KR20200044649A - 데이터 변화의 검출 및 표시를 위한 장치 및 방법 - Google Patents

Abstract

데이터 변화 표시 장치 및 방법이 제시된다. 일 실시예에 따른 데이터 변화 표시 장치는, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 장치에 있어서, 상기 단말기로부터의 입력을 수신하는 I/O 인터페이스, 상기 입력에 관한 로그 데이터를 저장하는 메모리 및 상기 로그 데이터를 분석하는 프로세서를 포함하고, 상기 프로세서는, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하고, 상기 압축 벡터에 대해 클러스터링을 수행하고, 상기 클러스터링된 결과를 시각적으로 표시할 수 있다.

Description

데이터 변화의 검출 및 표시를 위한 장치 및 방법{APPARATUS AND METHOD FOR DETECTING AND DISPLAYING GRAPH DATA VARIATION}

아래의 설명은 데이터 변화를 검출하고 표시하는 기술에 관한 것이다.

데이터 변화를 검출하는 방법으로 뉴럴 네트워크가 사용될 수 있다. 뉴럴 네트워크에 입력되는 데이터의 타입이 하나로 표현되는 경우, 단편적인 정보만이 분석될 수 있다. 정보를 다양화하기 위해 삼각요소(triplets)나 사각요소(quadruplets)를 사용할 경우 많은 연산량으로 제약이 있을 수 있다.

일 실시예에 따른 데이터 변화 표시 장치는, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 장치에 있어서, 상기 단말기로부터의 입력을 수신하는 I/O 인터페이스, 상기 입력에 관한 로그 데이터를 저장하는 메모리 및 상기 로그 데이터를 분석하는 프로세서를 포함하고, 상기 프로세서는, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하고, 상기 압축 벡터에 대해 클러스터링을 수행하고, 상기 클러스터링된 결과를 시각적으로 표시할 수 있다.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다.

상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

상기 복수의 간선 각각은 상기 복수의 정점들 사이를 연결할 수 있다.

상기 프로세서는, 상기 현재 그래프로부터 통계 데이터를 획득하고, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하고, 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다.

상기 프로세서는, 상기 정점 특징 정보를 정규화하고, 상기 간선 특징 정보를 표준화하고, 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.

상기 프로세서는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

상기 프로세서는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다.

상기 프로세서는, 상기 클러스터링된 결과를 그래프로 표시할 수 있다.

일 실시예에 따른 데이터 변화 검출 장치는, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 검출 장치에 있어서, 상기 단말기로부터의 입력을 수신하는 I/O 인터페이스, 상기 입력에 관한 로그 데이터를 저장하는 메모리 및 상기 로그 데이터를 분석하는 프로세서를 포함하고, 상기 프로세서는, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 출력 벡터를 출력하고, 상기 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

상기 복수의 간선 각각은 상기 복수의 정점들 사이를 연결할 수 있다.

상기 프로세서는, 상기 현재 그래프로부터 통계 데이터를 획득하고, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하고, 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다.

상기 프로세서는, 상기 정점 특징 정보를 정규화하고, 상기 간선 특징 정보를 표준화하고, 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.

상기 프로세서는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

상기 프로세서는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하고, 상기 인코딩된 결과를 상기 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 상기 출력 벡터를 출력할 수 있다.

상기 프로세서는, 상기 입력 벡터와 상기 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.

일 실시예에 따른 데이터 변화 표시 방법은, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 방법에 있어서, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하는 단계, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하는 단계, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하는 단계, 상기 압축 벡터에 대해 클러스터링을 수행하는 단계 및 상기 클러스터링된 결과를 시각적으로 표시하는 단계를 포함한다.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다.

상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

상기 복수의 간선 각각은 상기 복수의 정점들 사이를 연결할 수 있다.

상기 입력 벡터를 획득하는 단계는, 상기 현재 그래프로부터 통계 데이터를 획득하는 단계, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하는 단계 및 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계를 표시할 수 있다.

상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계는, 상기 정점 특징 정보를 정규화하는 단계, 상기 간선 특징 정보를 표준화하는 단계 및 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득하는 단계를 포함할 수 있다.

상기 정점 특징 정보를 정규화하는 단계는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 상기 간선 특징 정보를 표준화하는 단계는, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

상기 압축 벡터를 출력하는 단계는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다.

상기 클러스터링된 결과를 시각적으로 표시하는 단계는, 상기 클러스터링된 결과를 그래프로 표시할 수 있다.

일 실시예에 따른 데이터변화 검출 방법은, 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 검출 방법에 있어서, 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하는 단계, 상기 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하는 단계, 이전 그래프에 의해 학습된 뉴럴 네트워크에 상기 입력 벡터를 입력하여 출력 벡터를 출력하는 단계 및 상기 입력 벡터와 출력 벡터를 비교하여 차이를 검출하는 단계를 포함한다.

상기 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다.

상기 프로그램 고유 식별키는 상기 프로그램이 상기 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 상기 채널링 키는 상기 프로그램이 상기 채널을 구별하기 위한 식별자를 의미하고, 상기 기기 식별키는 상기 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

상기 복수의 간선 각각은 상기 복수의 정점들 사이를 연결할 수 있다.

상기 입력 벡터를 획득하는 단계는, 상기 현재 그래프로부터 통계 데이터를 획득하는 단계, 상기 통계 데이터로부터 상기 정점 특징 정보 및 상기 간선 특징 정보를 추출하는 단계 및 상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계를 포함할 수 있다.

상기 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하는 단계는, 상기 정점 특징 정보를 정규화하는 단계, 상기 간선 특징 정보를 표준화하는 단계 및 상기 정규화된 결과 및 상기 표준화된 결과를 기초로 입력 벡터를 획득하는 단계를 포함할 수 있다.

상기 정점 특징 정보를 정규화하는 단계는, 상기 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 상기 간선 특징 정보를 표준화하는 단계는, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

상기 출력 벡터를 출력하는 단계는, 상기 뉴럴 네트워크에 포함된 인코더를 이용하여 상기 입력 벡터를 인코딩하는 단계 및 상기 인코딩된 결과를 상기 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 상기 출력 벡터를 출력하는 단계를 포함할 수 있다.

상기 차이를 검출하는 단계는, 상기 입력 벡터와 상기 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.

일 실시예에 따른 컴퓨터 판독 가능한 저장 매체는 상기 방법을 실행하기 위한 인스트럭션들을 저장할 수 있다.

일 실시예에 따른 컴퓨터 프로그램은 상기 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장될 수 있다.

도 1은 일 실시예에 따른 데이터 변화 표시 장치의 분석 대상이 되는 복수의 정점과 복수의 간선으로 구성되는 그래프를 도시한 도면이다.
도 2는 일 실시예에 따른 데이터 변화 표시 방법의 동작을 도시한 순서도이다.
도 3은 일 실시예에 따른 데이터 변화 표시 방법의 구체적인 동작을 도시한 순서도이다.
도 4는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 그래프의 일례를 도시한 도면이다.
도 5는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 통계 데이터의 일례를 도시한 도면이다.
도 6은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 획득하는 과정을 도시한 도면이다.
도 7은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 클러스터링한 결과를 도시한 도면이다.
도 8은 일 실시예에 따른 데이터 변화 표시 장치에 의해 표시된 그래프의 일례를 도시한 도면이다.
도 9는 일 실시예에 따른 데이터 변화 표시 장치에 의해 입력 벡터와 뉴럴 네트워크 학습을 통해 출력된 출력 벡터간의 차이를 표시한 그래프의 일례이다.
도 10은 일 실시예에 따른 데이터 변화 검출 방법의 동작을 도시한 순서도이다.
도 11은 일 실시예에 따른 데이터 변화 표시 장치의 세부 구성을 도시한 도면이다.
도 12는 일 실시예에 따른 데이터 변화 검출 장치의 세부 구성을 도시한 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도 1은 일 실시예에 따른 데이터 변화 표시 장치의 분석 대상이 되는 복수의 정점과 복수의 간선으로 구성되는 그래프를 도시한 도면이다.

일 실시예에 따르면, 데이터 변화 표시 장치는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화를 표시할 수 있다. 데이터 변화 표시 장치는 사용자가 인지하기 쉬운 형식으로 프로그램의 데이터 변화를 표시할 수 있다.

여기서, 데이터는 게임 데이터를 포함하지만 이에 한정되지 않는다. 데이터는 유저 데이터, 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 데이터는 고유 식별키, 채널링 키 및 기기 식별키 간의 연결 관계를 포함할 수 있다. 프로그램은 게임 프로그램을 포함하지만 이에 한정되지 않는다. 프로그램은 사용자의 로그인이 요구되는 프로그램을 모두 포함하며, 예를 들어, 웹사이트와 관련된 프로그램을 포함할 수 있다. 프로그램은 사용자의 로그인을 요구하지 않는 프로그램도 포함할 수 있으며, 이 경우 데이터 변화 표시 장치는 사용자의 접속 경로와 관련된 데이터 이외에 프로그램 내부 데이터에 대한 변화를 검출할 수 있다.

이를 위하여, 데이터 변화 표시 장치는 단말기로부터의 입력을 수신하는 I/O 인터페이스, 입력에 관한 로그 데이터를 저장하는 메모리 및 로그 데이터를 분석하는 프로세서를 포함한다.

데이터 변화 표시 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 그래프를 생성한다. 예를 들어, 데이터 변화 표시 장치는 여러 게임을 수행하는 한 명의 유저를 식별하기 위해 게임마다 유저를 표현하는 고유한 정보들을 엮어서 하나의 그래프로 표현할 수 있다.

데이터 변화 표시 장치는 게임마다 유저를 표현하는 고유 식별키, 채널링 키 및 기기 식별키를 엮어서 하나의 그래프로 표현할 수 있다. 도 1을 참조하면, 그래프(101)는 기기 실별키 타입의 정점 (111), 고유 식별키 타입의 정점 (121, 122, 123, 124) 및 채널링 키 타입의 정점 (131, 132)을 포함할 수 있다. 각 정점들 사이는 간선으로 이어질 수 있다. 그래프(102)는 기기 실별키 타입의 정점 (112, 113, 114), 고유 식별키 타입의 정점 (125, 126, 127, 128, 129) 및 채널링 키 타입의 정점 (133, 134, 135)을 포함할 수 있다.

데이터 변화 표시 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득한다. 데이터 변화 표시 장치는 그래프를 분석하여 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다. 입력 벡터는 뉴럴 네트워크의 입력에 적합한 형태일 수 있다.

데이터 변화 표시 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력한다. 압축 벡터는 입력 벡터보다 데이터 량이 적을 수 있다. 예를 들어, 압축 벡터의 차원의 수는 입력 벡터의 차원의 수보다 작을 수 있다. 이처럼, 압축 벡터를 사용함으로써 데이터 변화 표시 장치는 적은 양의 연산으로 데이터 변화를 관제할 수 있다.

데이터 변화 표시 장치는 압축 벡터에 대해 클러스터링을 수행한다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 군집화할 수 있다.

데이터 변화 표시 장치는 클러스터링된 결과를 시각적으로 표시한다. 예를 들어, 데이터 변화 표시 장치는 클러스터링된 결과를 그래프 등으로 표시하여 사용자가 시각적으로 쉽게 인지하도록 표시할 수 있다.

데이터 변화 표시 장치는 다양한 정점의 타입과 간선의 연결관계로 구성된 그래프를 생성하고 이를 분석하여 데이터 변화를 표시함으로써, 하나의 타입의 데이터만 분석하는 경우보다 더욱 다양하고 정교한 정보를 획득할 수 있다. 데이터 변화 표시 장치는 다양한 정점의 타입과 간선의 연결관계로 구성된 그래프를 생성하고 이를 분석하여 데이터 변화를 표시함으로써, 보다 적은 양의 데이터를 처리하면서도 데이터 변화를 비교적 정확하게 검출할 수 있다.

도 2는 일 실시예에 따른 데이터 변화 표시 방법의 동작을 도시한 순서도이다.

도 2를 참조하면, 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화 표시 방법이 도시된다.

일 실시예에 따르면, 단계(201)에서, 데이터 변화 표시 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결하는 구조일 수 있다.

정점은 하나 이상의 타입으로 표현될 수 있기 때문에, 하나의 데이터 타입만 표현하는 그래프에 비해 보다 많은 양의 정보가 그래프에 반영될 수 있다. 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 다만, 이들은 예시일 뿐이며 다양한 데이터 타입의 정보가 정점 타입에 포함될 수 있다.

일 실시예에 따르면, 단계(203)에서, 데이터 변화 표시 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다. 데이터 변화 표시 장치는 정점의 특징 정보 및 간선의 특징 정보 각각을 차원으로 하는 입력 벡터를 생성할 수 있다. 여기서, 입력 벡터는 뉴럴 네트워크의 입력에 적합한 형태일 수 있다.

데이터 변화 표시 장치는 현재 그래프로부터 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.

데이터 변화 표시 장치는 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출할 수 있다. 간선 특징 정보는 정점과 정점 간의 관계와 관련된 특징을 의미할 수 있다.

데이터 변화 표시 장치는 정점 특징 정보를 정규화할 수 있다. 정점 특징 정보는 정점 자체의 특징을 의미한다. 데이터 변화 표시 장치는 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산할 수 있다.

데이터 변화 표시 장치는 간선 특징 정보를 표준화할 수 있다. 데이터 변화 표시 장치는 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

데이터 변화 표시 장치는 추출된 정점 특징 정보 및 간선 특징 정보를 기초로 입력 벡터를 획득할 수 있다. 데이터 변화 표시 장치는 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다. 입력 벡터의 각 엘레먼트는 각각의 정점 특징 정보 및 간선 특징 정보로 구성될 수 있다. 입력 벡터는 정점 특징 정보 및 간선 특징 정보의 개수와 같은 차원으로 구성될 수 있다.

일 실시예에 따르면, 단계(205)에서, 데이터 변화 표시 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력할 수 있다. 여기서, 압축 벡터의 차원은 입력 벡터의 차원에 비해 축소된 것일 수 있다. 압축 벡터를 분석함으로써 데이터 변화 표시 장치는 보다 적은 데이터 처리량을 달성할 수 있다.

데이터 변화 표시 장치는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다. 뉴럴 네트워크는 이전 그래프에 의해 미리 학습될 수 있다. 여기서, 학습의 방향은 이전 그래프로부터 획득된 입력 벡터와 뉴럴 네트워크의 출력 벡터의 차이가 최소화되는 것일 수 있다. 뉴럴 네트워크는 이전 그래프에 적응될 수 있다.

일 실시예에 따르면, 단계(207)에서, 데이터 변화 표시 장치는 압축 벡터에 대해 클러스터링을 수행할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 하나의 그룹으로 분류할 수 있다.

일 실시예에 따르면, 단계(209)에서, 데이터 변화 표시 장치는 클러스터링된 결과를 시각적으로 표시할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터가 가까운 위치에 존재하는 그래프를 생성할 수 있다.

데이터 변화 표시 장치는 클러스터링된 결과를 그래프 형태로 표현함으로써 시각적으로 표시할 수 있다. 뉴럴 네트워크는 이전 그래프의 입력 벡터로 학습된 상태이므로, 만일 현재 그래프가 이전 그래프와 큰 차이를 보이는 경우에, 현재 그래프로부터 출력된 압축 벡터는 원래의 그래프에 비해 변화를 나타낼 수 있다.

도 3은 일 실시예에 따른 데이터 변화 표시 방법의 구체적인 동작을 도시한 순서도이다.

일 실시예에 따르면, 단계(301)에서, 데이터 변화 표시 장치는 서버가 저장하고 있는 데이터로부터 현재 그래프를 생성할 수 있다. 여기서, 현재 그래프는 이전 그래프를 이용하여 미리 학습된 뉴럴 네트워크의 입력으로서 제공되는 그래프를 의미할 수 있다. 현재 그래프와 이전 그래프는 모두 복수의 정점과 복수의 간선으로 구성된 그래프의 일종으로, 정점의 데이터 타입의 집합은 동일할 수 있다.

일 실시예에 따르면, 단계(302)에서, 데이터 변화 표시 장치는 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.

일 실시예에 따르면, 단계(303)에서, 데이터 변화 표시 장치는 특징 정보를 추출할 수 있다. 특징 정보는 정점 특징 정보와 간선 특징 정보를 포함할 수 있다. 특징 정보는 그래프가 포함하는 정보들을 가공하여 그래프 상의 모든 정보를 포함하지 않고도 그래프의 특징을 잘 표현하는 정보일 수 있다. 특징 정보는 보다 적은 양의 정보를 이용하여 그래프의 특징을 잘 표현할 수 있다.

일 실시예에 따르면, 단계(304)에서, 데이터 변화 표시 장치는 인코딩할 수 있다. 일 실시예에 따르면, 단계(305)에서, 데이터 변화 표시 장치는 압축 벡터를 획득할 수 있다. 뉴럴 네트워크에는 인코더와 디코더가 포함될 수 있다. 인코더와 디코더는 각각 뉴럴 네트워크의 일종일 수 있다. 인코더는 입력 벡터를 인코딩하여 압축 벡터를 출력할수 있다. 디코더는 압축 벡터를 디코딩하여 출력 벡터를 출력할 수 있다. 여기서, 현재 그래프가 미리 학습된 뉴럴 네트워크에 잘 맞는다면 출력 벡터는 입력 벡터와 유사할 수 있다. 현재 그래프가 이전 그래프에 비해 큰 변화가 있는 경우, 이전 그래프에 의해 학습된 뉴럴 네트워크에 현재 그래프가 잘 맞지 않을 수 있고, 입력 벡터와 출력 벡터는 큰 차이를 가질 수 있다.

일 실시예에 따르면, 단계(306)에서, 데이터 변화 표시 장치는 압축 벡터를 클러스터링할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터를 하나의 그룹으로 분류할 수 있다.

일 실시예에 따르면, 단계(307)에서, 데이터 변화 표시 장치는 클러스터링 결과를 시각적으로 표시할 수 있다. 데이터 변화 표시 장치는 하나 이상의 압축 벡터에 대해 클러스터링을 수행하여 유사한 성격을 가지는 데이터가 가까운 위치에 존재하는 그래프를 생성할 수 있다.

일 실시예에 따르면, 단계(308)에서, 데이터 변화 표시 장치는 변화 유무를 확인할 수 있다. 데이터 변화 표시 장치는 그래프로부터 시각적인 해석을 통하여 현재 그래프로부터 출력된 결과 그래프와 이전 그래프로부터 출력된 결과 그래프 사이의 변화를 검출할 수 있다.

다른 실시예에 따르면, 데이터 변화 표시 장치는 클러스터링된 결과를 결과 그래프로 표현하고, 사용자가 결과 그래프를 기초로 변화 여부를 분석할 수도 있다.

일 실시예에 따르면, 단계(309)에서, 데이터 변화 표시 장치는 뉴럴 네트워크를 학습시킬 수 있다. 변화의 정도가 일정한 기준을 만족하는 경우, 데이터 변화 표시 장치는 현재 그래프를 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 뉴럴 네트워크는 현재 그래프로부터 획득된 입력 벡터와 출력 벡터가 유사하도록 학습될 수 있다.

일 실시예에 따르면, 단계(310)에서, 데이터 변화 표시 장치는 학습된 뉴럴 네트워크로 기존의 뉴럴 네트워크를 갱신할 수 있다. 데이터 변화 표시 장치는 갱신된 뉴럴 네트워크를 이용하여 다음 그래프의 변화 유무를 확인할 수 있다.

도 4는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 그래프의 일례를 도시한 도면이다.

데이터 변화 표시 장치는 서버가 저장하고 있는 데이터로부터 현재 그래프를 생성할 수 있다. 현재 그래프와 이전 그래프는 모두 복수의 정점과 복수의 간선으로 구성된 그래프의 일종으로, 정점의 데이터 타입의 집합은 동일할 수 있다. 도 4를 참조하면, 그래프(410)와 그래프(402)가 도시된다. 두 그래프 모두 복수의 정점과 각 정점 사이를 잇는 간선으로 구성된다. 정점들은 각각 정점의 타입을 가질 수 있다. 정점의 타입과 정점과 연결되는 다른 정점의 수, 즉 간선의 수는 해당 그래프의 특징을 나타낼 수 있다.

도 5는 일 실시예에 따른 데이터 변화 표시 장치에 의해 생성된 통계 데이터의 일례를 도시한 도면이다.

데이터 변화 표시 장치는 통계 데이터를 획득할 수 있다. 통계 데이터는 그래프에 표시된 정점 정보와 간선 정보를 정렬한 결과일 수 있다. 데이터 변화 표시 장치는 통계 데이터를 통하여 데이터의 특징을 보다 효율적으로 추출할 수 있다.

도 5를 참조하면, 그래프에 포함된 다양한 정보들은 통계 데이터에 정리된 형태로 포함될 수 있다. 예를 들어, 통계 데이터에는 자연인 별 정점 정보 및 간선 정보에 대한 통계 데이터가 포함될 수 있다. 정점의 타입에 따른 차이가 있을 뿐, 기본적인 통계 데이터 생성 방식은 모든 도메인에 공통될 수 있다.

도 5에서, Person ID는 그래프를 식별하는 식별자를 나타내고, Origin ID는 각각의 정점을 나타내며, Origin ID Type은 정점의 타입을 나타낸다. Pid는 고유 식별키, cid는 채널링 키, adid는 기기 식별키를 나타낸다. Origin ID Game Code는 게임의 식별 정보를 나타낸다. 예를 들어, "penta", "lineageii", "tera" 등의 게임이 표시될 수 있다. Origin ID Channel Type은 게임에 접속하기 위한 중간 채널을 나타낸다. Linked ID type은 연결된 정점의 타입을 나타낸다. Linked ID Game Code는 연결된 정점의 게임 식별 코드를 나타낸다. Linked ID Channel Type은 연결된 정점의 채널 정보를 나타낸다. Linked Count는 연결된 간선의 수를 나타낸다.

도 6은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 획득하는 과정을 도시한 도면이다.

데이터 변화 표시 장치는 인코딩할 수 있다. 데이터 변화 표시 장치는 압축 벡터를 획득할 수 있다. 뉴럴 네트워크에는 인코더와 디코더가 포함될 수 있다. 인코더와 디코더는 각각 뉴럴 네트워크의 일종일 수 있다. 인코더는 입력 벡터를 인코딩하여 압축 벡터를 출력할수 있다. 디코더는 압축 벡터를 디코딩하여 출력 벡터를 출력할 수 있다.

도 6을 참조하면, 입력 벡터(603)는 인코더(601)에 입력되고, 인코더(601)는 압축 벡터(604)를 출력할 수 있다. 압축 벡터(604)는 디코더(602)에 입력되고, 출력 벡터(605)를 출력할 수 있다. 여기서, 현재 그래프가 미리 학습된 뉴럴 네트워크에 잘 맞는다면 출력 벡터(605)는 입력 벡터(603)와 유사할 수 있다. 현재 그래프가 이전 그래프에 비해 큰 변화가 있는경우, 이전 그래프에 의해 학습된 뉴럴 네트워크에 현재 그래프가 잘 맞지 않을 수 있고, 입력 벡터(603)와 출력 벡터(605)는 큰 차이를 가질 수 있다.

도 7은 일 실시예에 따른 데이터 변화 표시 장치에 의해 압축 벡터를 클러스터링한 결과를 도시한 도면이다.

데이터 변화 표시 장치는 변화 유무를 확인할 수 있다. 데이터 변화 표시 장치는 그래프로부터 시각적인 해석을 통하여 현재 그래프로부터 출력된 결과 그래프와 이전 그래프로부터 출력된 결과 그래프 사이의 변화를 검출할 수 있다.

도 7을 참조하면, 데이터 변화 표시 장치는 압축 벡터를 이용해 군집화를 수행할 수 있다. 여기서, 클러스터링은 군집화로 지칭될 수 있다. 클러스터링된 결과(701, 702, 703, 704)는 그래프를 통해 시각적으로 표시될 수 있다. 이처럼, 데이터 변화 표시 장치는 클러스터링된 결과를 결과 그래프로 표현하고, 사용자가 결과 그래프를 기초로 변화 여부를 분석할 수도 있다.

도 8은 일 실시예에 따른 데이터 변화 표시 장치에 의해 표시된 그래프의 일례를 도시한 도면이다.

일 실시예에 따른 데이터 변화 표시 장치는 입력 데이터의 특성들을 압축하여 시각적으로 표시할 수 있다. 도 8의 결과 그래프(801)는 시각적으로 표시된 결과의 예시이다.

데이터 변화 표시 장치는 시각적 표시 결과를 클러스터링할 수 있다. 그래프(811, 812, 813, 814, 815, 816, 817)는 시각적으로 표시된 결과 그래프(801)을 클러스터링하여 분류된 7 가지 그룹에 대한 것이다.

그래프(811)을 참조하면, cid, adid 영향도가 매우 낮고, pid 집중 현상이 뚜렷하게 나타나는 형태를 보인다. 이는 공장형 리세마라가 다수 포진됨을 의미하며, 전체 데이터의 5%를 차지한다.

그래프(812)를 참조하면, pid의 집중 현상이 발하면서 cid의 영향도가 다소 높은 클러스터의 형태를 보인다.

그래프(813)를 참조하면, 복합 유형으로서 cid, adid가 골고루 퍼져있으며 와이드한 형태로 구성되는 형태를 보인다. Pid에 집중되는 경향성은 그대로 유지하고 있다.

그래프(814)를 참조하면, Pid-cid 집중 형상 데이터가 많이 분포하고 있는 특징을 보인다. 리니지 류의 게임의 공장들이 다수 포진된 것을 추정될 수 있다.

그래프(815)는 다소 특이점이 발견되지 않은 클러스터로서 그래프(814)와 그래프(816)의 중간적인 형태가 발견된다.

그래프(816)를 참조하면, Adid 집중현상 데이터가 많이 분포하고 있는 형태를 보인다. 대부분 세븐나이츠 류 게임의 자연인과 관련된 그래프가 이런 형태를 나타낼 수 있다. 세븐나이츠 류 데이터의 공장형 리세마라가 다수 포진된 것으로 추정될 수 있다.

그래프(817)을 참조하며, 특이한 유형의 형태를 나타낸다. 환형 자연인이 출몰되는 것으로 추정될 수 있다.

도 9는 일 실시예에 따른 데이터 변화 표시 장치에 의해 입력 벡터와 뉴럴 네트워크 학습을 통해 출력된 출력 벡터간의 차이를 표시한 그래프의 일례이다.

도 9를 참조하면, 뉴럴 네트워크는 B데이터를 기준으로 미리 학습될 수 있다. 데이터 변화 표시 장치는 A 데이터 및 C 데이터 각각에 대하여 데이터 변화량을 감지할 수 있다. B 데이터는 특정 기준이 되는 날짜의 데이터 모델의 결과를 나타낼 수 있다. A 데이터는 B데이터와 유사한 날의 데이터 모델의 결과를 나타낼 수 있다. C 데이터는 B데이터에 특정 이벤트가 있던 날의 모델의 결과를 나타낼 수 있다. 예를 들어, 신규 게임 론칭이나 팀내에서 특정 간선 정보를 제거하는 Filter를 개발한 경우 데이터 변화량의 차이가 크게 나타날 수 있다.

도 10은 일 실시예에 따른 데이터 변화 검출 방법의 동작을 도시한 순서도이다.

일 실시예에 따르면, 데이터 변화 검출 장치는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터 변화를 검출할 수 있다.

일 실시예에 따르면, 단계(1001)에서, 데이터 변화 검출 장치는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성할 수 있다. 정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결할 수 있다.

프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

일 실시예에 따르면, 단계(1003)에서, 데이터 변화 검출 장치는 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득할 수 있다.

일 실시예에 따르면, 단계(1005)에서, 데이터 변화 검출 장치는 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 출력 벡터를 출력할 수 있다.

일 실시예에 따르면, 단계(1007)에서, 데이터 변화 검출 장치는 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.

데이터 변화 검출 장치는 입력 벡터를 획득하기 위해, 현재 그래프로부터 통계 데이터를 획득하고, 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출하고, 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다.

데이터 변화 표시 장치는 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득하기 위하여, 정점 특징 정보를 정규화하고, 간선 특징 정보를 표준화하고, 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.

데이터 변화 표시 장치는 정점 특징 정보를 정규화하기 위하여, 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산할 수 있다. 데이터 변화 표시 장치는 간선 특징 정보를 표준화하기 위하여, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

데이터 변화 표시 장치는 출력 벡터를 출력하기 위하여, 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하고, 인코딩된 결과를 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 출력 벡터를 출력할 수 있다.

데이터 변화 표시 장치는 차이를 검출하기 위하여, 입력 벡터와 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.

도 11은 일 실시예에 따른 데이터 변화 표시 장치의 세부 구성을 도시한 도면이다.

일 실시예에 따른 데이터 변화 표시 장치(1100)는 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램과 관련된 데이터를 분석할 수 있다. 이를 위하여 데이터 변화 표시 장치(1100)는 단말기로부터의 입력을 수신하는 I/O 인터페이스(1101), 입력에 관한 로그 데이터를 저장하는 메모리(1103) 및 로그 데이터를 분석하는 프로세서(1105)를 포함한다.

프로세서(1105)는 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 압축 벡터를 출력하고, 압축 벡터에 대해 클러스터링을 수행하고, 클러스터링된 결과를 시각적으로 표시한다.

정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다. 복수의 간선 각각은 복수의 정점들 사이를 연결할 수 있다.

프로세서(1105)는 현재 그래프로부터 통계 데이터를 획득하고, 통계 데이터로부터 정점 특징 정보 및 간선 특징 정보를 추출하고, 추출된 정점 특징 정보 및 간선 특징 정보로 구성되는 입력 벡터를 획득할 수 있다. 프로세서(1105)는 정점 특징 정보를 정규화하고, 간선 특징 정보를 표준화하고, 정규화된 결과 및 표준화된 결과를 기초로 입력 벡터를 획득할 수 있다.

프로세서(1105)는 전체 정점 대비 각각의 고유 식별키의 정점의 비율, 채널링 키의 정점의 비율 및 기기 식별키의 정점의 비율을 계산하고, 전체 간선 대비 채널링 키의 정점과 연결된 간선의 비율, 전체 간선 대비 기기 식별키의 정점과 연결된 간선의 비율, 전체 채널링 키의 정점의 표준편차, 전체 채널링 키의 정점의 첨도, 전체 채널링 키의 정점의 왜도, 전체 기기 식별키의 정점의 표준편차, 전체 기기 식별키의 정점의 첨도, 전체 기기 식별키의 정점의 왜도를 계산할 수 있다.

프로세서(1105)는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하여 압축 벡터를 출력할 수 있다. 프로세서(1105)는 클러스터링된 결과를 그래프로 표시할 수 있다.

도 12는 일 실시예에 따른 데이터 변화 검출 장치의 세부 구성을 도시한 도면이다.

데이터 변화 표시 장치(1200) 사용자의 단말기를 통해 채널에 접속되고 채널을 통해 접속되는 프로그램의 데이터를 분석할 수 있다. 이를 위하여, 데이터 변화 표시 장치(1200)는 단말기로부터의 입력을 수신하는 I/O 인터페이스(1201), 입력에 관한 로그 데이터를 저장하는 메모리(1203) 및 로그 데이터를 분석하는 프로세서(1205)를 포함한다.

프로세서(1205) 로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고, 그래프로부터 각 정점의 타입을 나타내는 정점 특징 정보 및 각 간선의 특징을 나타내는 간선 특징 정보를 포함하는 입력 벡터를 획득하고, 이전 그래프에 의해 학습된 뉴럴 네트워크에 입력 벡터를 입력하여 출력 벡터를 출력하고, 입력 벡터와 출력 벡터를 비교하여 차이를 검출할 수 있다.

정점 타입은 프로그램 고유 식별키, 채널링 키 및 기기 식별키를 포함할 수 있다. 프로그램 고유 식별키는 프로그램이 채널링 키를 통해 접속한 사용자를 구별하기 위한 식별자를 의미하고, 채널링 키는 프로그램이 채널을 구별하기 위한 식별자를 의미하고, 기기 식별키는 사용자의 단말기를 구별하기 위한 식별자를 의미할 수 있다.

프로세서(1205)는 뉴럴 네트워크에 포함된 인코더를 이용하여 입력 벡터를 인코딩하고, 인코딩된 결과를 뉴럴 네트워크에 포함된 디코더를 이용하여 디코딩하여 출력 벡터를 출력할 수 있다. 프로세서(1205)는 입력 벡터와 출력 벡터의 차이가 임계값 이상인지 여부를 판단할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 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.

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.

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 청구범위의 범위에 속한다.

Claims (1)

1. 사용자의 단말기를 통해 채널에 접속되고 상기 채널을 통해 접속되는 프로그램의 데이터 변화 표시 장치에 있어서,
   상기 단말기로부터의 입력을 수신하는 I/O 인터페이스;
   상기 입력에 관한 로그 데이터를 저장하는 메모리; 및
   상기 로그 데이터를 분석하는 프로세서를 포함하고,
   상기 프로세서는,
   로그 데이터로부터 각각의 정점 타입을 가지는 복수의 정점과 복수의 간선을 가지는 현재 그래프를 생성하고,
   상기 현재 그래프로부터 입력 벡터를 획득하고,
   뉴럴 네트워크에 상기 입력 벡터를 입력하여 압축 벡터를 출력하고,
   상기 압축 벡터에 대해 클러스터링을 수행하고,
   상기 클러스터링된 결과를 시각적으로 표시하는,
   데이터 변화 표시 장치.

Images