 모델의 출력에 기초하여, 게임 보조 정보 생성 모델을 업데이트시키는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 학습 데이터 세트는, 상기 게임 로그를 학습 입력 데이터로 이용하고, 그리고 상기 사용자 특징을 포함하는 사용자 특징 정보를 라벨(label)로 이용하는 학습 데이터 세트를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하는 동작은, 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 이미지 데이터 형태로 변환하는 동작을 포함하고, 상기 이미지 데이터 형태는, 상기 학습 데이터 세트에 포함된 게임 로그를 게임 보조 정보 생성 모델에 입력시켜 상기 사용자 특징 정보를 학습시키기 위한 데이터 형태를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하는 동작은: 상기 학습된 게임 보조 정보 생성 모델에 상기 사용자 단위로 분류된 게임 로그를 학습된 게임 보조 정보 생성 모델에 입력시키는 동작; 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하는 동작; 및 상기 사용자 특징 예측 정보에 기초하여 상기 사용자에 대응되는 게임 보조 정보를 생성하는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하는 동작은: 상기 사용자 단위로 분류된 게임 로그를 컨볼루셔널 레이어에 입력하기 위한 전처리 동작; 상기 전처리된 게임 로그를 상기 컨볼루셔널 레이어에 입력하여 피처를 획득하는 동작; 상기 획득한 피처를 풀링 레이어에 입력하여 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하는 동작; 및 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 사용자 단위로 분류된 게임 로그에 대응되는 상기 사용자 특징 예측 정보를 획득하는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 보조 정보는, 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보, 게임 난이도 정보 또는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보는, 사용자 특징 예측 정보에 포함된 게임 숙련도에 기초하여 결정될 수 있다.

본 개시의 일 실시예에 따라, 상기 결정되는 튜토리얼 정보는, 튜토리얼 제공 횟수 또는 튜토리얼 제공 시간 중 적어도 하나를 포함하며, 그리고 상기 튜토리얼 제공 횟수 또는 상기 튜토리얼 제공 시간 중 적어도 하나에 대한 정량적 정보는 상기 게임 숙련도의 크기와 음의 상관관계(negative correlation)를 가질 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보는, 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 난이도 정보는 사용자 특징 예측 정보에 포함된 게임 숙련도와 양의 상관관계(positive correlation)를 가질 수 있다.

본 개시의 일 실시예에 따라, 상기 트랜잭션은, 상기 게임 로그 중 적어도 일부, 상기 게임 서버 또는 상기 사용자의 공개키(public key), 게임 로그의 위변조 방지를 위한 게임 로그의 해시값, 또는 게임 로그를 획득하기 위한 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 로그 중 적어도 일부는, 사용자의 게임 플레이 이력 정보 또는 상기 사용자의 게임 플레이 시간 정보를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 동작은: 상기 블록체인 네트워크의 블록에 저장된 트랜잭션을 획득하는 동작; 및 상기 획득된 트랜잭션을 학습 입력 데이터로 이용하여, 상기 게임 보조 정보 생성 모델을 학습시키는 동작을 포함할 수 있다.

본 개시의 일 실시예에 따라, 게임 서버가 개시된다. 게임 서버는, 블록체인 네트워크와 통신하는 송수신부; 메모리; 및 프로세서를 포함하고, 상기 프로세서는, 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하고, 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하고, 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키고, 그리고 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성할 수 있다.

본 개시의 다른 일 실시예에 따라, 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법이 개시된다. 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하는 단계; 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 단계; 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 단계; 및 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하는 단계를 포함할 수 있다.

본 개시내용의 일 실시예에 따라, 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용 방법이 개시된다.

도 1은 본 개시의 다양한 양태가 구현될 수 있는 사용자 단말, 게임 서버 및 블록체인 네트워크에 기반한 게임 시스템의 일례를 설명하기 위해 도시한 도면이다.
도 2는 본 개시내용의 일 실시예에 따른 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용하기 위한 게임 서버를 예시적으로 도시한다.
도 3은 본 개시내용의 일 실시예에 따라 게임 보조 정보 생성 모델에 포함된 네트워크 함수를 예시적으로 도시한다.
도 4은 본 개시내용의 일 실시예에 따라 게임 서버에서 수행되는 게임 데이터 저장 및 활용 방법의 예시적인 순서도를 도시한다.
도 5는 본 개시내용의 일 실시예에 따라 블록에 저장되는 데이터 형태를 예시적으로 도시한다.
도 6는 본 개시내용의 일 실시예에 따라 게임 보조 정보 생성 과정을 예시적으로 도시한다.
도 7은 본 개시내용의 일 실시예에 따라 게임 서버에서 수행되는 게임 데이터 저장 및 활용하기 위한 모듈을 도시한 블록 구성도이다.
도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.

또한, 다양한 양상들 및 특징들이 하나 이상의 컴퓨팅 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 컴퓨팅 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.

본 명세서에서 사용되는 용어 "컴퓨터 프로그램" "컴포넌트", "모듈" 등은 서로 호환가능하게 사용될 수 있다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다.

또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 저장 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 이는 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 소프트웨어를 의미할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

본 명세서에서의 컴퓨터 판독가능 매체는 컴퓨터 시스템에 의해서 판독될 수 있도록 프로그램 및 데이터가 저장되는 모든 종류의 매체를 포함할 수 있다. 본 개시내용에서의 컴퓨터 판독가능 매체는, 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 본 발명의 일 양상에 따르면, 컴퓨터 판독가능 저장 매체는: ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터 판독가능 전송 매체는 캐리어 웨이브(예컨대, 인터넷을 통한 전송)의 형태로 구현되는 임의의 전송 가능한 형태의 매체를 포함할 수 있다. 추가적으로, 이러한 컴퓨터 판독가능 매체는 네트워크로 연결된 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독가능한 코드들 및/또는 명령들을 저장할 수도 있다.

본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. 또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.

도 1은 본 개시의 다양한 양태가 구현될 수 있는 사용자 단말, 게임 서버 및 블록체인 네트워크에 기반한 게임 시스템의 일례를 설명하기 위해 도시한 도면이다.

도 1에서 도시되는 바와 같이, 게임 데이터를 저장 및 활용하기 위한 시스템은, 사용자 단말(100a, 100b 및 100c: 100), 게임 서버(200), 블록체인 네트워크(130) 및 통신 네트워크(150)를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수도 있다. 게임 데이터는 게임이 실행되는 과정에서 필요한 데이터 및/또는 게임이 실행되는 과정에서 발생한 데이터를 포함할 수 있다. 게임이 실행되는 과정에서 필요한 데이터는 게임을 실행하기 위해 필요한 명령어를 포함할 수 있다. 게임이 실행되는 과정에서 발생한 데이터는 게임 로그를 포함할 수 있다. 게임 로그는 사용자가 게임 상에서 수행한 모든 기록을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

사용자 단말(100)은 통신 네트워크(150)를 통하여 서로 간에 또는 다른 노드와의 통신하기 위한 매커니즘을 가지며, 게임 데이터를 저장하고 활용하기 위한 시스템에서의 임의의 형태의 노드를 의미할 수 있다. 예를 들어, 사용자 단말(100)은 PC, 랩탑 컴퓨터, 워크스테이션, 단말 및/또는 네트워크 접속성을 갖는 임의의 전자 디바이스를 포함할 수 있다. 또한, 사용자 단말(100)은 에이전트(Agent), API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(100)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.

사용자 단말(100)은 프로세서(201) 및 저장부(202)(메모리 및 영구저장매체)를 포함하여, 임의의 데이터를 처리 및 저장할 수 있는 임의의 엔티티일 수 있다.

본 개시내용에서의 프로세서(201)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등과 같이 메모리 상에 저장된 명령어들을 실행시킴으로써 게임 데이터 관리를 수행하기 위한 임의의 형태의 프로세서(201)를 포함할 수 있다. 프로세서(201)는 메모리에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 게임 데이터를 저장 및 활용할 수 있다. 전술한 프로세서는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시내용에서의 메모리는 프로세서의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다. 이러한 메모리는 프로세서에 제어에 의하여 동작될 수 있다. 또한, 본 개시내용에서 메모리 및 저장부는 서로 상호 교환 가능하게 사용될 수 있다. 전술한 메모리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 1에서의 사용자 단말(100)은 게임 서버(200) 및 블록체인 네트워크(130) 중 적어도 하나에 액세스하고자 하는 사용자와 관련될 수 있다.

사용자 단말(100)은 게임 서버(200) 및 블록체인 네트워크(130) 중 적어도 하나로 쿼리(query) 또는 트랜잭션(transaction)을 발행할 수 있다. 본 개시내용에서의 쿼리는 블록체인 네트워크(130) 상에서 등록된 게임 데이터를 조회하는데 사용될 수 있다. 본 개시내용에서의 트랜잭션은 블록체인 네트워크(130)상에 기록된 게임 데이터에 대한 업데이트(수정/변경/삭제/추가)를 수행하는 데 사용될 수 있다. 전술한 사용자 단말은 예시일 뿐 본 개시는 이에 제한되지 않는다.

사용자 단말(100)은 프로그래밍 언어로 작성된 애플리케이션 소스를 송수신할 수 있다. 예를 들어, 사용자 단말(100)은 애플리케이션 소스를 컴파일링하여 클라이언트 애플리케이션을 생성할 수 있다. 예를 들어, 생성된 클라이언트 애플리케이션은 게임 서버(200) 및 블록체인 네트워크(130) 중 적어도 하나로 전달된 후 실행될 수 있다. 전술한 애플리케이션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

사용자 단말(100)은 솔리디티(Solidity) 등과 같은 임의의 언어를 사용하여 블록체인 네트워크(130) 상에서 동작될 수 있는 스마트 컨트랙트(smart contract)를 생성할 수 있다. 또한, 사용자 단말(100)은 생성된 스마트 컨트랙트(smart contract)를 블록체인 네트워크(130)로 배포하기 위한 트랜잭션을 생성할 수 있다. 본 개시내용의 일 실시예에서 사용자 단말(100)은 다른 사용자 단말과 퍼블릭 블록체인 네트워크(130)의 구성요소가 될 수도 있다. 사용자 단말(100)은 본 개시내용의 실시예에 따라, 풀 블록체인 노드 또는 라이트웨이트 블록체인 노드로 동작할 수 있다. 전술한 사용자 단말은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시내용의 다른 일 실시예에서 사용자 단말(100)은 블록체인 네트워크(130)를 구성하지 않고, 블록체인 네트워크(130)로부터 데이터만을 획득할 수도 있다.

본 개시의 일 실시예에 따라, 사용자 단말(100)은 게임 서버(200)에 접속하여 게임 서버에서 제공하는 게임을 수행할 수 있으며, 게임을 수행하는 과정에서 획득 또는 구매되는 임의의 형태의 게임 관련 아이템, 게임 캐릭터, 게임 시스템을 게임 내에서 사용할 수 있다. 본 개시에서의 게임은 모바일 게임, 웹 게임, VR 게임, P2P 게임, 온라인/오프라인 게임 등 임의의 형태의 게임을 포함할 수 있다. 전술한 게임은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 게임 데이터 요청을 생성하고 이를 사용자 단말(100) 및 블록체인 네트워크(130) 중 적어도 하나로 전달할 수 있다. 또한, 게임 서버(200)는 사용자 단말(100) 또는 블록체인 네트워크(130) 중 적어도 하나로부터 게임 데이터를 수신할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사용자 단말(100)은 블록체인 네트워크(130)를 구성하는 노드로 동작할 수도 있다. 이러한 예시에서, 사용자 단말(100)은 지갑(wallet) 기능, 마이너(miner) 기능, 및 Full 블록체인 데이터의 저장 기능 중 적어도 하나의 기능을 구현할 수 있다. 예를 들어, 사용자 단말(100)이 지갑 기능만을 포함하는 경우, 트랜잭션 및 유효성 검증을 수행하는 노드(예컨대, SPV (Simplified Payment Verification)노드)로 동작할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사용자 단말(100)은 디스플레이를 구비하고 있어서, 게임의 플레이 및/또는 게임 화면 이미지 생성을 수행하는데 있어서 사용자의 입력을 수신하고 사용자로 임의의 형태의 출력을 제공할 수 있다.

본 개시의 일 실시예에 따른 게임 서버(200)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 도 1에서 도시되지는 않았지만 이러한 게임 서버(200)는 메모리 및 프로세서를 포함할 수 있다. 전술한 게임 서버(200)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 사용자 단말(100)로 하여금 게임 플레이를 허용할 수 있다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 블록체인 네트워크(130)를 구성하는 노드로서 동작할 수도 있다. 이 경우, 블록체인 네트워크(130)는 프라이빗 블록체인 네트워크 또는 퍼블릭 블록체인 네트워크 일 수 있다.

본 개시의 일 실시예에 따라, 블록체인 네트워크(130)는 블록체인 기술에 기반하여 동작하는 복수의 노드들을 의미할 수 있다. 여기서, 블록체인 기술은 블록이 체인형태로 연결된 저장 구조를 사용하여, 관리 대상이 되는 데이터를 블록체인 네트워크를 구성하는 복수의 노드들에 저장하는 분산 저장 기술이다. 전술한 블록체인 네트워크(130)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 블록체인 네트워크(130)는 사용자 단말(100), 게임 서버(200) 중 적어도 하나로부터 전달된 트랜잭션을 사전 결정된 합의 알고리즘에 기초하여 블록 형태로 저장할 수 있다. 블록 형태로 저장되는 데이터는 블록체인 네트워크(130)를 구성하는 복수의 노드들에 의해 공유될 수 있다. 전술한 블록체인 네트워크(130)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 블록체인 네트워크(130)에서 수행되는 합의 알고리즘은: PoW(Proof of Work) 알고리즘, PoS(Proof of Stake) 알고리즘, DPoS(Delegated Proof of Stake) 알고리즘, PBFT(Practical Byzantine Fault Tolerance) 알고리즘, DBFT(Delegated Byzantine Fault Tolerance) 알고리즘, RBFT(Redundant Byzantine Fault Tolerance) 알고리즘, Sieve 알고리즘, Tendermint 알고리즘, Paxos 알고리즘, Raft 알고리즘, PoA(Proof of Authority) 알고리즘 및/또는 PoET(Proof of Elapsed Time) 알고리즘을 포함할 수 있다. 전술한 합의 알고리즘은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 블록체인 네트워크(130)에서의 노드들은 계층 구조에 따른 블록체인 코어 패키지에 의해 동작할 수 있다. 상기 계층 구조는: 블록체인 네트워크(130)에서 다뤄지는 데이터의 구조를 정의하고 데이터를 관리하는 데이터 계층, 블록의 유효성을 검증하고 블록을 생성하는 마이닝을 수행하고 마이닝 과정에서 채굴자에게 지급되는 수수료의 처리를 담당하는 합의 계층, 스마트 컨트랙트를 처리 및 실행시키는 실행 계층, P2P 네트워크 프로토콜, 해시 함수, 전자서명, 인코딩 및 공통 저장소를 구현 및 관리하는 공통 계층, 및 다양한 어플리케이션이 생성, 처리 및 관리되는 응용 계층을 포함할 수 있다. 전술한 블록체인 네트워크(130)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 통신 네트워크(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 개시의 일 실시예에 따라, 통신 네트워크(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다. 본 개시내용에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 임의의 형태의 다른 통신 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따라, 스마트 컨트랙트는 게임 데이터의 블록체인 네트워크 상에서의 보존을 수행하기 위한 디지털 언어로 작성되고 임의의 컴퓨팅 장치에서 실행될 수 있다. 또한 스마트 컨트랙트는, 새로운 스마트 컨트랙트를 생성하는 방식, 특정 스마트 컨트랙트상의 함수를 실행하는 방식, 또는 블록체인 네트워크(130)에서 동작가능한 코인을 전송하는 방식 중 적어도 하나에 의해 실행될 수 있다. 그리고, 스마트 컨트랙트는 외부 소유 어카운트에 의해서 발생한 트랜잭션이나 다른 컨트랙트에 의해서 실행될 수 있다. 전술한 스마트 컨트랙트는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 명세서에서의 코인은, 블록체인 네트워크(130) 상에서 동작가능한 임의의 형태의 암호화 화폐를 의미할 수 있다. 이러한 코인은 게임 서버(200)에 의해 그 시세에 따라 현금으로 전환 가능할 수 있다.

본 개시의 일 실시예에 따라, 스마트 컨트랙트는 예를 들어, 무한 반복같은 악의적인 코드를 막고 게임 데이터와 관련된 데이터의 무결성를 지키기 위해, 트랜잭션을 실행할 때 특정한 실행 비용을 지급하도록 규정할 수도 있다. 여기에서의 실행 비용이란 블록체인 네트워크(130)에서 거래가능한 임의의 형태의 코인 또는 코인과 연동될 수 있는 별도의 다른 형태의 매개체(예컨대, 가스(gas) 등)을 의미할 수 있다. 비-제한적인 예시로서, 트랜잭션의 기본 실행 비용은 21,000 가스로 설정될 수 있다. 예를 들어, 이와 같은 실행 비용에는 트랜잭션 발행자의 어카운트 주소에 대한 ECDSA(Elliptic Curve Digital Signature Algorithm)를 처리하기 위한 비용, 트랜잭션 저장을 위한 스토리지 비용, 네트워크 대역폭 비용이 포함될 수 있다. 이와 같이 스마트 컨트랙트 실행 시 특정 비용을 지불하도록 정의되는 경우, 의도적인 디도스 공격과 같은 무한 실행과 같은 악의적인 공격이 방지될 수 있다. 추가적으로, 스마트 컨트랙트를 생성하거나 또는 실행시키고자 하는 엔티티가 특정한 금액(코인, 토큰 μ)을 블록체인 네트워크에서 스테이킹(staking)시킨 후, 추가 수수료의 지급 없이 스마트 컨트랙트를 실행시키는 방식의 실행 비용 정책이 사용될 수도 있다. 이러한 경우, 스테이킹이 종료되는 경우, 해당 스마트 컨트랙트의 실행이 허용되지 않게 된다. 전술한 스마트 컨트랙트는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 스마트 컨트랙트들 간의 호출은, 메시지라는 구조체를 사용하여 구현될 수 있다. 예를 들어, 이러한 메시지는 컨트랙트 어카운트(CA)에 의해 생성될 수 있으며, 함수 호출시에 다른 컨트랙트로 전달될 수 있다. 일 실시예에서, 이러한 경우의 메시지는 외부 소유 어카운트에서 발생되는 트랜잭션과는 달리, 블록체인 네트워크(130) 내부에서 생성되어 처리되기 때문에, 가스와 같은 별도의 실행 비용이 발생되지 않을 수도 있다. 전술한 스마트 컨트랙트 간의 호출은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 데이터의 블록체인 네트워크(130) 상에서의 보존을 구현하는데 있어서, 스마트 컨트랙트의 함수를 컴파일된 코드 형태로 트랜잭션에 포함하여 블록체인을 통해 동기화할 때, 트랜잭션에 포함된 정보를 함수의 입력으로 하여 코드로 표현된 함수를 실행한 후 그 결과를 별도의 상태로 보관하는 방식으로 스마트 컨트랙트가 구현될 수 있다.

본 개시의 일 실시예에 따라, 블록체인 네트워크(130)를 구성하는 컴퓨팅 장치들은, 스마트 컨트랙트의 상태를 변경시키는 트랜잭션 보관 데이터베이스와 스마트 컨트랙트의 최신상태를 보관하고 있는 스마트 컨트랙트 데이터베이스를 포함할 수도 있다. 이러한 경우, 본 개시내용에서의 게임 데이터의 블록체인 네트워크 상에서의 관리를 위한 스마트 컨트랙트는 블록체인 네트워크(130) 상에서의 상태(state)를 변경할 수 있는 애플리케이션(즉, 게임 데이터의 블록체인 네트워크상에서의 관리를 위한 애플리케이션)으로 정의될 수 있고, 스마트 컨트랙트의 상태는 해당 애플리케이션(즉, 게임 데이터의 블록체인 네트워크 상에서의 관리를 위한 애플리케이션)에서 사용하는 변수로 정의될 수 있으며, 그리고 이를 변경하기 위한 입력값은 게임 서버(200), 사용자 단말(100) 중 적어도 하나로부터 발행된 트랜잭션에 포함될 수 있다. 전술한 블록체인 네트워크(130)는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 스마트 컨트랙트의 상태를 저장하는 데이터베이스는 높은 압축률을 달성하기 위해 트랜잭션을 저장하는 데이터베이스와 합쳐져 있을 수도 있다. 또한, 스마트 컨트랙트의 상태를 저장하는 데이터베이스의 분산 합의와 스마트 컨트랙트의 낮은 의존성을 달성하기 위해 트랜잭션을 저장하는 데이터베이스와 분리되어 동작할 수도 있다. 전술한 데이터베이스는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 2는 본 개시내용의 일 실시예에 따른 블록체인 네트워크에 기반한 게임 데이터 저장 및 활용하기 위한 게임 서버를 예시적으로 도시한다.

도 2에서 도시되는 바와 같이, 게임 서버(200)는 프로세서(201), 저장부(202) 및 송수신부(203)를 포함할 수 있다. 전술한 컴포넌트들은 예시적인 것으로서 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지는 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 게임 데이터를 저장하고 활용할 수 있다.

본 개시의 일 실시예에 따라, 게임 데이터는 게임이 실행되는 과정에서 필요한 데이터 및/또는 게임이 실행되는 과정에서 발생한 데이터를 포함할 수 있다. 게임이 실행되는 과정에서 필요한 데이터는 게임을 실행하기 위해 필요한 명령어를 포함할 수 있다. 게임을 실행하기 위해 필요한 명령어는 예를 들어, 게임을 실행하기 위해 작성된 C, C++, C#, Java, Python 형태의 명령어를 포함할 수 있다. 게임을 실행하기 위해 필요한 명령어는 예를 들어, 게임을 실행하기 위해 필요한 바이트코드(ByteCode)를 포함할 수 있다. 바이트코드는 특정 하드웨어가 아닌 가상 컴퓨터에서 실행되는 실행 프로그램을 위한 이진 표현법일 수 있다. 게임이 실행되는 과정에서 발생한 데이터는 게임 로그를 포함할 수 있다. 게임 로그는 사용자가 게임 상에서 수행한 모든 기록을 포함할 수 있다. 게임 로그는 예를 들어, 액션 로그 및 히스토리 로그를 포함할 수 있다. 액션 로그는 게임 상에서 사용자의 활동에 대해, 그 즉시 남는 기록을 포함할 수 있다. 액션 로그는 예를 들어, 계정 로그인 기록, 캐릭터 로그인 기록(예를 들어, 하나의 계정으로 복수개의 캐릭터 중 적어도 하나 이상을 선택하여 플레이할 수 있는 경우, 사용자가 선택한 캐릭터의 로그인 기록), 사용자의 다운로드 기록(예를 들어, 게임 업데이트를 위한 데이터 다운로드 기록), 아이템 생성, 아이템 습득, 아이템 드랍, 아이템 소비, 아이템 생성, 아이템 소멸, 개인상점 거래품목, 아이템 거래, 아이템 강화, 캐릭터 이동, 캐릭터 사망, 캐릭터 레벨업, 캐릭터 생성, 캐릭터 공격, 캐릭터 방어, 사용자의 게임 플레이 시간, 사용자의 튜토리얼 잔류 시간, 스테이지 클리어 시간을 포함할 수 있다. 액션 로그는 또한 계정 로그인 기록 또는 캐릭터 로그인 기록을 기초로 산출된 사용자의 게임 플레이 시간을 포함할 수 있다. 나아가 액션 로그는 캐릭터 정보를 포함할 수 있다. 캐릭터 정보는 사용자 및/또는 다른 사용자가 플레이한 캐릭터에 관련된 정보일 수 있다. 캐릭터 정보는 예를 들어, 사용자의 캐릭터 정보가 포함된 게임 화면 이미지, 캐릭터의 랭킹 정보(예를 들어, Player vs Player 랭킹, Player vs Environment 랭킹), 캐릭터의 보유 아이템 정보, 캐릭터의 장착 아이템 정보, 캐릭터의 게임 진행 정보 등과 같은 데이터를 포함할 수 있다. 히스토리 로그는 게임 변동 내역을 일정한 주기로 기록한 현재의 상태에 대한 기록을 포함할 수 있다. 히스토리 로그는 예를 들어, 동시접속자수, 서버 상태(예를 들어, 핑(ping) 내역을 기초로 판단된 서버 상태), 게임에 가입한 사용자 분포, 게임에 현재 접속중인 사용자 분포, 아이템별 총 수량, 지역별 로그인 정보, 서버 인원 통계, 불량 이용자 통계를 포함할 수 있다. 전술한 게임 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류할 수 있다. 프로세서(201)는 게임 로그를 사용자 단말(100)로부터 획득할 수 있다. 프로세서(201)는 획득한 게임 로그를 사용자 식별 정보를 기초로 사용자 각각에 대응되는 게임 로그로 분류할 수 있다. 사용자 식별 정보는 한 사용자를 다른 사용자와 식별할 수 있도록 하는 정보를 포함할 수 있다. 사용자 식별 정보는 사용자의 Player ID를 포함할 수 있다. 사용자의 Player ID는 사용자가 게임 플레이를 수행하기 위해 사용되는 사용자 식별 정보를 포함할 수 있다. 사용자의 Player ID는 사용자의 Channel ID를 포함할 수 있다. 사용자의 Channel ID는 복수개의 게임 플레이를 동일한 사용자 식별 정보를 이용하여 수행하기 위해 사용되는 사용자 식별 정보를 포함할 수 있다. 사용자의 Channel ID는 예를 들어, 이메일 ID, facebook ID, 구글 플레이 스토어 ID, 애플 ID를 포함할 수 있다. 사용자는 예를 들어, 하나의 구글 플레이 스토어 ID를 이용하여 복수개의 게임A, 게임B, 게임C의 게임 플레이를 수행할 수 있다. 프로세서(201)는 하나의 구글 플레이 스토어 ID를 이용하여 게임A, 게임B, 게임C에 대한 게임 로그를 사용자 단말(100)로부터 획득할 수 있다. 프로세서(201)는 사용자가 구글 플레이 스토어 ID=Net123로 플레이한 복수개의 게임A, 게임B, 게임C에 대한 게임 로그를 구글 플레이 스토어 ID=Net123에 기초하여 획득할 수 있다. 따라서 프로세서(201)는 특정 사용자에 대한 복수개의 게임 로그를 사용자 식별 정보(예를 들어, 사용자의 Channel ID)에 기초하여 획득할 수 있다. 이를 통해, 프로세서(201)는 동일한 Channel ID 통해 복수개의 게임 로그를 획득할 수 있어, 복수개의 게임에 대한 게임 로그 각각에 대해 사용자 동일성 검증 과정을 거칠 필요가 없다. 따라서 프로세서(201)는 간단한 연산 과정을 통해 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 프로세서(201)는 게임 로그를 저장부(202), 사용자 단말(100) 또는 블록체인 네트워크(130) 중 적어도 하나로부터 게임 로그를 획득할 수 있다. 프로세서(201)는 사용자 단말(100) 또는 블록체인 네트워크(130) 중 적어도 하나로부터 송수신부(203)를 통해 수신한 게임 로그를 저장부(202)에 저장할 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크(130)에 포함된 적어도 하나의 노드에 전송함으로써, 블록체인 네트워크(130)에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기할 수 있다. 본 개시의 일 실시예에 따라, 블록체인 네트워크(400)에서 수행되는 합의 알고리즘은: PoW(Proof of Work) 알고리즘, PoS(Proof of Stake) 알고리즘, DPoS(Delegated Proof of Stake) 알고리즘, PBFT(Practical Byzantine Fault Tolerance) 알고리즘, DBFT(Delegated Byzantine Fault Tolerance) 알고리즘, RBFT(Redundant Byzantine Fault Tolerance) 알고리즘, Sieve 알고리즘, Tendermint 알고리즘, Paxos 알고리즘, Raft 알고리즘, PoA(Proof of Authority) 알고리즘 및/또는 PoET(Proof of Elapsed Time) 알고리즘을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성할 수 있다. 프로세서(201)는 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성할 수 있다. 트랜잭션은 블록체인 네트워크(130)상에 기록된 게임 데이터에 대한 업데이트(수정/변경/삭제/추가)를 수행하는 데 사용될 수 있다. 본 개시의 일 실시예에 따라, 사전 결정된 주기는, 게임 로그에 포함된 항목에 기초하여 상이하게 결정될 수 있다. 게임 로그에 포함된 항목은, 게임 플레이를 수행하는 사용자 특징을 결정하기 위한 시간 항목을 포함할 수 있다. 항목은 게임 데이터의 속성(attribute)을 포함할 수 있다. 항목은 예를 들어, 캐릭터 공격 여부, 캐릭터 방어 여부, 아이템 구매 여부, 보유 아이템 정보, 시간 항목을 포함할 수 있다. 시간 항목은 항목에 포함되는 개념으로써, 게임 시간 정보를 포함하는 게임 데이터의 속성을 포함할 수 있다. 시간 항목은 예를 들어, 사용자의 게임 플레이 시간, 사용자의 튜토리얼 잔류 시간, 스테이지 클리어 시간을 포함할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(201)는 사용자의 게임 플레이 시간 항목에 기초하여 사전 결정된 주기를 결정할 수 있다. 예를 들어, 프로세서(201)는 게임 플레이 시간 항목에 대한 사전 결정된 주기를 한달에 한 번이라는 주기로 결정할 수 있다. 또한 프로세서(201)는 사용자의 튜토리얼 잔류 시간 항목에 기초하여 사전 결정된 주기를 결정할 수 있다. 튜토리얼 잔류 시간은 게임 플레이 시간보다 짧을 수 있으므로, 게임 플레이 시간 항목과 비교하여 긴 주기를 가질 필요성이 존재할 수 있다. 따라서 프로세서(201)는 튜토리얼 잔류 시간 항목에 대한 사전 결정된 주기를 세 달에 한 번이라는 주기로 결정할 수 있다. 프로세서(201)는 블록체인 네트워크(130)에 저장시키기 위한 트랜잭션을 사전 결정된 주기에 따라 생성함으로써, 블록체인 네트워크(130)에 저장되는 데이터의 양이 감소될 수 있다. 또한 게임 로그를 블록체인 네트워크(130)에 저장시키기 위해서는 일련의 복잡한 과정이 필요하므로 프로세서(201)는 과도한 연산량 부담을 가질 수 있다. 프로세서(201)는 사전 결정된 주기에 기초하여 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성함으로써, 게임 로그를 블록체인 네트워크(130)에 저장시키기 위한 연산량이 감소될 수 있다. 이를 통해, 게임 서버(200)는 더 빠른 속도로 게임 데이터에 대한 처리를 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성할 수 있다. 프로세서(201)는 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성할 수 있다. 트랜잭션은 블록체인 네트워크(130)상에 기록된 게임 데이터에 대한 업데이트(수정/변경/삭제/추가)를 수행하는 데 사용될 수 있다. 본 개시의 일 실시예에 따라, 사전 결정된 주기는, 블록체인 네트워크에서 관리되는 블록의 사이즈 정보에 기초하여 결정되는 주기를 포함할 수 있다. 블록은 블록체인 네트워크(130)에서의 저장 단위를 포함할 수 있다. 블록은 블록 헤더(block header) 및 트랜잭션(transaction)으로 구성될 수 있다. 블록의 사이즈 정보는 블록에 저장될 수 있는 데이터 크기 정보를 포함할 수 있다. 블록의 사이즈 정보는 예를 들어, 블록에 저장될 수 있는 데이터 크기는 최대 5MB인 정보를 포함할 수 있다. 프로세서(201)는 블록체인 네트워크에서 관리되는 블록의 사이즈가 작은 경우, 사전 결정된 주기를 증가시킬 수 있다. 예를 들어, 프로세서(201)는 블록체인 네트워크에서 관리되는 블록의 사이즈가 2MB인 경우, 사전 결정된 주기를 일년에 한번으로 결정할 수 있다. 프로세서(201)는 블록체인 네트워크에서 관리되는 블록의 사이즈가 큰 경우, 사전 결정된 주기를 감소시킬 수 있다. 예를 들어, 프로세서(201)는 블록체인 네트워크에서 관리되는 블록의 사이즈가 10MB인 경우, 사전 결정된 주기를 한달에 한번으로 결정할 수 있다. 따라서 프로세서(201)가 블록체인 네트워크에서 관리되는 블록의 사이즈 정보에 기초하여 사전 결정된 주기를 결정함으로써, 블록체인 네트워크에서 관리되는 블록에 허용되는 사이즈 크기를 초과하는 게임 로그를 저장시킴으로써 발생하는 문제(예를 들어, 게임 데이터의 손실)를 방지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은, 게임 로그 중 적어도 일부, 게임 서버 또는 사용자의 공개키, 게임 로그의 위변조 방지를 위한 게임 로그의 해시값, 또는 게임 로그를 획득하기 위한 정보 중 적어도 하나를 포함할 수 있다. 트랜잭션은 블록체인 네트워크(130)상에 기록된 게임 데이터에 대한 업데이트(수정/변경/삭제/추가)를 수행하는 데 사용될 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그 중 적어도 일부를 포함할 수 있다. 게임 로그는 사용자가 게임 상에서 수행한 모든 기록을 포함할 수 있다. 게임 로그 중 적어도 일부는, 사용자의 게임 플레이 이력 정보 또는 사용자의 게임 플레이 시간 정보를 포함할 수 있다. 사용자의 게임 플레이 이력 정보는 사용자 특징 정보를 획득하는데 결정적인 역할을 수행하는 게임 로그에 포함된 항목을 포함할 수 있다. 사용자의 게임 플레이 이력 정보는 예를 들어, 사용자의 튜토리얼 스킵 횟수, 게임 스테이지에서의 스코어, 캐릭터의 레벨, 대전 상대와의 관계에서의 승률, 아이템 구매 이력을 포함할 수 있다. 게임 플레이 시간 정보는 게임 로그에 포함된 시간 항목에 기초하여 결정된 정보를 포함할 수 있다. 게임 플레이 시간 정보는 예를 들어, 튜토리얼 잔류 시간, 사용자의 게임 플레이 시간, 스테이지 클리어 시간을 포함할 수 있다. 게임 로그 중 사용자 특징 정보를 획득하는데 결정적인 역할을 수행하는 게임 로그만 포함시킴으로써, 블록에 저장되는 데이터의 양을 감소시킬 수 있다. 이를 통해, 프로세서(201)는 최소한의 게임 로그를 이용하여 게임 보조 정보 생성 모델을 통해 게임 보조 정보를 생성할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 서버 또는 사용자의 공개키를 포함할 수 있다. 공개키는 비대칭키 암호화 알고리즘을 통해 암호화된 키를 포함할 수 있다. 공개키는 또한 불특정 다수의 사용자들에게 공개가 가능한 키를 포함할 수 있다. 반면에 개인키는 특정 사용자만이 소유하고 있는 키를 포함할 수 있다. 비대칭키 암호화 알고리즘은 암호화할 때 사용되는 암호키와 복호화할 때 사용되는 암호키가 서로 다른 암호화 알고리즘을 포함할 수 있다. 비대칭키 암호화 알고리즘은 개인키로 암호화한 데이터는 개인키의 쌍이 되는 공개키를 통해 복호화할 수 있는 암호화 알고리즘을 포함할 수 있다. 비대칭키 암호화 알고리즘은 공개키로 암호화한 데이터는 공개키의 쌍이 되는 개인키로만 복호화할 수 있는 암호화 알고리즘을 포함할 수 있다. 프로세서(201)는 사용자의 게임 로그를 비대칭키 암호화 알고리즘을 통해 공개키로 암호화할 수 있다. 프로세서(201)가 게임 로그를 비대칭키 알고리즘을 통해 암호화한 경우, 다른 사용자 단말들은 게임 서버(200)의 개인키를 확인할 수 없기 때문에, 게임 로그의 보안이 유지될 수 있다. 게임 로그는 사용자가 게임 상에서 수행한 모든 기록을 포함하고 있으므로, 사용자의 프라이버시(privacy)와 높은 상관관계가 존재할 수 있다. 따라서 게임 로그를 비대칭키 암호화 알고리즘을 통해 암호화하여 다른 사용자들이 접근할 수 없게 함으로써 사용자의 프라이버시를 보호할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그의 위변조 방지를 위한 게임 로그의 해시값을 포함할 수 있다. 게임 로그의 위변조 방지를 위한 게임 로그의 해시값은 게임 로그를 고정된 길이의 데이터로 변환한 값일 수 있다. 또한 게임 로그의 위변조 방지를 위한 해시값은 해시 함수에 의해 원본 게임 로그를 알아볼 수 없도록 변환된 특수한 문자열일 수 있다. 프로세서(201)는 해시 함수를 이용하여 원본 게임 로그를 고정된 길이의 데이터로 변환할 수 있다. 원본 게임 로그가 변경된 경우, 해시값도 변경되므로 프로세서(201)는 게임 로그의 변경을 인식할 수 있다. 변경된 게임 로그는 게임 로그를 위조 및/또는 변조하여 변경된 게임 로그를 포함할 수 있다. 위조 및/또는 변조된 게임 로그를 기초로 게임 보조 정보 생성 모델을 학습시키는 경우, 잘못된 사용자 특징 예측 정보가 산출될 수도 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득된 정보를 포함할 수 있다. 따라서 프로세서(201)는 게임 보조 정보 생성 모델을 학습시키기 위해 사용되는 학습 데이터 세트에서 위조 및/또는 변조된 게임 로그를 제외시킬 수 있다. 이를 통해, 프로세서(201)는 게임 보조 정보 생성 모델을 이용하여 정확도 높은 사용자 특징 예측 정보를 획득할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그를 획득하기 위한 정보를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 블록에 저장되는 데이터의 크기를 감소시키기 위해 사용되는 정보를 포함할 수 있다. 예를 들어, 게임 로그는 2018년 1년 동안 플레이한 사용자A의 게임 로그를 포함할 수 있다. 2018년 1년 동안 플레이한 사용자A의 게임 로그는 사용자 단말(100), 게임 서버(200) 또는 블록체인 네트워크(130)에 포함된 노드에 저장되어 있을 수 있다. 게임 로그를 획득하기 위한 정보는 2018년 1년 동안 플레이한 사용자A의 게임 로그가 저장되어 있는 위치 정보(예를 들어, 주소값)을 포함할 수 있다. 프로세서(201)는 블록체인 네트워크(130)에 저장된 게임 로그가 저장되어 있는 위치 정보를 획득함으로써, 게임 로그를 사용자 단말 또는 게임 서버로부터 획득할 수 있다. 프로세서(201)는 2018년 1년 동안 플레이한 사용자A의 게임 로그를 획득할 수 있는 정보를 트랜잭션에 저장시킴으로써, 블록에 저장되는 데이터의 양을 감소시킬 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 트랜잭션은 게임 로그를 획득하기 위한 정보를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 블록에 저장되는 데이터의 크기를 감소시키기 위해 사용되는 정보를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 예를 들어, 게임 로그가 게임 화면 이미지인 경우, 게임 화면 이미지를 획득할 수 있는 정보를 포함할 수 있다. 따라서 게임 화면 이미지는 사용자 단말(100), 게임 서버(200) 또는 블록체인 네트워크(130)에 포함된 노드에 저장되어 있을 수 있고, 게임 화면 이미지를 획득할 수 있는 정보(예를 들어, 게임 화면 이미지의 id 값)를 블록에 저장함으로써, 블록에 저장되는 데이터의 크기를 감소시킬 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본개시의 트랜잭션에 게임 로그를 선택적으로 저장함으로써, 트랜잭션에 저장되는 데이터의 크기를 감소시켜 블록이 수용 가능한 데이터의 양을 초과하여 발생하는 보안 문제를 미연에 방지할 수 있는 효과를 기대할 수 있다.

본 개시에 따라 게임 로그를 블록체인 네트워크(130)에 저장함으로써, 게임 로그를 어떤 상황에서도 영구적으로 보관할 수 있다. 따라서 게임 서비스가 중단되거나 게임 서버의 결함으로 게임 로그가 유실되는 경우에도, 사라진 게임 로그를 블록체인 네트워크(130)로부터 획득하여 활용할 수 있다. 또한 게임 서버(200)가 모든 게임 로그를 저장할 필요 없이, 블록체인 네트워크(130)에 저장된 게임 로그를 활용함으로써 게임 서버 유지 비용을 감소시킬 수 있다. 따라서 저렴한 비용으로 블록체인 네트워크(130)에 저장된 게임 로그를 활용하여 사용자에게 적합한 게임 보조 정보를 생성함으로써, 사용자의 게임 이탈을 방지하고, 사용자가 게임에 대해 느끼는 흥미를 증가시킬 수 있다. 그리고 블록체인 네트워크(130)에 게임 로그를 저장함으로써, 게임 로그 중 적어도 일부를 공개하여, 다른 사용자들이 자신에게 필요한 정보를 추출하기 위해 공개된 게임 로그를 활용할 수 있다. 이를 통해 게임 회사가 예측하지 못한 사용자의 분석 결과가 도출될 수 있으며, 도출된 분석 결과를 통해 더욱 풍부하고 다양한 게임 컨텐츠를 사용자에게 제공할 수 있다.

이하에서는 게임 보조 정보 생성 모델을 학습시키기 위한 과정이 개시된다.

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시킬 수 있다. 프로세서(201)는 사용자 단위로 분류된 게임 로그를 획득할 수 있다. 프로세서(201)는 게임 로그를 사용자 단말(100)로부터 획득할 수 있다. 프로세서(201)는 획득한 게임 로그를 사용자 식별 정보를 기초로 사용자 각각에 대응되는 게임 로그로 분류할 수 있다. 사용자 식별 정보는 한 사용자를 다른 사용자와 식별할 수 있도록 하는 정보를 포함할 수 있다. 본 개시의 일 실시예에 따라, 사용자 특징 정보는 사용자의 특징을 포함하는 정보를 포함할 수 있다. 사용자의 특징은 사용자의 게임 플레이 특징을 포함할 수 있다. 사용자 특징은 사용자의 게임 숙련도, 사용자의 튜토리얼 선호도, 사용자의 게임 플레이 패턴(예를 들어, 공격적인 플레이 패턴, 방어적인 플레이 패턴, 원거리 공격을 선호하는 플레이 패턴, 근접전을 선호하는 플레이 패턴, 대전 모드를 선호하는 플레이 패턴)을 포함할 수 있다. 게임 숙련도는 사용자가 게임 플레이를 수행하는 과정에서 나타나는 능력에 대한 정보를 포함할 수 있다. 프로세서(201)는 예를 들어, 사용자가 능숙하게 게임 플레이를 수행하는 경우, 사용자의 게임 숙련도가 높은 것으로 결정할 수 있다. 튜토리얼 선호도는 사용자가 튜토리얼에 대해 느끼는 필요성에 대한 정보를 포함할 수 있다. 예를 들어, 프로세서(201)는 사용자의 튜토리얼 스킵 횟수가 많은 경우, 튜토리얼 선호도는 낮은 것으로 결정할 수 있다. 사용자 특징 정보는 게임 로그에 포함된 제 1 사용자 특징 정보, 또는 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 제 2 사용자 특징 정보를 포함할 수 있다. 본 개시의 일 실시예에 따라, 제 1 사용자 특징 정보는 게임 로그에 포함된 사용자 특징 정보를 포함할 수 있다. 게임 로그는 사용자가 튜토리얼 거부 설정을 한 기록을 포함할 수 있다. 제 1 사용자 특징 정보는 튜토리얼 거부 설정 기록에 대해 해당 사용자는 튜토리얼 선호도가 낮다는 사용자 특징 정보를 포함할 수 있다. 게임 로그에 포함된 사용자 특징 정보는 게임 로그를 오퍼레이터가 산출한 정보를 포함할 수 있다. 예를 들어, 게임 로그에 사용자의 튜토리얼 스킵 횟수가 100회인 정보가 포함되어 있는 경우, 오퍼레이터는 해당 사용자의 튜토리얼 선호도가 낮다는 사용자 특징 정보를 산출할 수 있다. 본 개시의 일 실시예에 따라, 제 2 사용자 특징 정보는 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 사용자 특징 정보를 포함할 수 있다. 사용자 단말에 전송된 질의는 사용자 특징 정보를 산출하기 위한 질의를 포함할 수 있다. 예를 들어, 사용자 단말에 전송된 질의는, 현재 게임 상에서 제공되는 튜토리얼의 필요성에 대한 질의, 현재 게임 상에서 제공되는 튜토리얼의 피로도에 대한 질의, 선호하는 게임 플레이 패턴에 대한 질의, 선호하는 게임 난이도에 대한 질의, 사용자의 게임 숙련도에 대한 질의를 포함할 수 있다. 사용자 단말은 수신한 질의에 대해 게임 서버(200)로 응답 신호를 전송할 수 있다. 예를 들어, 사용자 단말(100)은 튜토리얼의 필요성에 대한 질의에 대하여 필요 없다는 응답 신호를 게임 서버(200)로 전송할 수 있다. 사용자 단말에게 직접 질의를 전송하여 응답 신호를 수신함으로써, 프로세서(201)는 게임 로그에 대한 정량적인 분석 결과 뿐만 아니라 정성적인 분석 결과도 획득할 수 있다. 이를 통해, 프로세서(201)는 정밀도 높은 사용자 특징 정보를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보 생성 모델은 게임 보조 정보를 생성하기 위한 교사 학습 모델을 포함할 수 있다. 교사 학습 모델은 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하여(즉, 라벨링된 학습 데이터) 학습된 모델을 포함할 수 있다. 교사 학습 모델은 컨볼루셔널 신경망을 포함할 수 있다. 컨볼루셔널 신경망은 컨볼루셔널 레이어, 풀링 레이어 또는 완전 연결 레이어 중 적어도 하나를 포함할 수 있다. 컨볼루셔널 레이어는 합성곱 연산을 통해 입력 데이터의 피처를 추출하는 레이어를 포함할 수 있다. 풀링 레이어는 입력 데이터의 선별된 특징을 산출하기 위한 레이어를 포함할 수 있다. 완전 연결 레이어는 분류를 획득하기 위한 레이어를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보 생성 모델은 게임 보조 정보를 생성하기 위한 교사 학습 모델을 포함할 수 있다. 교사 학습 모델은 컨볼루셔널 신경망을 포함할 수 있다. 컨볼루셔널 신경망은 사용자 단위로 분류된 게임 로그의 피처를 추출하기 위한 컨볼루셔널 레이어를 포함할 수 있다. 프로세서(201)는 컨볼루셔널 레이어를 이용하여 게임 로그의 피처를 추출함으로써, 게임 로그에 포함된 사용자 특징을 획득할 수 있다. 프로세서(201)는 획득된 사용자 특징을 하기와 같은 과정을 통해 정확도 높은 사용자 특징 정보를 획득할 수 있다. 컨볼루셔널 신경망은 추출된 사용자 단위로 분류된 게임 로그의 피처를 기초로, 추출된 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하기 위한 풀링 레이어를 포함할 수 있다. 프로세서(201)는 풀링 레이어를 이용함으로써 완전 연결 레이어에 입력되는 데이터의 크기를 줄일 수 있다. 이와 동시에, 프로세서(201)는 게임 로그에 포함된 사용자 특징을 그대로 유지하면서 완전 연결 레이어에 풀링 레이어의 출력을 입력시킬 수 있다. 컨볼루셔널 신경망은 사용자 단위로 분류된 게임 로그에 대응되는 사용자의 특징 예측 정보를 획득하기 위한 완전 연결 레이어를 포함할 수 있다. 프로세서(201)는 완전 연결 레이어를 이용하여 사용자 특징 예측 정보를 획득할 수 있다. 프로세서(201)는 완전 연결 레이어를 이용하여 각각의 사용자 특징 예측 정보에 대한 확률값을 획득할 수 있다. 예를 들어, 획득한 게임 로그에 대하여, 프로세서(201)는 해당 사용자의 튜토리얼 선호도가 50일 확률 10%, 해당 사용자의 튜토리얼 선호도가 70일 확률 50%, 해당 사용자의 튜토리얼 선호도가 100일 확률 20%를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징정보, 제 2 사용자 특징정보) 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시킬 수 있다. 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 학습 데이터 세트를 생성할 수 있다. 학습 데이터 세트는 게임 보조 정보 생성 모델을 학습시키기 위한 데이터 세트를 포함할 수 있다. 학습 데이터 세트는 게임 로그를 학습 입력 데이터로 이용하고, 그리고 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징정보, 제 2 사용자 특징정보)를 라벨로 이용하는 학습 데이터 세트를 포함할 수 있다. 학습 데이터 세트는 예를 들어, 게임 로그에 포함된 사용자의 튜토리얼 스킵 횟수=100회를 학습 입력 데이터로 이용하고, 사용자 특징 정보에 포함된 튜토리얼 선호도=10을 라벨로 이용하는 학습 데이터 세트를 포함할 수 있다. 따라서 해당 학습 데이터 세트를 이용하여 학습된 게임 보조 정보 생성 모델에 게임 로그에 포함된 튜토리얼 스킵 횟수=100회를 입력하면 프로세서(201)는 튜토리얼 선호도=10을 예측할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징 정보, 제 2 사용자 특징 정보) 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시킬 수 있다. 본 개시의 일 실시예에 따라, 프로세서(201)는 블록체인 네트워크(130)의 블록에 저장된 트랜잭션을 획득할 수 있다. 프로세서(201)는 획득된 트랜잭션을 학습 입력 데이터로 이용하여, 게임 보조 정보 생성 모델을 학습시킬 수 있다. 학습 데이터 세트는 획득된 트랜잭션을 학습 입력 데이터로 이용하고, 그리고 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징정보, 제 2 사용자 특징정보)를 라벨로 이용하는 학습 데이터 세트를 포함할 수 있다. 본 개시에 따라, 프로세서(201)가 게임 로그를 블록체인 네트워크(130)로부터 획득함으로써, 게임 서버에 소비되는 게임 로그 유지 비용이 절약되어, 저렴한 비용으로 게임 보조 정보 생성 모델을 학습시킬 수 있다. 또한 프로세서(201)가 게임 로그를 블록체인 네트워크(130)로부터 획득함으로써, 획득한 게임 로그에 대한 무결성이 보장되므로, 신뢰도 높은 데이터에 기반하여 게임 보조 정보 생성 모델을 학습시킬 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징 정보, 제 2 사용자 특징 정보) 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시킬 수 있다. 프로세서(201)는 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행할 수 있다. 전처리는 모델에 데이터를 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 전처리는 학습 데이터 세트를 신경망에 입력시키기 위한 처리 과정을 포함할 수 있다. 전처리는 학습 데이터 세트를 신경망에 입력시키기 위해 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 프로세서(201)는 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 이미지 데이터 형태로 변환할 수 있다. 이미지 데이터 형태는 테이블 형태로 표현된 데이터 형태를 포함할 수 있다. 게임 로그를 테이블 형태로 표현한 데이터 형태는 아래 [표 1]에 도시된 바와 같은 데이터 형태를 포함할 수 있다. 본 개시의 다른 일 실시예에서, 이미지 형태의 데이터는 이미지에 포함된 적어도 하나 이상의 픽셀 정보를 포함할 수 있다. 따라서 프로세서(201)는 텍스트 형태의 게임 로그 뿐만 아니라, 게임 화면 이미지도 게임 보조 정보 생성 모델에 입력할 수 있다. 프로세서(201)는 전처리 과정을 통해 빠른 시간 내에 게임 보조 정보 생성 모델을 학습시킬 수 있다. 또한 프로세서(201)는 전처리 과정을 통해 게임 보조 정보 생성 모델을 학습시킴으로써, 높은 정확도로 사용자 특징 예측 정보를 산출하는 게임 보조 정보 생성 모델을 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

시간	캐릭터	스킬	튜토리얼 스킵 횟수	튜토리얼 잔류 시간	게임 스테이지에서의 스코어	스테이지1 클리어 시간	게임 플레이 시간
July	A	S1	70	1	560	5	150
August	A	S4	50	2	540	4	200
September	A	S7	40	3	400	5	180

본 개시의 일 실시예에 따라, 프로세서(201)는 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보(예를 들어, 제 1 사용자 특징 정보, 제 2 사용자 특징 정보) 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시킬 수 있다. 프로세서(201)는 전처리된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시킨 후, 학습 데이터 세트에 포함된 라벨 및 획득한 게임 보조 정보 생성 모델의 출력(예를 들어, 사용자 특징 예측 정보)에 기초하여, 게임 보조 정보 생성 모델을 업데이트시킬 수 있다. 프로세서(201)는 학습 데이터 세트에 포함된 라벨과 획득한 게임 보조 정보 생성 모델의 출력을 비교하여, 학습 데이터 세트에 포함된 라벨과 획득한 게임 보조 정보 생성 모델의 출력의 차이를 줄이는 방향으로 게임 보조 정보 생성 모델을 업데이트 할 수 있다. 프로세서(201)는 학습 데이터 세트에 포함된 라벨과 획득한 게임 보조 정보 생성 모델의 출력의 차이를 줄이기 위해 역전파 방식을 통해 게임 보조 정보 생성 모델에 포함된 가중치를 업데이트할 수 있다. 따라서 프로세서(201)는 상기와 학습 과정을 통해 학습된 게임 보조 정보 생성 모델을 이용하여 입력된 게임 로그에 대응하는 라벨을 높은 정확도로 획득할 수 있다. 이를 통해, 프로세서(201)는 높은 정확도를 가진 게임 보조 정보 생성 모델을 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 학습된 게임 보조 정보 생성 모델을 이용하여 게임 보조 정보를 획득하는 과정이 개시된다.

본 개시의 일 실시예에 따라, 프로세서(201)는 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성할 수 있다. 프로세서(201)는 학습된 게임 보조 정보 생성 모델에 사용자 단위로 분류된 게임 로그를 학습된 게임 보조 정보 생성 모델에 입력시킬 수 있다. 프로세서(201)는 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득할 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득된 정보를 포함할 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득한 예측된 사용자의 튜토리얼 선호도, 예측된 사용자의 게임 숙련도, 예측된 사용자의 게임 플레이 패턴을 포함할 수 있다. 프로세서(201)는 사용자 특징 예측 정보에 기초하여 사용자에 대응되는 게임 보조 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(201)는 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득할 수 있다. 프로세서(201)는 사용자 단위로 분류된 게임 로그를 컨볼루셔널 레이어에 입력하기 위한 전처리를 수행할 수 있다. 전처리는 모델에 데이터를 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 전처리는 사용자 단위로 분류된 게임 로그를 학습된 게임 보조 정보 생성 모델에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 프로세서(201)는 전처리된 게임 로그를 컨볼루셔널 레이어에 입력하여 피처를 획득할 수 있다. 컨볼루셔널 레이어는 합성곱 연산을 통해 사용자 단위로 분류된 게임 로그의 피처를 추출하는 레이어를 포함할 수 있다. 프로세서(201)는 획득한 피처를 풀링 레이어에 입력하여 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출할 수 있다. 풀링 레이어는 사용자 단위로 분류된 게임 로그 선별된 특징을 산출하기 위한 레이어를 포함할 수 있다. 프로세서(201)는 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 사용자 단위로 분류된 게임 로그에 대응되는 사용자 특징 예측 정보를 획득할 수 있다. 프로세서(201)는 완전 연결 레이어를 이용하여 각각의 사용자 특징 예측 정보(예를 들어, 튜토리얼 선호도)에 대한 확률값을 획득할 수 있다. 예를 들어, 획득한 게임 로그에 대하여, 프로세서(201)는 해당 사용자의 튜토리얼 선호도가 50일 확률 10%, 해당 사용자의 튜토리얼 선호도가 70일 확률 50%, 해당 사용자의 튜토리얼 선호도가 100일 확률 20%를 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 따라서 게임 보조 정보는, 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보, 게임 난이도 정보 또는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보 중 적어도 하나를 포함할 수 있다. 전술한 게임 보조 정보는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보는, 사용자 특징 예측 정보에 포함된 게임 숙련도에 기초하여 결정될 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득된 정보를 포함할 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득한 예측된 사용자의 튜토리얼 선호도, 예측된 사용자의 게임 숙련도, 예측된 사용자의 게임 플레이 패턴을 포함할 수 있다. 게임 숙련도는 사용자가 게임 플레이를 수행하는 과정에서 나타나는 능력에 대한 정보를 포함할 수 있다. 튜토리얼 정보는 사용자로 하여금 게임 플레이를 배우도록 하기 위해 사용자에게 제공되는 정보를 포함할 수 있다. 튜토리얼 정보는 튜토리얼 제공 횟수 또는 튜토리얼 제공 시간 중 적어도 하나를 포함할 수 있다. 튜토리얼 제공 횟수 또는 상기 튜토리얼 제공 시간 중 적어도 하나에 대한 정량적 정보는 게임 숙련도의 크기와 음의 상관관계(negative correlation)를 가질 수 있다. 프로세서(201)는 예를 들어, 사용자가 능숙하게 게임 플레이를 수행하는 경우, 사용자의 게임 숙련도가 높은 것으로 결정할 수 있다. 예를 들어, 튜토리얼 정보는 사용자의 게임 숙련도가 높은 것으로 예측된 경우, 사용자에게 제공되는 튜토리얼을 최소화하는 정보(예를 들어, 튜토리얼 제공 횟수를 줄이는 정보, 튜토리얼 제공 시간을 감소시키는 정보)를 포함할 수 있다. 프로세서(201)는 사용자의 게임 숙련도가 높은 경우, 튜토리얼 제공 횟수를 줄이거나 튜토리얼을 제공하지 않을 수 있다. 또한 튜토리얼 정보는 사용자의 게임 숙련도가 낮은 것으로 예측된 경우, 사용자에게 제공되는 튜토리얼을 최대화하는 정보(예를 들어, 튜토리얼 제공 횟수를 증가시키는 정보, 튜토리얼 제공 시간을 증가시키는 정보)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보는, 사용자 특징 예측 정보에 포함된 게임 숙련도에 기초하여 결정될 수 있다. 게임 숙련도는 특정 게임에 대한 숙련도 뿐만 아니라, 게임 장르에 대한 게임 숙련도도 포함할 수 있다. 예를 들어, 사용자가 전략 시뮬레이션 장르 게임에 대한 게임 숙련도가 높은 경우, 프로세서(201)는 전략 시뮬레이션 장르인 게임A 및 게임B에 대하여 사용자에게 제공되는 튜토리얼을 최소화할 수 있다. 사용자가 다른 게임을 플레이하더라도 동일한 게임 장르인 경우, 더 빠른 속도로 새로운 게임을 적응하는 경향이 존재할 수 있다. 따라서 프로세서(201)는 사용자의 새로운 게임에 대한 게임 로그가 존재하지 않는 경우에도, 동일한 장르의 다른 게임에 대한 게임 로그를 이용하여 사용자의 특정 장르에 대한 게임 숙련도를 획득할 수 있다. 이를 통해, 프로세서(201)는 새로운 게임에 대해서도 사용자에게 알맞은 튜토리얼 정보를 사용자에게 제공할 수 있다. 사용자에게 알맞은 튜토리얼 정보를 제공함으로써, 튜토리얼이 불필요한 사용자는 튜토리얼 없이 게임을 빠르게 진행할 수 있고, 튜토리얼이 필요한 사용자는 튜토리얼을 이용하여 게임을 천천히 배워 나갈 수 있다. 따라서 각 사용자의 특징에 맞는 게임 서비스를 제공함으로써 사용자들의 게임 이탈을 방지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 따라서 게임 보조 정보는, 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보를 포함할 수 있다. 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보는 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 포함할 수 있다. 모범 게임 플레이는 게임을 사용자의 목표를 달성하기 위한 게임 플레이를 포함할 수 있다. 예를 들어, 모범 게임 플레이는 스테이지를 클리어하기 위한 게임 플레이, 스테이지를 가장 높은 점수로 클리어하기 위한 게임 플레이, 상대방 캐릭터를 이기기 위한 게임 플레이를 포함할 수 있다. 따라서 프로세서(201)는 사용자로 하여금 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 사용자에게 제공할 수 있다. 이를 통해, 프로세서(201)는 사용자로 하여금 모범 게임 플레이가 포함된 게임 시뮬레이션을 시청한 후, 모범 게임 플레이를 기초로 게임 목표(예를 들어, 스테이지 클리어)를 달성하기 위한 게임 플레이를 수행할 수 있도록 할 수 있다. 본 개시의 다른 일 실시예에 따라, 프로세서(201)는 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 포함할 수 있다. 사전 결정된 기준은 사용자의 게임 숙련도와 게임 이탈 여부 간의 상관 관계에 기초하여 결정될 수 있다. 따라서 프로세서(201)는 게임 숙련도가 낮아 게임 이탈 가능성이 큰 사용자에 대해서는 게임 시뮬레이션 정보를 제공할 수 있다. 예를 들어, 사전 결정된 기준이 사용자의 예측된 게임 숙련도가 50 이하인 기준을 포함할 수 있다. 따라서 프로세서(201)는 사용자의 예측된 게임 숙련도가 30인 경우, 사용자에게 게임 시뮬레이션 정보를 제공할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 따라서 게임 보조 정보는 게임 난이도 정보를 포함할 수 있다. 게임 난이도 정보는 사용자가 게임 플레이를 수행하는 게임 난이도에 대한 정보를 포함할 수 있다. 게임 난이도 정보는 사용자 특징 예측 정보에 포함된 사용자의 게임 숙련도에 기초하여 결정된 게임 난이도 정보를 포함할 수 있다. 게임 난이도 정보는 사용자 특징 예측 정보에 포함된 게임 숙련도와 양의 상관관계를 가질 수 있다. 따라서 게임 난이도 정보는 사용자의 예측된 게임 숙련도가 높은 경우, 난이도 높은 게임 스테이지를 사용자에게 제공하는 정보(예를 들어, 난이도가 높은 스테이지를 추천하는 정보, 난이도가 높은 스테이지를 게임 서버가 자동으로 선택하여 사용자로 하여금 게임 플레이하도록 하는 정보)를 포함할 수 있다. 게임 난이도 정보는 사용자의 예측된 게임 숙련도가 낮은 경우, 난이도 낮은 게임 스테이지를 사용자에게 제공하는 정보를 포함할 수 있다. 이를 통해, 사용자는 자신의 게임 숙련도에 맞는 게임 플레이를 수행할 수 있어 게임에 대한 흥미를 더욱 크게 느낄 수 있다. (사용자는 자신의 게임 숙련도보다 높은 난이도를 플레이하는 경우, 게임을 쉽게 포기하는 경향이 존재할 수 있다. 마찬가지로 사용자는 자신의 게임 숙련도보다 낮은 난이도를 플레이하는 경우, 게임에 쉽게 싫증을 느껴 게임에서 이탈하는 경향이 존재할 수 있다.)

송수신부(203)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband) Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다. 또한, 송수신부(203)는 근거리 통신(short range communication) 모듈을 포함할 수 있다. 근거리 통신 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.

송수신부(203)는 사용자 단말(100)과의 통신, 블록체인 네트워크(130)와의 통신, 다른 서버와의 통신을 수행할 수 있다.

도 2에서는 도시되지 않았지만, 게임 서버(200)는 블록체인 네트워크(130)를 구성하는 컴퓨팅 장치로 동작할 수도 있다. 이러한 경우, 상기 컴퓨팅 장치는 프로세서, 및 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리를 포함할 수 있다.

도 3은 본 개시내용의 일 실시예에 따라 게임 보조 정보 생성 모델에 포함된 네트워크 함수를 예시적으로 도시한다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 4은 본 개시내용의 일 실시예에 따라 게임 서버에서 수행되는 게임 데이터 저장 및 활용 방법의 예시적인 순서도를 도시한다.

게임 서버(200)는 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위(310)로 분류할 수 있다.

게임 서버(200)는 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기(320)할 수 있다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 상기 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 상기 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성할 수 있다.

본 개시의 일 실시예에 따라, 상기 사전 결정된 주기는, 게임 로그에 포함된 항목에 기초하여 상이하게 결정될 수 있다. 상기 게임 로그에 포함된 항목은, 게임 플레이를 수행하는 사용자 특징을 결정하기 위한 시간 항목을 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 트랜잭션은, 상기 게임 로그 중 적어도 일부, 상기 게임 서버 또는 상기 사용자의 공개키, 게임 로그의 위변조 방지를 위한 게임 로그의 해시값, 또는 게임 로그를 획득하기 위한 정보 중 적어도 하나를 포함할 수 있다.

게임 서버(200)는 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습(330)시킬 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 보조 정보 생성 모델은 게임 보조 정보를 생성하기 위한 교사 학습 모델을 포함할 수 있다. 상기 교사 학습 모델은 컨볼루셔널 신경망을 포함할 수 있다. 그리고 상기 컨볼루셔널 신경망은 상기 사용자 단위로 분류된 게임 로그의 피처를 추출하기 위한 컨볼루셔널 레이어; 상기 추출된 사용자 단위로 분류된 게임 로그의 피처를 기초로 상기 추출된 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하기 위한 풀링 레이어; 또는 사용자 단위로 분류된 게임 로그에 대응되는 사용자의 특징 예측 정보를 획득하기 위한 완전 연결 레이어 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 로그를 학습 입력 데이터로 이용하고, 그리고 상기 사용자 특징을 포함하는 사용자 특징 정보를 라벨로 이용하는 학습 데이터 세트를 포함할 수 있다.

게임 서버(200)는 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성(340)할 수 있다.

본 개시의 일 실시예에 따라, 상기 결정되는 튜토리얼 정보는, 튜토리얼 제공 횟수 또는 튜토리얼 제공 시간 중 적어도 하나를 포함하며, 그리고 상기 튜토리얼 제공 횟수 또는 상기 튜토리얼 제공 시간 중 적어도 하나에 대한 정량적 정보는 상기 게임 숙련도의 크기와 음의 상관관계를 가질 수 있다.

본 개시의 일 실시예에 따라, 상기 게임 난이도 정보는 사용자 특징 예측 정보에 포함된 게임 숙련도와 양의 상관관계를 가질 수 있다.

도 5는 본 개시내용의 일 실시예에 따라 블록에 저장되는 데이터 형태를 예시적으로 도시한다.

도 5에서 도시되는 바와 같이, 블록체인 네트워크(130)에서의 저장 단위인 블록(410 및 420)은 서로 체인 형태로 연결되어 블록체인을 구성할 수 있다.

블록(410 및 420)은 블록 헤더(block header) 및 트랜잭션(transaction)으로 구성될 수 있다. 블록 헤더는 예를 들어, 이전 블록 헤더의 해시값, Nonce 값 및 트랜잭션 그룹의 해시값을 포함할 수 있다. Nonce 값은 블록체인 네트워크(130)에서의 노드가 블록을 생성하기 위해 변경하는 값으로서, 블록헤더의 다른 값과 함께 특정 해시 함수의 입력값으로 사용될 수 있다. 특정 Nonce 값을 사용하였을 때, 블록 헤더의 해시값이 사전결정된 난이도값(블록 헤더에 저장될 수 있음)보다 작게 나온 경우, 해당 블록 헤더에 대한 해시값이 결정될 수 있다. 트랜잭션 그룹의 해시값은 트랜잭션에 포함된 데이터들의 Root 해시값을 의미할 수 있다. 전술한 블록은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

도 5에서 도시되는 바와 같이, 블록 202(420)의 블록 헤더의 블록 해시 값을 구하기 위해서 블록 201(410)의 블록 해시 값이 입력값으로 사용되기 때문에, 블록 202(420)와 블록 201(410)은 서로 연결될 수 있다. 또한, 블록 해시 값을 구하는데 있어서, 트랜잭션들을 대표하는 해시값인 트랜잭션 그룹의 해시값이 입력값으로 사용되기 때문에, 트랜잭션에 대한 임의의 위변조 행위가 일어나는 경우, 트랜잭션 그룹의 해시값이 변경된다. 이러한 방식으로 인접한 블록들은 서로 연결될 수 있으며, 블록 내에서의 트랜잭션의 정보가 무결성 있게 저장될 수 있다. 전술한 해시값은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

블록(410 및 420)의 트랜잭션은 발행된 트랜잭션들 중 블록에 포함된 트랜잭션(들)으로서, 해당 트랜잭션이 블록 내에 포함되는 경우, 해당 트랜잭션과 관련된 동작이 블록체인 네트워크(130)에서 수행될 수 있다.

도 5에서 도시되는 바와 같이, 블록 201(410)에서의 트랜잭션은, A로부터 B로 20coin을 전송하는 트랜잭션(Tx1, 413)일 수 있다. 또한 블록 201(410)에서의 트랜잭션은, 게임 로그(Tx2, 414), 게임 서버 또는 사용자의 공개키, 게임 로그를 획득하기 위한 정보(Tx3, 415) 또는 게임 로그의 해시값(Tx4, 416), 중 적어도 하나를 포함할 수 있다. 게임 로그(Tx2, 414)는 게임 로그 중 적어도 일부를 포함할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그(Tx2, 414) 중 적어도 일부를 포함할 수 있다. 게임 로그(Tx2, 414)는 사용자가 게임 상에서 수행한 모든 기록을 포함할 수 있다. 게임 로그 중 적어도 일부는, 사용자의 게임 플레이 이력 정보 또는 사용자의 게임 플레이 시간 정보를 포함할 수 있다. 사용자의 게임 플레이 이력 정보는 사용자 특징 정보를 획득하는데 결정적인 역할을 수행하는 게임 로그에 포함된 항목을 포함할 수 있다. 사용자의 게임 플레이 이력 정보는 예를 들어, 사용자의 튜토리얼 스킵 횟수, 게임 스테이지에서의 스코어, 캐릭터의 레벨, 대전 상대와의 관계에서의 승률, 아이템 구매 이력을 포함할 수 있다. 게임 플레이 시간 정보는 게임 로그에 포함된 시간 항목에 기초하여 결정된 정보를 포함할 수 있다. 게임 플레이 시간 정보는 예를 들어, 튜토리얼 잔류 시간, 사용자의 게임 플레이 시간, 스테이지 클리어 시간을 포함할 수 있다. 게임 로그 중 사용자 특징 정보를 획득하는데 결정적인 역할을 수행하는 게임 로그만 포함시킴으로써, 블록에 저장되는 데이터의 양을 감소시킬 수 있다. 이를 통해, 게임 서버(200)는 최소한의 게임 로그를 이용하여 게임 보조 정보 생성 모델을 통해 게임 보조 정보를 생성할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 서버 또는 사용자의 공개키를 포함할 수 있다. 공개키는 비대칭키 암호화 알고리즘을 통해 암호화된 키를 포함할 수 있다. 공개키는 또한 불특정 다수의 사용자들에게 공개가 가능한 키를 포함할 수 있다. 반면에 개인키는 특정 사용자만이 소유하고 있는 키를 포함할 수 있다. 비대칭키 암호화 알고리즘은 암호화할 때 사용되는 암호키와 복호화할 때 사용되는 암호키가 서로 다른 암호화 알고리즘을 포함할 수 있다. 비대칭키 암호화 알고리즘은 개인키로 암호화한 데이터는 개인키의 쌍이 되는 공개키를 통해 복호화할 수 있는 암호화 알고리즘을 포함할 수 있다. 비대칭키 암호화 알고리즘은 공개키로 암호화한 데이터는 공개키의 쌍이 되는 개인키로만 복호화할 수 있는 암호화 알고리즘을 포함할 수 있다. 게임 서버(200)는 사용자의 게임 로그를 비대칭키 암호화 알고리즘을 통해 공개키로 암호화할 수 있다. 게임 서버(200)가 게임 데이터를 비대칭키 알고리즘을 통해 암호화한 경우, 다른 사용자 단말들은 게임 서버(200)의 개인키를 확인할 수 없기 때문에, 게임 로그의 보안이 유지될 수 있다. 게임 로그는 사용자가 게임 상에서 수행한 모든 기록을 포함하고 있으므로, 사용자의 프라이버시(privacy)와 높은 상관관계가 존재할 수 있다. 따라서 게임 로그를 비대칭키 암호화 알고리즘을 통해 암호화하여 다른 사용자들이 접근할 수 없게 함으로써 사용자의 프라이버시를 보호할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그를 획득하기 위한 정보(Tx3, 415)를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 블록에 저장되는 데이터의 크기를 감소시키기 위해 사용되는 정보를 포함할 수 있다. 예를 들어, 게임 로그는 2018년 1년 동안 플레이한 사용자A의 게임 로그를 포함할 수 있다. 2018년 1년 동안 플레이한 사용자A의 게임 로그는 사용자 단말(100), 게임 서버(200) 또는 블록체인 네트워크(130)에 포함된 노드에 저장되어 있을 수 있다. 게임 로그를 획득하기 위한 정보는 2018년 1년 동안 플레이한 사용자A의 게임 로그가 저장되어 있는 위치 정보(예를 들어, 주소값)을 포함할 수 있다. 게임 서버(200)는 2018년 1년 동안 플레이한 사용자A의 게임 로그를 획득할 수 있는 정보를 트랜잭션에 저장시킴으로써, 블록에 저장되는 데이터의 양을 감소시킬 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 트랜잭션은 게임 로그를 획득하기 위한 정보(Tx3, 415)를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 블록에 저장되는 데이터의 크기를 감소시키기 위해 사용되는 정보를 포함할 수 있다. 게임 로그를 획득하기 위한 정보는 예를 들어, 게임 로그가 게임 화면 이미지인 경우, 게임 화면 이미지를 획득할 수 있는 정보를 포함할 수 있다. 따라서 게임 화면 이미지는 사용자 단말(100), 게임 서버(200) 또는 블록체인 네트워크(130)에 포함된 노드에 저장되어 있을 수 있고, 게임 화면 이미지를 획득할 수 있는 정보(예를 들어, 게임 화면 이미지의 id 값)를 블록에 저장함으로써, 블록에 저장되는 데이터의 크기를 감소시킬 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 트랜잭션은 게임 로그의 위변조 방지를 위한 게임 로그의 해시값(Tx4, 416)을 포함할 수 있다. 게임 로그의 위변조 방지를 위한 게임 로그의 해시값은 게임 로그를 고정된 길이의 데이터로 변환한 값일 수 있다. 또한 게임 데이터의 위변조 방지를 위한 해시값은 해시 함수에 의해 원본 게임 로그를 알아볼 수 없도록 변환된 특수한 문자열일 수 있다. 게임 서버(200)는 해시 함수를 이용하여 원본 게임 로그를 고정된 길이의 데이터로 변환할 수 있다. 원본 게임 로그가 변경된 경우, 해시값도 변경되므로 게임 서버(200)는 게임 로그의 변경을 인식할 수 있다. 변경된 게임 로그는 게임 로그를 위조 및/또는 변조하여 변경된 게임 로그를 포함할 수 있다. 위조 및/또는 변조된 게임 로그를 기초로 게임 보조 정보 생성 모델을 학습시키는 경우, 잘못된 사용자 특징 예측 정보가 산출될 수도 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득된 정보를 포함할 수 있다. 따라서 게임 서버(200)는 위조 및/또는 변조된 게임 로그를 확인하여, 게임 보조 정보 생성 모델을 학습시키기 위해 사용되는 학습 데이터 세트에서 제외시킬 수 있다. 이를 통해, 게임 서버(200)는 게임 보조 정보 생성 모델을 이용하여 정확도 높은 사용자 특징 예측 정보를 획득할 수 있다. 전술한 트랜잭션은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본개시의 트랜잭션에 게임 로그를 선택적으로 저장함으로써, 트랜잭션에 저장되는 데이터의 크기를 감소시켜 블록(410 및 420)이 수용 가능한 데이터의 양을 초과하여 발생하는 보안 문제를 미연에 방지할 수 있는 효과를 기대할 수 있다.

추가적인 실시예로서, 도 5에서는 도시되지 않았지만, 블록(410 및 420)의 블록 헤더는: 부모 블록(이전 블록)의 해시값(ParentHash), 현재 블록의 엉클블록(블록의 난이도가 상대적으로 낮아 블록으로 채택되지못한 블록)들의 해시값(UncleHash), 마이닝후 해당 트랜잭션의 수수료를 받을 어카운트 주소(Coinbase), 어카운트의 상태정보가 모여있는 머클 패트리시아 트리의 루트 노드 해시값(Root), 블록의 모든 트랜잭션에 대한 머클트리의 루트노드 해시값(TxHash), 블록내 모든 트랜잭션에 대한 리시트들의 머클트리의 루트노드 해시값(ReceiptHash), 로그 정보를 사용하는데 사용하는 32바이트 블룸필터 정보(Bloom), 이전블록의 난이도와 타임스탬프로 계산되는 블록 난이도(Difficulty), 현재 블록번호(Number), 블록당 지급가능한 최대 가스(트랜잭션/스마트 컨트랙트를 처리하는데 사용되는 비용(토큰)의 개념)의 총합(GasLimit), 블록내 트랜잭션에 사용된 가스의 총합(GasUsed), 블록의 최초 생성시간(Time), 블록의 기타정보(Extra) 및/또는 작업증명에서 해시값을 계산하는데 충분한 계산횟수를 보장하기 위해 사용하는 값(MixDigest, Nonce)을 포함할 수도 있다. 다만, 이헤 한정되는 것은 아니고, 블록 헤더는 상술한 정보, 데이터 또는 값 이외의 정보, 데이터 또는 값을 포함할 수도 있다.

도 6는 본 개시내용의 일 실시예에 따라 게임 보조 정보 생성 과정을 예시적으로 도시한다.

도 6은 사용자A의 사용자 단말(501), 사용자A의 게임A에 대한 게임 로그(510), 사용자A의 게임B에 대한 게임 로그(530), 사용자A의 게임C에 대한 게임 로그(550), 전처리(560), 학습된 게임 보조 정보 생성 모델(570), 사용자 A의 사용자 특징 예측 정보(580), 게임 보조 정보(590)를 도시하고 있다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류할 수 있다. 게임 서버(200)는 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 트랜잭션을 블록에 기록하도록 야기할 수 있다. 게임 서버(200)는 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류할 수 있다. 게임 서버(200)는 게임 로그를 사용자 단말(100)로부터 획득할 수 있다. 사용자A의 사용자 단말(501)로부터 사용자A의 게임A에 대한 게임 로그(510), 사용자A의 게임B에 대한 게임 로그(530), 사용자A의 게임C에 대한 게임 로그(550)를 획득할 수 있다. 게임 서버(200)는 획득한 게임 로그를 사용자 식별 정보를 기초로 사용자 각각에 대응되는 게임 로그로 분류할 수 있다. 사용자 식별 정보는 한 사용자를 다른 사용자와 식별할 수 있도록 하는 정보를 포함할 수 있다. 사용자 식별 정보는 사용자의 Player ID를 포함할 수 있다. 사용자의 Player ID는 사용자의 Channel ID를 포함할 수 있다. 사용자의 Channel ID는 복수개의 게임 플레이를 동일한 사용자 식별 정보를 이용하여 수행하기 위해 사용되는 사용자 식별 정보를 포함할 수 있다. 사용자A의 Channel ID는 도 6에 도시된 바와 같이 Facebook ID를 포함할 수 있다. 사용자A의 Facebook ID는 Netmarble일 수 있다. 게임 서버(200)는 동일한 Channel ID인 Facebook ID: Netmarble를 통해 복수개의 게임 로그(사용자A의 게임A에 대한 게임 로그(510), 사용자A의 게임B에 대한 게임 로그(530), 사용자A의 게임C에 대한 게임 로그(550))를 획득할 수 있다. 이를 통해, 게임 서버(200)는 동일한 Channel ID 통해 복수개의 게임 로그를 획득할 수 있어, 복수개의 게임에 대한 게임 로그 각각에 대해 사용자 동일성 검증 과정을 거칠 필요가 없다. 따라서 게임 서버(200)는 간단한 연산 과정을 통해 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 사용자 단위로 분류된 복수개의 게임들 각각에 대한 게임 로그를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리(560)를 수행할 수 있다. 전처리는 모델에 데이터를 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 전처리(560)는 분류된 복수개의 게임들 각각에 대한 게임 로그를 신경망에 입력시키기 위한 처리 과정을 포함할 수 있다. 전처리(560)는 분류된 복수개의 게임들 각각에 대한 게임 로그를 신경망에 입력시키기 위해 이미지 형태의 데이터로 변환하는 처리를 포함할 수 있다. 전술한 전처리는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 학습된 게임 보조 정보 생성 모델(570)을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성할 수 있다. 게임 서버(200)는 학습된 게임 보조 정보 생성 모델(570)에 사용자 단위로 분류된 게임 로그를 입력시킬 수 있다. 게임 서버(200)는 학습된 게임 보조 정보 생성 모델(570)을 이용하여 사용자 특징 예측 정보(580)를 획득할 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득된 정보를 포함할 수 있다. 사용자 특징 예측 정보(580)는 학습된 게임 보조 정보 생성 모델(570)을 이용하여 획득한 예측된 사용자의 튜토리얼 선호도(583), 예측된 사용자의 게임 숙련도(581), 예측된 사용자의 게임 플레이 패턴을 포함할 수 있다. 게임 서버(200)는 사용자 특징 예측 정보에 기초하여 사용자에 대응되는 게임 보조 정보를 생성할 수 있다. 도 6에 도시된 바와 같이 사용자A의 예측된 게임 숙련도(581)는 100(예를 들어, 게임 숙련도의 최고점은 100), 사용자A의 예측된 튜토리얼 선호도(583) 90일(예를 들어, 튜토리얼의 최고점은 10000) 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(200)는 사용자A의 사용자 특징 예측 정보(580)에 기초하여 사용자A에 대응되는 게임 보조 정보(590)를 생성할 수 있다. 게임 보조 정보(590)는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 게임 보조 정보(590)는 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보(591), 게임 난이도 정보(593) 또는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보(595) 중 적어도 하나를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사용자A의 게임 플레이를 보조하기 위한 튜토리얼 정보(591)는, 사용자 특징 예측 정보(580)에 포함된 게임 숙련도(581)에 기초하여 결정될 수 있다. 사용자 특징 예측 정보(580)는 학습된 게임 보조 정보 생성 모델(570)을 이용하여 획득된 정보를 포함할 수 있다. 사용자 특징 예측 정보는 학습된 게임 보조 정보 생성 모델을 이용하여 획득한 예측된 사용자의 튜토리얼 선호도, 예측된 사용자의 게임 숙련도, 예측된 사용자의 게임 플레이 패턴을 포함할 수 있다. 게임 숙련도는 사용자가 게임 플레이를 수행하는 과정에서 나타나는 능력에 대한 정보를 포함할 수 있다. 튜토리얼 정보는 사용자로 하여금 게임 플레이를 배우도록 하기 위해 사용자에게 제공되는 정보를 포함할 수 있다. 튜토리얼 정보는 튜토리얼 제공 횟수 또는 튜토리얼 제공 시간 중 적어도 하나를 포함할 수 있다. 튜토리얼 제공 횟수 또는 상기 튜토리얼 제공 시간 중 적어도 하나에 대한 정량적 정보는 게임 숙련도의 크기와 음의 상관관계를 가질 수 있다. 게임 서버(200)는 예를 들어, 사용자A의 게임 숙련도(581)가 100인 경우, 사용자의 게임 숙련도가 높은 것으로 결정할 수 있다. 예를 들어, 튜토리얼 정보는 사용자의 게임 숙련도가 높은 것으로 예측된 경우, 사용자에게 제공되는 튜토리얼을 최소화하는 정보(예를 들어, 튜토리얼 제공 횟수를 줄이는 정보, 튜토리얼 제공 시간을 감소시키는 정보)를 포함할 수 있다. 게임 서버(200)는 사용자의 게임 숙련도가 높은 경우, 튜토리얼 제공 횟수를 줄이거나 튜토리얼을 제공하지 않을 수 있다. 또한 튜토리얼 정보는 사용자의 게임 숙련도가 낮은 것으로 예측된 경우, 사용자에게 제공되는 튜토리얼을 최대화하는 정보(예를 들어, 튜토리얼 제공 횟수를 증가시키는 정보, 튜토리얼 제공 시간을 증가시키는 정보)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따라, 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보(591)는, 사용자 특징 예측 정보에 포함된 게임 숙련도에 기초하여 결정될 수 있다. 게임 숙련도는 특정 게임에 대한 숙련도 뿐만 아니라, 게임 장르에 대한 게임 숙련도도 포함할 수 있다. 예를 들어, 사용자가 전략 시뮬레이션 장르 게임에 대한 게임 숙련도가 높은 경우, 게임 서버(200)는 전략 시뮬레이션 장르인 게임A 및 게임B에 대하여 사용자에게 제공되는 튜토리얼을 최소화할 수 있다. 사용자가 다른 게임을 플레이하더라도 동일한 게임 장르인 경우, 더 빠른 속도로 새로운 게임을 적응하는 경향이 존재할 수 있다. 따라서 게임 서버(200)는 사용자의 새로운 게임에 대한 게임 로그가 존재하지 않는 경우에도, 동일한 장르의 다른 게임에 대한 게임 로그를 이용하여 사용자의 특정 장르에 대한 게임 숙련도를 획득할 수 있다. 이를 통해, 게임 서버(200)는 새로운 게임에 대해서도 사용자에게 알맞은 튜토리얼 정보를 사용자에게 제공할 수 있다. 사용자에게 알맞은 튜토리얼 정보를 제공함으로써, 튜토리얼이 불필요한 사용자는 튜토리얼 없이 게임을 빠르게 진행할 수 있고, 튜토리얼이 필요한 사용자는 튜토리얼을 이용하여 게임을 천천히 배워 나갈 수 있다. 따라서 각 사용자의 특징에 맞는 게임 서비스를 제공함으로써 사용자들의 게임 이탈을 방지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 따라서 게임 보조 정보는, 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보(593)를 포함할 수 있다. 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보는 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 포함할 수 있다. 모범 게임 플레이는 게임을 사용자의 목표를 달성하기 위한 게임 플레이를 포함할 수 있다. 예를 들어, 모범 게임 플레이는 스테이지를 클리어하기 위한 게임 플레이, 스테이지를 가장 높은 점수로 클리어하기 위한 게임 플레이, 상대방 캐릭터를 이기기 위한 게임 플레이를 포함할 수 있다. 따라서 게임 서버(200)는 사용자로 하여금 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 사용자에게 제공할 수 있다. 이를 통해, 게임 서버(200)는 사용자로 하여금 모범 게임 플레이가 포함된 게임 시뮬레이션을 시청한 후, 모범 게임 플레이를 기초로 게임 목표(예를 들어, 스테이지 클리어)를 달성하기 위한 게임 플레이를 수행할 수 있도록 할 수 있다. 본 개시의 다른 일 실시예에 따라, 게임 서버(200)는 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 하기 위한 게임 시뮬레이션 정보를 포함할 수 있다. 사전 결정된 기준은 사용자의 예측된 게임 숙련도와 게임 이탈 여부 간의 상관 관계에 기초하여 결정될 수 있다. 따라서 게임 서버(200)는 게임 숙련도가 100으로 높은 사용자A에 대해서는 게임 시뮬레이션 정보를 제공하지 않을 수 있다. 예를 들어, 사전 결정된 기준이 사용자의 예측된 게임 숙련도가 50 이하인 기준을 포함할 수 있다. 따라서 게임 서버(200)는 사용자의 예측된 게임 숙련도가 100인 경우, 사용자에게 게임 시뮬레이션 정보를 제공하지 않을 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 보조 정보는 사용자로 하여금 게임 플레이를 원할하게 수행할 수 있도록 하는 정보를 포함할 수 있다. 따라서 게임 보조 정보는 게임 난이도 정보(595)를 포함할 수 있다. 게임 난이도 정보(595)는 사용자가 게임 플레이를 수행하는 게임 난이도에 대한 정보를 포함할 수 있다. 게임 난이도 정보(595)는 사용자 특징 예측 정보에 포함된 사용자의 게임 숙련도에 기초하여 결정된 게임 난이도 정보를 포함할 수 있다. 게임 난이도 정보(595)는 사용자 특징 예측 정보에 포함된 게임 숙련도와 양의 상관관계를 가질 수 있다. 따라서 게임 난이도 정보는 사용자의 예측된 게임 숙련도가 높은 경우, 난이도 높은 게임 스테이지를 사용자에게 제공하는 정보(예를 들어, 난이도가 높은 스테이지를 추천하는 정보, 난이도가 높은 스테이지를 게임 서버가 자동으로 선택하여 사용자로 하여금 게임 플레이하도록 하는 정보)를 포함할 수 있다. 게임 난이도 정보는 사용자의 예측된 게임 숙련도가 낮은 경우, 난이도 낮은 게임 스테이지를 사용자에게 제공하는 정보를 포함할 수 있다. 이를 통해, 사용자는 자신의 게임 숙련도에 맞는 게임 플레이를 수행할 수 있어 게임에 대한 흥미를 더욱 크게 느낄 수 있다. (사용자는 자신의 게임 숙련도보다 높은 난이도를 플레이하는 경우, 게임을 쉽게 포기하는 경향이 존재할 수 있다. 마찬가지로 사용자는 자신의 게임 숙련도보다 낮은 난이도를 플레이하는 경우, 게임에 쉽게 싫증을 느껴 게임에서 이탈하는 경향이 존재할 수 있다.)

도 7은 본 개시내용의 일 실시예에 따라 게임 서버에서 수행되는 게임 데이터 저장 및 활용하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 게임 데이터를 저장하고 활용하는 방법은 다음과 같은 모듈에 의해 구현될 수 있다. 복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하기 위한 모듈(610); 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하기 위한 모듈(620); 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키기 위한 모듈(630); 및 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하기 위한 모듈(640)을 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하기 위한 모듈(620)은 상기 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 상기 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성하기 위한 모듈을 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키기 위한 모듈(630)은 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 학습 데이터 세트를 생성하기 위한 모듈; 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하기 위한 모듈; 및 상기 전처리된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시킨 후, 상기 학습 데이터 세트에 포함된 라벨 및 획득한 게임 보조 정보 생성 모델의 출력에 기초하여, 게임 보조 정보 생성 모델을 업데이트시키기 위한 모듈을 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하기 위한 모듈은 상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 이미지 데이터 형태로 변환하기 위한 모듈을 포함할 수 있다. 상기 이미지 데이터 형태는, 상기 학습 데이터 세트에 포함된 게임 로그를 게임 보조 정보 생성 모델에 입력시켜 상기 사용자 특징 정보를 학습시키기 위한 데이터 형태를 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 각각에 대응되는 게임 보조 정보를 생성하기 위한 모듈은 상기 학습된 게임 보조 정보 생성 모델에 상기 사용자 단위로 분류된 게임 로그를 학습된 게임 보조 정보 생성 모델에 입력시키기 위한 모듈; 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하기 위한 모듈; 및 상기 사용자 특징 예측 정보에 기초하여 상기 사용자에 대응되는 게임 보조 정보를 생성하기 위한 모듈을 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하기 위한 모듈은, 상기 사용자 단위로 분류된 게임 로그를 컨볼루셔널 레이어에 입력하기 위한 전처리하기 위한 모듈; 상기 전처리된 게임 로그를 상기 컨볼루셔널 레이어에 입력하여 피처를 획득하기 위한 모듈; 상기 획득한 피처를 풀링 레이어에 입력하여 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하기 위한 모듈; 및 상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 사용자 단위로 분류된 게임 로그에 대응되는 상기 사용자 특징 예측 정보를 획득하기 위한 모듈을 포함할 수 있다.

게임 데이터를 저장하고 활용하기 위한 대안적인 실시예에서, 상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키기 위한 모듈(630)은 상기 블록체인 네트워크의 블록에 저장된 트랜잭션을 획득하기 위한 모듈; 및 상기 획득된 트랜잭션을 학습 입력 데이터로 이용하여, 상기 게임 보조 정보 생성 모델을 학습시키기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 게임 데이터를 저장하고 활용하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

도 8에서 도시되는 컴퓨터(1102)는 사용자 단말(100), 게임 서버(200) 또는 블록체인 네트워크(130)를 구성하는 컴퓨팅 장치 중 적어도 하나에 대응될 수 있다.

본 개시가 일반적으로　컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 게임 서버의 하나 이상의 프로세서에 의해 실행되는 경우 게임 데이터를 저장하고 활용하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은,
복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하는 동작;
상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 동작;
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 동작;
상기 사용자 단위로 분류된 상기 게임 로그를 학습된 상기 게임 보조 정보 생성 모델에 입력시키는 동작;
상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하는 동작;
상기 사용자 특징 예측 정보에 기초하여 상기 사용자에 대응되는 게임 보조 정보를 생성하는 동작 - 상기 게임 보조 정보는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보를 포함함 -; 및
상기 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 상기 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 상기 게임 시뮬레이션 정보를 사용자 단말에 전송하는 동작;
을 포함하고,
상기 사용자 특징 정보는,
상기 게임 로그에 포함된 제 1 사용자 특징 정보, 또는
상기 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 제 2 사용자 특징 정보 중 적어도 하나를 포함하고,
상기 복수개의 게임들 각각에 대응되는 게임 로그들은 각각 사용자 식별 정보를 포함하고 그리고 상기 복수개의 게임들 각각에 대응되는 게임 로그들 중 적어도 둘 이상의 게임 로그들은 동일한 사용자 식별 정보를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 동작은,
상기 사용자 특징 정보를 산출하기 위한 사전 결정된 주기에 기초하여, 상기 게임 로그를 블록체인 네트워크에 저장시키기 위한 트랜잭션을 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 2 항에 있어서,
상기 사전 결정된 주기는, 게임 로그에 포함된 항목에 기초하여 상이하게 결정되고,
상기 게임 로그에 포함된 항목은, 게임 플레이를 수행하는 사용자 특징을 결정하기 위한 시간 항목을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 2 항에 있어서,
상기 사전 결정된 주기는, 상기 블록체인 네트워크에서 관리되는 블록의 사이즈 정보에 기초하여 결정되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
삭제
제 1 항에 있어서,
상기 게임 보조 정보 생성 모델은 게임 보조 정보를 생성하기 위한 교사 학습 모델(Supervised Learning Model)을 포함하고,
상기 교사 학습 모델은 컨볼루셔널 신경망(Convolutional Neural Network)을 포함하며, 그리고
상기 컨볼루셔널 신경망은:
상기 사용자 단위로 분류된 게임 로그의 피처를 추출하기 위한 컨볼루셔널 레이어(Convolutional Layer);
상기 추출된 사용자 단위로 분류된 게임 로그의 피처를 기초로 상기 추출된 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하기 위한 풀링 레이어(Pooling Layer); 또는
사용자 단위로 분류된 게임 로그에 대응되는 사용자의 예측 특징 정보를 획득하기 위한 완전 연결 레이어(Fully-Connected Layer);
중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 게임 보조 정보 생성 모델을 학습시키는 동작은:
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여 학습 데이터 세트를 생성하는 동작;
상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하는 동작; 및
상기 전처리된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시킨 후, 상기 학습 데이터 세트에 포함된 라벨 및 획득한 게임 보조 정보 생성 모델의 출력에 기초하여, 게임 보조 정보 생성 모델을 업데이트시키는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 학습 데이터 세트는,
상기 게임 로그를 학습 입력 데이터로 이용하고, 그리고 상기 사용자 특징을 포함하는 사용자 특징 정보를 라벨(label)로 이용하는 학습 데이터 세트를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 전처리를 수행하는 동작은,
상기 생성된 학습 데이터 세트를 게임 보조 정보 생성 모델에 입력시키기 위한 이미지 데이터 형태로 변환하는 동작을 포함하고,
상기 이미지 데이터 형태는, 상기 학습 데이터 세트에 포함된 게임 로그를 게임 보조 정보 생성 모델에 입력시켜 상기 사용자 특징 정보를 학습시키기 위한 데이터 형태를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
삭제
제 1 항에 있어서,
상기 학습된 게임 보조 정보 생성 모델을 이용하여 상기 사용자 특징 예측 정보를 획득하는 동작은:
상기 사용자 단위로 분류된 게임 로그를 컨볼루셔널 레이어에 입력하기 위한 전처리 동작;
상기 전처리된 게임 로그를 상기 컨볼루셔널 레이어에 입력하여 피처를 획득하는 동작;
상기 획득한 피처를 풀링 레이어에 입력하여 사용자 단위로 분류된 게임 로그의 선별된 특징을 산출하는 동작; 및
상기 풀링 레이어의 출력을 완전 연결 레이어에 입력하여 사용자 단위로 분류된 게임 로그에 대응되는 상기 사용자 특징 예측 정보를 획득하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 게임 보조 정보는,
사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보 또는 게임 난이도 정보 중 적어도 하나를 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 12 항에 있어서,
상기 사용자의 게임 플레이를 보조하기 위한 튜토리얼 정보는,
상기 사용자 특징 예측 정보에 포함된 상기 게임 숙련도에 기초하여 결정되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 13 항에 있어서,
상기 결정되는 튜토리얼 정보는, 튜토리얼 제공 횟수 또는 튜토리얼 제공 시간 중 적어도 하나를 포함하며, 그리고 상기 튜토리얼 제공 횟수 또는 상기 튜토리얼 제공 시간 중 적어도 하나에 대한 정량적 정보는 상기 게임 숙련도의 크기와 음의 상관관계(negative correlation)를 갖는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
삭제
제 12 항에 있어서,
상기 게임 난이도 정보는 상기 사용자 특징 예측 정보에 포함된 상기 게임 숙련도와 양의 상관관계(positive correlation)를 갖는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 트랜잭션은, 상기 게임 로그 중 적어도 일부, 상기 게임 서버 또는 상기 사용자의 공개키(public key), 게임 로그의 위변조 방지를 위한 게임 로그의 해시값, 또는 게임 로그를 획득하기 위한 정보 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 17 항에 있어서,
상기 게임 로그 중 적어도 일부는, 사용자의 게임 플레이 이력 정보 또는 상기 사용자의 게임 플레이 시간 정보를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 동작은:
상기 블록체인 네트워크의 블록에 저장된 트랜잭션을 획득하는 동작; 및
상기 획득된 트랜잭션을 학습 입력 데이터로 이용하여, 상기 게임 보조 정보 생성 모델을 학습시키는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
게임 서버로서,
블록체인 네트워크와 통신하는 송수신부;
저장부; 및
프로세서;
를 포함하고,
상기 프로세서는,
복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하고,
상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하고,
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키고,
상기 사용자 단위로 분류된 상기 게임 로그를 학습된 상기 게임 보조 정보 생성 모델에 입력시키고,
상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하고,
상기 사용자 특징 예측 정보에 기초하여 상기 사용자에 대응되는 게임 보조 정보를 생성하고 - 상기 게임 보조 정보는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보를 포함함 -, 그리고
상기 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 상기 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 상기 게임 시뮬레이션 정보를 사용자 단말에 전송하고,
상기 사용자 특징 정보는,
상기 게임 로그에 포함된 제 1 사용자 특징 정보, 또는
상기 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 제 2 사용자 특징 정보 중 적어도 하나를 포함하고,
상기 복수개의 게임들 각각에 대응되는 게임 로그들은 각각 사용자 식별 정보를 포함하고 그리고 상기 복수개의 게임들 각각에 대응되는 게임 로그들 중 적어도 둘 이상의 게임 로그들은 동일한 사용자 식별 정보를 포함하는,
게임 서버.
게임 서버의 하나 이상의 프로세서에서 수행되는 게임 데이터를 저장하고 활용하기 위한 방법에 있어서,
복수개의 게임들 각각에 대한 게임 로그를 사용자 단위로 분류하는 단계;
상기 사용자 단위로 분류된 게임 로그를 포함하는 트랜잭션을 블록체인 네트워크에 포함된 적어도 하나의 노드에 전송함으로써, 상기 블록체인 네트워크에 포함된 복수의 노드로 하여금 합의 알고리즘에 기초하여 상기 트랜잭션을 블록에 기록하도록 야기하는 단계;
상기 사용자 단위로 분류된 게임 로그 또는 사용자 각각에 대응되는 사용자 특징을 포함하는 사용자 특징 정보 중 적어도 하나에 기초하여, 게임 보조 정보 생성 모델을 학습시키는 단계;
상기 사용자 단위로 분류된 상기 게임 로그를 학습된 상기 게임 보조 정보 생성 모델에 입력시키는 단계;
상기 학습된 게임 보조 정보 생성 모델을 이용하여 사용자 특징 예측 정보를 획득하는 단계;
상기 사용자 특징 예측 정보에 기초하여 상기 사용자에 대응되는 게임 보조 정보를 생성하는 단계 - 상기 게임 보조 정보는 사용자의 게임 플레이를 보조하기 위한 게임 시뮬레이션 정보를 포함함 -; 및
상기 사용자 특징 예측 정보에 포함된 게임 숙련도가 사전 결정된 기준 이하인 경우, 상기 사용자로 하여금 게임 시뮬레이션에 기초하여 모범 게임 플레이를 학습할 수 있도록 상기 게임 시뮬레이션 정보를 사용자 단말에 전송하는 단계;
를 포함하고,
상기 사용자 특징 정보는,
상기 게임 로그에 포함된 제 1 사용자 특징 정보, 또는
상기 사용자 단말에 질의를 전송하여 획득한 데이터에 기초하여 산출된 제 2 사용자 특징 정보 중 적어도 하나를 포함하고,
상기 복수개의 게임들 각각에 대응되는 게임 로그들은 각각 사용자 식별 정보를 포함하고 그리고 상기 복수개의 게임들 각각에 대응되는 게임 로그들 중 적어도 둘 이상의 게임 로그들은 동일한 사용자 식별 정보를 포함하는,
게임 데이터를 저장하고 활용하기 위한 방법.