KR102551004B1 - 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 - Google Patents
현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 Download PDFInfo
- Publication number
- KR102551004B1 KR102551004B1 KR1020220040571A KR20220040571A KR102551004B1 KR 102551004 B1 KR102551004 B1 KR 102551004B1 KR 1020220040571 A KR1020220040571 A KR 1020220040571A KR 20220040571 A KR20220040571 A KR 20220040571A KR 102551004 B1 KR102551004 B1 KR 102551004B1
- Authority
- KR
- South Korea
- Prior art keywords
- content
- unit
- metaverse
- data
- contents
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 163
- 238000004458 analytical method Methods 0.000 title claims description 38
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 103
- 238000007781 pre-processing Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 33
- 238000013528 artificial neural network Methods 0.000 description 61
- 238000010586 diagram Methods 0.000 description 16
- 239000000047 product Substances 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000003190 augmentative effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000013501 data transformation Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 210000005155 neural progenitor cell Anatomy 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 241001516908 Metabus Species 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
- G06Q20/367—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes
- G06Q20/3678—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes e-cash details, e.g. blinded, divisible or detecting double spending
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0613—Third-party assisted
- G06Q30/0619—Neutral agent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
Abstract
본 발명은 메타버스 컨텐츠의 디지털 자산화, 메타버스 기반의 유저 창작물에 대한 NFT 발행, NFT 거래 및 수익 분배시스템에 관한 것이다. 그러한 시스템은, 컨텐츠 생성을 위한 컨텐츠 정보를 입출력하는 단말기(3)와; 이미지, 영상 데이터를 수집하는 디바이스(5)와; 이 단말기(3)와 네트워크에 의하여 연결되어 메타버스 컨텐츠를 생성, 관리하는 메타버스 플랫폼(6)과; 블록체인 기반의 컨텐츠를 디지털 자산화하며 P2P방식의 블록체인 암호화 기술을 적용하여 유저 창작 컨텐츠를 암호화하여 분산 저장하는 NFT 서버(9)와; 컨텐츠 거래 및 컨텐츠 거래로 발생하는 수익을 정산하는 컨텐츠 거래서버(11); 그리고 과금 정산서버(13)를 포함한다.
Description
본 발명은 컨텐츠를 NFT 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 시스템에 관한 것으로서, 보다 상세하게는 사용자들이 현실세계 혹은 메타버스 등의 가상현실에서 컨텐츠를 창작하고, 창작된 컨텐츠를 등록하고 거래하는 과정에서 컨텐츠의 특징점을 추출하고, 유사도를 분석하여 저작권의 침해 정도를 분석하고, 이 과정에 대한 이력정보를 블록체인 기반의 NFT(Non Fungible Token) 방식으로 함으로써 디지털 자산화를 실현하고, 또한 컨텐츠 거래를 분산 방식으로 함으로써 네트워크에 부담을 경감할 수 있으며, 거래 대금의 정산을 쉽게 실현할 수 있는 기술에 관한 것이다.
최근 실감 미디어에 대한 사용자 욕구의 증가로 사실감과 몰입감, 입체감을 줄 수 있는 실감 미디어 표출 및 음향 시스템이 중요한 연구분야로 고려되고 있다.
이러한 서비스를 위하여 1차적으로 가상현실과 게임, 사용자 상호간의 인터렉티브 기술과, 거래의 안정성을 위한 블럭체인 기술, 그리고 네트웍 및 서버 운영기술이 필요하다.
특히, 최근 컴퓨터 그래픽 기술을 응용한 가상현실(Virtual Reality), 증강현실(Augmented Reality) 및 혼합현실(Mixed Reality) 기술이 발달하고 있다.
이때, 가상현실 기술은 컴퓨터를 이용하여 현실 세계에 존재하지 않는 가상 공간을 구축한 후 그 가상공간을 현실처럼 느끼게 하는 기술을 말하고, 증강현실 또는 혼합현실 기술은 현실 세계 위에 컴퓨터에 의해 생성된 정보를 덧붙여 표현하는 기술, 즉 현실 세계와 가상 세계를 결합함으로써 실시간으로 사용자와 상호작용이 이루어지도록 하는 기술을 말한다.
이들 중 증강현실과 혼합현실 기술은 다양한 분야의 기술들과 접목되어 활용되고 있다.
예를 들면, TV에서 일기 예보를 하는 기상 캐스터 앞의 날씨 지도가 자연스럽게 바뀌는 경우나, 스포츠 중계에서 경기장에 존재하지 않는 광고 이미지를 경기장에 실제로 존재하는 것처럼 화면에 삽입하여 송출하는 경우가 방송 기술 분야에 증강현실 기술이 접목되어 활용된 대표적인 예이다. 특히, 이러한 증강현실과 혼합현실 기술은 스마트폰(Smart phone)의 등장과 함께 다양한 응용 서비스로 구현되어 제공되고 있다.
그리고, 증강현실 또는 혼합현실을 사용자에게 제공하는 대표적인 서비스로서, 메타버스(Meta-verse)가 있다. 이 메타버스는 가공, 추상을 의미하는 '메타(Meta)'와 현실세계를 의미하는 '유니버스(Universe)'의 합성어로 3차원 가상세계를 의미한다. 메타버스는 기존의 가상현실 환경(Virtual reality environment)이라는 용어보다 진보된 개념으로서, 웹과 인터넷 등의 가상세계가 현실세계에 흡수된 증강현실 환경을 제공한다.
이러한 메타버스 서비스 플랫폼의 현실세계를 모델링한 가상현실 구현기술은 사용자에게 오프라인의 공간적, 시간적, 나이, 성별에 따른 불편함을 해소시킬 수 있으며, 사용자가 생성한 다양한 컨텐츠를 플랫폼에 업로드하는 창작자와 플랫폼의 다양한 서비스를 이용하며 획득한 컨텐츠를 판매하는 것은 사용자들이 함께 소통하며 가상공간내에서 선순환 구조의 경제 생태계가 만들어지는 특징을 갖는다.
또한, 이러한 메타버스 플랫폼에서는 사용자가 생성한 저작물의 지식재산권 침해여부를 분석할 수 있는 인공지능 기술, 저작물의 지식재산권에 대한 보안과 거래를 위한 블록체인 기술과, 가상현실에서 사용자간 컨텐츠를 이용, 거래 및 사용자간 소통을 위한 공간이 필요하다.
예를 들면, 일반적인 SNS 플랫폼에서와 같이 개인의 클럽이나 샵을 만들고, 사용자들이 업로드한 컨텐츠를 이용, SNS 안에서 사용자들이 업로드한 체험 공간이나 게임을 이용하면서 발생한 포인트 및 구매한 컨텐츠의 내용들을 안전하게 보관할 수 있는 공간이 필요하다.
특히, 사용자들이 생성한 다양한 컨텐츠들은 순수 예술작품과 같이 창작성이 인정되는 저작물로써, 원저작자의 지식재산권이 보호되면서 합리적인 경제적 보상이 전제된다면 그 이용이 무제한 인정될 수 있으며, 또한 1차, 2차, 3차, ...n차 개작이나 재창작도 무제한 인정할 수 있는 것이다. 또한 1차, 2차, 3차, ...n차 저작물도 하나의 창작물로써 지식재산권을 인정받을 수 있는 것이다.
이와같이 유효 거래로 인한 거래 대금을 1차, 2차, 3차, ...n차 지식재산권별 권리 배분 법칙에 기반하여 1차, 2차, 3차, ...n차 지식재산권자측에 정산하는 컨텐츠 거래 서버, 컨텐츠 거래 서버로부터 원하는 컨텐츠를 제공받기 위해 토큰으로 결제를 요청하며, 결제가 수행됨에 따라 컨텐츠 거래 서버로부터 기 요청한 컨텐츠를 제공받아 열람하는 사용자 기기 및 컨텐츠에 대한 트랜잭션에 기반하여 생성된 해시값을 검증하기 위한 블록체인 네트워크의 구성 기술이 필요하다.
블록체인 기술은 일반적으로 디지털 자산의 트랜잭션(Transaction)을 기록하는데 사용할 수 있는 분산원장(Distributed Ledger) 기반의 P2P(Peer-to-Peer) 시스템이다.
일반적으로 블록체인에서는 디지털 자산을 토큰(Token) 형태로 관리한다. 이와 같이, 블록체인에서 디지털 자산을 토큰화하여 관리하면, 불변성, 빠른 접근성, 또는 높은 유동성 등의 이점을 가지게 된다.
블록체인은 금융기관에서 모든 거래를 담보하고 관리하는 기존의 금융 시스템에서 벗어나 P2P 거래를 지향하는, 탈중앙화를 핵심 개념으로 한다. P2P란 서버나 클라이언트 없이 개인 컴퓨터 사이를 연결하는 통신망을 말하며, 연결된 각각의 컴퓨터가 서버이자 클라이언트 역할을 하며 정보를 공유하는 방식이다.
이러한 P2P 네트워크를 기반으로 하는 블록체인은 암호화, 공유 원장, 분산 합의 기술을 근간으로 하는데, 암호화는 컨텐츠 데이터의 지식재산권 침해여부 및 권리 관계의 무결성을 검증하는 머클트리와 거래의 부인방지를 전자 서명을 사용하는 것이며, 공유 원장은 모든 참여자가 공유하는 동기화된 컨텐츠에 대한 정보의 기록 저장으로서 블록으로 만들어져 변경할 수 없도록 저장되는 것이고, 분산 합의는 네트워크의 각 노드에서 생성하는 정보나 거래 정보에 대해서 참여 노드들 간 합의를 통해서 적합한 거래나 정보만 블록체인으로 유지하는 것이다.
토큰은 크게 대체가능(Fungible) 토큰과 대체불가능(Non-Fungible) 토큰으로 분류된다. 대체가능 토큰은 동일한 타입의 다른 토큰과 교환이 가능하지만 대체불가능 토큰은 동일한 타입의 다른 토큰과 교환이 불가능하다는 특징이 있다.
상술한 블록체인에서는 상호 운용성을 위해 표준화된 토큰 프로토콜을 이용하게 되는데, 누구나 참여할 수 있는 공개형(Public) 블록체인 중 하나인 이더리움은 상호 운용성을 위해 대체가능 토큰을 위한 표준 토큰 프로토콜과 대체불가능 토큰을 위한 표준 토큰 프로토콜이 존재한다.
이와 더불어, 스마트 Glass, VR 기기, 3D 안경 입체 영상 기술이 발전하여 머리에 장착하거나 안경처럼 착용하여 사용할 수 있는 모니터에 영상을 디스플레이함으로서 게임이나 다양한 응용분야에서 사용될 수 있는 실감영상 표출 및 가상현실에 적용할 수 있는 컨텐츠 제작 및 협업에 의한 컨텐츠 제작에 대한 기술적 연구 및 상용화를 위한 연구개발이 진행되고 있다.
그러나, 종래의 이러한 가상현실 혹은 메타버스 기술은 다음과 같은 문제점이 있다.
첫째, 사용자 단독 또는 협업에 의한 다양한 컨텐츠 공유 및 소비를 위한 플랫폼에서 사용자들의 1차, 2차, 3차, ...n차 창작물에 대한 지식재산권의 보호 및 권리 침해에 대하여 지원하는 시스템이 없으며, 빅데이터 분석에 의하여 창작물의 지식재산권 보호 및 지식재산권에 대한 권리 침해 정도의 분석을 지원하지 못한다는 문제점이 있다.
둘째, 복합 가상현실에서 사용자가 창작한 창작물에 대하여 지식재산권, 지식재산권 침해 등의 창작물(이미지, 사운드, 영상 ,게임 등의 컨텐츠)에 대한 권리를 분석하지 못하므로 다양한 창작물을 거래하지 못한다는 한계가 있으며, 이를 통한 투자와 판매 수익을 분배하고, 1차, 2차, 3차, ...n차 창작물을 매매하기 위한 서비스를 지원하지 못한다는 한계가 있다.
셋째, 블록체인 기술과 컨텐츠 거래를 위한 스마트 계약 기술을 P2P 컨텐츠 거래에 활용하고자 하는 시도들이 존재하고 있는데, 아직까지는 단순히 게임 컨텐츠에 관련된 거래들을 블록체인에 저장하여 위변조를 방지한다거나, 필요 컨텐츠과 잉여 컨텐츠을 매칭하여 게임 컨텐츠 거래가 이루어지도록 스마트 계약 기술을 적용하는 정도에 불과하므로 알려져 있는 블록체인의 기술들을 단순히 게임 컨텐츠 거래에 활용하는 정도의 제안이 제시되고 있을 뿐, 메타버스내의 컨텐츠 및 경제활동을 위한 거래 환경에 최적화된 서비스를 지원하지 못한다는 한계가 있다.
넷째, 블록체인으로 안전하게 저장해야 하는 정보의 종류와 데이터량이 급증하면서 별도의 저장 공간이 필요하게 되는데, 이렇게 저장되는 정보는 변경할 수 없기 때문에 특정한 정보를 검색하고자 할 경우 해당 정보의 최근 등록 내용과 과거의 관련 정보들을 모두 검색한 후 정리해야 하며, 이러한 검색이 필요한 요청 정보가 복잡해지고 검색해야 하는 정보들이 급격히 방대해지는 환경에서, 검색에 필요한 시간과 필요한 조작은 기하급수적으로 증가함으로, 서비스를 위한 비용이 증가하게 되며 검색을 위한 네트워크 부하 급증으로 인해 해당 시스템은 운영하기 위한 비용이 증가하고 시스템의 안정성을 담보할 수 없게 된다는 한계가 있다.
따라서, 본 발명은 이와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 사용자들이 현실세계 혹은 메타버스 등의 가상현실에서 컨텐츠를 창작하고, 창작된 컨텐츠를 등록하고 거래하는 과정에서 컨텐츠의 특징점을 추출하고, 유사도를 분석하여 저작권의 침해 정도를 분석하고, 이 과정에 대한 이력정보를 블록체인 기반의 NFT(Non Fungible Token) 방식으로 처리함으로써 디지털 자산화를 실현하고, 또한 컨텐츠 거래를 분산 방식으로 함으로써 네트워크에 부담을 경감할 수 있으며, 거래 대금의 정산을 쉽게 실현할 수 있는 기술을 제공하는 것이다.
상기한 목적을 달성하기 위하여, 본 발명의 일 실시예는,
컨텐츠 관련한 정보를 입출력하는 단말기(3)와;
영상 데이터를 수집하는 디바이스(5)와;
이 단말기(3)와 네트워크에 의하여 연결되어 메타버스 컨텐츠를 생성, 관리하는 메타버스 플랫폼(6)과;
컨텐츠를 블록체인 기반의 NFT 방식으로 처리하는 블록체인 NFT 서버(9)와;
컨텐츠 거래 및 수익을 정산하는 컨텐츠 거래서버(11); 그리고
과금 정산서버(13)를 포함하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템을 제공한다.
상기한 바와 같이 본 발명의 일 실시예에 따른 컨텐츠를 NFT 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 시스템은, 사용자들이 현실세계 혹은 메타버스 등의 가상현실에서 컨텐츠를 창작하고, 창작된 컨텐츠를 등록하고 거래하는 과정에서 컨텐츠의 특징점을 추출하고, 유사도를 분석하여 저작권의 침해 정도를 분석하고, 이 과정에 대한 이력정보를 블록체인 기반의 NFT(Non Fungible Token) 방식으로 처리함으로써 디지털 자산화를 실현하고, 또한 컨텐츠 거래를 분산 방식으로 함으로써 네트워크에 부담을 경감할 수 있으며, 거래 대금의 정산을 쉽게 실현할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 가상현실 컨텐츠를 NFT 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 시스템의 전체 구조를 개략적으로 보여주는 도면이다.
도 2는 도 1에 도시된 P2P 디지털 자산 거래 시스템의 네트워크 구성을 개략적으로 보여주는 도면이다.
도 3은 도 1에 도시된 메타버스 플랫폼 시스템에서 컨텐츠를 거래하기 위한 블록체인 기반의 컨텐츠 거래 서비스 제공 과정을 나타낸 도면이다.
도 4는 도 1에 도시된 메타버스 플랫폼 시스템의 서버 구조를 개략적으로 보여주는 도면이다.
도 5는 도 4의 메타버스 구축부의 구조를 개략적으로 보여주는 블록도이다.
도 6은 도 4의 컨텐츠 등록부의 구조를 개략적으로 보여주는 블록도이다.
도 7은 블록체인 NFT 서버의 구조를 개략적으로 보여주는 블록도이다.
도 8은 본 발명의 일 실시예에 따른 분산 데이터 구조에서 활용되는 머클트리 구성 방식을 설명하기 위한 개념도이다.
도 9은 본 발명의 일 실시예에 따른 분산 데이터 구조에서 활용되는 머클트리 구성을 위한 노드 배칭에 대한 시각화 개념도이다.
도 10은 도 1에 도시된 메타버스 플랫폼 시스템에 의하여 컨텐츠를 블록체인 기반의 NFT 방식으로 거래하는 과정을 보여주는 순서도이다.
도 11은 도 3에 도시된 메타버스 플랫폼의 중앙처리장치의 구조를 개략적으로 보여주는 도면이다.
도 12는 도 3에 도시된 메타버스 플랫폼의 유사 분석부에서 인공지능에 의하여 유사도를 판단하는 구조를 보여주는 도면이다.
도 13은 본 발명의 다른 실시예로서 기타 컨텐츠의 NFT 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 시스템의 전체 구조를 개략적으로 보여주는 도면이다.
도 14는 도 13의 거래 시스템에 의하여 문서의 유사도 분석과정을 개략적으로 보여주는 도면이다.
도 15는 도 13의 거래 시스템에 의하여 음향의 유사도 분석과정을 개략적으로 보여주는 도면이다.
도 16은 도 13의 거래 시스템에 의하여 컨텐츠의 유사도 분석 및 침해 분석과정을 보여주는 순서도이다.
도 2는 도 1에 도시된 P2P 디지털 자산 거래 시스템의 네트워크 구성을 개략적으로 보여주는 도면이다.
도 3은 도 1에 도시된 메타버스 플랫폼 시스템에서 컨텐츠를 거래하기 위한 블록체인 기반의 컨텐츠 거래 서비스 제공 과정을 나타낸 도면이다.
도 4는 도 1에 도시된 메타버스 플랫폼 시스템의 서버 구조를 개략적으로 보여주는 도면이다.
도 5는 도 4의 메타버스 구축부의 구조를 개략적으로 보여주는 블록도이다.
도 6은 도 4의 컨텐츠 등록부의 구조를 개략적으로 보여주는 블록도이다.
도 7은 블록체인 NFT 서버의 구조를 개략적으로 보여주는 블록도이다.
도 8은 본 발명의 일 실시예에 따른 분산 데이터 구조에서 활용되는 머클트리 구성 방식을 설명하기 위한 개념도이다.
도 9은 본 발명의 일 실시예에 따른 분산 데이터 구조에서 활용되는 머클트리 구성을 위한 노드 배칭에 대한 시각화 개념도이다.
도 10은 도 1에 도시된 메타버스 플랫폼 시스템에 의하여 컨텐츠를 블록체인 기반의 NFT 방식으로 거래하는 과정을 보여주는 순서도이다.
도 11은 도 3에 도시된 메타버스 플랫폼의 중앙처리장치의 구조를 개략적으로 보여주는 도면이다.
도 12는 도 3에 도시된 메타버스 플랫폼의 유사 분석부에서 인공지능에 의하여 유사도를 판단하는 구조를 보여주는 도면이다.
도 13은 본 발명의 다른 실시예로서 기타 컨텐츠의 NFT 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 시스템의 전체 구조를 개략적으로 보여주는 도면이다.
도 14는 도 13의 거래 시스템에 의하여 문서의 유사도 분석과정을 개략적으로 보여주는 도면이다.
도 15는 도 13의 거래 시스템에 의하여 음향의 유사도 분석과정을 개략적으로 보여주는 도면이다.
도 16은 도 13의 거래 시스템에 의하여 컨텐츠의 유사도 분석 및 침해 분석과정을 보여주는 순서도이다.
이하, 본 발명에 따른 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 블록체인 기반의 NFT 방식에 의하여 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템을 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명은 사용자들이 현실세계 혹은 메타버스 등의 가상현실에서 컨텐츠를 창작하고, 창작된 컨텐츠를 등록하고 거래하는 과정에서 컨텐츠의 특징점을 추출하고, 유사도를 분석하여 저작권의 침해 정도를 분석하고, 이 과정에 대한 이력정보를 블록체인 기반의 NFT(Non Fungible Token) 방식으로 처리함으로써 디지털 자산화를 실현하고, 또한 컨텐츠 거래를 분산 방식으로 함으로써 네트워크에 부담을 경감할 수 있으며, 거래 대금의 정산을 쉽게 실현할 수 있는 시스템에 관한 것으로서, 컨텐츠는 메타버스 컨텐츠와 일반 컨텐츠, 즉 음향, 영상, 이미지 컨텐츠로 구분하여 설명한다.
실시예 1 (메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템)
도 1 내지 도 12에 도시된 바와 같이, 본 발명이 제안하는 메타버스 컨텐츠의 디지털 자산화 및 NFT 방식의 거래를 통한 수익 시스템(1)은,
컨텐츠 관련한 정보를 입출력하는 단말기(3)와; 각종 데이터를 수집하는 센서, 카메라 등의 디바이스(5)와; 이 단말기(3)와 네트워크에 의하여 연결되어 메타버스 컨텐츠를 생성, 관리하는 메타버스 플랫폼(6)과; 컨텐츠를 블록체인 기반의 NFT 방식으로 처리하는 블록체인 NFT 서버(9)와; 컨텐츠 거래 및 수익을 정산하는 컨텐츠 거래서버(11); 과금 정산서버(13)로 구성된다.
이러한 메타버스 컨텐츠의 디지털 자산화 및 거래 시스템에 있어서,
메타버스 플랫폼(6)은, 가상현실 세계에서 거래되는 다양한 유,무형의 디지털 자산에 대한 정보를 등록 및 관리하고, 영상 및 메타데이터를 수집하고, 수집된 데이터를 전처리한 후 인공지능 알고리즘에 의하여 실시간 분석하고 분류하며, 아이템 혹은 새로운 데이터를 3D 모델링하고, 복합 메타버스 가상현실 공간에 유형의 아이템을 표출한다.
보다 상세하게 설명하면,
메타버스 플랫폼(6)은,
회원 관리부(15)와; 복합 메타버스 가상현실을 구축하는 메타버스 구축부(17)와;
메타버스 구축부(17)와 연동하여 복합 메타버스 가상현실에서 창작물을 생성하는 컨텐츠 생성부(19);
컨텐츠 생성부(19)에서 생성된 메타버스 컨텐츠를 인공지능 분석에 의하여 창작물의 표절, 저작권 위배 여부를 분석하는 컨텐츠 분석부(21)와;
컨텐츠의 1,2,3차...n차 거래 및 재창작에 대한 이력을 관리하고, NFT 발행부와 연동하여 결과를 블록체인 기반에 의하여 NFT 방식으로 등록하는 컨텐츠 등록부(24);
전자지갑 충전부(25)와;
컨텐츠 등록부(24)에 의하여 등록된 메타버스 컨텐츠의 단가를 연산하는 단가 연산부(27); 그리고
컨텐츠 거래서버(11)를 통하여 공표되거나 거래된 메타버스 데이터의 수익을 정산하는 수익 정산부(29)를 포함한다.
보다 상세하게 설명하면,
메타버스 구축부(17)는, 가상현실 세계에서 거래되는 다양한 유·무형의 컨텐츠에 대한 정보를 등록 및 관리하고, 사용자들의 IoT 기기로부터 영상 및 메타데이터를 수집하고, 수집된 데이터를 전처리한 후 인공지능 알고리즘에 의하여 실시간 지식재산권 침해 여부를 분석하여 분류하며, 등록한 컨텐츠 혹은 새로운 데이터를 3D 모델링하여 복합 메타버스 가상현실 공간에 유무형의 컨텐츠을 표출하여 서비스한다.
이러한 메타버스 구축부(17)는,
현실 세계에서 거래되는 다양한 유,무형의 자산에 대한 정보를 등록하고, 저장 관리되는 아이템 등록부(18)와; 상기 사용자의 카메라, IoT 센서와 이동형 3D 스캐너로부터 GIS 및 GPS 기반의 실시간 위치에 따라 수신되는 영상 및 메타데이터를 수집하는 데이터 수집부(15)와; 수집된 데이터를 전처리하는 전처리부(7)와; 상기 수집된 데이터를 전처리 한 후 인공지능 알고리즘에 의하여 실시간 분석하고 분류하는 데이터 분석부(22)와; 상기 데이터 분석부(22)를 통하여 수신된 각종 영상 및 메타데이터를 이용하여 2D 또는 3D 영상으로 등록된 아이템 혹은 새로운 데이터를 3D 모델링하는 아이템 생성부(20)와; 그리고
상기 아이템 생성부(20)에서 모델링된 아이템(건물, 자동차, 시설물, 제품, 상품 등)과 상기 아이템 등록부(18)에서 매칭된 아이템 제품 정보를 연결하여 복합 메타버스 가상현실 공간에 유형의 아이템을 표출하는 가상현실 구현부(28)를 포함한다.
보다 상세하게 설명하면,
아이템 등록부(18)는 기존에 생성된 다양한 데이터, 예를 들면 음향 데이터, 영상 데이터, 3D 데이터, 메타버스 데이터 등을 서버의 DB에 저장하고 관리한다.
그리고 데이터 수집부(15)는 새로운 데이터를 생성하는 바, 예를 들면 카메라, IoT 센서, 이동형 3D 스캐너 등에 의하여 데이터를 생성 및 수집하게 된다.
이때, 새로 수집된 데이터는 GIS 및 GPS 기반의 실시간 위치 정보가 추가된다.
그리고, 데이터 분석부(22)는 수집된 데이터를 전처리 한 후 인공지능 알고리즘에 의하여 실시간 분석하고 분류하게 된다.
전처리부(7)는 입력된 데이터에 반사광, 화각, Dust 및 노이즈 제거를 진행함으로써 전처리를 진행한다.
빅데이터(big data) 분석, 데이터 마이닝(data mining)을 위해서는 각 알고리즘의 요구사항에 따라 전처리된 데이터가 필수적이다. 따라서 수집된 데이터들을 목적에 맞게 효과적으로 가공해야 한다.
이를 위해 전처리부(7)는 데이터의 측정 오류를 줄이고 잡음(noise), 왜곡, 편차 최소화, 정밀도, 정확도, 이상 값(outlier), 결측 값(missing value), 모순, 불일치, 중복 등을 해소한다.
보다 상세하게 설명하면, 전처리부(7)는 도 2에 도시된 바와 같이, 영상 컨텐츠 전처리 모듈(17)과, 이미지 컨텐츠 전처리 모듈(19)과, 메타정보 전처리 모듈(21)과, 음원 컨텐츠 전처리 모듈(23)을 포함하며, 중앙 처리장치와 연결되어 신호를 송수신한다.
따라서, 이러한 전처리부(7)는 데이터 정제(cleansing), 데이터 변환(transformation), 데이터 필터링(filtering), 데이터 통합(integration), 데이터 축소(reduction) 과정을 포함한다.
데이터 정제(cleansing)는 결측 값(missing value; 빠진 데이터)들을 채워 넣고, 이상치를 식별 또는 제거하고, 잡음 섞인 데이터를 평활화(smoothing)하여 데이터의 불일치성을 교정하는 과정이다.
데이터 변환(transformation)은 데이터 유형 변환 등 데이터 분석이 쉬운 형태로 변환하는 과정으로서, 정규화(normalization), 집합화(aggregation), 요약(summarization), 계층 생성 등의 방식을 적용한다.
데이터 필터링(filtering)은 오류 발견, 보정, 삭제 및 중복성 확인 등의 과정을 통해 데이터의 품질을 향상하는 과정이다.
데이터 통합(integration)은 데이터 분석이 용이하도록 유사 데이터 및 연계가 필요한 데이터들을 통합하는 과정이다.
데이터 축소(reduction)는 분석 시간을 단축할 수 있도록 데이터 분석에 활용되지 않는 항목 등을 제거하는 과정이다.
따라서, 영상 컨텐츠 전처리 모듈(17)과, 이미지 컨텐츠 전처리 모듈(19)과, 메타정보 전처리 모듈(21)과, 음원 컨텐츠 전처리 모듈(23)은 메타 데이터, 영상 데이터, 이미지 데이터, 음원 데이터에 대한 데이터 정제(cleansing), 데이터 변환(transformation), 데이터 필터링(filtering), 데이터 통합(integration), 데이터 축소(reduction) 과정을 진행한다.
이와 같이 전처리부(7)에 데이터를 전처리한 후, 아이템 생성부(20)에 의하여 각종 영상 및 메타 데이터를 이용하여 2D 또는 3D 영상으로 등록된 아이템 혹은 새로운 데이터를 3D 모델링한다.
이러한 아이템 생성부(20)에서는 평면상의 영상 및 메타 데이터를 3D 데이터로 변환하게 된다.
즉, 아이템 생성부(20)에는 3D 모델링을 위한 소프트웨어가 탑재되며, 입력된 2차원 데이터값을 분석한 후 컴퓨터가 이해할 수 있도록 랜더링 과정을 거쳐서 가상 공간의 3차원 물체로 변환한다.
먼저 3D 모델링이 진행되는 바, 3D 모델링은 가상공간의 입체적인 모델을 통해 실세계의 물체를 묘사하거나, 혹은 물리적 환경을 만들어 가상환경 속에서 물체의 모습을 만들어낼 수도 있으며 영화, 애니메이션, 광고 등의 엔터테인먼트 분야와 물리적 실험 시뮬레이션, 건축, 디자인 등의 설계 및 예술 분야에 적용된다.
이러한 3D 모델링은 와이어 프레임 모델링(Wire Frame Modeling), 서페이스 모델링(Surface Modeling), 솔리드 모델링(Solid Modeling) 등 다양한 방식에 의하여 구현될 수 있다.
와이어프레임 모델링은 직선, 점, 원, 호 등의 기본적인 기하학적인 요소로 철사를 연결한 구조물과 같이 형상을 모델링 하는 방식이다.
서페이스 모델링은 점, 곡선, 곡면을 이용해서 형상을 표현하는 방법으로 표면 모델링이 정밀하고 수학적으로 정의된 곡선표면, NC 가공, 우주항공, 자동차, 조선에 주로 적용하는 방식이다.
솔리드 모델링은 곡면 모델에 곡면 간 연결정보를 추가하는 방법으로 3차원으로 형상화된 물체의 내부를 공학적으로 분석할 수 있는 방식으로 물체를 가공하기 전에 가공상태를 미리 예측하거나, 부피, 무게 등의 다양한 정보를 제공할 수 있는 방식이다.
이러한 3D 모델링 방식은 다양한 방식에 의하여 구현이 가능한 바, 예를 들면 폴리곤 방식(Polygon), 넙스 방식(Nurbs), 스컬핑 방식(Sculpting) 등에 의하여 모델링이 가능하다.
이와 같이 3D 모델의 기본 골격을 형성한 후, 렌더링을 실시함으로써 골격 표면을 처리하게 되는 바, 예를 들면 질감, 음영, 색상을 입히고 광학효과를 추가한다.
렌더링 과정은 변환과정과 채색과정으로 구분할 수 있는 바, 변환과정은 3차원 모델 좌표계의 꼭지점들을 2차원 모델 화면 좌표계로 변환한다. 그리고, 채색과정은 면에 그려지는 객체의 색체와, 조명, 매핑 등으로 목표하는 효과를 구현한다.
랜더링 과정은 투영(Projection), 클리핑(Clipping), 은면처리(Hidden Surface), 세이딩(Shading), 매핑(Mapping)의 순서로 진행된다.
투영은 3차원 오브젝트를 2차원 스크린에 비추는 과정이고, 클리핑은 디스플레이의 외측에 위치하여 보이지 않는 오브젝트 부분을 처리하는 과정이다.
또한, 은면처리는 오브젝트의 보이는 부분과 보이지 않는 부분을 처리하는 과정이고, 셰이딩은 음영, 조명 빛, 광원의 빛, 반사광, 투명한 효과 등을 처리하는 과정이며, 매핑은 오브젝트의 표면에 텍스처 등을 씌워 질감과 반사된 풍경 등을 처리하는 과정이다.
이러한 3D 모델링 과정을 통하여 다양한 아이템들을 생성할 수 있는 바, 예를 들면 아바타, 건물, 자동차, 시설물, 제품 등의 아이템을 생성할 수 있다.
이와 같이 3D 모델링을 실시한 후, 모델링된 아이템과 상기 아이템 등록부(18)에서 매칭된 아이템 제품 정보를 연결하여 복합 메타버스 가상현실 공간에 유형의 아이템을 표출하는 과정이 진행된다.
이러한 과정은 가상현실 구현부(28)에 의하여 진행됨으로써 가상 공간에 아이템을 거래할 수 있는 메타버스를 구축하게 된다.
즉, 메타버스의 구축하기 위하여 엔진을 이용하여 플랫폼(6)을 생성하게 된다. 이때, 엔진으로는 유니티와 언리얼 등 다양한 엔진이 사용된다.
그리고, 플랫폼(6)상에 가상의 세계를 구현하는 바, 이 가상의 세계에서 아이템이나 컨텐츠를 거래하거나, 할 수 있다.
즉, 플랫폼(6)상에 메타버스를 구현하고, 이 메타버스에 가맹점이 입점할 수 있도록 한다.
그리고, 메타버스 이용자들은 도우미(NPC;Non-Player Character)에 의하여 메타버스 내에서 가맹점 안내, 제품 설명 및 판매, 컨텐츠 생성, 거래 등의 전반적인 활동을 하게 된다. 이러한 도우미는 일종의 아바타이며, 이용자들은 단말기를 통하여 실시간 위치기반 정보에 의하여 복합 가상현실 메타버스내에 NPC로 나타난다.
그리고, 이용자가 맵을 벗어난 지역으로 이동할 경우 가상현실 메타버스내의 NPC도 이동을 하면서 맵에서 사라지게 되며, 사용자의 단말을 통하여 로그인하였을 경우 NPC가 활성화 되어 가상현실 메타버스 시스템에서 활동을 할 수 있는 방식이다.
이와 같이, 위치기반 실시간 위치가 가상현실 메타버스의 맵이 아니어도 이용자는 장소의 구애없이 가상현실 메타버스 시스템의 모든 서비스를 이용할 수 있다.
또한, 사용자가 실시간 위치정보 기반으로 복합 가상현실 메타버스 서비스의 맵 내에 들어오게 되면, 사용자와 관계를 맺고 있는 크루들에게 알림 정보를 자동으로 제공하여 실시간 사용자와 맵안의 사용자와 상호작용을 함으로써 서비스의 몰입을 증대시킬 수 있다.
한편, 메타버스에 입점한 각 가맹정에서는 컨텐츠 생성부(19)에 의하여 다양한 창작물을 생성하게 된다.
이때, 입점한 가맹점의 카메라에 의하여 영상을 획득하고 3D 모델링하게 된다. 이때, 메타버스내에 입점한 가맹점의 가맹점 내에는 다양한 디바이스(5)가 설치되어 데이터를 생성하는 바, 카메라, IoT 센서, 이동형 3D 스캐너 등의 센싱부 및 입력부를 포함한다.
이러한 다양한 디바이스(5)에 의하여 얻어진 컨텐츠는 컨텐츠 등록부(24)에 의하여 데이터 베이스(DB)에 등록된다.
컨텐츠 등록부(24)는 생성된 메타버스의 컨텐츠 데이터를 등록하고, 등록된 컨텐츠를 인공지능 분석에 의하여 창작물의 표절, 저작권 위배 여부, 컨텐츠의 1,2,3차...n차 거래 및 재창작에 대한 이력을 관리하고, 결과를 블록체인 기반에 의하여 NFT 방식으로 처리한다.
보다 상세하게 설명하면, 컨텐츠 등록부(24)는 도 6에 도시된 바와 같이, 새로 등록예정인 메타버스 컨텐츠와 기존 메타버스 컨텐츠를 비교하는 유사도 분석부(45)와;
유사도 분석결과에 따라 지재권의 침해여부를 판단하는 침해 판단부(47)와; 그리고
컨텐츠의 원장을 분석하여 사용자들의 합의에 의한 컨텐츠 거래 이력 및 1, 2, 3차....n차 단계로 재 창작 및 거래된 컨텐츠에 대한 권리관계를 알고리즘에 의하여 추적 및 분석하는 권리 분석부(50)를 포함한다.
이러한 컨텐츠 등록부(24)에 있어서,
유사도 분석부(45)는 메타버스 데이터간의 유사도를 판단하는 바, 이러한 유사도 분석부(45)는 중앙처리장치(32)에 의하여 컨텐츠의 유사도 분석을 다양한 알고리즘을 사용할 수 있는 바, 예를 들면 딥러닝(Deep learning) 방식에 의하여 유사도를 판단하는 방식이다.
중앙처리장치(32)는 도 11에 도시된 바와 같이, 유사도 분석엔진(34)과, GPU와, ALSA(Advanced Linux Sound Architecture), ALVA, RTSP(Real Time Streaming Protocol), API, 통신모듈에 의하여 신호를 송수신하게 된다.
그리고, 이러한 중앙처리장치(32)에는 딥러닝 프로그램이 탑재됨으로써 메타버스 컨텐츠간의 유사도를 판단하는 바, 딥러닝은 컴퓨터가 여러 데이터를 이용해 인간처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 한 기계 학습방법이다.
인공 신경망을 이용하면 컨텐츠 데이터의 분류(classification) 및 군집화(clustering)가 가능한 바, 분류나 군집화를 원하는 데이터 위에 여러 가지 층(layer)을 얹어서 유사도 판단을 실시할 수 있다.
즉, 도 12에 도시된 바와 같이, 인공 신경망은 입력층, 다수의 노드, 출력층으로 구성된다. 이러한 인공 신경망은 메타버스 컨텐츠 데이터의 형상 특징을 추출하고 그 특징을 다시 다른 기계학습 알고리즘의 입력값으로 사용하여 형상 별로 분류나 군집화를 함으로써 유사도를 판단할 수 있다.
이러한 인공 신경망은 심층 신경망을 포함하는 바, 심층 신경망은 신경망 알고리즘 중에서 여러 개의 층으로 이루어진 신경망을 의미한다.
즉, 인공 신경망은 다층으로 구성되는 바, 각각의 층은 여러 개의 노드로 구성되고, 각 노드에서는 실제로 형상을 분류하는 연산이 일어나며, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 설계된다.
노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다.
일반적으로 노드는 여러 개의 입력을 받으며 입력 갯수만큼의 계수를 갖는다. 따라서, 이 계수를 조절함으로써 여러 입력에 서로 다른 가중치를 부여할 수 있다.
최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰인다.
각 층은 여러 개의 노드로 이루어지며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 이때, 입력 데이터는 첫 번째 층의 입력이 되며, 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 되는 방식이다.
모든 계수는 메타버스 컨텐츠 데이터의 형상 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망의 학습(training)은 이 계수를 업데이트하는 과정이다.
메타버스 컨텐츠 데이터의 형상 학습시 이러한 심층 신경망에서는 각 층마다 서로 다른 층위의 특징이 학습된다.
즉, 낮은 층위의 특징은 단순하고 구체적인 특징이 학습되며 {예: 컨텐츠 데이터의 형상을 구성하는 형상}, 높은 층위의 특징은 더욱 복잡하고 추상적인 특징이 학습된다. {예: 가상현실의 맵, 가맹점, 아이템 형상 등}
이런 추상화 학습과정을 통해 심층 신경망이 고차원의 데이터를 이해하며, 이 과정에는 수 억, 수 십억 개의 계수가 관여하게 된다. (이 과정에서 비선형함수가 사용된다.)
또한, 심층 신경망은 데이터를 이용해 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 컨텐츠 데이터의 문서, 음향, 영상 등의 잠재적인 구조를 파악할 수 있다. 이를 통해 데이터가 라벨링되어 있지 않아도 데이터간의 유사성을 효과적으로 파악할 수 있으며, 결과적으로 심층 신경망은 컨텐츠 데이터의 군집화에 효과적이다.
예를 들어, 신경망을 이용해 대량의 컨텐츠 데이터를 입력받아 비슷한 메타버스 컨텐츠 데이터끼리 모아서 분류할 수 있다.
이러한 심층 신경망이 일반적인 기계 학습과 다른 점은 특징 추출(feature extraction)이 자동적으로 이루어진다는 점이다.
기존에는 효과적인 특징을 추출하기 위해 관련 분야 전문가가 오랜 시간동안 직접 특징을 추출하는 수식이나 방법을 고안해서 적용해야 했다. 이 방법은 개발, 평가 및 보완에 많은 시간이 걸리는 문제점이 있다.
심층 신경망은 이런 과정을 컴퓨터가 대신 하도록 알고리즘을 짠 것으로, 사람에 비해 훨씬 빠르고 효과적으로 수행하도록 학습시킨다.
라벨링이 되어있지 않은 데이터를 학습하는 경우에도 신경망은 컨텐츠 데이터의 특징을 자동적으로 추출할 수 있다. 이 자동 추출은 여러 가지 방법이 있는데, 보통 이 과정은 신경망을 통과시켰을 때의 출력이 입력과 같아지도록 학습하게 된다.
라벨이 어떤 종류이든지(입력을 그대로 사용/별도의 라벨을 사용) 신경망은 입력과 출력의 상관관계를 찾는다. 경우에 따라서는 라벨링된 데이터로 신경망을 어느 정도 학습시킨 뒤 라벨링이 되어있지 않은 데이터를 추가하여 계속 학습시킬 수도 있다. 이 방법을 이용하면 신경망의 성능을 극대화할 수 있다.
심층 신경망의 마지막 층은 출력층이다. 출력층의 활성 함수는 로지스틱(logistic) 혹은 소프트 맥스(softmax)인 경우가 대부분이며 출력층에서는 최종적으로 특정 라벨의 확률을 구할 수 있다. 예를 들어 컨텐츠 데이터를 입력하였을 때 2개의 문서가 서로 유사한지, 음향이 유사한지, 동영상이 서로 유사한지 등을 각각의 확률로 구할 수 있다.
우선 학습이 시작되기 전에 뉴럴넷의 모든 계수를 초기화한다. 그리고 메타버스 컨텐츠 데이터를 반복적으로 입력하여 학습을 진행한다. 만일 학습이 원활하게 진행되었다면 계수는 적절한 값으로 업데이트 되어 있을 것이고, 이 인공 신경망으로 각종 분류와 예측이 가능하다.
학습 과정 내부에선 이러한 계수의 업데이트 과정이 반복적으로 일어난다.
계수 업데이트의 원리는 우선 계수를 추정하고 그 계수를 사용했을 때 발생하는 에러를 측정한 뒤 그 에러에 기반해서 계수를 약간씩 업데이트 하는 방식이다.
이때, 신경망의 여러 계수를 합쳐서 모델이라고 부르며, 모델은 초기화 된 상태일 수도 있고, 학습이 완료된 상태일 수도 있다.
초기화된 모델은 의미 있는 작업을 못하지만 학습이 진행될수록 모델은 임의의 값이 아닌, 실제와 유사한 결과를 출력하게 된다.
이는 인공 신경망이 데이터가 입력되기 전에는 아무것도 모르는 상태이기 때문이며, 계수를 임의의 값으로 초기화하는 이유도 마찬가지이다. 그리고 데이터를 읽어가면서 계수를 조금씩 올바른 방향으로 업데이트하게 된다.
이러한 업데이트 과정을 통하여 인공 신경망은 입력된 메타버스 컨텐츠 데이터들을 분류함으로써 유사한 컨텐츠 데이터들을 군집화할 수 있다. 그리고, 군집화된 메타버스 컨텐츠 데이터는 데이터 베이스에 등록된다.
한편, 컨텐츠가 유사도 분석부(45)에 의하여 유사하다고 판단되면, 침해 판단부(47)에 의하여 침해여부를 판단하게 된다.
이러한 침해 판단부(47)는 도 6에 도시된 바와 같이, 유사범위에 포함된다고 판단된 복수의 컨텐츠들을 로딩하여 복수의 컨텐츠들의 유사도에 의하여 침해여부를 판단하고, 침해시 정당한 컨텐츠 등록자에게 알림모듈(49)을 통하여 알린다.
로딩된 컨텐츠는 등록 예정인 컨텐츠와 유사하다고 판단된 복수의 컨텐츠들을 포함하며, 이때, 복수의 컨텐츠는 1개 혹은 그 이상일 수 있다.
판단부(47)는 로딩된 컨텐츠들의 침해여부를 판단하는 바, 유사도 분석부(45)에 의하여 연산된 유사도값을 비교하게 된다. 그리고, 비교된 유사도값의 차이가 침해기준값의 초과여부를 판단하게 된다.
예를 들면, 등록 예정인 메타버스 컨텐츠와 유사하다고 판단된 복수의 컨텐츠의 유사도가 80%이고, 해당 컨텐츠 분야의 침해 기준값은 70%인 경우, 판단부(47)는 침해로 판단하게 된다.
반면에 유사도가 60%인 경우에는 비침해라고 판단하게 된다.
그리고, 침해 기준은 컨텐츠 분야마다 차이가 있을 수 있는 바, 예를 들면, 맵 구조의 경우 침해기준값은 90%, 아이템의 경우 80%, 가맹점 형상의 경우 70%와 같이 차등적으로 설정될 수 있다.
판단부(47)에 의하여 침해로 판단되는 경우에는 알림모듈(49)을 통하여 침해임을 안내하게 되고, 비침해로 판단되는 경우에는 등록부(65)에 의하여 컨텐츠를 데이터베이스에 저장한다.
알림모듈(49)은 침해인 경우에는 등록 예정인 사용자에게 침해임을 안내하게 되고, 이러한 안내를 접수한 사용자는 해당 컨텐츠의 등록을 포기하거나, 컨텐츠를 보다 개량하여 재등록을 시도하게 된다.
그리고, 권리 분석부(50)는 컨텐츠의 원장을 분석하여 사용자들의 합의에 의한 컨텐츠 거래 이력 및 1, 2, 3차....n차 단계로 재 창작 및 거래된 컨텐츠에 대한 권리관계를 알고리즘에 의하여 추적 및 분석한다.
한편, 메타버스 컨텐츠의 등록 후, 해당 컨텐츠를 온라인상에서 거래하여 수익을 창출하기 위하여 단가를 산정할 필요가 있다.
그리고, 단가는 단가 연산부(27)에 의하여 연산되는 바, 단가 연산부(27)는 가맹점별로 고객 정보를 분석하여 단가를 연산하게 된다.
이러한 단가 연산부(27)는 다양한 방식에 의하여 산정가능하다.
예를 들면, 각 컨텐츠 창작자가 산정한 단가를 입력받아서 저장한 후, 해당 컨텐츠의 거래시 단가에 의하여 거래금액을 연산하는 방식이다.
그리고, 해당 컨텐츠의 거래시 변동하는 단가를 시세에 따라 추가로 반영할 수도 있다.
또한, 저작권의 침해 판단시, 이 단가를 손해배상액의 산정에 적용할 수 있다.
그리고, 상기한 바와 같이 메타버스 컨텐츠는 온라인 상에서 거래가 이루어지는 바, 컨텐츠 거래소(11)는 이러한 거래를 진행하게 된다.
즉, 컨텐츠 등록부(24)를 통하여 등록된 컨텐츠를 복합 메타버스 가상현실 및 현실 세계에 공표하고, 이를 공유 및 소비하게 된다.
그리고, 컨텐츠 거래서버(11)는 다양한 방식의 거래를 중계하는 바, 예를 들면 매매, 중계, 수익정산 등을 포함한다.
그리고, 컨텐츠 거래서버(11)를 통하여 공표되거나 거래된 메타버스 데이터는 수익 정산부(29)에 의하여 매출이 정산될 수 있다.
즉, 수익 정산부(29)는 메타버스 컨텐츠를 이용하는 이용자에게 컨텐츠 과금부(14)를 통하여 이용 횟수 혹은 시간만큼의 수수료를 청구하여 수익을 정산하게 된다.
그리고, 전자지갑 충전부(25)는 블록체인 NFT 서버(9)와 연동하는 암호화폐로써 유틸리티 토큰, NFT 토큰을 송수신하게 된다.
따라서, 컨텐츠 거래시, 혹은 수익 정산시 전자지갑 충전부(25)로부터 토큰을 수납함으로써 정산을 진행할 수 있다.
이러한 전자지갑 충전부(25)는 메타버스 플랫폼(6)에 구성될 수 있으나, 사용자 단말 혹은 별도로 구성할 수도 있다.
한편, 블록체인 NFT 서버(9)는 메타버스 컨텐츠 등의 디지털 자산 정보를 해시함수 및 암호화하고, 블록체인 기반의 NFT 토큰을 발행 및 등록하고, 블록체인 코인을 충전하며, 컨텐츠 소유권 정보와 NFT를 생성 및 분산저장한다.
이러한 블록체인 NFT 서버(9)는 미리 설정된 해시 함수에 입력하여 인가되어 생성된 해시 값과, 상기 해시 값이 상기 개인키로 암호화되어 생성된 NFT 토큰을 발행한다.
보다 상세하게 설명하면,
블록체인 NFT 서버(9)는 상기 메타버스 구축부(17)와 네트워크로 연결되며,
사용자 단말(3) 및 전문가 단말(3)의 전자지갑에 충전한 금액에 상응하는 유틸리티 토큰을 생성하여 지급이 이루어지도록 구성되는 토큰 생성부(33);
상기 사용자 단말(3) 및 전문가 단말(3)로부터 소유권 정보의 등록, 분산저장 및 검증, 소유권 정보 거래에 사용되는 토큰의 유통을 관리하는 토큰 유통부(35);
상기 토큰 유통부(35)로부터 전송되는 충전이 이루어진 유틸리티 토큰 및 검증티켓의 사용 여부에 따른 토큰 수량에 대한 정보를 저장하고, 데이터 등록, 검증 및 조회 시 발생하는 유틸리티 토큰의 소모량 정보와, 유틸리티 토큰을 납부한 소유자 단말, 또는 사용자 단말 정보, 유틸리티 토큰을 지급받은 사용자 단말 정보가 저장되는 토큰 정보 저장부(37)를 포함한다.
이러한 구조를 갖는 블록체인 NFT 서버(9)에 있어서,
토큰 생성부(33)는 다양한 방식으로 NFT 토큰을 생성하는 바, 예를 들면 디지털 컨텐츠를 블록체인 기술을 이용해 토큰으로 생성하는 민팅(minting)에 의하여 생성할 수 있다.
즉, NFT 민트를 지원하는 스마트 컨트랙트 기반에서 이더리움 발행 프로토콜인 ERC-20, ERC-721을 이용하여 NFT 토큰을 발행하는 바, ERC-20은 ETH 단위로 불리는 대체 가능한 코인을 의미하고, ERC-721은 각 코인마다 고유성을 부여하여 다른 코인과 대체 불가능하도록 발행하는 NFT를 의미한다.(ERC;Ethereum Request for Comment)
이와 같이 디지털 컨텐츠에 NFT 토큰을 결합한 후 블록체인 기반으로 처리함으로써 고유의 디지털 컨텐츠로 인식될 수 있도록 한다.
이러한 블록체인은 일반적으로 인터넷 상에서 거래되는 정보를 모두 공개하고, 누구나 거래 정보를 생성할 수 있으며, 거래 정보를 모두에게 복사해서 사본을 저장하고 그 사본끼리 동기화시키는 방식이다.
따라서, 정보가 거래에 참여하는 모든 사용자의 서버에 저장됨으로써 기록이 사라지는 것을 차단하는 바 분산 공개 장부라고 부르기도 한다.
이러한 블록체인은 일반적인 알고리즘을 통하여 생성되는 바, 블록체인은 데이터의 진위 여부를 확인하는 디지털 서명과, 블록헤더와, 거래정보와, 디자인 정보로 구성되는 블록을 포함한다.
디지털 서명은 데이터에 첨부되거나 논리적으로 결합되며, 비대칭키와 해쉬함수를 이용해서 데이터의 진위여부를 확인할 수 있게 해준다.
이러한 디지털 서명은 서명자의 신원을 확인하고 데이터의 내용에 대한 서명자의 승인을 나타낼 목적으로 사용된다.
상기 블록의 블록헤더는 버젼(version), 프리비어스 블록해쉬(previousblockhash), 머클해쉬(merklehash), 시간, 난이도, 넌스(nonce)의 6개 정보로 구성된다.
이러한 블록헤더에 있어서, 버젼은 소프트웨어 및 프로토콜의 버젼을 의미한다.
프리비어스 블록해쉬는 블록체인에서 바로 앞에 위치하는 블록의 블록해쉬를 의미한다.
머클해쉬는 개별 거래정보의, 거래 해쉬를 2진 트리 형태로 구성할 때, 트리 루트에 위치하는 해쉬값을 의미한다.
시간은 블록이 생성된 시간을 의미한다. 난이도는 난이도 조절용 수치를 의미한다.
넌스는 최초 0에서 시작하여 조건을 만족하는 해쉬값을 찾을때까지 1씩 증가하는 계산회수를 의미한다.
블록헤더는 블록의 식별자 역할을 하는 블록해쉬가 이 블록헤더의 6가지 정보를 입력값으로해서 구해질 수 있다.
블록해쉬는 6가지의 블록헤더 정보를 입력값으로 하고, 여기에 SHA256 해쉬함수를 적용해서 계산되는 값으로 32바이트의 숫자값이다.
그리고, 거래정보는 각 사용자들이 거래한 정보가 저장된다. 예를 들면 사용자 A가 B에게 전송한 결재금액이 저장된다.
그리고, 컨텐츠 정보에는 창작된 컨텐츠의 형태, n차 거래 이력, 유사도, 유무형의 디지털 데이터, 3D 데이터, 창작자의 식별정보가 포함될 수 있다.
이러한 구성을 갖는 블록헤더를 예를 들어 설명한다.
다수의 사용자가 거래를 하였을 경우, 우선 각 개별거래의 해쉬값이 정해진다. 그리고, 각 개별거래의 해쉬값을 2진 트리 형태로 구성함으로써 머클트리의 해쉬값을 산출한다.
산출된 머클트리의 해쉬값은 상기한 바와 같이, 블록헤더의 6개 정보 중 머클트리 해쉬정보에 입력된다.
따라서, 블록헤더는 version, previousblockhash, merklehash, time, bits, nonce의 6개 정보로 구성되고, 이는 블록해쉬값으로 산출된다.
결국, 개별 거래정보는 머클트리의 해쉬값에 집약되며, 블록헤더의 6가지 정보중 버전, 프리비어스 블록해쉬, 머클트리 해쉬, 시간, 난이도의 5가지 데이터는 블록해쉬를 만드는 시점에서 이미 확정되어 변하지 않는 값이다.
그러나, 마지막 정보인 nonce는 확정되지 않고 새로 구해야 하는 값이다. 이 nonce값을 구해서 최종적으로 블록해쉬값을 구하고, 이 블록해쉬값을 식별자로 가지는 유효한 블록을 만드는 것이 작업증명, 즉 채굴과정이다.
그리고, 컨텐츠 정보에는 상기한 바와 같이 창작된 컨텐츠의 형태, n차 거래 이력, 유사도, 유무형의 디지털 데이터, 3D 데이터, 창작자의 식별정보가 포함될 수 있다.
이와 같이, 각각의 블록이 만들어지고, 이 블록들이 서로 연결됨으로써 블록체인을 형성하게 된다.
즉, 상기한 바와 같이 블록헤드를 구성하는 6가지 정보중 프리비어스 블록해쉬값은 현재 생성하고 있는 블록의 바로 이전에 만들어진 블록의 해쉬값이다. 따라서, 블록은 바로 앞의 블록 해쉬값을 포함하는 방식으로 앞의 블록과 연결된다.
예를 들면, 다수개의 블록이 만들어진 경우, 각각의 블록은 블록해쉬값을 포함하고 있는 상태이다.
이때, 첫번째 블록의 블록해쉬값은 두번째 블록의 프리비어스 블록해쉬값이 되고, 이 프리비어스 블록해쉬값에 의하여 두번째 블록의 블록해쉬값이 정해진다. 그리고, 이 두번째 블록의 해쉬값은 세번째 블록의 프리비어스 블록해쉬값이 되고, 이 프리비어스 블록해쉬값에 의하여 세번째 블록의 블록해쉬값이 정해진다.
이러한 방식으로 다수개의 블록은 서로 연결되어 블록체인을 형성하게 된다.
이때, 각 블록에는 컨텐츠 정보로서 창작된 컨텐츠의 형태, n차 거래 이력, 유사도, 유무형의 디지털 데이터, 3D 데이터, 창작자의 식별정보가 포함됨으로써 블록체인을 형성하는 경우 각 정보들이 서로 연결되어 공유될 수 있다.
한편, 상기와 같이 형성된 블록체인은 단순히 연결만 되는 것이 한정되지 않고 신뢰할 수 있는 데이터임을 입증하여야 하는 바, 이 과정이 작업증명(Proof of Work)이다.
즉, 넌스값을 구해서 최종적으로 블록 해쉬값을 구하고, 이 블록 해쉬값을 식별자로 가지는 유효한 블록을 만들어내는 것이 작업 증명이다. 결국 넌스값을 구하는 것이 작업 증명의 핵심이다.
이 넌스값은, 이 넌스값을 입력값 중의 하나로 해서 계산되는 블록 해쉬값이 특정 숫자보다 작아지게 하는 값을 말한다.
해쉬 함수의 특성상, 어떤 해쉬값(A라고 하면)을 결과로 나오게 하는 입력값을 찾으려면, A에서 역산을 하는 방식으로는 찾을 수 없고, 결과가 A가 될 때까지 무작위로 입력값을 계속 바꿔가면서 해쉬값을 계산해보면서 찾아낼 수 밖에 없다.
그렇다면 어떤 블록 해쉬값이 어떤 특정 숫자보다 작아지게 하려면, 블록 해쉬의 입력값을 계속 바꿔가면서 구한 해쉬값이 특정 숫자보다 낮은지 비교하는 작업을 계속 반복하는 수 밖에 없다.
블록 해쉬의 입력값은 블록 헤더고, 블록 헤더에는 6가지 정보가 담겨 있으며, 이 중에서 5가지는 값이 고정되어 변경할 수 없고, 오직 넌스만 값을 바꿀 수 있다.
즉, 이 넌스값을 계속 바꿔가면서 계산한 해쉬값이 어떤 특정 숫자보다 작다면, 그 때의 넌스값이 새로 만들어지는 블록의 넌스값으로 확정되고, 특정 숫자 보다 작게 나온 그 해쉬값이 새로 생성되는 블록의 블록 해쉬값으로 최종 확정되며 작업 증명이 끝나게 된다.
한편, 이러한 넌스값을 산출하는 채굴과정에는 많은 횟수의 해쉬 계산이 필요하며 그런 계산을 수행하는 채굴기와 그 채굴기를 돌릴 수 있는 막대한 양의 전기가 소요되는 바, 이러한 비용에 대한 보상이 없다면 블록체인을 채굴하지 않을 것이다.
따라서, 이러한 블록체인의 채굴에 대한 보상을 산출하기 위한 과정이 진행되는 바, 난이도코인을 예로 설명하면, 난이도코인에서의 보상은 새로 발행되는 난이도코인과 해당 블록에 포함되는 거래의 거래 수수료의 합이다.
난이도코인의 새로운 발행은, 채굴자가 블록을 처음 구성할 때 채굴자의 지갑으로 일정량의 난이도코인이 입금되는 거래를 그 블록의 첫 거래(generation transaction)로 추가하는 방식으로 이루어진다.
그리고, 거래 수수료는 각 거래 당사자끼리 자율적으로 정할 수 있다. 즉, 컨텐츠의 저작권료를 정하는 경우, 최초 거래시 거래정보로서 기본 저작권료를 등록하면, 두번째 거래, 세번째 거래 등 후속 거래가 이루어질 때마다 저작권료가 적립된다.
그리고, 컨텐츠 거래서버(11)는 이러한 블록체인 기반의 NFT 토큰을 네트워크 상에서 유동시킨다.
즉, 블록 체인은 거대한 분산 공개 장부로서, 이 분산 공개 장부는 여러 개의 노드에 복사되어 있으며, 여러 개의 노드는 P2P로 연결되어 블록 체인 네트워크를 형성한다.
그리고, 하나의 거래 정보가 발생하면 이 거래 정보는 블록 체인 네트워크에 분산되어 있는 수많은 노드에 전파된다.
한편, 이러한 네트워크에 분산되는 구조는 도 8에 의하여 설명될 수 있다.
즉, 분산 데이터 구조에서 활용되는 머클 트리 구성 방식을 설명하기 위한 개념도이다. 통상 블록체인에서 하나의 블록에 저장되는 트랜잭션의 유효성을 검증한 후 해당 트랜잭션에 대한 정보를 블록체인에 저장할 경우 무결성을 검증하기 위하여 도시된 방식의 머클 트리를 이용한다.
이러한 머클 트리는 다른 용어로 해시 트리라고 하는데, 컴퓨터 통신이나 암호학에서 사용되는 것으로서, 계층 구조를 가지면서 상위 노드가 하위 노드의 무결성을 검증할 수 있도록 되어 있다.
이러한 블록체인에서도 사용되는 머클 트리를 본 발명에서는 분산 데이터에 대한 무결성을 검증하기 위해 적용함과 아울러 원하는 데이터를 검색하기 위한 주소 확인을 위해서 사용한다.
머클 증명이 키의 모든 연결 정보를 가져야 하는 패트리샤 트리와는 달리, 이진 트리는 머클 증명을 쉽고 간편하게 만들어주며, 패트리샤 트리의 모든 노드는 16개의 하위 구조(children)를 가지고 있어 더 많은 데이터가 필요하며, 이진 트리보다 무결성 입증이 직관적이지 않다.
도 8에서 빨강 키의 머클 증명은 빨강으로 표시된 노드(h3)로 이루어지며, 이 증명은 이전 예시의 증명([D0, D1, D2, h3])보다 훨씬 짧다는 것을 확인할 수 있다. 값들이 최하위(height 0)에 저장되지 않기 때문에 해당 증명의 verifier는 Hash(LeafNode, h3)를 연산하고 Root와 비교해서 확인하게 된다.
축약된 머클 증명(Compressed Merkle proofs): 표준 희소 머클 트리와 비슷하게, 머클 증명 역시 축약될 수 있습니다. 머클 증명의 거의 모든 노드가 default이기 때문에, 비트맵(bitmap)을 사용해 해당 증명의 default가 아닌 모든 인덱스에 bit를 지정할 수 있다. 파랑 LeafNode1이 트리에 포함됐다는 증명은 다음과 같으며, [LeafNode2, D1, D2, LeafNode]. 이 증명은 다시 1001[LeafNode2, LeafNode]로 축약될 수 있다. 해당 축약머클 증명의 verifier는 D1을 통해 h2를 계산할 수 있으며, 비트맵의 두 번째 인덱스가 0이며, D2를 세 번째 증명 요소로 볼 수 있기 때문이다.
예를 들어, key=0000이 어떤 트리에 포함되지 않았다는 증명은 LeafNode가 키의 경로에 있다는 것과 해당 트리에 포함됐다는 것으로 판단할 수 있으며, Key=1111이 트리에 포함되지 않았다는 것은 D2가 해당 키의 경로에 있으며 트리에 포함되어 있다는 것으로 증명할 수 있다.
도 9는 노드배칭 시각화 구조도로서, 각각의 노드를 2개의 하위 구조(children)을 지닌 root로 저장할 경우, 저장해야 할 노드의 숫자는 빠르게 증가하며 메모리에서 노드를 읽는 다중 처리 과정에서 병목현상이 발생합니다. Hex 형식의 머클 트리를 통해 이런 문제점을 해결할 수 있다. 각 키가 16개의 하위 구조(children)와 64라는 낮은 높이(height of 64, 256/4)를 가지기 때문이며, 앞서 말한 것처럼 이진 트리 구조가 필요하다. Hex 형식의 트리가 가지는 장점을 노드 배칭을 통해 이룰 수 있다.
하나의 노드에 2개의 하위구조를 저장하는 대신, 높이 4를 가지는 서브트리를 저장하고, 높이가 4인 트리는 최하위에 16개의 leaf가 있으며 이는 hex 트리와 동일하다. 따라서, 한 노드의 값은 4-bit 트리의 모든 노드를 포함한 배열(array)과 동일하고 트리의 index i에 위치한 노드의 하위 구조는 index 2*i+1과 2*i+2에서 찾을 수 있다.
노드는 다음과 같이 암호화되며, { Root : [ [ byte(0/1) to flag a leaf node ], 3-0, 3-1, 2-0, 2-1, 2-2, 2-3, 1-0, 1-1, 1-2, 1-3, 1-4, 1-5, 1-6, 1-7, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, a, b, c, d, e, f ] }
예를 들어, 배열의 index id=1에 위치한 node 3-0의 하위구조를 얻기 위해선 왼쪽 하위구조 2-0, index (2*id +1) = index 3와 오른쪽 하위구조 2-1, index (2*id+2) = index 4에 접근할 수 있어야 한다.
각각의 노드에 byte flag를 덧붙여 leaf 노드를 구분하며, Root는 사전에 알아낼 수 없기 때문에 byte flag는 노드 배열의 첫 번째 index에 저장된다.
상기한 바와 같이, 블록체인에 저장된 컨텐츠 거래와 별도로 분산 저장을 위해 공유된 머클트리 정보에 포함된 탑 해시값을 통해 해당 머클 트리에 연결된 컨텐츠의 분산원장 컨텐츠 데이터는 때때로 컨텐츠에 액세스하기를 원하는 임의의 사람에게 자유롭게 이용가능하도록 한다.
블록체인 분산원장 기술의 많은 구현들이 공개 키/개인 키 암호화 기술을 이용하기 때문에, 공개 키 데이터를 이용하여 누구라도 분산원장에서의 엔트리들을 검토할 수 있다. 그러나, 사용자는 예컨대, 컨텐츠의 소유권을 전송하거나, 개인 키 없이 그 어드레스로부터 유틸리티 토큰을 전송하기 위해, 기록된 데이터를 수정할 수 없다.
블록체인 기술에 기초한 분산원장들은, 스마트 계약, 암호화폐, 또는 원장에 저장된 임의의 다른 타입의 데이터이든지 간에, 원장에 기록되는 컨텐츠에 대한 어드레스를 제공한다. 분산원장에 저장된 데이터는 컨텐츠 등록부에 의해 생성된 컨텐츠 항목과 같은 디지털자산을 포함할 수 있다.
상기 서버를 구성하는 요소, 즉 메타버스 구축부(17)와, 컨텐츠 생성부(19)와, 컨텐츠 등록부(24)와, 단가 연산부(27)와, 컨텐츠 거래소(11)와, 수익 정산부(29)와, 유사도 분석부(45), 침해 판단부(47)는 입력된 데이터에 대한 해석, 명령의 실행, 연산 등을 실시하는 마이크로 프로세서(Micro processor)를 의미한다.
이하, 상기한 메타버스 컨텐츠에 있어서 아이템을 생성하고 거래하는 과정을 첨부된 도면을 참조하여 보다 상세하게 설명한다.
도 10에 도시된 바와 같이, 먼저 아이템 생성부(20) 및 등록부에 의하여 아이템을 인증 및 저장한다(S10).
즉, 다양한 유,무형의 자산에 대한 정보를 생성 및 등록하는 바, 예를 들면 아이템 생성부(20)에 의하여 가상현실에서 사용할 수 있는 아이템을 생성하거나 구매하고, 아이템 등록부(18)에 의하여 아이템을 인증 및 등록한다.
이때, 아이템은 다양한 아이템이 가능하며, 예를 들면, 건물, 자동차, 시설물, 제품, 상품 등이다.
그리고, 회원 인증부에 의하여 회원임을 확인한다(S11).
회원임이 확인되면 복합 메타버스 광장을 구축하고, 회원이 아니면 회원가입을 안내한다.
복합 메타버스 광장 구축단계에 있어서, 본 단계에서는 생성 또는 구매한 아이템으로 가상의 공간에 커뮤니티(Community)를 꾸민다(S12).
이때, 아이템으로 커뮤니티를 꾸민 후, 아이템 생성부(20)에서 아이템을 모델링 처리한다.
즉, 아이템을 아이템 생성부(20)에 탑재된 3D 모델링을 위한 소프트웨어에 의하여 랜더링 과정을 거쳐서 가상 공간의 3차원 물체로 변환한다.
그리고, 모델링 된 아이템에 의하여 복합 가상현실을 생성하게 된다.
즉, 아이템에 대하여 3D 모델링을 실시한 후, 모델링된 아이템과 아이템 등록부(18)에서 매칭된 아이템 제품 정보를 연결하여 복합 메타버스 가상현실 공간에 유형의 아이템을 표출하는 과정이 진행된다.
이러한 과정은 메타버스 가상현실 구축부(17)에 의하여 진행됨으로써 가상 공간에 아이템을 거래할 수 있는 메타버스를 구축하게 된다.
즉, 메타버스의 구축하기 위하여 엔진을 이용하여 플랫폼(6)을 생성하게 된다. 이때, 엔진으로는 유니티와 언리얼 등 다양한 엔진이 사용된다.
그리고, 플랫폼(6)상에 가상의 세계를 구현하는 바, 이 가상의 세계에서 아이템이나 컨텐츠를 거래하거나, 할 수 있다.
즉, 플랫폼(6)상에 메타버스를 구현하고, 이 메타버스에 가맹점이 입점할 수 있도록 한다.
그리고, 메타버스 이용자들은 도우미(NPC;Non-Player Character)에 의하여 메타버스 내에서 가맹점 안내, 제품 설명 및 판매, 컨텐츠 생성, 거래 등의 전반적인 활동을 하게 된다.
이와 같이, 생성된 메타버스 컨텐츠는 컨텐츠 등록부(24)에 의하여 분산 저장된다(S13).
그리고, 분산 저장된 메타버스는 컨텐츠 거래서버(11)에 의하여 온라인 상에서 거래가 이루어진다(S14).
컨텐츠 거래소(11)는 다양한 방식의 거래를 중계하는 바, 예를 들면 3D 컨텐츠 거래, 메타버스 데이터 거래, 재투자, 수익 정산 등을 포함한다.
즉, 이용자가 단말기를 통하여 홈페이지에 접속한 후, 아이템 혹은 컨텐츠를 구매를 하고(S15), 구매한 아이템을 컨텐츠 저장부에 저장한다.(S16)
그리고, 컨텐츠에 대한 모델링 처리를 실시한 후(S17), 복합 가상현실 생성부에 의하여 복합 가상현실 세계를 구현한다.(S18)
즉, 모델링된 아이템과 상기 아이템 등록부(18)에서 매칭된 아이템 제품 정보를 연결하여 복합 메타버스 가상현실 공간에 유형의 아이템을 표출하는 과정이 진행된다.
이러한 과정은 가상현실 구현부(28)에 의하여 진행됨으로써 가상 공간에 아이템을 거래할 수 있는 메타버스를 구축하게 된다.
즉, 메타버스의 구축하기 위하여 엔진을 이용하여 플랫폼(6)을 생성하게 된다. 이때, 엔진으로는 유니티와 언리얼 등 다양한 엔진이 사용된다.
그리고, 플랫폼(6)상에 가상의 세계를 구현하는 바, 이 가상의 세계에서 아이템이나 컨텐츠를 거래하거나, 할 수 있다.
즉, 플랫폼(6)상에 메타버스를 구현하고, 이 메타버스에 가맹점이 입점할 수 있도록 한다.
그리고, 메타버스에서 컨텐츠를 거래하는 경우, 거래 이력 등의 정보가 저장된 NFT 토큰에 의하여 거래된다.(S19)
즉, 블록체인 NFT 서버(9)는 메타버스 컨텐츠 등의 디지털 자산 정보를 해시함수 및 암호화하고, 블록체인 기반의 NFT 토큰을 발행 및 등록하고, 블록체인 코인을 충전하며, 컨텐츠 소유권 정보와 NFT를 생성 및 분산저장한다.
이러한 블록체인 NFT 서버(9)는 미리 설정된 해시 함수에 입력하여 인가되어 생성된 해시 값과, 상기 해시 값이 상기 개인키로 암호화되어 생성된 NFT 토큰을 발행한다.
이러한 NFT 토큰은 전자지갑으로 전송됨으로써 다른 이용자의 NFT 토큰과 거래 및 정산될 수 있다.(S21)
실시예 2 (기타 컨텐츠에 대한 블록체인 기반의 NFT 거래 시스템)
본 발명이 제안하는 기타 컨텐츠에 대한 블록체인 기반의 NFT 거래 시스템은 메타버스 컨텐츠 뿐만 아니라 기타 컨텐츠, 예를 들면 음원, 영상, 이미지 등의 컨텐츠에도 적용가능하다.
도 13 내지 도 16에 도시된 바와 같이, 본 발명의 다른 실시예는 기타 컨텐츠에 대한 블록체인 기반의 NFT 거래 시스템(1)에 관한 것으로서,
블록체인 NFT 서버(9)는 음원, 영상, 이미지 등의 등의 디지털 자산 정보를 해시함수 및 암호화하고, 블록체인 기반의 NFT 토큰을 발행 및 등록하고, 블록체인 코인을 충전하며, 컨텐츠 소유권 정보와 NFT를 생성 및 분산저장한다.
본 실시예는 전술한 실시예와 동일하며, 기타 컨텐츠 관리서버가 추가되는 차이점이 있다. 이러한 기타 컨텐츠 관리서버는 메타버스 플랫폼(6)과, 블록체인 NFT 서버(9)와, 컨텐츠 거래서버(11)와 네트워크를 통하여 연결된다.
이러한 기타 컨텐츠 관리 서버(4)는, 생성된 컨텐츠가 입력되는 입력부(53)와; 입력된 컨텐츠를 분류하여 특징점을 추출하는 특징점 추출부(55)와; 컨텐츠에 대한 전처리를 실시하는 전처리부(57)와; 시퀀스 변환부(59)와; 새로 등록예정인 컨텐츠와 기존 등록 컨텐츠를 비교하는 유사도 분석부(45)와; 유사도 분석결과에 따라 지재권의 침해여부를 판단하는 침해 판단부(47)와; 침해 판단부(47)에 의하여 비침해라고 판단되는 경우 컨텐츠를 등록하는 등록부(65)를 포함한다.
이러한 저작권 침해 분석 시스템(1)의 서버(4)에 있어서,
컨텐츠 입력부(53)는 사용자 단독 혹은 협업으로 생산한 유, 무형의 창작물을 입력받아 관리한다. 창작물로는 다양한 컨텐츠를 포함하는 바, 예를 들면 이미지, 음원, 영상, 게임 등이다.
이러한 컨텐츠 입력부(53)는 문서 입력기, 스캐너, 마이크 등의 음성 수집기, 카메라 등의 영상 획득장치에 의하여 사용자가 입력한 문서, 이미지 데이터, 영상 데이터, 음원 데이터, 게임 데이터 등을 온라인 혹은 오프라인을 통하여 입력받는다.
그리고, 입력된 컨텐츠 데이터는 특징점 추출부(55)에 의하여 특징점을 추출한다.
이러한 특징 추출부(55)는 다양한 컨텐츠에 적합하도록 구성된다.
예를 들면, 문서 컨텐츠인 경우, 도 14에 도시된 바와 같이, 문서에서 어휘 분석기(65)에 의하여 색인어로 사용될 수 있는 단어들을 추출한다. 어휘 분석기(65)는 특정 품사, 예를 들면 명사만을 추출하고 불필요한 단어들은 제거한다.
그리고, 색인 변환기(67)은 어휘 분석과장이 완료되면 문서의 비교를 위하여 추출된 명사들을 색인으로 변환하게 된다. 이때 두 문서간에 공통적인 단어에 대해 같은 색인이 필요한데 공통 색인 테이블(71)이 필요하다. 색인 테이블은 일반적으로 해시테이블로 구성된다.
이러한 색인 변환기(67)를 통하여 추출된 색인어는 후술하는 시퀀스 추출모듈(69)를 통하여 시퀀스 변환된다.
그리고, 음원 컨텐츠인 경우, 도 15에 도시된 바와 같이, 음원 데이터에서 멜로디를 추출하고(55), 시퀀스를 생성한 후(59), 데이터베이스의 다른 음원과 비교함으로써 유사여부를 판단하게 된다(61).
음원 데이터는 다양한 포멧으로 형성되는 바, 예를 들면, MIDI 포멧, PCM 포멧 등이다.
이러한 음원 데이터를 추출하는 경우, 여러음들이 복합적으로 존재하는 음원에서 멜로디를 추출하게 된다.
이와 같이 특징점이 추출된 컨텐츠 데이터는 전처리부(57)에 의하여 전처리과정을 거치게 된다.
전처리부(57)는 입력된 데이터에 반사광, 화각, Dust 및 노이즈 제거를 진행함으로써 전처리를 진행한다.
이러한 전처리부(57)는 컨텐츠를 전처리하게 되는 바,
빅데이터(big data) 분석, 데이터 마이닝(data mining)을 위해서는 각 알고리즘의 요구사항에 따라 전처리된 데이터가 필수적이다. 따라서 수집된 데이터들을 목적에 맞게 효과적으로 가공해야 한다. 이를 위해 데이터의 측정 오류를 줄이고 잡음(noise), 왜곡, 편차 최소화, 정밀도, 정확도, 이상 값(outlier), 결측 값(missing value), 모순, 불일치, 중복 등을 해소한다.
이러한 전처리는 데이터 정제(cleansing), 데이터 변환(transformation), 데이터 필터링(filtering), 데이터 통합(integration), 데이터 축소(reduction) 과정을 포함하며, 상기한 실시예 1의 메타버스 컨텐츠의 전처리 과정과 동일하므로 이하 상세한 설명은 생략한다.
이와 같이 컨텐츠 데이터를 전처리한 후, 시퀀스 변환부(59)에 의하여 시퀀스 변환을 실시한다.
시퀀스 변환 과정은 전처리된 데이터 파일을 맵(Map) 함수를 통해 병렬 처리하여, 이벤트 레코드를 추출하고, 데이터 파일에 설정된 시간을 시퀀스 번호로 변환하고, 시퀀스 번호로 변환된 데이터를 리듀스(Reduce) 함수를 통해 병렬로 취합하여 시퀀스를 생성한다.
이러한 시퀀스 변환부(59)에 의하여 컨텐츠 데이터를 시퀀스 변환을 실시하는 바, 예를 들면 문서 컨텐츠 데이터를 시퀀스 변환을 실시하는 과정을 설명한다.
도 14에 도시된 바와 같이, 상기한 특징부 추출부(55)에서 문자 컨텐츠는 색인 변환기(67)을 통하여 색인어가 추출되며, 추출된 색인어가 시퀀스 변환된다.
즉, 색인 변환기(67)를 통하여 문자 컨텐츠 데이터를 색인 테이블로 구성하며(71), 색인 테이블의 구성이 완료되면 문자 컨텐츠 데이터 중 명사들이 순차적으로 나열된다. 나열된 문서를 색인의 나열인 시퀀스 A,B로 변환한다(69).
이때, 시퀀스 변환하는 과정에서 역파일 색인 테이블(73)을 만들어 줄 수 있는 바, 이는 유사도 판단에서 비교횟수를 줄일 수 있다.
음원 데이터를 시퀀스 변환하는 경우 2단계로 구성되는 바, 멜로디 근사구간과, 멜로디 시퀀스 결정 구간으로 구성된다.
멜로디 근사구간에서는 하모닉 모델을 이용하여 후보를 연산한다. 그 전에 정확도와 계산 복잡도를 줄이기 위해 음 범위를 결정하게 된다.
하모닉 구조는 일반적인 멜로디 소리가 가지는 하모닉 구조로서 아래 수식 1로 표현될 수 있다.
(Am : m번째 하모닉 성분의 진폭, Hω(k): 기본 주파수 (fundamental frequency)가 ω인 하모닉 구조 모델)
k는 주파수 단위로써 cent이며, 그 정의는 아래 수식 2와 같으며, G는 가우시안 함수로서 수식 3과 같이 정의된다.
이와 같이 멜로디 근사가 진행된 후, 멜로디 시퀀스를 결정하게 된다.
흔히 발생하는 옥타브(octave) 에러나 잘못된 피치가 결정되는 경우를 막기 위해 후보 음들에 음악적 특징과음 전이의 통계적 정보를 이용하여 가중치를 다르게 주어 정확하게 결정한다.
시퀀스 변환 구간에서는 이미 뽑힌 멜로디는 비브라 토(vibrato)등과 약간의 에러들로 바로 사용하기는 부적합하다. 그래서 스무딩(smoothing) 과정을 거쳐서 유사도 비교에 적합 형태로 시퀀스를 변환하게 된다.
상기한 바와 같이 데이터를 시퀀스 변환 과정을 완료한 후, 유사도 분석부(45)에 의하여 컨텐츠간의 유사도를 비교한다.
이러한 유사도 분석과정에 있어서는, 시퀀스 변환된 데이터와 데이터베이스의 데이터간의 유사도를 계산하여 유사여부를 구하게 된다.
즉, 유사도 분석부(45)에서는 도 6에 도시된 바와 같이, 실시예 1의 메타버스 컨텐츠와 유사한 구조이다.
이러한 유사도 분석부(45)는 중앙처리장치(32)에 의하여 컨텐츠의 유사도 분석을 다양한 알고리즘을 사용할 수 있는 바, 예를 들면 딥러닝(Deep learning) 방식에 의하여 유사도를 판단하는 방식이다.
중앙처리장치(32)는 유사도 분석엔진(34)과, GPU와, ALSA(Advanced Linux Sound Architecture), ALVA, RTSP(Real Time Streaming Protocol), API, 통신모듈에 의하여 신호를 송수신하게 된다.
그리고, 이러한 중앙처리장치(32)에는 딥러닝 프로그램이 탑재됨으로써 컨텐츠간의 유사도를 판단하는 바, 딥러닝은 컴퓨터가 여러 데이터를 이용해 인간처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 한 기계 학습방법이다.
인공 신경망을 이용하면 컨텐츠 데이터의 분류(classification) 및 군집화(clustering)가 가능한 바, 분류나 군집화를 원하는 데이터 위에 여러 가지 층(layer)을 얹어서 유사도 판단을 실시할 수 있다.
즉, 도 12에 도시된 바와 같이, 인공 신경망은 입력층, 다수의 노드, 출력층으로 구성된다. 이러한 인공 신경망은 컨텐츠 데이터의 형상 특징을 추출하고 그 특징을 다시 다른 기계학습 알고리즘의 입력값으로 사용하여 형상 별로 분류나 군집화를 함으로써 유사도를 판단할 수 있다.
이러한 인공 신경망은 심층 신경망을 포함하는 바, 심층 신경망은 신경망 알고리즘 중에서 여러 개의 층으로 이루어진 신경망을 의미한다.
즉, 인공 신경망은 다층으로 구성되는 바, 각각의 층은 여러 개의 노드로 구성되고, 각 노드에서는 실제로 형상을 분류하는 연산이 일어나며, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 설계된다.
노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다.
일반적으로 노드는 여러 개의 입력을 받으며 입력 갯수만큼의 계수를 갖는다. 따라서, 이 계수를 조절함으로써 여러 입력에 서로 다른 가중치를 부여할 수 있다.
최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰인다.
각 층은 여러 개의 노드로 이루어지며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 이때, 입력 데이터는 첫 번째 층의 입력이 되며, 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 되는 방식이다.
모든 계수는 컨텐츠 데이터의 형상 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망의 학습(training)은 이 계수를 업데이트하는 과정이다.
컨텐츠 데이터의 형상 학습시 이러한 심층 신경망에서는 각 층마다 서로 다른 층위의 특징이 학습된다.
즉, 낮은 층위의 특징은 단순하고 구체적인 특징이 학습되며 {예: 컨텐츠 데이터의 형상을 구성하는 형상}, 높은 층위의 특징은 더욱 복잡하고 추상적인 특징이 학습된다. {예: 명사, 음향, 영상}
이런 추상화 학습과정을 통해 심층 신경망이 고차원의 데이터를 이해하며, 이 과정에는 수 억, 수 십억 개의 계수가 관여하게 된다. (이 과정에서 비선형함수가 사용된다.)
또한, 심층 신경망은 데이터를 이용해 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 컨텐츠 데이터의 문서, 음향, 영상 등의 잠재적인 구조를 파악할 수 있다. 이를 통해 데이터가 라벨링되어 있지 않아도 데이터간의 유사성을 효과적으로 파악할 수 있으며, 결과적으로 심층 신경망은 컨텐츠 데이터의 군집화에 효과적이다.
예를 들어, 신경망을 이용해 대량의 컨텐츠 데이터를 입력받아 비슷한 컨텐츠 데이터끼리 모아서 분류할 수 있다.
이러한 심층 신경망이 일반적인 기계 학습과 다른 점은 특징 추출(feature extraction)이 자동적으로 이루어진다는 점이다.
기존에는 효과적인 특징을 추출하기 위해 관련 분야 전문가가 오랜 시간동안 직접 특징을 추출하는 수식이나 방법을 고안해서 적용해야 했다. 이 방법은 개발, 평가 및 보완에 많은 시간이 걸리는 문제점이 있다.
심층 신경망은 이런 과정을 컴퓨터가 대신 하도록 알고리즘을 짠 것으로, 사람에 비해 훨씬 빠르고 효과적으로 수행하도록 학습시킨다.
라벨링이 되어있지 않은 데이터를 학습하는 경우에도 신경망은 컨텐츠 데이터의 특징을 자동적으로 추출할 수 있다. 이 자동 추출은 여러 가지 방법이 있는데, 보통 이 과정은 신경망을 통과시켰을 때의 출력이 입력과 같아지도록 학습하게 된다.
라벨이 어떤 종류이든지(입력을 그대로 사용/별도의 라벨을 사용) 신경망은 입력과 출력의 상관관계를 찾는다. 경우에 따라서는 라벨링된 데이터로 신경망을 어느 정도 학습시킨 뒤 라벨링이 되어있지 않은 데이터를 추가하여 계속 학습시킬 수도 있다. 이 방법을 이용하면 신경망의 성능을 극대화할 수 있다.
심층 신경망의 마지막 층은 출력층이다. 출력층의 활성 함수는 로지스틱(logistic) 혹은 소프트 맥스(softmax)인 경우가 대부분이며 출력층에서는 최종적으로 특정 라벨의 확률을 구할 수 있다. 예를 들어 컨텐츠 데이터를 입력하였을 때 2개의 문서가 서로 유사한지, 음향이 유사한지, 동영상이 서로 유사한지 등을 각각의 확률로 구할 수 있다.
우선 학습이 시작되기 전에 뉴럴넷의 모든 계수를 초기화한다. 그리고 컨텐츠 데이터를 반복적으로 입력하여 학습을 진행한다. 만일 학습이 원활하게 진행되었다면 계수는 적절한 값으로 업데이트 되어 있을 것이고, 이 인공 신경망으로 각종 분류와 예측이 가능하다.
학습 과정 내부에선 이러한 계수의 업데이트 과정이 반복적으로 일어난다.
계수 업데이트의 원리는 우선 계수를 추정하고 그 계수를 사용했을 때 발생하는 에러를 측정한 뒤 그 에러에 기반해서 계수를 약간씩 업데이트 하는 방식이다.
이때, 신경망의 여러 계수를 합쳐서 모델이라고 부르며, 모델은 초기화 된 상태일 수도 있고, 학습이 완료된 상태일 수도 있다.
초기화된 모델은 의미있는 작업을 못하지만 학습이 진행될수록 모델은 임의의 값이 아닌, 실제와 유사한 결과를 출력하게 된다.
이는 인공 신경망이 데이터가 입력되기 전에는 아무것도 모르는 상태이기 때문이며, 계수를 임의의 값으로 초기화하는 이유도 마찬가지이다. 그리고 데이터를 읽어가면서 계수를 조금씩 올바른 방향으로 업데이트하게 된다.
이러한 업데이트 과정을 통하여 인공 신경망은 입력된 컨텐츠 데이터들을 분류함으로써 유사한 컨텐츠 데이터들을 군집화할 수 있다. 그리고, 군집화된 컨텐츠 데이터는 데이터 베이스에 등록된다.
한편, 상기에서는 인공지능에 의하여 유사도를 판단하는 방법에 의하여 설명하였지만, 본 발명은 이에 한정되는 것은 아니고 다른 방법으로도 유사여부를 판단할 수 있다.
예를 들면, 문서 컨텐츠의 유사도를 평가하는 경우, AST 방식에 의하여 유사도를 평가할 수 있다.
즉, 2개의 문서 컨텐츠의 노드 스트링을 입력받고, 각 노드 스트링의 첫 번째로 일치하는 스트링을 검색한다. 이때 가장 길게 매칭되는 스트링(MMS: Maximun Match String)을 알고리즘을 통하여 검색한다.
이 알고리즘에 있어서는, 가능한 최대 크기의 토큰 스트링을 검색하기 위하여 지속적으로 비교하여 가장 긴 스트링을 찾게 된다.
예를 들면, 제 1문서 컨텐츠와 제 2문서 컨텐츠의 노드 스트링이 아래와 같다고 가정한다.
P1 : 23, 34, 25, 54, 55, 44, 45, 49, 81, 83, 84, 22, 55, 44, 33, 90
P2 : 34, 25, 54, 46, 47, 81, 83, 84, 22, 55, 44, 33, 90, 93, 92, 95
그리고, 이 2개의 노드 스트링에서 일치된 부분을 검사하는 바, (34,25,54), (81,83,84,22,55,44,33,90)를 찾아낸다. 이때 가장 긴 스트링을 찾는다,
이와 같이 검색된 스트링을 알고리즘의 Set 집합에 추가한 후, P1,P2 노드 스트링에서 이를 제거한다.
제거하지 않으면 이 스트링이 반복하여 길게 매칭되는 스트링을 검색하는 작업에 반복하여 입력된다.
이러한 방식으로 2개의 문서 컨텐츠의 스트링을 비교하여 긴 길이를 갖는 스트링을 순차적으로 제거함으로써 아래 수식 4에 의하여 유사도를 판단할 수 있다.
상기 수식에 의하여 유사도를 연산하면 다음과 같다.
sim(P1,P2)=2*(3+8)/(16+16)=0.6875
그리고, 유사도는 0 내지 1사이의 값으로 정해지며, 0은 2개의 컨텐츠가 전혀 다른 경우이며, 1은 일치하는 경우를 의미한다.
상기의 경우 0.6875이므로 약 68%정도의 유사도를 갖는다.
한편, 음향의 유사도 판단의 경우, 먼저 전체 음악 간의 유사도를 비교한다.
멜로디 시퀀스에서 각각의 노트는 피치(pitch)와 듀레이션(duration)으로 이루어져 있다. 하지만 절대적인 피치와 듀레이션을 사용하게 되면 조와 박자 변화에 취약하게 되는 바, 조와 박자 변화에 강인한 directed pitch interval 방식과 directed duration ratio 방식을 사용한다.
이와 같이 처리된 두 시퀀스가 주어지면 edit distance에 기반하여 계산을 하게 된다. 제안된 알고리 즘에서는 음악 유사도를 Smith-Waterman Algorithm과 Mongeau-Sankoff Algorithm를 기초하여 표절의 특성을 고려하여 아래 수식 5와 같이 연산한다.
Xi는 전단에서 처리된 멜로디 시퀀스의 i번째 요소 이고, Yj는 DB에 저장되어있는 멜로디 시퀀스의 j번째 요소이다. d i,j는 edit distance 행렬의 (i,j)번째 요소를, ω(Xi, Yj)는 Xi와 Yj간의 가중치를 나타낸다.
이 가중치를 계산한테 위에서 언급한 표절의 특징들을 고려하게 된다. 다음과 같은 조건을 고려하여 가중치를 달리 주었다.
예를 들면, 10,000곡의 노래를 분석하여 노래의 음전이 빈도를 계산하여 빈도가 드문 음을 전이하였을 경우 높은 가중치를 주고, 연속된 음이 같은 경우에 더 큰 가중치를 주고, 음악학을 고려하여 Xi와 Yj의 음간에 피치간격에 따른 협화음과 불협화음을 고려하여 협화음 경우에는 가중치를 크게 주고, 불협화음일 경우에 가중치를 적게 주게 된다.
유사구간 탐색 구간에서는 유사구간과 유사도를 확정하게 된다. 위와 같은 과정으로 Edit distance 행렬을 완성을 하고 Smith-Waterman 알고리즘을 이용하여 유사 구간을 검출한 이후에 하고 유사구간을 검출한 이후에 유사 구간 간의 유사도를 다시 계산하여 유사 구간을 확정하고 유사구간의 유사도, 길이, 전체 유사도, 길이 대비 유사 도 등을 종합적으로 고려하여 최종유사도를 계산하고 표절 의심 음악을 찾게 된다.
한편, 컨텐츠가 유사도 분석부(45)에 의하여 유사하다고 판단되면, 침해 판단부(47)에 의하여 침해여부를 판단하게 된다.
이러한 침해 판단부(47)는 유사범위에 포함된다고 판단된 복수의 컨텐츠들을 로딩하고, 로딩된 복수의 컨텐츠들의 유사도에 의하여 침해여부를 판단한다.
로딩된 컨텐츠는 등록 예정인 컨텐츠와 유사하다고 판단된 복수의 컨텐츠들을 포함하며, 복수의 컨텐츠는 1개 혹은 그 이상일 수 있다.
판단부(47)는 로딩된 컨텐츠들의 침해여부를 판단하는 바, 유사도 분석부(45)에 의하여 연산된 유사도값을 비교하게 된다. 그리고, 비교된 유사도값의 차이가 침해기준값의 초과여부를 판단하게 된다.
예를 들면, 등록 예정인 컨텐츠와 유사하다고 판단된 복수의 컨텐츠의 유사도가 80%이고, 해당 컨텐츠 분야의 침해 기준값은 70%인 경우, 판단부(47)는 침해로 판단하게 된다.
반면에 유사도가 60%인 경우에는 비침해라고 판단하게 된다.
그리고, 침해 기준은 컨텐츠 분야마다 차이가 있을 수 있는 바, 예를 들면, 문서 분야의 경우 침해기준값은 90%, 음향 분야의 경우 80%, 영상 분야의 경우 70%와 같이 차등적으로 설정될 수 있다.
판단부(47)에 의하여 침해로 판단되는 경우에는 알림모듈(49)을 통하여 침해임을 안내하게 되고, 비침해로 판단되는 경우에는 등록부(65)에 의하여 컨텐츠를 데이터베이스에 저장한다.
알림모듈(49)은 침해인 경우에는 등록 예정인 사용자에게 침해임을 안내하게 되고, 이러한 안내를 접수한 사용자는 해당 컨텐츠의 등록을 포기하거나, 컨텐츠를 보다 개량하여 재등록을 시도하게 된다.
한편, 온라인상에서 거래된 컨텐츠는 공표되거나 거래되는 경우 수익 정산부(29)에 의하여 매출이 정산될 수 있다.
즉, 수익 정산부(29)는 일반 컨텐츠를 이용하는 이용자에게 컨텐츠 과금부(14)를 통하여 이용 횟수 혹은 시간만큼의 수수료를 청구하여 수익을 정산하게 된다. 이러한 정산 방식은 전술한 실시예와 동일한 방식으로 정산한다.
상기 서버(4)를 구성하는 요소, 즉, 입력부(53)와, 특징점 추출부(55)와, 전처리부(57)와, 시퀀스 변환부(59)와, 유사도 분석부(45)와, 침해 판단부(47)는 입력된 데이터에 대한 해석, 명령의 실행, 연산 등을 실시하는 마이크로 프로세서(Micro processor)를 의미한다.
한편, 도 17에는 일반 컨텐츠를 생성, 등록하고, 유사도를 비교하는 과정이 도시된다.
도시된 바와 같이, 먼저 컨텐츠를 등록하고 이용하기 위한 인증을 요청한다(S20). 이러한 과정은 통상적인 회원인증절차에 의하여 진행될 수 있다.
등록된 사용자 여부가 확인된 경우(S22), 입력부(53)를 통하여 컨텐츠를 입력한다(S24).
그리고, 입력된 컨텐츠는 특징점 추출, 전처리, 시퀀스 변환의 과정을 순차적으로 거치면서 처리될 수 있다(S26).
먼저, 특징점 추출부(55)에 의하여 컨텐츠에 대한 특징점을 추출한다.
이때, 다양한 컨텐츠에 대한 특징점 추출이 가능한 바, 문서 컨텐츠인 경우, 상기한 바와 같이, 어휘 분석기(65)에 의하여 문서에서 색인어로 사용될 수 있는 단어들을 추출하고, 색인 변환기(67)에 의하여 추출된 명사들을 색인으로 변환하게 된다.
그리고, 색인 변환기(67)을 통하여 추출된 색인어는 시퀀스 추출모듈(69)에 의하여 시퀀스 변환된다.
이와 같이 특징점이 추출된 컨텐츠 데이터는 전처리부(57)에 의하여 전처리과정을 거치게 된다.
이러한 전처리 과정은 상기한 바와 같이 데이터에 반사광, 화각, Dust 및 노이즈 제거를 진행하는 바, 데이터 정제(cleansing), 데이터 변환(transformation), 데이터 필터링(filtering), 데이터 통합(integration), 데이터 축소(reduction) 과정을 통하여 처리될 수 있다.
이와 같이 컨텐츠 데이터를 전처리한 후, 시퀀스 변환부(59)에 의하여 시퀀스 변환을 실시한다.
시퀀스 변환 과정은 전처리된 데이터 파일을 맵(Map) 함수를 통해 병렬 처리하여, 이벤트 레코드를 추출하고, 데이터 파일에 설정된 시간을 시퀀스 번호로 변환하고, 시퀀스 번호로 변환된 데이터를 리듀스(Reduce) 함수를 통해 병렬로 취합하여 시퀀스를 생성한다.
이와 같이 컨텐츠 데이터에 대한 처리가 완료되면 유사도를 비교 분석할지 여부를 판단하게 된다(S28).
유사도를 비교하지 않는 경우에는 컨텐츠를 저장 및 등록하는 과정이 진행된다(S30).
반대로, 유사도를 비교하는 경우에는, 유사도 분석부(45)에 의하여 진행된다(S32).
즉, 유사도 분석부(45)는 중앙처리장치(32)에 의하여 컨텐츠의 유사도 분석을 다양한 알고리즘을 사용할 수 있는 바, 예를 들면 딥러닝(Deep learning) 방식에 의하여 유사도를 판단할 수 있다.
이와 같이, 유사도 판단과정이 완료되면, 산출된 유사도를 사용자에게 통지하게 된다(S34).
한편, 음악, 이미지, 동영상 등의 기타 컨텐츠를 생성한 후, 블록체인 기반의 NFT 방식으로 처리하며, 이러한 방식은 전술한 실시예와 동일하게 진행된다.
즉, 블록체인 NFT 서버(9)에 의하여 기타 컨텐츠 등의 디지털 자산 정보를 해시함수 및 암호화하고, 블록체인 기반의 NFT 토큰을 발행 및 등록하고, 블록체인 코인을 충전하며, 컨텐츠 소유권 정보와 NFT를 생성 및 분산저장한다.
이러한 블록체인 NFT 서버(9)는 미리 설정된 해시 함수에 입력하여 인가되어 생성된 해시 값과, 상기 해시 값이 상기 개인키로 암호화되어 생성된 NFT 토큰을 발행한다.
그리고, 전자지갑 충전부(25)는 블록체인 NFT 서버(9)와 연동하는 암호화폐로써 유틸리티 토큰, NFT 토큰을 송수신하게 된다.
따라서, 컨텐츠 거래시, 혹은 수익 정산시 전자지갑 충전부(25)로부터 토큰을 수납함으로써 정산을 진행할 수 있다.
Claims (10)
- 컨텐츠 관련한 정보를 입출력하는 단말기(3)와;
영상 데이터를 수집하는 디바이스(5)와;
이 단말기(3)와 네트워크에 의하여 연결되어 메타버스 컨텐츠를 생성, 관리하는 메타버스 플랫폼(6)과;
메타버스 플랫폼(6)의 메타버스 구축부(17)와 연결되며, 컨텐츠를 블록체인 기반의 NFT 방식으로 처리하는 블록체인 NFT 서버(9)와;
컨텐츠 거래 및 수익을 정산하는 컨텐츠 거래서버(11); 그리고
과금 정산서버(13)를 포함하며,
기타 컨텐츠 관리서버를 추가로 포함하며,
기타 컨텐츠 관리서버(4)는,
생성된 컨텐츠가 입력되는 입력부(53)와;
입력된 컨텐츠를 분류하여 특징점을 추출하는 특징점 추출부(55)와;
컨텐츠에 대한 전처리를 실시하는 전처리부(57)와;
컨텐츠 데이터에 시퀀스 처리를 실시하는 시퀀스 변환부(59)와;
새로 등록예정인 컨텐츠와 기존 등록 컨텐츠를 비교하는 유사도 분석부(45)와; 그리고
유사도 분석결과에 따라 지재권의 침해여부를 판단하는 침해 판단부(47)를 포함하며,
시퀀스 변환부(59)는 전처리된 데이터 파일을 맵(Map) 함수를 통해 병렬 처리하여, 이벤트 레코드를 추출하고, 데이터 파일에 설정된 시간을 시퀀스 번호로 변환하고, 시퀀스 번호로 변환된 데이터를 리듀스(Reduce) 함수를 통해 병렬로 취합하여 시퀀스를 생성하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 제 1항에 있어서,
메타버스 플랫폼(6)은,
회원 관리부(15)와;
복합 메타버스 가상현실을 구축하는 메타버스 구축부(17)와;
메타버스 구축부(17)와 연동하여 복합 메타버스 가상현실에서 창작물을 생성하는 컨텐츠 생성부(19);
컨텐츠 생성부(19)에서 생성된 메타버스 컨텐츠를 인공지능 분석에 의하여 창작물의 표절, 저작권 위배 여부를 분석하는 컨텐츠 분석부(21)와;
컨텐츠의 1,2,3차...n차 거래 및 재창작에 대한 이력을 관리하고, NFT 발행부와 연동하여 결과를 블록체인 기반에 의하여 NFT 방식으로 등록하는 컨텐츠 등록부(24);
전자지갑 충전부(25)와;
컨텐츠 등록부(24)에 의하여 등록된 메타버스 컨텐츠의 단가를 연산하는 단가 연산부(27); 그리고
컨텐츠 거래서버(11)를 통하여 공표되거나 거래된 메타버스 데이터의 수익을 정산하는 수익 정산부(29)를 포함하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 제 2항에 있어서,
메타버스 구축부(17)는,
현실 세계에서 거래되는 유,무형의 자산에 대한 정보를 등록하고, 저장 관리되는 아이템 등록부(18)와;
사용자의 카메라, IoT 센서와 이동형 3D 스캐너로부터 GIS 및 GPS 기반의 실시간 위치에 따라 수신되는 영상 및 메타데이터를 수집하는 데이터 수집부(15)와;
상기 수집된 데이터를 전처리 한 후 인공지능 알고리즘에 의하여 실시간 분석하고 분류하는 데이터 분석부(22)와;
상기 데이터 분석부(22)를 통하여 수신된 각종 영상 및 메타데이터를 이용하여 2D 또는 3D 영상으로 등록된 아이템 혹은 새로운 데이터를 3D 모델링하는 아이템 생성부(20)와; 그리고
상기 아이템 생성부(20)에서 모델링된 아이템과 상기 아이템 등록부(18)에서 매칭된 아이템 제품 정보를 연결하여 복합 메타버스 가상현실 공간에 유형의 아이템을 표출하는 가상현실 구현부(28)를 포함하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 삭제
- 삭제
- 제 1항에 있어서,
유사도 분석부(45)에서는 중앙처리장치(32)에 딥러닝(Deep learning)을 탑재하여 유사도를 판단하는 바,
중앙처리장치(32)는 유사도 분석엔진과, GPU와, ALSA(Advanced Linux Sound Architecture), ALVA, RTSP(Real Time Streaming Protocol), API, 통신모듈를 포함하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 제 1항에 있어서,
침해 판단부(47)는 유사범위에 포함된다고 판단된 복수의 컨텐츠들을 로딩하고, 로딩된 복수의 컨텐츠들의 유사도에 의하여 침해여부를 판단하며, 침해시 알림모듈(49)에 의하여 정당한 컨텐츠 등록자에게 안내하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 제 2항에 있어서,
수익 정산부(29)는 메타버스 컨텐츠를 이용하는 이용자에게 컨텐츠 과금부(14)를 통하여 이용 횟수 혹은 시간만큼의 수수료를 청구하여 수익을 정산하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템. - 제 2항에 있어서,
블록체인 NFT 서버(9)는 상기 메타버스 구축부(17)와 네트워크로 연결되며,
사용자 단말(3) 및 전문가 단말(3)의 전자지갑에 충전한 금액에 상응하는 유틸리티 토큰을 생성하여 지급이 이루어지도록 구성되는 토큰 생성부(33);
상기 사용자 단말(3) 및 전문가 단말(3)로부터 소유권 정보의 등록, 분산저장 및 검증, 소유권 정보 거래에 사용되는 토큰의 유통을 관리하는 토큰 유통부(35); 그리고
상기 토큰 유통부(35)로부터 전송되는 충전이 이루어진 유틸리티 토큰 및 검증티켓의 사용 여부에 따른 토큰 수량에 대한 정보를 저장하고, 데이터 등록, 검증 및 조회 시 발생하는 유틸리티 토큰의 소모량 정보와, 유틸리티 토큰을 납부한 소유자 단말, 또는 사용자 단말 정보, 유틸리티 토큰을 지급받은 사용자 단말 정보가 저장되는 토큰 정보 저장부(37)를 포함하는 메타버스 컨텐츠의 디지털 자산화, NFT 기반의 거래 및 수익 시스템.
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220040571A KR102551004B1 (ko) | 2022-03-31 | 2022-03-31 | 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220040571A KR102551004B1 (ko) | 2022-03-31 | 2022-03-31 | 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102551004B1 true KR102551004B1 (ko) | 2023-07-04 |
Family
ID=87156692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220040571A KR102551004B1 (ko) | 2022-03-31 | 2022-03-31 | 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102551004B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230360027A1 (en) * | 2022-05-03 | 2023-11-09 | Emoji ID, LLC | Method and system for unique, procedurally generated extended reality environment via few-shot model |
| KR102638663B1 (ko) * | 2023-12-04 | 2024-02-20 | 엘에스웨어(주) | 메타버스 가상 공연의 계층적 nft 기반 결합 저작권 관리 시스템 및 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010026397A (ko) | 1999-09-06 | 2001-04-06 | 박종섭 | 영상의 유사도 비교방법 및 그를 이용한 영상 검색 방법 및 장치 |
| KR20200011853A (ko) * | 2018-07-25 | 2020-02-04 | 임성우 | 블록체인 기반 창작물 크라우드 펀딩 및 유통 시스템과 이를 사용한 창작물 크라우드 펀딩 및 유통 방법 |
| KR102078968B1 (ko) * | 2019-07-11 | 2020-02-19 | 주식회사 서커스컴퍼니 | 블록체인 기술을 이용한 디지털 예술품 거래 시스템 |
| KR20210065588A (ko) * | 2019-11-27 | 2021-06-04 | (주)아이엠비씨 | 디지털 콘텐츠 저작권 보호를 위한 콘텐츠 등록 및 빌링 시스템 및 방법 |
| KR102370059B1 (ko) * | 2020-03-11 | 2022-03-04 | 김현영 | 블록체인 기반 디지털 자산 관리 및 협동 조합 기능을 통한 수익 창출 서비스 제공 방법 |
-
2022
- 2022-03-31 KR KR1020220040571A patent/KR102551004B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010026397A (ko) | 1999-09-06 | 2001-04-06 | 박종섭 | 영상의 유사도 비교방법 및 그를 이용한 영상 검색 방법 및 장치 |
| KR20200011853A (ko) * | 2018-07-25 | 2020-02-04 | 임성우 | 블록체인 기반 창작물 크라우드 펀딩 및 유통 시스템과 이를 사용한 창작물 크라우드 펀딩 및 유통 방법 |
| KR102078968B1 (ko) * | 2019-07-11 | 2020-02-19 | 주식회사 서커스컴퍼니 | 블록체인 기술을 이용한 디지털 예술품 거래 시스템 |
| KR20210065588A (ko) * | 2019-11-27 | 2021-06-04 | (주)아이엠비씨 | 디지털 콘텐츠 저작권 보호를 위한 콘텐츠 등록 및 빌링 시스템 및 방법 |
| KR102370059B1 (ko) * | 2020-03-11 | 2022-03-04 | 김현영 | 블록체인 기반 디지털 자산 관리 및 협동 조합 기능을 통한 수익 창출 서비스 제공 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230360027A1 (en) * | 2022-05-03 | 2023-11-09 | Emoji ID, LLC | Method and system for unique, procedurally generated extended reality environment via few-shot model |
| KR102638663B1 (ko) * | 2023-12-04 | 2024-02-20 | 엘에스웨어(주) | 메타버스 가상 공연의 계층적 nft 기반 결합 저작권 관리 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102551004B1 (ko) | 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠를 nft 방식으로 디지털 자산화하고 거래하기 위한 플랫폼 서비스 시스템 및 방법 | |
| CN110570283A (zh) | 基于区块链的购物方法及系统 | |
| KR102421159B1 (ko) | 현실 세계를 모델링한 가상현실에서 사용자들이 생성한 컨텐츠의 유사도 분석을 통한 저작권 침해 분석 방법 및 시스템 | |
| US20130191178A1 (en) | System and method for secure registration, authentication, valuation and exchange of virtual goods and objects | |
| KR102132876B1 (ko) | 블록체인을 이용한 의류패션 디자인의 저작권과 수익배분 시스템 및 방법 | |
| US11763273B2 (en) | Method and system for recording forward royalties using a distributed ledger | |
| KR102061625B1 (ko) | 전문가 경력 관리 방법, 장치 및 프로그램 | |
| KR20210082103A (ko) | 기계 학습 모델을 이용한 부동산 실거래가 예측 기반 부동산 예상 실거래가 산출 장치 및 그 동작 방법 | |
| CN110648225A (zh) | 一种应用数字人码链的方法 | |
| CN113469152A (zh) | 相似视频检测方法及装置 | |
| KR102443666B1 (ko) | 블록체인 기반의 nft가 적용된 객체 간의 매칭을 위한 플랫폼 시스템 | |
| KR102357855B1 (ko) | 비정형정보를 바탕으로 생성된 정형정보를 이용한 전문가 경력 관리 방법, 장치 및 프로그램 | |
| US20230351347A1 (en) | Object digitization utilizing tokens | |
| Hsiao et al. | A study of digital architectural heritage preservation based on blockchain technology | |
| Balan et al. | Ekila: synthetic media provenance and attribution for generative art | |
| CN111651517A (zh) | 一种基于区块链的数据采集、挖掘、交易、推送的系统 | |
| CN116720898A (zh) | 基于区块链的资产交易管理系统及方法 | |
| US11537688B2 (en) | System and method for processing copyright and profit distribution of clothes fashion design using blockchain | |
| KR102319870B1 (ko) | 전문가에 의해 생성되는 프로젝트 결과물을 빅데이터 기반으로 관리하여 가상화폐를 제공하기 위한 방법 및 시스템 | |
| Kölbel et al. | Between Hype, Hope, and Reality: A Lifecycle-Driven Perspective on Non-Fungible Token | |
| Sestino et al. | The Concept and Technicalities of NFTs | |
| Harbola et al. | Securing Digital Ownership Using Non-Fungible Tokens (NFTs), an Application of BlockChain Technology | |
| KR102517601B1 (ko) | Ｎｆｔ 블록체인을 이용한 디즈니콜라보작품 ｐ２ｐ 거래 서비스 제공 시스템 | |
| US20240153022A1 (en) | Systems and methods for marking virtual objects | |
| Panda | Revolution of the Metaverse and Blockchain Technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |