KR102478964B1 - 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 - Google Patents

복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 Download PDF

Info

Publication number
KR102478964B1
KR102478964B1 KR1020220111607A KR20220111607A KR102478964B1 KR 102478964 B1 KR102478964 B1 KR 102478964B1 KR 1020220111607 A KR1020220111607 A KR 1020220111607A KR 20220111607 A KR20220111607 A KR 20220111607A KR 102478964 B1 KR102478964 B1 KR 102478964B1
Authority
KR
South Korea
Prior art keywords
software architecture
user terminal
neural network
configuration diagram
modules
Prior art date
Application number
KR1020220111607A
Other languages
English (en)
Inventor
황채민
Original Assignee
(주)아이티소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)아이티소프트 filed Critical (주)아이티소프트
Priority to KR1020220111607A priority Critical patent/KR102478964B1/ko
Application granted granted Critical
Publication of KR102478964B1 publication Critical patent/KR102478964B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/10—Requirements analysis; Specification techniques
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

실시예들은 서버가 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 사용자 단말로부터 소프트웨어 아키텍쳐와 관련된 정보를 수신하고, 상기 소프트웨어 아키텍쳐와 관련된 정보는 소프트웨어 아키텍쳐에 대한 기본 정보, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보 및 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보를 포함하고, 상기 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정하고, 상기 시스템 타입 및 상기 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 제1 승인 메시지를 수신하는 것에 기반하여, 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정하고, 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.

Description

복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치{METHOD AND APPARATUS FOR TRANSMITTING A CONFIGURATION DIAGRAM FOR SOFTWARE ARCHITECTURE DETERMINED BASED ON INFORMATION RELATED TO A SOFTWARE ARCHITECTURE TO A USER TERMINAL USING A PLUARALITY OF NEURAL NETWORKS BY A SERVER}
본 개시의 실시예들은 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 전송하는 기술에 관한 것으로, 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 기술에 대한 것이다.
한편, 소프트웨어를 설계하기 위해서는 먼저 전체 시스템을 구성하는 서브 시스템 또는 모듈과 이들 사이의 관계를 파악하기 위해 소프트웨어 아키텍쳐(software architecture)를 설계할 필요가 있다. 여기서, 소프트웨어 아키텍쳐는 주요한 컴포넌트 사이의 인터페이스와 인터렉션을 포함하는 시스템 구조의 설계 유형을 의미한다.
이러한 소프트웨어 아키텍쳐를 설계하기 위한 방법은 크게 전체 시스템에 대한 설계 목표를 결정하는 단계, 시스템의 타입을 결정하는 단계, 아키텍쳐 스타일을 적용하거나 아키텍쳐 설계를 커스터마이징하는 단계, 서브 시스템의 기능 및 인터페이스의 인터렉션 동작을 작성하는 단계, 작성된 소프트웨어 아키텍쳐 설계를 검토하는 단계를 포함한다.
이때, 소프트웨어 아키텍쳐를 설계하기 위해 다섯가지 단계를 모두 개발자가 직접 수행하는 경우, 너무 많은 시간이 소요되며, 소프트웨어 아키텍쳐에 대한 구성도를 수작업으로 작성해야 하므로 비효율적일 수 있다.
이에, 소프트웨어 아키텍쳐를 설계하기 위한 방법 중 일부를 자동화하기 위해, 뉴럴 네트워크를 이용하여 학습된 복수의 모델들을 기반으로 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법이 필요하다.
본 개시의 실시예들은, 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 서버가 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법은, 상기 사용자 단말로부터 소프트웨어 아키텍쳐와 관련된 정보를 수신하고, 상기 소프트웨어 아키텍쳐와 관련된 정보는 소프트웨어 아키텍쳐에 대한 기본 정보, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보 및 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보를 포함하고, 상기 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정하고, 상기 시스템 타입 및 상기 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말로부터 제1 승인 메시지를 수신하는 것에 기반하여, 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정하고, 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.
예를 들어, 상기 소프트웨어 아키텍쳐에 대한 구성도를 기반으로 제3 뉴럴 네트워크를 이용한 인식 모델을 통해 계층의 개수, 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수가 결정될 수 있다.
예를 들어, 상기 시스템 타입, 상기 스타일, 상기 계층의 개수, 상기 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 기반으로 제4 뉴럴 네트워크를 이용한 결정 모델을 통해 모듈의 결합도 및 모듈의 응집도가 결정될 수 있다.
예를 들어, 상기 시스템 결정 모델 및 상기 구성도 추천 모델은 와이드와 관련된 구성 요소와 딥과 관련된 구성 요소를 포함하는 와이드 앤 딥 러닝 모델일 수 있다. 상기 인식 모델은 테두리 박스 조정(bounding box coordinate)과 분류(classification)를 상기 제3 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 YOLO(you only look once) 모델일 수 있다.
부가적으로, 예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 서버가 소프트웨어 아키텍쳐에 대한 구성도에 YOLO 모델을 적용하여 아키텍쳐에 포함된 구성 요소를 인식하기 위해, 서버는 하나 이상의 제3 히든 레이어를 통해 소프트웨어 아키텍쳐에 대한 구성도에 대한 특징 맵을 생성할 수 있다. 이후, 서버는 상기 특징 맵에 대해 서로 다른 크기를 가지는 복수의 그리드로 분류하고, 그리드를 구성하는 각 셀에 대해 서로 다른 크기의 앵커 박스를 n개를 적용함으로써 테두리 박스(bounding box)를 결정할 수 있다. 서버는 테두리 박스의 시작 좌표와 높이, 너비 정보를 획득하는 것을 기반으로 객체 탐색을 수행할 수 있다. 이때, 서버는 각 클래스마다 독립적인 시그모이드 레이어를 사용하여 탐색 결과를 종합함으로써, 소프트웨어 아키텍쳐에 대한 구성도 내 구성요소들(예: 계층, 모듈, 컴포넌트, 화살표, 화살표로 연결된 모듈 세트)를 인식할 수 있다. 또한, 서버가 소프트웨어 아키텍쳐에 대한 구성도의 실제 데이터에 대한 테두리 박스를 분석하여, 유사한 부분끼리 그룹핑되도록 클러스터링을 사용함으로써, n개의 서로 다른 크기의 앵커 박스가 결정될 수 있다.
예를 들어, 상기 소프트웨어 아키텍쳐에 대한 구성도의 추천 점수가 상기 계층의 개수, 상기 모듈의 개수, 상기 컴포넌트의 개수, 상기 모듈의 결합도 및 상기 모듈의 응집도를 기반으로 결정될 수 있다. 상기 추천 점수가 사전 설정된 범위에 포함되는 것에 기반하여 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지가 상기 사용자 단말에게 전송될 수 있다.
일 실시예에 따라, 상기 추천 점수는 하기 수학식에 의해 결정될 수 있다.
Figure 112022092803741-pat00001
상기 수학식에서, 상기 P는 추천 점수이고, 상기 Ch는 상기 모듈의 응집도이고, 상기 nh는 계층의 개수이고, 상기 nc는 컴포넌트의 개수이고, 상기 nhmed는 상기 사용자 단말로부터 수신한 계층의 개수에 대한 중간 값이고, 상기 ncmed는 상기 사용자 단말로부터 수신한 컴포넌트의 개수에 대한 중간 값이고, 상기 Cp는 상기 모듈의 결합도이고, 상기 nm은 모듈의 개수이고, 상기 nmmed는 상기 사용자 단말로부터 수신한 모듈의 개수에 대한 중간 값일 수 있다. 상기 사전 설정된 범위는 상기 시스템 타입 및 스타일에 따라 결정될 수 있다.
일 실시예에 따라, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 소프트웨어 아키텍쳐와 관련된 정보 및 정답 시스템 타입과 정답 스타일로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 시스템 결정 모델이 생성될 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일 및 정답 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값으로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 구성도 추천 모델이 생성될 수 있다.
부가적으로, 예를 들어, 상기 사전 설정된 범위에서 최댓값은 하기 수학식에 의해 설정될 수 있다.
Figure 112022092803741-pat00002
상기 수학식에서, 상기 Smax는 상기 사전 설정된 범위의 최댓값이고, 상기 nv는 상기 소프트웨어 아키텍쳐에 대한 구성도를 결정하기 위해 사용된 변수의 개수이고, 상기 nf는 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수이고, 상기 k는 결정된 시스템에 매칭된 스타일의 개수이고, 상기 Cpi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 결합도이고, 상기 Chi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 응집도일 수 있다. 여기서, 상기 nv는 상기 제2 뉴럴 네트워크에 입력되는 입력 벡터에 포함된 변수의 개수일 수 있다. 여기서, 스타일에 대한 모듈의 평균 결합도와 스타일에 대한 모듈의 평균 응집도는 서버에 사전 저장된 제1 값일 수 있다. 또한, 상기 결합도 및 응집도 결정 모델을 통해 결정된 모듈의 결합도와 모듈의 응집도가 상기 사전 저장된 제1 값에 반영되어 제2 값으로 변경될 수 있다.
예를 들어, 상기 사전 설정된 범위에서 최솟값은 하기 수학식에 의해 설정될 수 있다.
Figure 112022092803741-pat00003
상기 수학식에서, 상기 Smin는 상기 사전 설정된 범위의 최솟값이고, 상기 nv는 상기 소프트웨어 아키텍쳐에 대한 구성도를 결정하기 위해 사용된 변수의 개수이고, 상기 nf는 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수이고, 상기 k는 결정된 시스템에 매칭된 스타일의 개수이고, 상기 Cpi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 결합도이고, 상기 Chi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 응집도일 수 있다. 여기서, 상기 nv는 상기 제2 뉴럴 네트워크에 입력되는 입력 벡터에 포함된 변수의 개수일 수 있다. 여기서, 스타일에 대한 모듈의 평균 결합도와 스타일에 대한 모듈의 평균 응집도는 서버에 사전 저장된 제1 값일 수 있다. 또한, 상기 결합도 및 응집도 결정 모델을 통해 결정된 모듈의 결합도와 모듈의 응집도가 상기 사전 저장된 제1 값에 반영되어 제2 값으로 변경될 수 있다.
실시예들에 따르면, 서버는 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정하고, 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정함으로써, 사용자 단말에게 자동으로 적합한 소프트웨어 아키텍쳐에 대한 구성도를 전송할 수 있다.
실시예들에 따르면, 서버는 소프트웨어 아키텍쳐에 대한 구성도를 결정하기 위해, 아키텍쳐에 대한 구성도와 관련된 다양한 변수들을 고려할 수 있고, 추천 점수가 사전 설정된 점수보다 큰 경우에 아키텍쳐에 대한 구성도를 전송함으로써, 품질이 보장되는 아키텍쳐에 대한 구성도를 사용자 단말에게 전송할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법을 나타낸다.
도 4는 일 실시예에 따른 시스템 결정 모델 및 구성도 추천 모델에 대한 도면이다.
도 5는 일 실시예에 서버가 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법에 대한 흐름도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM 또는 TizenTM 를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 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. 전술한 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 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 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.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따른 서버가 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버는 사용자 단말로부터 소프트웨어 아키텍쳐와 관련된 정보를 수신할 수 있다. 여기서, 소프트웨어 아키텍쳐는 소프트웨어를 구성하는 요소들 사이의 유기적 관계를 표현한 구조를 의미한다. 예를 들어, 소프트웨어 아키텍쳐는 계층, 모듈 및 컴포넌트를 포함할 수 있다. 여기서, 계층은 응용 프로그램이나 서비스를 구성하는 소프트웨어 구성 요소의 논리적 그룹을 의미한다. 각 논리 계층에는 하위 계층으로 그룹화된 여러 개별 구성 요소 유형이 포함될 수 있고, 각 하위 계층은 특정 유형의 작업을 수행할 수 있다. 여기서, 모듈은 구조 또는 구현의 최소 단위를 의미한다. 여기서, 컴포넌트는 응용프로그램이 동작될 때 실행되는 단위, 실행 중인 소프트웨어의 활동 단위를 의미한다. 예를 들어, 1개의 서버로부터 서비스를 제공받는 100개의 클라이언트가 존재하면, 서버가 구현된 모듈은 1개, 클라이언트가 구현된 모듈은 1개이고, 총 모듈의 개수는 2개일 수 있다. 컴포넌트는 실제 동작하고 있는 엔티티를 의미하므로 총 101개일 수 있다.
예를 들어, 상기 소프트웨어 아키텍쳐와 관련된 정보는 소프트웨어 아키텍쳐에 대한 기본 정보, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보 및 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보를 포함할 수 있다.
여기서, 소프트웨어 아키텍쳐에 대한 기본 정보는 소프트웨어 아키텍쳐에 대한 기본적인 정보를 의미하며, 계층의 개수에 대한 최댓값과 최솟값, 모듈의 개수에 대한 최댓값과 최솟값 및 컴포넌트의 개수에 대한 최댓값 및 최솟값을 포함할 수 있다. 예를 들어, 상기 계층의 개수에 대한 최댓값과 최솟값, 상기 모듈의 개수에 대한 최댓값과 최솟값 및 상기 컴포넌트의 개수에 대한 최댓값 및 최솟값은 상기 사용자 단말에 의해 결정된 값일 수 있다.
여기서, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보는 소프트웨어의 제작을 위한 아키텍쳐 설계에 대한 계약 정보를 의미한다. 예를 들어, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보는 아키텍쳐 설계를 의뢰하는 회사의 연간 매출액, 아키텍쳐 설계를 의뢰하는 회사의 직원 수, 설계 요청일, 설계 마감일 및 의뢰 비용을 포함할 수 있다.
여기서, 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보는 아키텍쳐 설계가 의뢰된 소프트웨어에서 요구되는 품질에 대한 정보를 의미한다. 예를 들어, 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보는 처리량, 메모리, 반응시간, 동시 접속자수, 데이터 크기, 예상 수정 횟수, 가동률, 호환성 여부에 대한 정보 및 보안 등급에 대한 정보를 포함할 수 있다. 여기서, 처리량(throughput)은 시스템이 단위 시간 당 얼마나 많은 작업을 수행하는지에 대한 값으로, 초당 처리한 트랙잭션 수(transaction per second) 또는 초당 처리되는 메시지 수(message processed per second)일 수 있다. 예를 들어, 처리량은 사전 설정된 시간에 대한 평균 처리량일 수 있다. 여기서, 반응 시간(response time)은 사용자의 작업 요청 또는 입력 이후 시스템이 반응하기까지 걸리는 시간으로, 보장 반응시간과 평균 반응시간을 포함할 수 있다. 예를 들어, 보장 반응시간이 4초인 경우, 사전 설정된 비율(예: 95%)에 해당하는 요구에 대해 시스템이 4초 이내에 반응하는 것을 의미할 수 있다. 예를 들어, 평균 반응시간이 15초인 경우, 사전 설정된 비율(예: 95%)에 해당하는 요구에 대해 시스템이 15초 이상 지연되지 않는 것을 의미할 수 있다. 즉, 평균 반응시간은 허용가능한 최대 반응시간일 수 있다. 여기서, 메모리는 시스템이 실행되기 위해 요구되는 기억 공간일 수 있다. 여기서, 동시 접속자 수는 시스템에 동시에 접속이 가능한 사용자의 최대 수일 수 있다. 여기서, 데이터의 크기는 시스템에서 처리할 수 있는 데이터의 최대 크기일 수 있다. 여기서, 예상 수정 횟수는 새로운 기능이 추가되기 위해 평균적으로 수정되는 횟수일 수 있다. 여기서, 가동률은 사전 설정된 시간(예를 들어, 영업 시간)동안 시스템이 가동되는 시간에 대한 비율일 수 있다. 여기서, 호환성 여부는 다른 시스템과의 인터페이스 또는 데이터의 호환성이 제공되는지 여부를 나타내는 값일 수 있다. 여기서, 보안 등급은 시스템 내 데이터에 대한 보안의 등급으로, 상 중 하 3가지 단계로 분류될 수 있고, 각각의 등급에 대응하는 값으로 나타낼 수 있다.
단계 S302에서, 서버는 상기 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정할 수 있다.
여기서, 시스템 타입은 소프트웨어 아키텍쳐에 의해 표현되는 시스템의 종류를 의미한다. 예를 들어, 시스템 타입은 복수의 시스템 타입을 포함할 수 있다. 복수의 시스템 타입은 제1 시스템 타입, 제2 시스템 타입, 제3 시스템 타입 및 제4 시스템 타입을 포함할 수 있다. 제1 시스템 타입은 비즈니스 프로세스를 수행하기 위해 시스템과 사용자 사이의 인터렉션이 이루어지는 시스템으로, 사용자의 요구가 발생하면 시스템이 해당 요구를 처리하고 반응하는 시스템일 수 있다. 예를 들어, 제1 시스템 타입은 대화형 시스템으로, 로그인, 결제와 같은 기능들과 관련된 시스템을 포함할 수 있다. 제2 시스템 타입은 외부의 상태에 따라서 변경을 통해 동작하는 시스템일 수 있다. 예를 들어, 제2 시스템 타입은 이벤트 중심 시스템으로, 임베디드 시스템을 포함할 수 있다. 제3 시스템 타입은 데이터가 입력되면 정해진 작업들을 수행하여 결과를 출력하는 시스템일 수 있다. 예를 들어, 제3 시스템 타입은 변환형 시스템으로, 컴파일러와 관련된 시스템을 포함할 수 있다. 제4 시스템 타입은 데이터 베이스를 사용하여 파일을 효과적으로 저장, 검색, 갱신할 수 있는 시스템일 수 있다. 예를 들어, 제4 시스템 타입은 객체 영속형 시스템으로, 데이터 베이스 시스템을 포함할 수 있다.
여기서, 스타일은 아키텍쳐 스타일을 의미하고, 아키텍쳐 스타일은 다양한 상황 중 어느 특정한 상황에 대해 일반화된 솔루션일 수 있다. 예를 들어, 스타일은 복수의 아키텍쳐 스타일을 포함할 수 있다. 예를 들어, 복수의 아키텍쳐 스타일은 계층 구조 스타일, 클라이언트-서버 스타일, 마스터-슬레이브 스타일, 파이프-필터 스타일, 브로커 스타일, 피어 투 피어 스타일, 이벤트-버스 스타일, 모델-뷰-컨트롤러 스타일, 블랙보드 스타일, 인터프리터 스타일, 트랜잭션 처리 스타일 중 적어도 하나를 포함할 수 있다.
예를 들어, 계층 구조 스타일은 n-티어 아키텍쳐 스타일이라고도 지칭되며, 하위 모듈들의 그룹으로 나눌 수 있는 구조화된 프로그램에서 사용될 수 있다. 즉, 각 서브 시스템이 하나의 계층이 되어 하위층이 제공하는 서비스를 상위층의 서브시스템이 사용하도록 구성되는 스타일일 수 있다.
예를 들어, 클라이언트-서버(client-server) 스타일은 하나의 서버와 다수의 클라이언트로 구성되며, 서버 컴포넌트는 다수의 클라이언트 컴포넌트로 서비스를 제공할 수 있다. 즉, 클라이언트가 서버에 서비스를 요청하면, 서버는 클라이언트에게 적절한 서비스를 제공하는 스타일일 수 있다. 이때, 서버와 클라이언트는 요청과 결과를 수신하기 위해 동기화되는 상태 이외에는 독립적으로 동작할 수 있다.
예를 들어, 마스터-슬레이브(master-slave) 스타일은 마스터와 슬레이브로 구성되며, 마스터 컴포넌트는 동등한 구조를 지닌 슬레이브 컴포넌트들로 작업을 분산시키고, 슬레이브가 반환한 결과 값으로부터 최종 결과 값을 계산할 수 있다.
예를 들어, 파이프-필터(pipe-filter) 스타일은 데이터 스트림을 생성하고 처리하는 시스템에서 사용되며, 각 처리 과정은 필터 컴포넌트에 의해 수행되고, 처리된 데이터는 파이프를 통해 전달될 수 있다. 이러한, 파이프는 버퍼링 또는 동기화 목적으로 사용될 수 있다.
예를 들어, 브로커(broker) 스타일은 분리된 컴포넌트들로 구성된 분산 시스템에서 사용되며, 컴포넌트들은 원격 서비스 실행을 통해 서로 상호 작용을 할 수 있다. 브로커 컴포넌트는 컴포넌트 사이의 통신을 조정하는 역할을 할 수 있다. 이때, 서버는 자신의 기능들(서비스 및 특성)을 브로커에게 전달해주고, 클라이언트가 브로커에 서비스를 요청하면, 브로커는 클라이언트를 자신의 레지스트리에 있는 적합한 서비스로 리디렉션할 수 있다.
예를 들어, 피어-투-피어(peer-to-peer) 스타일은 각 컴포넌트를 피어라고 지칭하고, 피어는 클라이언트로서 피어에게 서비스를 요청할 수 있고, 서버로서 각 피어에게 서비스를 제공할 수 있다. 즉, 피어는 클라이언트 및/또는 서버로 동작할 수 있고, 시간에 따라 역할이 변경될 수 있다.
예를 들어, 이벤트-버스(event-bus) 스타일은 이벤트 소스, 이벤트 리스너, 채널 및 이벤트 버스로 4가지 주요 컴포넌트들로 구성될 수 있다. 소스는 이벤트 버스를 통해 특정 채널로 메시지를 발행할 수 있고, 리스너는 특정 채널에서 메시지를 구독할 수 있고, 리스너는 이전에 구독한 채널에 발행된 메시지에 대해 알림을 받을 수 있다.
예를 들어, MVC(model-view-controller) 스타일은 사용자 인터페이스를 시스템의 다른 부분과 분리하여 결합도를 낮추기 위한 아키텍쳐 스타일로, 모델, 뷰 및 컨트롤러를 포함할 수 있다. 모델은 핵심 기능과 데이터를 포함할 수 있고, 뷰는 사용자에게 정보를 표시할 수 있고, 컨트롤러는 사용자가 뷰와 모델과 인터렉션하는 것을 제어하는 객체를 포함하며, 사용자로부터 입력된 정보를 처리할 수 있다. MVC 구조는 사용자 인터페이스를 담당하는 계층의 응집력을 높일 수 있고, 복수의 상이한 사용자 인터페이스를 생성함으로써, 결합도를 낮출 수 있다.
예를 들어, 블랙보드(blackboard) 스타일은 블랙보드, 지식 소스, 제어 컴포넌트로 구성될 수 있다. 블랙보드는 솔루션의 객체를 포함하는 구조화된 메모리일 수 있고, 지식 소스는 자체적인 표현을 가진 특수 모듈일 수 있고, 제어 컴포넌트는 모듈을 선택, 설정 및 실행할 수 있다. 모든 컴포넌트는 블랙보드에 추가되는 새로운 데이터 객체를 생성할 수 있고, 블랙보드에서 특정한 종류의 데이터를 검색할 수 있고, 기존의 지식 소스와의 패턴 매칭으로 데이터를 검색할 수 있다. 즉, 음성 인식이나 차량 식별, 음파 탐지기 신호의 해석과 같은 프로그램에 사용될 수 있다.
예를 들어, 인터프리터(interpreter) 스타일은 특정한 언어로 작성된 프로그램을 해석하기 위한 컴포넌트를 설계하기 위해 사용될 수 있다. 언어의 각 기호에 대해 클래스가 생성될 수 있다. 즉, SQL과 같은 데이터 베이스 쿼리 언어 또는 통신 프로토콜을 정의하기 위한 언어에 대해 인터프리터 스타일이 사용될 수 있다.
예를 들어, 트랜잭션 처리 스타일은 입력을 하나씩 처리하는 스타일이며, 여기서, 입력은 시스템에 저장된 데이터를 조작하는 명령들, 즉, 트랜잭션일 수 있다. 이때, 디스패처라 지칭되는 컴포넌트를 통해 트랜잭션을 어디서 처리할지 결정할 수 있고, 디스패처는 프로시저 호출이나 메시지를 통해 요청된 트랜잭션을 처리할 컴포넌트에 배치될 수 있다.
부가적으로, 예를 들어, 서버는 사전 설정된 주기마다 웹 크롤링을 통해 아키텍쳐 스타일의 종류를 업데이트할 수 있다.
서버는 상술한 스타일 중 적어도 하나를 결정함으로써, 소프트웨어 시스템의 구조를 구성하기 위한 기본적인 윤곽을 제시할 수 있다. 또한, 각각의 스타일은 서브 시스템들과 그 역할이 정의되어 있으며, 서브시스템 사이의 관계와 여러 규칙 지침 등을 포함할 수 있다. 이를 통해, 시행 착오를 줄여 개발 시간을 단축시키고, 고품질의 소프트웨어를 생산할 수 있으며, 검증된 구조로 개발하기 때문에 안정적인 개발이 가능할 수 있다.
예를 들어, 하나의 시스템 타입에 대해 적어도 하나의 스타일이 매칭될 수 있다. 즉, 서버는 상기 시스템 결정 모델을 통해 상기 소프트웨어 아키텍쳐에 대해 하나의 시스템 타입 및 적어도 하나의 스타일을 결정할 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 소프트웨어 아키텍쳐와 관련된 정보 및 상기 복수의 소프트웨어 아키텍쳐와 관련된 정보에 매칭되는 정답 시스템 타입과 정답 스타일로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 시스템 결정 모델이 생성될 수 있다.
예를 들어, 상기 시스템 결정 모델은 와이드와 관련된 구성 요소와 딥과 관련된 구성 요소를 포함하는 와이드 앤 딥 러닝 모델(wide and deep learning)일 수 있다. 와이드 앤 딥 러닝 모델에 대해서는 이하 도 4에서 구체적으로 설명한다.
단계 S303에서, 서버는 상기 시스템 타입 및 상기 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 전송할 수 있다.
단계 S304에서, 서버가 상기 사용자 단말로부터 제1 승인 메시지를 수신하는 것에 기반하여, 서버는 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정할 수 있다.
여기서, 상기 제1 승인 메시지는 상기 제1 추천 메시지에 대응하는 메시지이며, 상기 시스템 타입 및 상기 스타일에 대한 승인을 나타내는 메시지일 수 있다. 예를 들어, 상기 제1 승인 메시지는 시스템 타입 및 스타일을 지시하는 값을 포함할 수 있다.
부가적으로, 예를 들어, 상기 시스템 타입 및 상기 스타일은. 상기 제1 승인 메시지에 포함된, 사용자 단말로부터 선택된 시스템 타입 및 스타일로 변경될 수도 있다.
여기서, 소프트웨어 아키텍쳐에 대한 구성도는 소프트웨어를 구성하는 요소들 사이의 유기적 관계를 표현한 구조를 나타낸 도면일 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일 및 정답 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값으로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 구성도 추천 모델이 생성될 수 있다.
예를 들어, 상기 구성도 추천 모델은 와이드와 관련된 구성 요소와 딥과 관련된 구성 요소를 포함하는 와이드 앤 딥 러닝 모델일 수 있다. 와이드 앤 딥 러닝 모델에 대해서는 이하 도 4에서 구체적으로 설명한다.
예를 들어, 상기 소프트웨어 아키텍쳐에 대한 구성도를 기반으로 제3 뉴럴 네트워크를 이용한 인식 모델을 통해 계층의 개수, 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수가 결정될 수 있다.
부가적으로, 예를 들어, 인식 모델은 YOLO(you only look once) 모델일 수 있다. 여기서, YOLO 모델은 테두리 박스 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 서버가 소프트웨어 아키텍쳐에 대한 구성도에 YOLO 모델을 적용하여 아키텍쳐에 포함된 구성 요소를 인식하기 위해, 서버는 하나 이상의 제3 히든 레이어를 통해 소프트웨어 아키텍쳐에 대한 구성도에 대한 특징 맵을 생성할 수 있다. 이후, 서버는 상기 특징 맵에 대해 서로 다른 크기를 가지는 복수의 그리드로 분류하고, 그리드를 구성하는 각 셀에 대해 서로 다른 크기의 앵커 박스를 n개를 적용함으로써 테두리 박스(bounding box)를 결정할 수 있다. 서버는 테두리 박스의 시작 좌표와 높이, 너비 정보를 획득하는 것을 기반으로 객체 탐색을 수행할 수 있다. 이때, 서버는 각 클래스마다 독립적인 시그모이드 레이어를 사용하여 탐색 결과를 종합함으로써, 소프트웨어 아키텍쳐에 대한 구성도 내 구성요소들(예: 계층, 모듈, 컴포넌트, 화살표, 화살표로 연결된 모듈 세트)를 인식할 수 있다. 또한, 서버가 소프트웨어 아키텍쳐에 대한 구성도의 실제 데이터에 대한 테두리 박스를 분석하여, 유사한 부분끼리 그룹핑되도록 클러스터링을 사용함으로써, n개의 서로 다른 크기의 앵커 박스가 결정될 수 있다.
예를 들어, 복수의 소프트웨어 아키텍쳐에 대한 구성도, 정답 계층의 개수, 정답 모듈의 개수, 정답 컴포넌트의 개수 및 정답 모듈 사이의 화살표 개수로 구성된 각각의 제3 뉴럴 네트워크의 학습을 위한 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되고, 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터를 출력하고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 제3 정답 벡터를 비교하는 제3 손실 함수를 이용하여 제3 손실값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실값이 작아지는 방향으로 학습되는, 상기 인식 모델이 생성될 수 있다.
예를 들어, 상기 시스템 타입, 상기 스타일, 상기 계층의 개수, 상기 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 기반으로 제4 뉴럴 네트워크를 이용한 결합도 및 응집도 결정 모델을 통해 모듈의 결합도 및 모듈의 응집도가 결정될 수 있다.
여기서, 모듈의 결합도는 소프트웨어 아키텍쳐에 포함된 모듈들 사이의 상호 의존하는 정도 또는 두 모듈 사이의 연관 관계에 대한 값일 수 있다. 예를 들어, 모듈의 결합도는 결합 정도에 따른 복수의 결합도 유형에 기반하여 결정될 수 있다. 예를 들어, 복수의 결합도 유형은 가장 낮은 결합도를 갖는 자료 결합도에서부터 결합도가 높은 순서로 스탬프 결합도, 제어 결합도, 외부 결합도, 공통 결합도 및 내용 결합도를 포함할 수 있다. 자료 결합도는 모듈 사이의 인터페이스로 전달되는 파라미터를 통해서만 데이터를 주고 받는 형태로서, 가장 낮은 결합도를 가질 수 있다. 스탬프 결합도는 모듈 사이의 인터페이스로 배열이나, 객체, 구조 등이 전달되는 형태로서, 동일한 자료 구조를 참조하는 형태의 결합도일 수 있다. 제어 결합도는 어떠한 모듈이 다른 모듈 내부의 논리적인 흐름을 제어하기 위한 목적으로 제어 신호를 이용하여 통신하는 형태일 수 있다. 외부 결합도는 모듈이 다수의 기능을 가지고, 해당 모듈 안의 구성요소들이 다수의 기능을 순차적으로 수행하는 형태일 수 있다. 공통 결합도는 파라미터가 아닌 모듈 밖에 선언된 전역 변수(global variable)를 참조하고, 전역 변수를 업데이트하는 방식으로 상호 작용하는 형태일 수 있다. 내용 결합도는 다른 모듈 내부에 있는 변수나 기능을 다른 모듈에서 사용하는 형태로, 가장 높은 결합도를 가질 수 있다. 예를 들어, 결합도는 그 값이 높을수록 모듈의 독립성이 높아질 수 있다. 예를 들어, 모듈의 결합도는 복수의 결합도 유형 각각에 대응하는 값을 기반으로 결정될 수 있다. 예를 들어, 복수의 결합도 유형이 6가지 유형인 경우, 가장 결합도가 낮은 결합도 유형에 대한 값은 1이고, 가장 결합도가 높은 결합도 유형에 대한 값은 6일 수 있다.
여기서, 모듈의 응집도는 소프트웨어 아키텍쳐에 포함된 모듈 내부의 구성 요소들이 서로 관련된 정도일 수 있다. 예를 들어, 모듈의 응집도는 응집 정도에 따른 복수의 응집도 유형에 기반하여 결정될 수 있다. 예를 들어, 복수의 응집도 유형은 가장 응집도가 강한 기능적 응집도부터 응집도가 약한 순서대로 순차적 응집도, 교환적 응집도, 절차적 응집도, 시간적 응집도, 논리적 응집도 및 가장 응집도가 약한 우연적 응집도를 포함할 수 있다. 기능적 응집도는 모듈 내부의 모든 기능 요소들이 단일한 문제와 연관되어 수행될 경우의 응집도일 수 있다. 순차적 응집도는 모듈 내 하나의 활동으로부터 나온 출력 데이터를 그 다음 활동의 입력 데이터로 사용할 경우의 응집도일 수 있다. 교환적 응집도는 동일한 입력과 출력을 사용하여 서로 다른 기능을 수행하는 구성 요소들이 모였을 경우의 응집도일 수 있다. 절차적 응집도는 모듈이 다수의 관련 기능을 가질 때 모듈 안의 구성 요소들이 그 기능을 순차적으로 수행할 경우의 응집도일 수 있다. 시간적 응집도는 특정 시간에 처리되는 몇 개의 기능을 모아 하나의 모듈로 작성할 경우의 응집도일 수 있다. 논리적 응집도는 유사한 성격을 갖거나 특정 형태로 분류되는 구성 요소들로 하나의 모듈이 형성되는 경우의 응집도일 수 있다. 우연적 응집도는 모듈 내부의 각 구성 요소들이 서로 관련 없는 요소로만 구성된 경우의 응집도일 수 있다. 예를 들어, 복수의 응집도 유형이 7가지 유형인 경우, 가장 응집도가 낮은 응집도 유형에 대한 값은 1이고, 가장 응집도가 높은 응집도 유형에 대한 값은 7일 수 있다.
예를 들어, 제4 뉴럴 네트워크는 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 시스템 타입, 복수의 스타일, 복수의 계층의 개수, 복수의 모듈의 개수와 복수의 모듈 사이의 화살표 개수, 복수의 컴포넌트의 개수, 정답 모듈의 결합도 및 정답 모듈의 응집도로 구성된 각각의 제4 뉴럴 네트워크의 학습을 위한 데이터는 상기 제4 뉴럴 네트워크의 상기 제4 입력 레이어에 입력되고, 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터를 출력하고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 제4 정답 벡터를 비교하는 제4 손실 함수를 이용하여 제4 손실값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실값이 작아지는 방향으로 학습되는, 상기 결합도 및 응집도 결정 모델이 생성될 수 있다.
따라서, 서버는 제4 뉴럴 네트워크를 이용하 결합도 및 응집도 결정 모델을 통해 상기 시스템 타입, 상기 스타일, 상기 계층의 개수, 상기 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 기반으로 상기 소프트웨어 아키텍쳐에 대한 모듈의 결합도 및 모듈의 응집도를 결정할 수 있다.
단계 S305에서, 서버는 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송할 수 있다.
예를 들어, 상기 소프트웨어 아키텍쳐에 대한 구성도의 추천 점수가 상기 계층의 개수, 상기 모듈의 개수, 상기 컴포넌트의 개수, 상기 모듈의 결합도 및 상기 모듈의 응집도를 기반으로 결정될 수 있다. 예를 들어, 상기 추천 점수가 사전 설정된 범위에 포함되는 것에 기반하여. 서버는 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송할 수 있다.
예를 들어, 상기 추천 점수는 하기 수학식 1에 의해 결정될 수 있다.
Figure 112022092803741-pat00004
상기 수학식 1에서, 상기 P는 추천 점수이고, 상기 Ch는 상기 모듈의 응집도이고, 상기 nh는 계층의 개수이고, 상기 nc는 컴포넌트의 개수이고, 상기 nhmed는 상기 사용자 단말로부터 수신한 계층의 개수에 대한 중간 값이고, 상기 ncmed는 상기 사용자 단말로부터 수신한 컴포넌트의 개수에 대한 중간 값이고, 상기 Cp는 상기 모듈의 결합도이고, 상기 nm은 모듈의 개수이고, 상기 nmmed는 상기 사용자 단말로부터 수신한 모듈의 개수에 대한 중간 값일 수 있다.
여기서, 상기 nhmed는 상기 사용자 단말로부터 수신한 계층의 개수에 대한 최댓값과 최솟값을 합한 값을 2로 나눈 값이고, 상기 ncmed는 상기 사용자 단말로부터 수신한 컴포넌트의 개수에 대한 최댓값과 최솟값을 합한 값을 2로 나눈 값이고, 상기 nmmed는 상기 사용자 단말로부터 수신한 모듈의 개수에 대한 최댓값과 최솟값을 합한 값을 2로 나눈 값일 수 있다.
예를 들어, 상기 모듈의 응집도에 대한 값이 크고, 상기 모듈의 결합도에 대한 값이 작을수록 추천 점수는 큰 값을 가질 수 있다. 또한, 상기 계층의 개수와 상기 사용자 단말로부터 수신한 계층의 개수에 대한 중간 값의 차이가 작고, 상기 모듈의 개수와 상기 사용자 단말로부터 수신한 모듈의 개수에 대한 중간 값의 차이가 작고, 상기 컴포넌트의 개수와 상기 사용자 단말로부터 수신한 컴포넌트의 개수에 대한 중간 값의 차이가 작을수록, 상기 추천 점수는 큰 값을 가질 수 있다.
따라서, 서버는 사용자 단말로부터 수신한 값과 아키텍쳐에 대한 구성도에 포함된 모듈들의 결합도 및 모듈들의 응집도에 따라 추천 점수를 결정함으로써, 아키텍쳐에 대한 구성도와 관련된 다양한 변수들을 고려할 수 있다. 또한, 서버는 추천 점수가 사전 설정된 점수보다 큰 경우에 아키텍쳐에 대한 구성도를 전송함으로써, 품질이 보장되는 아키텍쳐에 대한 구성도를 사용자 단말에게 전송할 수 있다.
상기 사전 설정된 범위는 상기 시스템 타입 및 스타일에 따라 결정될 수 있다. 예를 들어, 상기 사전 설정된 범위에서 최댓값은 하기 수학식 2에 의해 설정될 수 있다.
Figure 112022092803741-pat00005
상기 수학식 2에서, 상기 Smax는 상기 사전 설정된 범위의 최댓값이고, 상기 nv는 상기 소프트웨어 아키텍쳐에 대한 구성도를 결정하기 위해 사용된 변수의 개수이고, 상기 nf는 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수이고, 상기 k는 결정된 시스템에 매칭된 스타일의 개수이고, 상기 Cpi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 결합도이고, 상기 Chi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 응집도일 수 있다. 여기서, 상기 nv는 상기 제2 뉴럴 네트워크에 입력되는 입력 벡터에 포함된 변수의 개수일 수 있다. 여기서, 스타일에 대한 모듈의 평균 결합도와 스타일에 대한 모듈의 평균 응집도는 서버에 사전 저장된 제1 값일 수 있다. 또한, 상기 결합도 및 응집도 결정 모델을 통해 결정된 모듈의 결합도와 모듈의 응집도가 상기 사전 저장된 제1 값에 반영되어 제2 값으로 변경될 수 있다.
예를 들어, 상기 nf가 큰 값을 가질수록 상기 사전 설정된 범위에서 최댓값이 작아지기 때문에, 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수가 많을수록 사전 설정된 범위가 상대적으로 좁아지고, 소프트웨어 아키텍쳐에 대한 구성도를 추천하기 위한 기준 범위가 보다 엄격하게 설정될 수 있다. 즉, 충분한 양의 학습 데이터가 확보되는 것에 따라 기준 범위를 좁힐 수 있다. 또한, 서버는 결정된 시스템 타입에 매칭되는 스타일에 따라 기준 범위를 상이하게 설정함으로써, 보다 적합한 소프트웨어 아키텍쳐에 대한 구성도를 추천할 수 있다.
예를 들어, 상기 사전 설정된 범위에서 최솟값은 하기 수학식 3에 의해 설정될 수 있다.
Figure 112022092803741-pat00006
상기 수학식 3에서, 상기 Smin는 상기 사전 설정된 범위의 최솟값이고, 상기 nv는 상기 소프트웨어 아키텍쳐에 대한 구성도를 결정하기 위해 사용된 변수의 개수이고, 상기 nf는 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수이고, 상기 k는 결정된 시스템에 매칭된 스타일의 개수이고, 상기 Cpi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 결합도이고, 상기 Chi는 상기 결정된 시스템 타입에서 i번째 스타일에 대한 모듈의 평균 응집도일 수 있다.
예를 들어, 상기 nf가 큰 값을 가질수록 상기 사전 설정된 범위에서 최솟값이 커지기 때문에, 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도의 개수가 많을수록 사전 설정된 범위가 상대적으로 좁아지고, 소프트웨어 아키텍쳐에 대한 구성도를 추천하기 위한 기준 범위가 보다 엄격하게 설정될 수 있다. 즉, 충분한 양의 학습 데이터가 확보되는 것에 따라 기준 범위를 좁힐 수 있다. 또한, 서버는 결정된 시스템 타입에 매칭되는 스타일에 따라 기준 범위를 상이하게 설정함으로써, 보다 적합한 소프트웨어 아키텍쳐에 대한 구성도를 추천할 수 있다.
도 4는 일 실시예에 따른 시스템 결정 모델 및 구성도 추천 모델에 대한 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 시스템 결정 모델 및 구성도 추천 모델은 와이드 앤 딥 러닝 모델(wide and deep learning) 모델(400)일 수 있다. 와이드 앤 딥 러닝 모델(wide and deep learning)(400)은 입력 레이어(410), 하나 이상의 히든 레이어(420) 및 출력 레이어(430)를 포함할 수 있다. 또한, 와이드 앤 딥 러닝 모델(400)은 와이드와 관련된 구성 요소(401)와 딥과 관련된 구성 요소(402)를 포함할 수 있다.
예를 들어, 와이드와 관련된 구성 요소(401)는 획득된 과거 데이터를 기반으로 학습하고, 과거 데이터 사이의 상관 관계를 학습함으로써, 가장 관련이 있는 특징 벡터들을 결정할 수 있다. 예를 들어, 와이드와 관련된 구성 요소는 선형 함수로 구성된 모델일 수 있고, 크로스-프로덕트 특징(cross-product feature)을 사용하는 모델일 수 있다. 여기서, 크로스-프로덕트 특징은 과거의 데이터를 기반으로 새로운 조합의 특징(feature)을 생성하는 것일 수 있다. 예를 들어, 와이드와 관련된 구성 요소를 기반으로 n개의 특징 벡터, m개의 크로스-프로덕트 특징 벡터를 통해 제1 예측 값이 결정될 수 있다.
예를 들어, 딥과 관련된 구성 요소(402)는 과거의 데이터에 없는 새로운 데이터를 생성하는 모델이며, 고차원의 상호작용 정보를 학습할 수 있다. 이를 위해, 딥과 관련된 구성 요소는 비선형 활성 함수를 이용한 뉴럴 네트워크를 사용할 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어(dense embedding layer)와 뉴럴 CF(Neural collaborative filtering) 레이어를 더 포함할 수 있다. 예를 들어, 밀집 임베딩 레이어는 상술한 입력 벡터를 임베딩 벡터로 변환시키는 레이어이며, 차원 축소 기법(예: SVD(singular value decomposition), PCA(principal component analysis))이 사용될 수 있다. 예를 들어, 뉴럴 CF 레이어는 복수의 레이어로 구성되며, 각 레이어에 대해 비선형 활성 함수가 적용될 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)의 입력 벡터는 와이드와 관련된 구성 요소(401)의 입력 벡터와 동일할 수 있다. 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어와 뉴럴 CF 레이어를 통해 입력 벡터가 기준 벡터의 범위에 부합하는지 여부에 대한 제2 예측 값을 결정할 수 있다.
이때, 와이드와 관련된 구성 요소(401)와 딥과 관련된 구성 요소(402)는 손실 값을 공유하면서 학습함으로써, 와이드와 관련된 구성 요소(401)가 딥과 관련된 구성 요소(402)를 보완하기 때문에, 많은 특징을 요구하지 않는 장점이 있다.
예를 들어, 와이드 앤 딥러닝 모델은 상기 제1 예측 값과 상기 제2 예측 값에 마지막으로 시그모이드 활성함수를 적용시켜 0과 1사이의 확률 값으로 변환시킬 수 있다. 이때, 확률 값이 0.5 이상이면 1, 0.5 미만이면 0으로 다시 변환시킬 수 있다.
구체적으로, 시스템 결정 모델과 관련하여, 복수의 소프트웨어 아키텍쳐와 관련된 정보에 대해 데이터 전처리가 수행된 제1 입력 벡터가 제1 와이드 앤 딥 러닝 모델에 입력될 수 있다. 예를 들어, 제1 입력 벡터는 소프트웨어 아키텍쳐 설계를 의뢰하는 회사의 연간 매출액, 직원 수, 설계 기간, 의뢰 비용, 처리량, 요구되는 메모리, 반응시간, 동시 접속자수, 데이터 크기, 예상 수정 횟수, 가동률, 호환성 여부에 대응하는 값 및 보안 등급에 대응하는 값으로 구성될 수 있다.
예를 들어, 와이드와 관련된 구성 요소에서, 상술한 제1 입력 벡터를 기반으로 n개의 제1 특징 벡터가 생성되고, n개의 제1 특징 벡터에 기반하여 m개의 제1 크로스-프로덕트 특징 벡터(예를 들어, 기준 벡터의 범위)가 생성될 수 있다. 예를 들어, n개의 제1 특징 벡터가 상기 m개의 제1 크로스-프로덕트 특징 벡터에 부합되는 것에 기반하여, 즉, n개의 제1 특징 벡터가 제1 기준 벡터의 범위에 포함되는 것에 기반하여 제1 예측 값이 결정될 수 있다. 예를 들어, n개의 제1 특징 벡터가 상기 m개의 제1 크로스-프로덕트 특징 벡터에 부합되면, 상기 제1 예측 값은 1로 결정될 수 있다. 예를 들어, n개의 제1 특징 벡터가 상기 m개의 제1 크로스-프로덕트 특징 벡터에 부합되지 않으면, 상기 제1 예측 값은 0으로 결정될 수 있다.
예를 들어, 딥과 관련된 구성 요소의 입력 벡터는 상기 복수의 소프트웨어 아키텍쳐와 관련된 정보에 대한 데이터 전처리가 수행된 제1 입력 벡터일 수 있다. 즉, 딥과 관련된 구성 요소는 제1 밀집 임베딩 레이어와 제1 뉴럴 CF 레이어를 통해 입력 벡터가 기준 벡터의 범위에 부합하는지 여부에 대한 제2 예측 값을 결정할 수 있다.
예를 들어, 시스템 결정 모델은 상기 제1 예측 값과 상기 제2 예측 값에 마지막으로 시그모이드 활성함수를 적용시켜 0과 1사이의 확률 값으로 변환시킬 수 있다. 이때, 확률 값이 0.5 이상이면 1, 0.5 미만이면 0으로 다시 변환시킬 수 있고, 1인 경우에는 상술한 입력 벡터에 대응하는 시스템 타입 및 스타일을 정답 시스템 타입 및 스타일로 결정할 수 있고, 0인 경우에는 상술한 입력 벡터에 대응하는 시스템 타입 및 스타일을 정답 시스템 타입 및 스타일에서 제외할 수 있다. 또한, 예를 들어, 제1 정답 벡터가 제1 와이드 앤 딥러닝 모델에 제공됨으로써, 제1 와이드 앤 딥러닝 모델은 지도학습을 수행할 수 있다.
따라서, 서버가 시스템 결정 모델로 제1 와이드 앤 딥러닝 모델을 사용하면, 선형 함수를 적용한 와이드와 관련된 구성 요소를 통해 모델의 성능을 일반화할 수 있고, 비선형 함수를 적용한 딥과 관련된 구성 요소를 통해 새로운 데이터에 대한 예측(필터링)을 보완함으로써, 보다 효율적으로 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 소프트웨어 아키텍쳐에 대한 시스템 타입 및 스타일을 결정할 수 있다.
즉, 소프트웨어 아키텍쳐와 관련된 정보가 시스템 결정 모델에 입력되면, 상기 소프트웨어 아키텍쳐와 관련된 시스템 타입 및 스타일이 출력될 수 있다. 예를 들어, 복수의 시스템 타입 및 복수의 스타일이 서버에 사전 저장될 수 있다. 예를 들어, 소프트웨어 아키텍쳐와 관련된 정보에 대해 데이터 전처리가 수행된 입력 벡터에 기반하여 사전 저장된 복수의 시스템 타입 및 복수의 스타일 중에서 관련 있는 시스템 타입 및 스타일이 결정될 수 있다.
구체적으로, 구성도 추천 모델과 관련하여, 복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일에 대해 데이터 전처리가 수행된 제2 입력 벡터가 제2 와이드 앤 딥 러닝 모델에 입력될 수 있다. 예를 들어, 제2 입력 벡터는 소프트웨어 아키텍쳐 설계를 의뢰하는 회사의 연간 매출액, 직원 수, 설계 기간, 의뢰 비용, 처리량, 요구되는 메모리, 반응시간, 동시 접속자수, 데이터 크기, 예상 수정 횟수, 가동률, 호환성 여부에 대응하는 값, 보안 등급에 대응하는 값, 시스템 타입에 대응하는 값과 스타일에 대응하는 값으로 구성될 수 있다.
예를 들어, 와이드와 관련된 구성 요소에서, 상술한 제2 입력 벡터를 기반으로 n개의 제2 특징 벡터가 생성되고, n개의 제2 특징 벡터에 기반하여 m개의 제2 크로스-프로덕트 특징 벡터(예를 들어, 기준 벡터의 범위)가 생성될 수 있다. 예를 들어, n개의 제2 특징 벡터가 상기 m개의 제2 크로스-프로덕트 특징 벡터에 부합되는 것에 기반하여, 즉, n개의 제2 특징 벡터가 제2 기준 벡터의 범위에 포함되는 것에 기반하여 제3 예측 값이 결정될 수 있다. 예를 들어, n개의 제2 특징 벡터가 상기 m개의 제2 크로스-프로덕트 특징 벡터에 부합되면, 상기 제3 예측 값은 1로 결정될 수 있다. 예를 들어, n개의 제2 특징 벡터가 상기 m개의 제2 크로스-프로덕트 특징 벡터에 부합되지 않으면, 상기 제3 예측 값은 0으로 결정될 수 있다.
예를 들어, 딥과 관련된 구성 요소의 입력 벡터는 상기 복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일에 대해 데이터 전처리가 수행된 제2 입력 벡터일 수 있다. 즉, 딥과 관련된 구성 요소는 밀집 제2 임베딩 레이어와 제2 뉴럴 CF 레이어를 통해 입력 벡터가 기준 벡터의 범위에 부합하는지 여부에 대한 제4 예측 값을 결정할 수 있다.
예를 들어, 구성도 추천 모델은 상기 제3 예측 값과 상기 제4 예측 값에 마지막으로 시그모이드 활성함수를 적용시켜 0과 1사이의 확률 값으로 변환시킬 수 있다. 이때, 확률 값이 0.5 이상이면 1, 0.5 미만이면 0으로 다시 변환시킬 수 있고, 1인 경우에는 상술한 제2 입력 벡터에 대응하는 아키텍쳐에 대한 구성도에 매칭된 값을 정답 아키텍쳐에 대한 구성도에 매칭된 값으로 결정할 수 있고, 0인 경우에는 상술한 제2 입력 벡터에 대응하는 아키텍쳐에 대한 구성도에 매칭된 값을 정답 아키텍쳐에 대한 구성도에 매칭된 값에서 제외할 수 있다. 또한, 예를 들어, 제2 정답 벡터가 제2 와이드 앤 딥러닝 모델에 제공됨으로써, 제2 와이드 앤 딥러닝 모델은 지도학습을 수행할 수 있다.
따라서, 서버가 구성도 추천 모델로 제2 와이드 앤 딥러닝 모델을 사용하면, 선형 함수를 적용한 와이드와 관련된 구성 요소를 통해 모델의 성능을 일반화할 수 있고, 비선형 함수를 적용한 딥과 관련된 구성 요소를 통해 새로운 데이터에 대한 예측(필터링)을 보완함으로써, 보다 효율적으로 소프트웨어 아키텍쳐와 관련된 정보와 시스템 타입 및 스타일에 기반하여 소프트웨어 아키텍쳐에 대한 구성도를 결정할 수 있다.
즉, 소프트웨어 아키텍쳐와 관련된 정보와 시스템 타입 및 스타일이 구성도 추천 모델에 입력되면, 상기 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값이 출력될 수 있다. 예를 들어, 복수의 소프트웨어 아키텍쳐에 대한 구성도와 구성도 각각에 매칭된 값이 서버에 사전 저장될 수 있다. 예를 들어, 소프트웨어 아키텍쳐와 관련된 정보와 시스템 타입 및 스타일에 대해 데이터 전처리가 수행된 제2 입력 벡터에 기반하여 사전 저장된 복수의 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값들 중에서 하나의 값이 결정될 수 있다. 즉, 복수의 소프트웨어 아키텍쳐에 대한 구성도마다 상이한 값이 매칭되고, 상기 복수의 상이한 값들이 서버에 사전 저장될 수 있다. 따라서, 서버는 상기 구성도 추천 모델을 통해 출력된 값에 매칭된 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송할 수 있다.
도 5는 일 실시예에 서버가 소프트웨어 아키텍쳐에 대한 구성도를 사용자 단말에게 전송하는 방법에 대한 흐름도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정하고, 결정된 시스템 타입 및 스타일을 포함하는 제1 추천 메시지를 사용자 단말에게 전송할 수 있다.
단계 S502에서, 서버는 사전 설정된 제1 시간동안 사용자 단말로부터 제1 승인 메시지의 수신 여부를 결정할 수 있다.
단계 S503에서, 사용자 단말로부터 제1 승인 메시지를 수신한 것에 기반하여, 서버는 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정할 수 있다.
예를 들어, 서버는 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값을 결정하고, 상기 매칭된 값에 대응하는 사전 저장된 소프트웨어 아키텍쳐에 대한 구성도를 결정할 수 있다.
단계 S504에서, 사용자 단말로부터 제1 승인 메시지를 수신하지 못한 것에 기반하여, 서버는 시스템 타입 및 스타일을 요청하는 요청 메시지를 전송하고, 사용자 단말로부터 선택된 시스템 타입 및 스타일을 포함하는 제2 승인 메시지를 수신할 수 있다.
예를 들어, 서버는 상기 요청 메시지에 대해 사용자 단말로부터 재요청 메시지를 수신하면, 결정된 시스템 타입 및 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 다시 전송할 수 있다.
단계 S505에서, 서버는 소프트웨어 아키텍쳐에 대한 구성도에 대한 추천 점수가 사전 설정된 범위에 포함되는지 여부를 결정할 수 있다. 예를 들어, 추천 점수는 상술한 수학식 1에 의해 결정될 수 있다. 예를 들어, 상기 사전 설정된 범위에서 최댓값은 상술한 수학식 2에 의해 결정되고, 최솟값은 상술한 수학식 3에 의해 결정될 수 있다.
단계 S506에서, 추천 점수가 사전 설정된 범위에 포함되는 것에 기반하여, 서버는 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 사용자 단말에게 전송할 수 있다.
단계 S507에서, 추천 점수가 사전 설정된 범위에 포함되지 않는 것에 기반하여, 서버는 소프트웨어 아키텍쳐에 대한 구성도를 웹 크롤링을 통해 사전 설정된 개수만큼 추가할 수 있다. 예를 들어, 추천 점수가 사전 설정된 범위에 포함되지 않는 것에 기반하여, 서버는 소프트웨어 아키텍쳐에 대한 구성도를 웹 크롤링을 통해 사전 설정된 개수만큼 추가 저장할 수 있고, 상기 웹 크롤링을 통해 소프트웨어 아키텍쳐에 대한 구성도를 사전 설정된 개수만큼 획득하지 못하면, 상기 사용자 단말에게 추가적인 소프트웨어 아키텍쳐에 대한 구성도를 요청하여 수신할 수 있다. 이후, 서버는 다시 S503 단계를 수행할 수 있다.
단계 S508에서, 서버는 사전 설정된 제2 시간동안 사용자 단말로부터 피드백 메시지의 수신 여부를 결정할 수 있다. 여기서, 피드백 메시지는 제2 추천 메시지에 포함된 소프트웨어 아키텍쳐에 대한 구성도에 대한 피드백을 포함하는 메시지일 수 있다. 예를 들어, 피드백 메시지는 추천한 소프트웨어 아키텍쳐에 대한 구성도에 대한 평점 또는 상기 사용자 단말에 의해 입력된 소프트웨어 아키텍쳐에 대한 또 다른 구성도 중 적어도 하나를 포함할 수 있다.
단계 S509에서, 사용자 단말로부터 피드백 메시지를 수신한 경우, 서버는 피드백 메시지에 포함된 데이터를 상술한 구성도 추천 모델에 반영할 수 있다. 예를 들어, 서버는 상기 사용자 단말에 의해 입력된 소프트웨어 아키텍쳐에 대한 또 다른 구성도를 상기 사용자 단말로부터 수신한 소프트웨어 아키텍쳐와 관련된 정보에 매칭하여 추가 저장할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(610)는 통신부(620)를 통해 사용자 단말로부터 소프트웨어 아키텍쳐와 관련된 정보를 수신할 수 있다. 예를 들어, 상기 소프트웨어 아키텍쳐와 관련된 정보는 소프트웨어 아키텍쳐에 대한 기본 정보, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보 및 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 시스템 타입 및 상기 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 전송할 수 있다. 프로세서(610)는 통신부(620) 및 메모리(630)를 통해 상기 사용자 단말로부터 제1 승인 메시지를 수신하는 것에 기반하여, 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 소프트웨어 아키텍쳐에 대한 구성도를 기반으로 제3 뉴럴 네트워크를 이용한 인식 모델을 통해 계층의 개수, 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 시스템 타입, 상기 스타일, 상기 계층의 개수, 상기 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 기반으로 제4 뉴럴 네트워크를 이용한 결정 모델을 통해 모듈의 결합도 및 모듈의 응집도를 결정할 수 있다. 예를 들어, 상기 시스템 결정 모델 및 상기 구성도 추천 모델은 와이드와 관련된 구성 요소와 딥과 관련된 구성 요소를 포함하는 와이드 앤 딥 러닝 모델일 수 있다. 예를 들어, 상기 인식 모델은 테두리 박스 조정(bounding box coordinate)과 분류(classification)를 상기 제3 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 YOLO(you only look once) 모델일 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 소프트웨어 아키텍쳐에 대한 구성도의 추천 점수를 상기 계층의 개수, 상기 모듈의 개수, 상기 컴포넌트의 개수, 상기 모듈의 결합도 및 상기 모듈의 응집도를 기반으로 결정할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 상기 추천 점수를 상술한 수학식 1에 의해 결정할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 상기 사전 설정된 범위를 상기 시스템 타입 및 스타일에 따라 결정할 수 있다.
프로세서(610)는 통신부(620) 및 메모리(630)를 통해 상기 추천 점수가 사전 설정된 범위에 포함되는 것에 기반하여 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송할 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 복수의 소프트웨어 아키텍쳐와 관련된 정보 및 정답 시스템 타입과 정답 스타일로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시키고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과시켜 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터를 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터를 상기 제1 손실값이 작아지는 방향으로 학습시킬 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일 및 정답 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값으로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시키고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과시켜 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터를 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터를 상기 제2 손실값이 작아지는 방향으로 학습시킬 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 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(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐(architecture)와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법에 있어서,
    상기 사용자 단말로부터 소프트웨어 아키텍쳐와 관련된 정보를 수신하는 단계;
    상기 소프트웨어 아키텍쳐와 관련된 정보는 소프트웨어 아키텍쳐에 대한 기본 정보, 소프트웨어 아키텍쳐와 관련된 비즈니스에 대한 정보 및 소프트웨어 아키텍쳐와 관련된 품질에 대한 정보를 포함하고,
    상기 소프트웨어 아키텍쳐와 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용한 시스템 결정 모델을 통해 시스템 타입 및 스타일을 결정하는 단계;
    상기 시스템 타입 및 상기 스타일을 포함하는 제1 추천 메시지를 상기 사용자 단말에게 전송하는 단계;
    상기 사용자 단말로부터 제1 승인 메시지를 수신하는 것에 기반하여, 상기 소프트웨어 아키텍쳐와 관련된 정보, 상기 시스템 타입 및 상기 스타일에 기반하여 제2 뉴럴 네트워크를 이용한 구성도 추천 모델을 통해 소프트웨어 아키텍쳐에 대한 구성도를 결정하는 단계; 및
    상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지를 상기 사용자 단말에게 전송하는 단계를 포함하는,
    방법.
  2. 제 1항에 있어서,
    상기 소프트웨어 아키텍쳐에 대한 구성도를 기반으로 제3 뉴럴 네트워크를 이용한 인식 모델을 통해 계층의 개수, 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수가 결정되고,
    상기 시스템 타입, 상기 스타일, 상기 계층의 개수, 상기 모듈의 개수와 모듈 사이의 화살표 개수 및 컴포넌트의 개수를 기반으로 제4 뉴럴 네트워크를 이용한 결정 모델을 통해 모듈의 결합도 및 모듈의 응집도가 결정되고,
    상기 시스템 결정 모델 및 상기 구성도 추천 모델은 와이드와 관련된 구성 요소와 딥과 관련된 구성 요소를 포함하는 와이드 앤 딥 러닝 모델이고,
    상기 인식 모델은 테두리 박스 조정(bounding box coordinate)과 분류(classification)를 상기 제3 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 YOLO(you only look once) 모델인,
    방법.
  3. 제 2항에 있어서,
    상기 소프트웨어 아키텍쳐에 대한 구성도의 추천 점수가 상기 계층의 개수, 상기 모듈의 개수, 상기 컴포넌트의 개수, 상기 모듈의 결합도 및 상기 모듈의 응집도를 기반으로 결정되고,
    상기 추천 점수가 사전 설정된 범위에 포함되는 것에 기반하여 상기 소프트웨어 아키텍쳐에 대한 구성도를 포함하는 제2 추천 메시지가 상기 사용자 단말에게 전송되는,
    방법.
  4. 제 3항에 있어서,
    상기 추천 점수는 하기 수학식에 의해 결정되고,
    Figure 112022092803741-pat00007

    상기 수학식에서, 상기 P는 추천 점수이고, 상기 Ch는 상기 모듈의 응집도이고, 상기 nh는 계층의 개수이고, 상기 nc는 컴포넌트의 개수이고, 상기 nhmed는 상기 사용자 단말로부터 수신한 계층의 개수에 대한 중간 값이고, 상기 ncmed는 상기 사용자 단말로부터 수신한 컴포넌트의 개수에 대한 중간 값이고, 상기 Cp는 상기 모듈의 결합도이고, 상기 nm은 모듈의 개수이고, 상기 nmmed는 상기 사용자 단말로부터 수신한 모듈의 개수에 대한 중간 값이고,
    상기 사전 설정된 범위는 상기 시스템 타입 및 스타일에 따라 결정되는,
    방법.
  5. 제 1항에 있어서,
    상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함하고,
    복수의 소프트웨어 아키텍쳐와 관련된 정보 및 정답 시스템 타입과 정답 스타일로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습되는, 상기 시스템 결정 모델이 생성되고,
    상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함하고,
    복수의 소프트웨어 아키텍쳐와 관련된 정보, 복수의 시스템 타입, 복수의 스타일 및 정답 소프트웨어 아키텍쳐에 대한 구성도에 매칭된 값으로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습되는, 상기 구성도 추천 모델이 생성되는,
    방법.
KR1020220111607A 2022-09-02 2022-09-02 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치 KR102478964B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220111607A KR102478964B1 (ko) 2022-09-02 2022-09-02 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220111607A KR102478964B1 (ko) 2022-09-02 2022-09-02 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102478964B1 true KR102478964B1 (ko) 2022-12-21

Family

ID=84536694

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220111607A KR102478964B1 (ko) 2022-09-02 2022-09-02 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102478964B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180130733A (ko) * 2017-05-30 2018-12-10 충북대학교 산학협력단 협업 의존성 기반 컴포넌트 재사용 추천 시스템 및 방법
US20200159648A1 (en) * 2018-11-21 2020-05-21 Amazon Technologies, Inc. Robotics application development architecture
JP2021081913A (ja) * 2019-11-18 2021-05-27 株式会社エクスモーション 情報処理装置、及び情報処理プログラム
US11385892B1 (en) * 2020-09-29 2022-07-12 Amazon Technologies, Inc. Optimal software architecture recommendations by an application modernization service

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180130733A (ko) * 2017-05-30 2018-12-10 충북대학교 산학협력단 협업 의존성 기반 컴포넌트 재사용 추천 시스템 및 방법
US20200159648A1 (en) * 2018-11-21 2020-05-21 Amazon Technologies, Inc. Robotics application development architecture
JP2021081913A (ja) * 2019-11-18 2021-05-27 株式会社エクスモーション 情報処理装置、及び情報処理プログラム
US11385892B1 (en) * 2020-09-29 2022-07-12 Amazon Technologies, Inc. Optimal software architecture recommendations by an application modernization service

Similar Documents

Publication Publication Date Title
KR102360727B1 (ko) 뉴럴 네트워크를 이용한 차량 추천 방법 및 장치
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102414167B1 (ko) 뉴럴 네트워크를 이용한 패킷 센딩을 통한 보안 방법 및 장치
KR102387408B1 (ko) 인공지능을 이용한 인테리어 시뮬레이션 시스템
KR102476292B1 (ko) 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템
KR102452577B1 (ko) 뉴럴 네트워크를 이용하여 서버가 웹툰에 대한 시각화 정보를 제공하는 방법 및 장치
KR102478964B1 (ko) 복수의 뉴럴 네트워크를 이용하여 소프트웨어 아키텍쳐와 관련된 정보를 기반으로 결정된 소프트웨어 아키텍쳐에 대한 구성도를 서버가 사용자 단말에게 전송하는 방법 및 장치
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102479512B1 (ko) 성과 지향 교육 방법, 그 방법을 수행하는 서버 및 단말기
KR20230065135A (ko) 한글의 광학 문자 인식 방법
KR102557257B1 (ko) 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치
KR102513048B1 (ko) 뉴럴 네트워크를 이용하여 지원 사업과 관련된 리포트 정보 및 지원 사업과 관련된 진행 정보를 기반으로 진단 정보를 멘토 단말에게 전송하는 방법 및 장치
KR102610945B1 (ko) B2b 서비스 통합 관리 방법
KR102509392B1 (ko) 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102439323B1 (ko) 플랜트 상태 관리 시스템
KR102504950B1 (ko) 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치
KR102579810B1 (ko) 인공지능 기반 가정용 건강 보조 기기 유통 플랫폼 시스템
KR102575856B1 (ko) 입력 수단의 호환 방법 및 장치
KR102554242B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치
KR102562282B1 (ko) 성향 기반 매칭 방법 및 장치
KR102485428B1 (ko) 뉴럴 네트워크를 이용하여 사용자와 관련된 기업 리스트를 단말에게 제공하는 방법 및 장치
KR102573285B1 (ko) 뉴럴 네트워크를 이용하여 고객 관리 서비스를 제공하는 방법 및 장치
KR102564511B1 (ko) 사용자 커스터마이징 기반의 메뉴판 인터페이스 제공 장치 및 방법
KR102456402B1 (ko) 뉴럴 네트워크를 이용한 디자인 공동 작업 보조 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant