KR20200093910A - 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 - Google Patents
원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 Download PDFInfo
- Publication number
- KR20200093910A KR20200093910A KR1020190011223A KR20190011223A KR20200093910A KR 20200093910 A KR20200093910 A KR 20200093910A KR 1020190011223 A KR1020190011223 A KR 1020190011223A KR 20190011223 A KR20190011223 A KR 20190011223A KR 20200093910 A KR20200093910 A KR 20200093910A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- similarity
- request
- program
- electronic device
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 64
- 230000004044 response Effects 0.000 claims abstract description 51
- 238000004891 communication Methods 0.000 description 48
- 238000004458 analytical method Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010035653 pneumoconiosis Diseases 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
-
- 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
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6236—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database between heterogeneous systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
다양한 실시 예에 따르면, 전자 장치는, 적어도 하나의 프로세서 및 메모리를 포함하며, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하고, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키고, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하고, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키고, 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 하는 인스트럭션들을 저장할 수 있다. 다른 실시 예가 가능하다.
Description
다양한 실시 예는 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체에 관한 것이다.
스마트 폰(smart phone)과 같은 전자 장치가 점차 고성능화됨에 따라 전자 장치를 이용한 다양한 서비스들이 제공되고 있다. 예를 들어, 전자 장치를 통해 빅스비와 같이 AI(artificial intelligence) 기술을 이용한 고차원 서비스를 제공하는 어플리케이션들이 점차 확대 적용되고 있다. 이러한 고차원 서비스를 제공하기 위한 기술은 스스로 학습하고 판단하며 사용할수록 인식률이 향상되는 기술로, 입력된 사용자 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단과 같은 기능을 모사하는 요소 기술들로 구성될 수 있다.
게다가 사물 인터넷(IoT: internet of things)과 같은 기술은 가전 제품을 비롯한 각종 사물에 외부 환경으로부터의 데이터 취득을 위해 센서를 내장할 수 있으며, 이러한 사물에 통신 기능도 내장하여 인터넷에 연결할 수 있다.
상기와 같은 기술의 발달로 인해, 사용자 데이터는 점점 다양해질 뿐만 아니라 사용자와 관련하여 예컨대, 생체 정보, 헬스 정보와 같은 민감한 개인 정보가 많이 포함되는 형태를 가지고 있다. 고차원의 사용자 맞춤형 서비스를 제공하기 위해서는 실제 사용자와 관련된 데이터를 이용한 서비스 개발이 필요할 수 있다.
상기한 바와 같이 전자 장치의 사용자들은 다양한 서비스들을 이용할 수 있게 되었지만 이와 동시에 다양한 프라이버시 및 보안 이슈들이 대두되고 있어, 사용자 데이터들에 대한 보호도 중요해지고 있다. 하지만 어플리케이션들이 정상적으로 동작하기 위해서는 개발 및 테스트 중에 실제 사용자 데이터가 필요할 수 있다.
현재 어플리케이션 개발자는 실제 사용자 데이터를 관리하는 회사가 아닌 환경에서 개발을 진행하며, 보안 상의 이유로 실제 사용자 데이터에 접근하기 어려운 실정이다. 실제 사용자 데이터를 개발 업체에 제공할 경우에는 프라이버시를 보장하기 어려울 뿐만 아니라 사용자 데이터를 제공하는데 있어 법률적인 절차가 매우 복잡한 실정이다.
따라서 어플리케이션 개발자 또는 개발 업체에서 테스트 용도로 사용자 데이터와 유사하지만 실제 사용자 데이터와 동일하지 않도록 데이터를 가공하여 사용할 수 있도록 하는 방법이 필요할 수 있다.
다양한 실시 예에 따르면, 사용자 데이터와 유사한 데이터를 제공할 수 있는 방법이 제공될 수 있다.
다양한 실시 예에 따르면, 전자 장치는, 적어도 하나의 프로세서 및 메모리를 포함하며, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하고, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키고, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하고, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키고, 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시 예에 따르면, 전자 장치에서 원본 데이터와 연관된 데이터를 제공하기 위한 방법은, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키는 동작, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키는 동작 및 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키는 동작, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키는 동작 및 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 포함할 수 있다.
다양한 실시 예에서는, 사용자 데이터를 관리 정책에 따라 다르게 가공하여 제공할 수 있는 방법을 제공할 수 있다.
다양한 실시 예에서는, 실제 데이터가 아닌 원본 데이터와 연관되어 가공 처리한 데이터를 제공함으로써 사용자 데이터와 같이 민감 데이터에 대한 보안성을 높이면서도 실제 사용자 데이터의 특성과 유사한 데이터를 활용할 수 있도록 한다.
다양한 실시 예에서는, 사용자 데이터를 기반으로 데이터를 가공함으로써 민감성 정보가 잔류하지 않도록 보장할 수 있으며 가공된 데이터를 테스트 데이터로서 활용될 수 있도록 개발 업체와 같은 다양한 회사에 제공할 수 있다.
다양한 실시 예에서는, 사용자 데이터를 요구하는 대상에 따라 다르게 가공된 데이터를 제공할 수 있어, 프라이버시 정책 및 데이터가 사용될 국가의 법률 기준을 충족시킨 데이터의 제공이 가능한 이점이 있다.
도 1은 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치의 블럭도이다.
도 2는 다양한 실시 예에 따른 원본 데이터 수집 및 처리를 위한 데이터 처리 시스템의 구성도이다.
도 3은 다양한 실시 예에 따른 GAN에 의한 학습 과정을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 블록 구성도이다.
도 5는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터 생성 방법을 나타낸 도면이다.
도 6은 다양한 실시 예에 따른 메모리의 저장 영역을 예시적으로 나타낸 도면이다.
도 7은 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 동작 흐름도이다.
도 8은 다양한 실시 예에 따른 GAN에 의한 원본 데이터와 연관된 데이터를 획득하기 위한 과정을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 전자 장치 내의 각 구성부들 간의 신호 흐름도이다.
도 10a는 다양한 실시 예에 따른 원본 데이터와 제1 유사도에 대응하는 데이터를 예시한 도면이다.
도 10b는 다양한 실시 예에 따른 원본 데이터와 제2 유사도에 대응하는 데이터를 예시한 도면이다.
도 10c는 다양한 실시 예에 따른 원본 데이터와 제3 유사도에 대응하는 데이터를 예시한 도면이다.
도 11은 다양한 실시 예에 따른 동일 지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면이다.
도 12는 다양한 실시 예에 따른 타지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면이다.
도 13은 다양한 실시 예에 따른 데이터 분석 장치의 구성도이다.
도 2는 다양한 실시 예에 따른 원본 데이터 수집 및 처리를 위한 데이터 처리 시스템의 구성도이다.
도 3은 다양한 실시 예에 따른 GAN에 의한 학습 과정을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 블록 구성도이다.
도 5는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터 생성 방법을 나타낸 도면이다.
도 6은 다양한 실시 예에 따른 메모리의 저장 영역을 예시적으로 나타낸 도면이다.
도 7은 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 동작 흐름도이다.
도 8은 다양한 실시 예에 따른 GAN에 의한 원본 데이터와 연관된 데이터를 획득하기 위한 과정을 설명하기 위한 도면이다.
도 9는 다양한 실시 예에 따른 전자 장치 내의 각 구성부들 간의 신호 흐름도이다.
도 10a는 다양한 실시 예에 따른 원본 데이터와 제1 유사도에 대응하는 데이터를 예시한 도면이다.
도 10b는 다양한 실시 예에 따른 원본 데이터와 제2 유사도에 대응하는 데이터를 예시한 도면이다.
도 10c는 다양한 실시 예에 따른 원본 데이터와 제3 유사도에 대응하는 데이터를 예시한 도면이다.
도 11은 다양한 실시 예에 따른 동일 지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면이다.
도 12는 다양한 실시 예에 따른 타지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면이다.
도 13은 다양한 실시 예에 따른 데이터 분석 장치의 구성도이다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 일반적으로 사용되는 사전에 정의된 용어들은 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미를 가지는 것으로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 발명의 실시 예들을 배제하도록 해석될 수 없다.
도 1은, 다양한 실시 예에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다. 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)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(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 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성 요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 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)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 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 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)은 메인 프로세서(121)보다 저전력을 사용하거나, 또는 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: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성 요소(예: 프로세서(120) 또는 센서모듈(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 장치(150)는, 전자 장치(101)의 구성 요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 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. 일 실시 예에 따르면, 전력 관리 모듈(388)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일 실시 예에 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. 일 실시 예에 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 direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(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 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 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 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 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))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호 간에 교환할 수 있다.
일 실시 예에 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. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, or 108) 중 하나 이상의 외부 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 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 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, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 다양한 실시 예에 따른 원본 데이터 수집 및 처리를 위한 데이터 처리 시스템의 구성도(200)이다.
도 2를 참조하면, 데이터 처리 시스템(200)은 전자 장치(101), 가전 제품들(home appliance)(210), 이동체(vehicle)(220), 접속 장치(230), 하나 이상의 데이터 서버(250, 251) 및 하나 이상의 서비스 사업자(260)를 포함할 수 있다.
가전 제품들(210)은 스마트 냉장고, 스마트 세탁기, TV, 컴퓨터, 또는 에어컨과 같은 적어도 하나의 가전 기기들을 포함할 수 있으며, 이에 한정되지 않을 수 있다. 가전 제품들(210)은 외부 환경으로부터의 데이터 취득을 위해 센서를 내장할 수 있다. 가전 제품들(210)은 각각 보안 인증 없이 접속 장치(230)에 접속되는 장치, 제한된 보안 인증을 통해 접속 장치(230)에 접속되는 장치, 또는 보안 인증 플랫폼을 이용하여 접속 장치(230)에 접속되는 장치일 수 있다. 예를 들어, 가전 제품들(210)은 IoT(internet of things) 장치로 구현될 수 있으나 이에 한정되지 않을 수 있다. 여기서, IoT 장치는 접근 가능한 인터페이스를 통해 적어도 하나의 장치와 데이터를 송수신할 수 있는 장치를 의미할 수 있다.
가전 제품들(210), 전자 장치(101), 이동체(220)는 예컨대, AP(access point)와 같은 접속 장치(230)를 통해 홈 네트워크를 형성하여 서로 통신할 수도 있으며, 각각은 접속 장치(230)와 감지 데이터 또는 제어 정보를 주고 받을 수 있다. 또한 접속 장치(230)는 독립적인 장치일 수도 있으나, 예컨대, 허브와 같이 가전 제품들(210) 내에 내장되는 형태로 구현될 수도 있다. 예를 들어, 사용자는 스마트 냉장고의 디스플레이를 통하여 허브에 접속된 적어도 하나의 가전 제품들(210) 또는 전자 장치(101)를 모니터링하거나 제어할 수 있다.
네트워크(240)는 데이터 통신 네트워크로, 사설 네트워크 또는 공공 네트워크일 수 있다. 예를 들어, 네트워크(240)의 예로는, 집을 커버하는 개인 영역 네트워크, 건물을 커버하는 로컬 영역 네트워크, 대도시, 지역 또는 국가 경계들에 걸쳐 연결된 영역을 커버하는 광역 네트워크 또는 인터넷 중 적어도 하나를 포함할 수 있다.
하나 이상의 데이터 서버(250, 251)는 접속 장치(230)로부터 출력되는 다양한 형태의 사용자 데이터를 네트워크(240)를 통해 수집할 수 있으며, 이를 데이터베이스 형태로 축적 및 관리할 수 있다. 하나 이상의 데이터 서버(250, 251)는 각 지역 또는 국가별로 사용자 데이터를 수집할 수 있도록 복수 개일 수 있으나, 이하에서는 설명의 편의를 위해 데이터 서버(250)에서의 동작을 예로 들어 설명하기로 한다.
이와 같이 수집된 사용자 데이터는 다양한 형태의 저장 포맷으로 저장될 수 있으며, 예를 들어 데이터베이스 테이블(table), 스프레드시트 파일, 텍스트 파일, 또는 이미지 파일 형태로 저장될 수 있다. 다양한 실시 예에 따라 하나 이상의 데이터 서버(250, 251)는 사용자 데이터를 기반으로 실제 사용자 데이터와 유사하게 가공 처리한 데이터를 생성할 수 있다. 가공 처리한 데이터는 서비스 사업자(260)가 액세스 가능한 저장 시스템에 저장될 수 있다. 여기서, 서비스 사업자(260)가 액세스 가능한 저장 시스템은 데이터 서버(250) 내에 각각 구현되거나 데이터 서버(250)와는 독립적으로 구현되어 데이터 서버(250)에 의해 관리될 수 있다.
상기한 바와 같이 데이터 서버(250)는 실제 데이터가 아닌 실제 데이터와 유사하게 가공 처리한 데이터 또는 가공 처리한 데이터와 관련한 정보를 서비스 사업자(260)에게 제공함으로써 사용자 데이터와 같이 민감 데이터에 대한 보안성을 높일 수 있다. 게다가 데이터 서버(250)는 사용자 데이터를 기반으로 데이터를 가공함으로써 가공된 데이터를 테스트 데이터로서 활용될 수 있도록 예컨대, 개발 업체와 같은 서비스 사업자(260)에 제공할 수 있다. 특히 데이터 서버(250)는 가공된 데이터를 제공함으로써 데이터가 사용될 국가의 법률 기준을 충족시킨 데이터를 제공할 수 있다. 예를 들어, GDPR(general data protection regulations)을 준수하는 국가의 경우, 프라이버시 관련한 사용자 데이터를 역외로 이동하는 것을 제한하고 있다. 따라서 다양한 실시 예에 따르면, 국가 간 사용자 데이터를 주고 받아야 하는 경우 가공된 데이터 또는 가공된 데이터를 생성할 수 있는 프로그램을 제공함으로써 데이터 처리에 있어 법률적 문제에서 자유로울 수 있다. 게다가 다양한 실시 예에 따르면, 데이터 서버(250)는 사용자 데이터를 요구하는 대상 예컨대, 서비스 사업자가 어떠한 권한이 있느냐에 따라 다른 수준으로 가공된 데이터를 제공할 수 있어, 프라이버시 정책 기준을 충족시킨 데이터의 제공이 가능한 이점이 있다.
예를 들어, A 지역을 관리하는 데이터 서버(250)의 경우 A 지역에 위치한 서비스 사업자(260)로부터의 데이터 요청에 대응하여, 원본 데이터와 유사한 형태로 생성된 A 지역에 대한 데이터를 제공할 수 있다.
또한 데이터 서버(250)는 A 지역에 대한 원본 데이터와 유사한 가공 처리된 데이터를 제공할 수도 있지만, 방대한 양의 데이터를 원하는 경우에는 서비스 사업자(260)측에서 직접 데이터를 가공 처리하여 분석할 수 있도록 A 지역에 대한 데이터를 생성하기 위한 프로그램을 제공할 수도 있다. 반면, A 지역에 위치한 서비스 사업자(260)가 B 지역에 대한 데이터를 요청하는 경우, A 지역을 관리하는 데이터 서버(250)는 B 지역을 관리하는 데이터 서버(251)로 B 지역에 대한 데이터 요청이 있음을 알릴 수 있다. 여기서, A 지역에 위치한 서비스 사업자(260)는 B 지역 예를 들어, 다른 국가에 대한 데이터를 요청함을 의미할 수 있다. 이에 따라 A 지역에 위치한 서비스 사업자(260)는 B 지역에 대한 데이터를 A 지역을 관리하는 데이터 서버(250)를 통해 B 지역을 관리하는 데이터 서버(251)로부터 획득할 수 있다. 각 지역별 데이터 획득 과정은 하기에서 구체적으로 설명하기로 한다.
서비스 사업자(260)는 데이터 서버(250)로부터 제공되는 데이터를 분석하고 분석 결과에 따라 사용자에게 다양한 서비스를 제공할 수 있다. 다양한 실시 예에 따르면, 서비스 사업자(260)는 데이터 서버(250)가 가지고 있는 원본 데이터를 직접 제공받는 것이 아니라 데이터 서버(250)로부터 원본 데이터와 유사한 형태로 만들어진 데이터를 제공받을 수 있다.
이에 따라 서비스 사업자(260)는 데이터 서버(250)로부터 제공되는 원본 데이터와 유사한 데이터를 분석할 수 있다. 서비스 사업자(260)는 분석된 데이터와 관련된 서비스를 생성하거나 분석된 데이터를 가전 제품들(210) 중 적어도 하나, 전자 장치(101), 또는 이동체(220)로 제공할 수 있다. 예를 들어, 서비스 사업자(260)는 홈 케어 서비스, 건강 관리 서비스와 같은 서비스를 가전 제품들(210) 중 적어도 하나 또는 전자 장치(101)로 제공할 수 있으며, 운전자의 개인 정보를 기반으로 한 차량 서비스를 이동체(220)로 제공할 수 있다. 이러한 서비스 사업자(260)는 서버 형태로 구현될 수 있으며, 분석 결과에 따라 사용자에게 다양한 서비스를 제공할 수 있으며, 서비스의 종류는 이에 한정되지 않을 수 있다.
도 3은 다양한 실시 예에 따른 GAN에 의한 학습 과정을 설명하기 위한 도면(300)이다.
도 3을 참조하면, 다양한 실시 예에 따르면, 사용자 데이터와 유사한 데이터를 얻기 위해 GAN(generative adversarial network) 알고리즘을 기반으로 할 수 있다. 여기서, GAN이란 두 신경망 모델의 경쟁을 통해 학습하고 결과물을 만들어내는 알고리즘으로, 두 신경망 모델은 '생성부(generator)'(또는 생성기, 제너레이터)(320)와 '판별부(discriminator)'(또는 판별기, 디스크리미네이터)(330)로 불릴 수 있다.
GAN은 어떤 데이터의 생성부(320) 및 이러한 데이터와 진짜 데이터(또는 원하는 데이터)를 구별하는 판별부(330)를 포함하여 구성될 수 있다. 생성부(320)는 랜덤 노이즈와 같은 랜덤 값(315)을 입력값으로 하며, 입력값으로부터 진짜 데이터(305)에 대한 가공 처리된 데이터를 생성할 수 있으며, 생성된 데이터를 출력값으로 하여 판별부(330)로 전달할 수 있다.
판별부(330)는 생성부(320)에 의해 생성된 가공 데이터(325)가 실제 데이터(310)와의 구별(distinguishable) 가능한지의 여부를 판단하여, 생성된 가공 데이터(325)의 진위를 판별할 수 있다. 판별부(330)는 1 또는 0의 진짜 또는 가짜를 나타내는 결과값을 출력할 수 있다. 이 경우 구별 가능한지의 여부의 판단은 GAN에 의해 이루어질 수 있다. 판별부(330)는 생성부(320)와 판별부(330) 간의 대립적 경쟁(adversarial competence)을 통하여 서로의 능력을 개선시킬 수 있다.
다양한 실시 예에 따르면, 진짜 데이터(305)와 유사한 데이터를 다양한 수준으로 만들어 낼 수 있도록 350에서와 같은 방향으로 생성부(320)를 학습시킬 수 있다. 이와 같이 판별부(330)가 생성부(320)에서 생성된 데이터를 진짜 데이터로 판별할 수 있도록 판별부(330)에서의 결과가 생성부(320)로 전달되도록 하여 생성부(320)를 업데이트시키는 과정을 반복함으로써 생성부(320)에서는 실제에 가까운 데이터를 만들 수 있도록 학습될 수 있다.
도 3에 도시된 바와 같이 이미지 생성에 활용하는 경우, 실제 이미지를 학습해 가짜 이미지를 만들어낼 수 있다. 예를 들어, 사람 얼굴 사진을 학습시킬 경우 실존하지 않은 사람들의 사진을 무한대로 만들어 낼 수 있으며, 학습 횟수가 높아질수록 실제 사람의 눈으로 실존 인물인지 가상 인물인지 판별하기 어려운 수준이 될 수 있다. 다양한 실시 예에 따르면, 학습이 가능한 원본 데이터의 예로는, 스트럭처(structure) 데이터, 텍스트, 음성, 이미지, 또는 사진은 데이터 형태를 가질 수 있으며, 이외에도 성명, 주소, 생년월일, 신용카드 정보, 은행계좌번호와 같이 프라이버시 정보가 포함되는 데이터가 해당될 수 있다.
다양한 실시 예에 따르면, 원본 데이터(original data)는 사용자 데이터, 실제 데이터(actual data), 또는 진짜 데이터(real data)라고 칭할 수 있다.
다양한 실시 예에 따르면, 원본 데이터와 유사한 데이터는 원본 데이터와 일부 유사한 특성을 가지나 실제로는 동일하지 않은 데이터이므로, 가짜 데이터(fake data), 가공 데이터(processing data), 의사 데이터(pseudo data), 난독 데이터(obfuscated data), 또는 그럴듯한 데이터(plausible data)라고 칭할 수 있다.
상기한 바와 같이 생성부(320)는 진짜 데이터에 최대한 유사한 가짜 데이터를 생성해내는 능력을 가지며, 판별부(330)는 가짜 데이터를 진짜 데이터로부터 구별해내는 능력을 가지는데, 이러한 경쟁을 통해 서로의 능력이 향상될 수 있다. 이를 쉽게 예를 들어 설명하면 다음과 같다.
예를 들어, 지폐 위조범을 생성자라고 할 경우 위폐 여부를 감별하는 측은 판별자라고 할 수 있으며, 지폐 위조범은 위폐 여부 감별자를 최대한 속이려 노력하고 반대로 판별자는 위폐를 진폐와 분간하여 노력할 수 있다. 양자 간의 이러한 대립적 경쟁을 통해 양자 각각을 속이고 분간하는 능력이 발전하게 되며 결과적으로 위폐와 진폐의 분간이 어려울 정도에 이른다는 것이다.
도 4는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 블록 구성도(400)이다. 도 4에서의 전자 장치는 도 2의 데이터 서버(250)에 대응하며, 도 2의 데이터 서버(250)에서와 동작과 동일하게 동작할 수 있으나, 그 구체적인 동작을 살펴보기 위해 도 4를 참조할 수 있다.
도 4를 참조하면, 전자 장치(401)(예: 데이터 서버(250))는 프로세서(420), 메모리(430) 및 통신 모듈(490)을 포함할 수 있다. 예를 들어, 전자 장치(401)는 원본 데이터를 수집하는 컴퓨터 시스템의 구성을 포함할 수도 있으나, 원본 데이터와 유사한 데이터를 생성하는 환경을 운영하는 컴퓨터와 통신하는 전자 장치 형태로 구현될 수도 있다. 예를 들어, 데이터 서버(250)의 역할을 전자 장치로 구현할 경우, 도 1의 전자 장치(101)와 같은 구성을 가질 수도 있다.
프로세서(420)는 적어도 하나의 프로세서를 포함할 수 있으며, 도 4에 도시된 바와 같이 제1 프로세서(421) 및 제2 프로세서(422)를 포함할 수 있다. 다양한 실시 예에 따르면, 제1 프로세서(421)는 생성 모델(generator model)을 기반으로 동작할 수 있으며, 제2 프로세서(422)는 판별 모델(discriminator model)을 기반으로 동작할 수 있다. 다양한 실시 예에 따르면, 적어도 하나의 프로세서(420)는 원본 데이터에 난수 정보를 적용한 의사 데이터를 생성하는 생성부(generator) 및 상기 생성된 의사 데이터에 대한 진위 여부를 식별하는 판별부(discriminator)를 포함하도록 구성될 수 있다.
메모리(430)는 권한별로 의사 데이터를 저장하는 제1 저장 영역 및 권한별 의사 데이터를 생성하기 위한 프로그램을 저장하는 제2 저장 영역을 포함할 수 있다. 일 실시 예에 따르면, 의사 데이터를 생성하기 위한 프로그램은 생성 모델이라고 칭할 수 있으며, 제2 저장 영역은 생성 모델 저장소(generator model repository)라고 칭할 수도 있다.
예를 들어, 권한의 레벨이 높을수록 민감한 데이터이며, 이에 따라 원본 데이터를 이용하여 의사 데이터를 만드는 학습 횟수도 높아질 수 있다. 학습 횟수가 높을수록 만들어지는 의사 데이터는 원본 데이터에 매우 가까워질 수 있으며, 이에 따라 원본 데이터와의 유사도도 높아질 수 있다.
예를 들어, 서비스 사업자의 경우 권한이 높을수록 민감한 데이터에 접근할 수 있으므로, 이에 따라 높은 레벨의 권한을 가진 서비스 사업자가 이용 가능한 의사 데이터는 원본 데이터와의 유사도가 높은 데이터일 수 있다.
다양한 실시 예에 따라, 도 4에서는 수집된 데이터 소스(410) 중 데이터베이스 테이블의 저장 포맷으로 저장된 원본 데이터(411)를 예시하고 있는데, 원본 데이터(411)를 포함하는 데이터 소스(410)는 전자 장치(401) 내에 저장될 수도 있지만, 전자 장치(401)가 접속 가능한 저장 매체에 저장될 수도 있다.
한편, GAN을 기반으로 학습이 오래될수록 즉, 학습 횟수가 많아질수록 학습을 통해 생성된 데이터는 원본 데이터에 가까워지는 결과물일 수 있지만, 학습의 초기에는 결과물과 원본 데이터 간의 유사도가 매우 낮을 수 있다. 이러한 GAN을 이용하여, 다양한 실시 예에 따르면, 학습 횟수에 따라 의사 데이터를 다르게 생성할 수 있으므로, 생성된 의사 데이터는 원본 데이터와의 유사도가 서로 다를 수 있다.
예를 들어, 의사 데이터를 3 단계로 분류하는 경우, GAN을 기반으로 제일 많은 횟수의 학습을 통해 생성된 데이터를 제1 의사 데이터, 그 다음으로 많은 횟수의 학습을 통해 생성된 데이터를 제2 의사 데이터, 제일 적은 횟수의 학습을 통해 생성된 데이터를 제3 의사 데이터라고 할 수 있다. 예를 들어, 100 steps 학습을 통해 학습된 생성 모델을 'poor-trained model', 1000 steps 학습을 통해 학습된 생성 모델을 'mid-trained model', 10000 steps 학습을 통해 학습된 생성 모델을 'well-trained model'이라고 칭할 수 있다.
다양한 실시 예에 따라, 의사 데이터를 분류하기 위한 기준으로 학습 횟수를 카운트하는 것이 아닌 생성된 의사 데이터와 원본 데이터 간의 유사도를 측정하는 기법이 이용될 수 있다. 일 실시 예에 따르면, 데이터 간의 유사도 측정(similarity measure) 기법의 예로는, 유클리디언 거리(euclidean distance), 마할라노비스 거리(mahalanobis distance), 민코스키 거리(minkowski distance), 또는 코사인 유사도(cosine similarity)와 같은 방법이 있으며, 상기한 바 이외에도 더 많은 기법이 있으며, 이에 한정되지 않을 수 있다.
예를 들어, 의사 데이터와 원본 데이터가 얼마만큼 차이가 있는지 즉, 의사 데이터와 원본 데이터가 얼마만큼 유사한지의 정도를 분석한 후, 지정된 유사도를 가지는 의사 데이터가 획득된 경우에는 지정된 유사도에 대응되는 데이터를 생성하는 생성 모델(또는 프로그램)도 획득할 수 있다. 또는 지정된 유사도에 대응되는 데이터를 생성하는 프로그램에 입력된 난수 정보를 획득할 수 있다. 이에 따라, 지정된 유사도에 대응되는 데이터를 획득할 시에 생성 모델에 적용한 난수 정보와 함께 생성 모델을 지정된 유사도에 대응되도록 저장할 수 있다. 또는 지정된 유사도에 대응되는 데이터를 저장할 수도 있다.
의사 데이터를 3단계로 분류하는 경우를 예로 들어 설명하면, 프로세서(420)는 원본 데이터와 난수 정보를 적용한 제1 의사 데이터 간의 차이가 제1 임계치 즉, 원본 데이터와 제1 의사 데이터 간의 유사도가 제1 유사도(예: 50%)에 도달한 경우, 제1 유사도에 대응되는 데이터를 생성하는 제1 생성 모델(또는 프로그램)을 획득한 후 메모리(430)에 저장할 수 있다. 또는 프로세서(420)는 제1 유사도에 도달한 제1 의사 데이터를 획득할 시 획득된 제1 의사 데이터(431)를 메모리(430)에 저장할 수도 있다. 또는 프로세서(420)는 제1 유사도에 도달한 제1 의사 데이터를 획득할 시 제1 유사도에 대응되는 데이터를 생성하는 제1 생성 모델에 적용한 상기 난수 정보를 메모리(430)에 저장할 수도 있다.
이와 마찬가지로 프로세서(420)는 원본 데이터와 상기 난수 정보를 적용한 제2 의사 데이터 간의 유사도가 제2 유사도(예: 70%)에 도달한 경우, 제2 유사도에 대응되는 데이터를 생성하는 제2 생성 모델(또는 프로그램)을 획득한 후 메모리(430)에 저장할 수 있다. 또는 프로세서(420)는 제2 유사도에 도달한 제2 의사 데이터를 획득할 시 획득된 제2 의사 데이터(432)를 메모리(430)에 저장할 수도 있다. 또는 프로세서(420)는 제2 유사도에 도달한 제2 의사 데이터를 획득할 시 제2 유사도에 대응되는 데이터를 생성하는 제2 생성 모델에 적용한 상기 난수 정보를 메모리(430)에 저장할 수도 있다.
상기와 같은 과정을 반복함으로써 학습이 이루어지게 되며, 프로세서(420)는 원본 데이터와 상기 난수 정보를 적용한 제3 의사 데이터 간의 유사도가 제3 유사도(예: 90%)에 도달한 경우, 제3 유사도에 대응되는 데이터를 생성하는 제3 생성 모델(또는 프로그램)을 획득한 후 메모리(430)에 저장할 수 있다. 또는 프로세서(420)는 제3 유사도에 도달한 제3 의사 데이터를 획득할 시 획득된 제3 의사 데이터(433)를 메모리(430)에 저장할 수도 있다. 또는 프로세서(420)는 제3 유사도에 도달한 제3 의사 데이터를 획득할 시 제3 유사도에 대응되는 데이터를 생성하는 제3 생성 모델에 적용한 상기 난수 정보를 메모리(430)에 저장할 수도 있다. 이와 같이 서로 다른 유사도에 대응하여 서로 다른 생성 모델이 저장될 때 동일한 난수 정보가 함께 저장될 수 있다. 즉, 학습을 통해 만들어진 생성 모델이 다르지라도 생성 모델에 입력 값으로 적용된 난수 정보는 동일할 수 있다.
상기한 바와 같이 프로세서(420)는 유사도에 대응되는 임계치를 단계적으로 올릴 수 있으며, 제1 프로세서(421)에 의한 학습을 통해 획득되는 의사 데이터와 원본 데이터 간의 유사도를 측정하여 임계치에 도달했는지의 여부를 식별하는 동작을 지속적으로 반복 수행할 수 있다. 이에 따라 분류 가능한 의사 데이터들, 이를 위한 생성 모델, 또는 난수 정보를 획득할 수 있으며, 유사도에 따라 단계적으로 또는 버전별로 구분하여 저장할 수 있다. 이에 따라 분류된 의사 데이터, 또는 생성 모델에 대응되는 권한을 지정할 수 있으며, 지정된 권한별로 의사 데이터 또는 생성 모델을 저장할 수 있다.
예를 들어, 권한 레벨을 1, 2, 3 등급으로 분류할 경우, 제1 임계치에 대응되는 데이터를 생성하는 제1 프로그램에 대해 권한 레벨 1을 지정할 수 있으며, 제2 임계치에 대응되는 데이터를 생성하는 제2 프로그램에 대해 권한 레벨 2를 지정할 수 있으며, 제3 임계치에 대응되는 데이터를 생성하는 제3 프로그램에 대해 권한 레벨 3을 지정할 수 있다. 또는 제1 임계치에 대응되는 제1 의사 데이터에 대해 권한 레벨 1을 지정할 수 있으며, 제2 임계치에 대응되는 제2 의사 데이터에 대해 권한 레벨 2를 지정할 수 있으며, 제3 임계치에 대응되는 제3 의사 데이터에 대해 권한 레벨 3을 지정할 수 있다. 여기서, 제1 유사도는 상기 제2 유사도 보다 낮으며, 상기 제1 프로그램에 대해 지정된 권한 레벨 1은 상기 제2 프로그램에 대해 지정된 권한 레벨 2보다 낮을 수 있다. 따라서 권한 레벨이 높을수록 의사 데이터의 유사도도 높을 수 있다.
다양한 실시 예에 따라, 프로세서(420)는 외부 장치(예: 도 2의 서비스 사업자(260))로부터의 요청에 대응하여 상기 외부 장치에 대응하는 권한을 식별할 수 있다. 여기서, 외부 장치는 데이터를 테스트 및 분석용으로 사용하는 주체이므로, 데이터 분석 장치라고 칭할 수도 있으며, 클라이언트라고도 칭할 수 있다.
메모리(430)에는 서비스 사업자 각각에 대응하는 관리 정책이 저장되어 있을 수 있다. 이에 따라 프로세서(420)는 메모리(430)에 저장된 관리 정책을 참조하여 상기 외부 장치에 대응하는 권한이 식별되면, 메모리(430)에 저장된 데이터들 중 식별된 권한에 대응하는 의사 데이터를 제공할 수 있다. 예를 들어, 서비스 사업자 각각에 대한 관리 정책은 권한 정보뿐만 아니라 보안 등급도 포함할 수 있으며, 이에 한정되지 않을 수 있다. 이에 따라 보안 등급이 높은 서비스 사업자에 대해서는 유사도가 높은 의사 데이터를 제공할 수 있다.
다양한 실시 예에 따라, 프로세서(420)는 외부 장치가 요청하는 데이터가 전자 장치(401)가 위치한 지역과 동일한 제1 지역에 대응하는 데이터일 경우, 상기 외부 장치에 대응하는 권한을 식별하고, 식별된 권한에 대응하는 의사 데이터를 제공할 수 있다. 예를 들어, 데이터 서버(250)가 관리하는 지역이 제1 지역일 경우 제1 지역에 대응하는 데이터에 대한 요청에 대응하여, 의사 데이터를 제공하는 것이 가능할 수 있다.
반면, 프로세서(420)는 상기 외부 장치가 요청하는 데이터가 전자 장치(401)가 위치하는 지역과는 다른 제2 지역에 대응하는 데이터일 경우, 상기 제2 지역을 관리하는 서버(예: 도 2의 데이터 서버(251))로 상기 제2 지역에 대응하는 데이터를 생성하는 프로그램(또는 생성 모델)을 요청할 수 있다. 프로세서(420)는 상기 요청에 대응하여 상기 제2 지역에 대응하는 데이터를 생성하는 제3 프로그램 및 제3 프로그램에 적용한 난수 정보를 상기 제2 지역을 관리하는 서버로부터 획득할 수 있다. 프로세서(420)는 상기 제3 프로그램을 이용하여 상기 외부 장치의 권한에 대응하는 데이터를 획득할 수 있으며, 상기 외부 장치로 상기 획득된 데이터를 제공할 수 있다.
통신 모듈(490)은 통신 회로(communication circuitry)라고 칭할 수 있으며, 프로세서(420)는 통신 모듈(490)을 통해 서비스 사업자(예: 도 2의 서비스 사업자(260))와의 통신을 수행할 수 있다. 이에 따라 프로세서(420)는 통신 모듈(490)을 통해 서비스 사업자(예: 도 2의 서비스 사업자(260))로 의사 데이터 또는 의사 데이터를 생성하기 위한 프로그램을 제공할 수 있다. 또는 프로세서(420)는 타지역에 위치한 데이터 서버(251)로부터의 요청에 대응하여, 통신 모듈(490)을 통해 의사 데이터를 생성하기 위한 프로그램을 제공할 수 있다.
다양한 실시 예에 따라, 상기 메모리(430)는, 실행 시에, 상기 적어도 하나의 프로세서(420)가, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하고, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키고, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하고, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키고, 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 상기 제1 유사도와 연관시키고, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 상기 제2 유사도와 연관시키도록 설정될 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 요청에 응답하여, 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램과 함께, 상기 난수 정보를 제공하도록 설정될 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, GAN(generative adversarial network)을 기반으로 한 반복 학습을 통해 상기 제1 데이터 및 상기 제2 데이터를 획득하도록 설정될 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 제1 비교 결과, 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 대응되면, 상기 제1 유사도와 연관시킨 상기 제1 데이터 또는 상기 난수 정보와 함께 상기 제1 데이터를 획득하기 위한 상기 제1 프로그램을 저장하며, 상기 제2 비교 결과, 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 대응되면, 상기 제2 유사도와 연관시킨 상기 제2 데이터 또는 상기 난수 정보와 함께 상기 제2 데이터를 획득하기 위한 상기 제2 프로그램을 저장하도록 설정될 수 있다. 예를 들어, 상기 제1 프로그램 및 상기 제2 프로그램과 같은 생성 모델을 저장할 때, 생성 모델에 적용된 가중치 또는 파라미터를 함께 저장할 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 원본 데이터와 상기 제1 데이터 간의 유사도 및 상기 원본 데이터와 상기 제2 데이터 간의 유사도를 지정된 유사도 기법을 이용하여 식별하도록 설정될 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 요청에 응답하여, 상기 요청에 대응하는 권한을 식별하고, 상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공하도록 설정될 수 있다. 일 실시 예에 따라, 상기 제1 유사도는 상기 제2 유사도 보다 낮으며, 상기 제1 유사도에 대해 지정된 권한은 상기 제2 유사도에 대해 지정된 권한 보다 낮을 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치한 지역과 동일한 제1 지역에 대응하는 데이터에 대한 요청인지를 식별하고, 상기 제1 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하고, 상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공하도록 설정될 수 있다.
다양한 실시 예에 따라, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서(420)가, 상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과는 다른 제2 지역에 대응하는 데이터에 대한 요청인지를 식별하고, 상기 제2 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하고, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 식별된 권한에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 설정될 수 있다.
도 5는 다양한 실시 예에 따른 원본 데이터와 연관된 데이터 생성 방법을 나타낸 도면(500)이다.
도 5를 참조하면, 제1 프로세서(421)는 도 4의 제1 프로세서(421)에 해당하며, 생성 모델(generator model)을 기반으로 동작할 수 있다. 생성 모델은 하기 수학식 1과 같은 함수 또는 알고리즘일 수 있다.
상기 수학식 1에서, 상기 'G'는 생성부에 해당하는 'generator'를 나타내며, 상기 'D'는 판별부에 해당하는 'discriminator'를 나타내며, 상기 'Z'는 'random noise'이며, 상기 'X'는 'real data'를 나타내며, 상기 'G(z)'는 랜덤 노이즈(random noise)로부터 생성된 가짜 데이터를 나타내며, 상기 'D(x)'는 상기 'discriminator'가 참이라고 판별하는 확률을 나타내며, 상기 'V(D, G)'는 GAN의 로스 함수(loss function)를 나타낼 수 있다.
상기한 수학식 1에서, 
는 판별 모델의 학습과 관련된 연산 부분이며, 
는 생성 모델의 학습과 관련된 연산 부분일 수 있다. 따라서, 제1 프로세서(421)에서 생성 모델을 학습시킬 때 D(G(z))가 1이 되도록 학습시킬 수 있다. 그러므로, 상기 수학식 1에서와 같이 z를 알 수 있다면 생성 모델에 의한 출력값을 획득하는 것이 가능할 수 있다. 즉, z를 입력으로 하는 생성 모델은 수학식 1에 해당하는 함수일 수 있다.
예를 들어, 제1 프로세서(421)의 입력은 노이즈 신호(noise signal)와 잠재적 표현(latent representation) z(510)일 수 있으며, 이를 랜덤 노이즈라고 칭할 수 있다. 다양한 실시 예에 따라, 랜덤 노이즈는 난수 정보 또는 랜덤 값으로 칭할 수 있다. 랜덤 노이즈를 나타내는 z를 입력할 경우, 수학식 1에 해당하는 함수에 의해 z로부터 데이터를 생성할 수 있으며, 생성된 데이터가 원본 데이터와 유사하도록 학습을 통해 만들어진 데이터일 수 있다. 따라서 수학식 1에 따르면 z를 정한다면, 원본 데이터와 유사한 의사 데이터를 대량으로 만드는 것이 가능할 수 있다. 따라서 생성 모델과 랜덤 노이즈만 있으면 대량의 의사 데이터를 제공하는 것이 가능할 수 있다.
예를 들어, z에 랜덤 값(또는 랜덤 노이즈)을 적용함으로써 생성된 의사 데이터와 원본 데이터 간의 유사도를 측정하고, 만일 생성된 의사 데이터와 원본 데이터 간의 유사도가 정해진 임계치에 도달하지 못했을 경우, 다시 z에 동일한 랜덤 값을 적용함으로써 새롭게 생성된 의사 데이터와 원본 데이터 간의 유사도를 측정하는 과정을 반복 수행할 수 있다. 이와 같이 의사 데이터가 수학식 1에 기반하여 생성될 때마다 원본 데이터와의 유사도가 임계치에 도달하기 전까지 반복적으로 생성되는 의사 데이터 각각에 대해 유사도 측정이 이루어질 수 있다. 이후, 측정된 유사도가 정해진 임계치에 도달하면, 상기 임계치에 도달했을 시의 생성된 의사 데이터를 제1 의사 데이터라고 가정할 경우, 제1 프로세서(421)에서는 제1 의사 데이터를 생성하는 데 적용된 z값을 알 수 있다.
다시 말하면, 동일한 랜덤 값을 가지고 생성 모델의 정확도가 지정된 임계치에 도달할 때까지 반복적으로 학습하고, 학습된 생성 모델과 그 생성 모델에 적용된 하나의 랜덤 값을 이용한다면 대량의 의사 데이터를 만들어낼 수 있다. 이에 따라 적용된 z값을 기반으로 임계치에 대응하는 즉, 지정된 유사도를 가지는 제1 의사 데이터를 대량으로 제공할 수 있다.
다양한 실시 예에 따라, 데이터 서버(250)에서는 상기와 같은 유사도 비교 결과에 기반하여, 원하는 유사도를 가지는 의사 데이터뿐만 아니라 그 유사도를 가지는 의사 데이터를 생성하는 프로그램(또는 생성 모델) 및 상기 유사도를 가지는 의사 데이터를 획득할 시의 상기 프로그램에 적용했던 난수 정보도 획득할 수 있으며, 획득된 의사 데이터, 난수 정보 또는 상기 프로그램을 저장 및 관리할 수 있다.
여기서, 지정된 임계치는 미리 설정된 값으로 제조업체, 또는 사용자 데이터 관리 주체의 설정에 따라 변경 가능할 수 있으며, 둘 이상의 임계치 설정이 가능할 수 있다.
상기한 바와 같이 제1 프로세서(421)는 학습이 진행되는 과정 중에 점점 노이즈를 제거하도록 파라미터가 업데이트되며, 원본 데이터와 일부 특성이 유사한 의사 데이터들(530)을 생성할 수 있다. 예를 들어, 원본 데이터와 의사 데이터가 일부 특성이 유사하다는 의미는 원본 데이터의 분포와 제1 프로세서(421)에서 생성되는 데이터의 분포가 일부 동일하게 또는 매우 근접하게 나타난다는 의미일 수 있다.
제1 프로세서(421)는 유사도에 따라 버전이 다른 의사 데이터들(530)을 생성만 할 뿐이며, 유사도 판단은 프로세서(420) 또는 제2 프로세서(422)에서 수행될 수 있다. 이에 따라 각각의 임계치에 도달한 의사 데이터마다 서로 다른 권한 레벨이 지정될 수 있으며, 유사도에 따른 버전별로 의사 데이터(530)가 저장될 수 있다.
도 6은 다양한 실시 예에 따른 메모리의 저장 영역을 예시적으로 나타낸 도면(600)이다.
도 6을 참조하면, 메모리(430)는 도 4의 메모리(430)와 동일할 수 있으나, 의사 데이터를 관리하기 위한 관리 정책(610) 및 권한 레벨에 대응하는 생성 모델(또는 프로그램)을 더 포함하는 경우를 예시하고 있다.
관리 정책(610)은 각 서비스 사업자별 또는 외부 장치별로 권한 레벨을 설정한 정보를 포함할 수 있다. 권한 레벨은 예컨대, auth 0, auth 1, … , auth N까지 지정된 수로 구분될 수 있으나, 이에 한정되지 않을 수 있다. 예를 들어, 유사도에 대응되는 의사 데이터를 생성하기 위한 생성 모델(또는 프로그램)(621, 622, 623)도 유사도에 따라 버전별로 구분되어 생성 모델 저장소(620)에 저장될 수 있다. 각각의 생성 모델(또는 프로그램)(621, 622, 623)은 대응되는 권한이 지정된 상태로 저장될 수 있다. 각각의 생성 모델(또는 프로그램)(621, 622, 623)은 대응되는 권한을 가지는 복수의 클라이언트들을 포함하는 서비스 사업자(260)로 배포될 수 있다.
상기한 바와 같이 프로세서(420)는 전술한 서비스 사업자별 관리 정책(610) 및 관리 정책에 대응하는 의사 데이터를 제공하기 위한 생성 모델(또는 프로그램)(621, 622, 623)을 메모리(430)에 저장 및 관리할 수 있다.
도 7은 다양한 실시 예에 따른 원본 데이터와 연관된 데이터를 제공하기 위한 전자 장치의 동작 흐름도(700)이다.
도 7에서는 원본 데이터와 연관된 데이터를 제공하기 전 사전 준비 동작을 예시하고 있으며, 동작 방법은 705 내지 730 동작들을 포함할 수 있다. 동작 방법의 각 단계/동작은, 서버(예: 도 1의 서버(108), 도 2의 데이터 서버(250, 251))에 의해 수행될 수 있으며, 데이터 서버를 전자 장치 형태로 구현할 경우 전자 장치(예: 도 1의 전자 장치(101), 도 4의 전자 장치(401), 전자 장치의 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 4의 프로세서(420))) 중 적어도 하나에 의해 수행될 수 있다. 한 실시 예에서, 705 내지 730 동작들 중 적어도 하나가 생략되거나, 일부 동작들의 순서가 바뀌거나, 다른 동작이 추가될 수 있다.
이하에서는 전자 장치(401)에서의 동작을 예로 들어 설명하기로 한다.
705 동작에서 전자 장치(401)는 제1 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득할 수 있다. 일 실시 예에 따르면, 미리 설정된 프로그램에 난수 정보를 입력하여 상기 제1 데이터를 획득할 수 있다. 예를 들어, 상기 미리 설정된 프로그램은 수학식 1에서와 같은 생성 모델이며, 상기 난수 정보는 랜덤 노이즈일 수 있다. 이에 따라 생성 모델에 상기 난수 정보를 적용한다면 제1 데이터가 출력될 수 있다. 출력된 제1 데이터는 의사 데이터라고 칭할 수 있으며, 서비스 사업자 입장에서는 원본 데이터와 동일하지 않지만 원본 데이터와 특성이 유사하므로 원본 데이터를 대체하여 데이터 분석용으로 이용할 수 있다.
710 동작에서 전자 장치(401)는 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시킬 수 있다. 일 실시 예에 따르면, 상기 제1 비교 결과, 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 대응되면, 상기 제1 유사도와 연관시킨 상기 제1 데이터 또는 상기 난수 정보와 함께 상기 제1 데이터를 획득하기 위한 프로그램을 저장할 수 있다. 또는 상기 제1 유사도와 연관시킨 상기 제1 데이터를 저장할 수도 있다. 또한, 상기 제1 데이터를 획득하기 위한 프로그램을 저장할 때 상기 프로그램을 학습시키기 위해 입력 값으로 사용했던 난수 정보도 함께 저장할 수 있다. 또한, 상기 제1 프로그램과 같은 생성 모델을 저장할 때, 상기 제1 임계치에 도달하도록 학습 시에 상기 생성 모델에 적용된 가중치 또는 파라미터를 함께 저장할 수 있다.
예를 들어, 전자 장치(401)는 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 매칭되는지를 식별할 수 있다. 만일 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 매칭되는 경우, 전자 장치(401)는 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시켜 저장할 수 있다. 또는 상기 제1 유사도와 연관시킨 상기 제1 데이터를 저장할 수도 있다. 이때, 제1 유사도와 연관된 상기 제1 데이터 또는 상기 제1 프로그램을 저장할 때, 유사도에 대해 권한을 지정하여 저장할 수 있다. 예를 들어, 제1 유사도에 대해서는 제1 권한 레벨을 지정할 수 있다.
715 동작에서 전자 장치(401)는 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득할 수 있다. 일 실시 예에 따르면, 상기 프로그램에 상기 동일한 난수 정보를 입력하여 상기 제2 데이터를 획득할 수 있다. 즉, 상기 제1 데이터를 획득할 때 입력했던 난수 정보와 동일한 난수 정보를 이용하여 상기 제2 데이터를 획득할 수 있다.
예를 들어, 전자 장치(401)는 제1 유사도에 대응하는 제1 데이터를 획득하기 위한 제1 프로그램을 획득한 이후에는 상기 제1 임계치를 제2 임계치로 변경할 수 있다. 여기서, 임계치 변경은 단계적으로 조정될 수 있으며, 상기 제1 임계치보다 상기 제2 임계치가 더 높은 값일 수 있다. 상기와 같은 학습을 통해 생성부와 판별부의 가중치가 업데이트될 수 있으며, 각 임계치에 해당하는 프로그램(또는 생성 모델)의 가중치를 획득할 수 있다. 따라서 상기 제1 유사도에 대응하는 제1 데이터를 획득한 이후에는 상기 제2 임계치에 매칭되는 제2 데이터를 획득하기 위해 학습을 통해 가중치 또는 파라미터와 같은 정보가 조정될 수 있다.
720 동작에서 전자 장치(401)는 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시킬 수 있다. 일 실시 예에 따르면, 상기 제2 비교 결과, 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 대응되면, 상기 제2 유사도와 연관시킨 상기 제2 데이터 또는 상기 난수 정보와 함께 상기 제2 프로그램을 저장할 수 있다.
예를 들어, 전자 장치(401)는 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 매칭되는지를 식별할 수 있다. 만일 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 매칭되는 경우, 전자 장치(401)는 상기 제2 데이터 또는 상기 난수 정보와 함께 상기 제2 프로그램을 제2 유사도와 연관시켜 저장할 수 있다.
일 실시 예에 따르면, 상기 제1 데이터 및 상기 제2 데이터는, GAN(generative adversarial network)을 기반으로 한 반복 학습을 통해 획득될 수 있다. 이때, 학습을 통해 획득되는 데이터는 학습이 반복될수록 원본 데이터와의 유사도가 높아지므로, 상기 제2 유사도가 상기 제1 유사도 보다 높으며, 이에 따라 제2 임계치도 제1 임계치보다 높을 수 있다. 또한 유사도에 대응하여 서비스 사업자가 저장된 데이터에 대해 접근할 수 있는 권한이 지정될 수 있다. 일 실시 예에 따라, 상기 제1 유사도에 대해 지정된 권한은 상기 제2 유사도에 대해 지정된 권한 보다 낮을 수 있다.
725 동작에서 전자 장치(401)는 외부 장치로부터 데이터 요청이 수신되는지를 식별할 수 있다. 여기서, 외부 장치는 다른 지역에 위치한 데이터 서버 또는 실제 데이터를 분석용으로 사용하기 위한 데이터 분석 장치일 수 있다.
730 동작에서 전자 장치(401)는 상기 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공할 수 있다. 일 실시 예에 따르면, 상기 요청에 응답하여, 상기 요청에 대응하는 유사도와 연관된 프로그램과 함께 상기 난수 정보도 제공할 수 있다. 일 실시 예에 따르면, 상기 요청에 응답하여, 상기 요청에 대응하는 권한을 식별하고, 상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공할 수 있다.
예를 들어, 요청은 분석용 데이터를 요청한 상대방으로부터 수신될 수 있다. 이때, 요청은 서비스 사업자로부터 분석용 데이터를 요청하기 위한 것에 대응할 수 있지만, 타지역에 위치한 데이터 서버로부터의 요청일 수도 있다. 따라서 실제로 데이터를 분석할 서비스 사업자로부터의 요청에 대응해서는 분석을 위한 유사도와 연관된 데이터가 제공되지만, 타지역에 위치한 데이터 서버로부터의 요청에 대응해서는 의사 데이터를 필요한 만큼 생성할 수 있도록 생성 모델과 함께 난수 정보를 제공할 수 있다.
일 실시 예에 따르면, 상기 방법은, 상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과 동일한 제1 지역에 대응하는 데이터에 대한 요청인지를 식별하는 동작, 상기 제1 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하는 동작 및 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 식별된 권한에 대응하는 유사도와 연관된 데이터를 제공하는 동작을 더 포함할 수 있다.
일 실시 예에 따르면, 상기 방법은, 상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과는 다른 제2 지역에 대응하는 데이터에 대한 요청인지를 식별하는 동작, 상기 제2 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하는 동작 및 상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 더 포함할 수 있다.
도 8은 다양한 실시 예에 따른 GAN에 의한 원본 데이터와 연관된 데이터를 획득하기 위한 과정을 설명하기 위한 도면(800)이다.
도 8에 도시된 바와 같이 생성 모델을 기반으로 동작하는 제1 프로세서(421)에 랜덤 노이즈(815)가 입력(S805)되며, 제1 프로세서(421)로부터 출력(S810)되는 의사 데이터가 제2 프로세서(422)의 입력(S820)으로 전달될 수 있다. 이때, 제2 프로세서(422)는 판별 모델을 기반으로 동작하며, 의사 데이터(825)와 원본 데이터(810)를 동시에 입력(S815, S820)받을 수 있으며, 그 비교 결과를 제1 프로세서(421)로 리턴(S825)할 수 있다.
상기한 바와 같이 제2 프로세서(422)에서 입력으로 받은 의사 데이터(825)와 원본 데이터(810)를 기반으로 의사 데이터(825)에 대한 진위 여부를 구별하는데, 제1 프로세서(421)에서는 파라미터(또는 가중치)를 조절하여 제2 프로세서(422)에서 진위 여부 판단의 성공률을 낮추도록 동작할 수 있다. 이와 같이 S805 내지 S825로 이루어지는 1번의 싸이클(cycle)을 스텝(step)이라고 하는데, 스텝이 많아질수록 제1 프로세서(421)의 학습 횟수가 늘어나며, 학습 횟수가 늘어날수록 제2 프로세서(422)에서 원본 데이터와의 구별이 어려워지게 되며, 제1 프로세서(421)에서 제공되는 의사 데이터(825)도 원본 데이터(810)와의 유사도가 높아지게 될 수 있다.
도 9는 다양한 실시 예에 따른 전자 장치 내의 각 구성부들 간의 신호 흐름도(900)이다. 동작 방법은 905 내지 940 동작들을 포함할 수 있다. 동작 방법의 각 단계/동작은, 서버(예: 도 1의 서버(108), 도 2의 데이터 서버(250, 251))에 의해 수행될 수 있으며, 데이터 서버를 전자 장치 형태로 구현할 경우 전자 장치(예: 도 1의 전자 장치(101), 도 4의 전자 장치(401), 전자 장치의 적어도 하나의 프로세서(예: 도 1의 프로세서(120), 도 4의 프로세서(420))) 중 적어도 하나에 의해 수행될 수 있다. 한 실시 예에서, 905 내지 940 동작들 중 적어도 하나가 생략되거나, 일부 동작들의 순서가 바뀌거나, 다른 동작이 추가될 수 있다.
도 9를 참조하면, 전자 장치(예: 도 4의 전자 장치(401))의 프로세서(420)에 포함된 제1 프로세서(421)는 905 동작에서 의사 데이터를 획득할 수 있다.
910 동작에서 제1 프로세서(421)는 의사 데이터와 함께 원본 데이터를 제2 프로세서(422)로 전달할 수 있다.
915 동작에서 제2 프로세서(422)는 의사 데이터와 원본 데이터 간의 유사도를 측정할 수 있다. 유사도 측정 기법의 예로는, 유클리디언 거리(euclidean distance), 마할라노비스 거리(mahalanobis distance), 민코스키 거리(minkowski distance), 또는 코사인 유사도(cosine similarity)와 같은 방법이 있으며, 상기한 바 이외에도 더 많은 기법이 있으며, 이에 한정되지 않을 수 있다.
920 동작에서 제2 프로세서(422)는 유사도 측정 결과, 의사 데이터와 원본 데이터 간의 유사도가 지정된 임계치에 매칭/대응되는지를 식별할 수 있다. 만일 유사도가 지정된 임계치에 매칭/대응되는 경우 제2 프로세서(422)는 925 동작에서 임계치에 매칭되는 유사도에 대응하는 프로그램(또는 생성 모델)을 메모리(430)에 저장한 후, 임계치를 조정할 수 있다. 예를 들어, 제1 임계치를 제2 임계치로 조정할 수 있으며, 제2 임계치는 제1 임계치보다 높을 수 있다. 학습이 진행될수록 생성되는 의사 데이터는 원본 데이터에 가까워지는 데이터 분포를 가지게 되며, 이에 따라 유사도도 높아지므로 보다 원본 데이터에 가깝게 만들어진 의사 데이터를 얻기 위해 임계치를 높일 수 있다.
반면, 920 동작에서 의사 데이터와 원본 데이터 간의 유사도가 임계치에 매칭되지 않는 경우, 제2 프로세서(422)는 930 동작에서 의사 데이터와 원본 데이터를 분류 및 학습하는 동작을 수행할 수 있다. 예를 들어, 제2 프로세서(422)에 들어온 의사 데이터가 원본 데이터와 비교했을 때 진짜인지의 여부를 식별하는 동작을 수행할 수 있다. 이어, 935 동작에서 분류 결과를 제1 프로세서(421)에 통지할 수 있다.
이에 따라 제1 프로세서(421)에서는 940 동작에서 분류 결과를 바탕으로 다시 학습을 수행할 수 있다. 예를 들어, 제1 프로세서(421)는 생성 모델의 파라미터(또는 가중치)를 조정하여 랜덤 노이즈 입력에 대응한 의사 데이터를 생성하는 동작을 반복 수행할 수 있다. 상기한 바와 같이 905 동작 내지 940 동작을 포함하는 동작(950)은 두 데이터 간의 유사도가 복수의 임계치 중 최대 임계치에 매칭할 때까지 반복 수행될 수 있다. 상기 복수의 임계치는 단계적으로 높아지도록 미리 설정될 수 있다.
도 10a는 다양한 실시 예에 따른 원본 데이터와 제1 유사도에 대응하는 의사 데이터를 예시한 도면(1000a)이다.
도 10a에서는 원본 데이터(1005) 및 원본 데이터를 기준으로 제1 유사도에 대응하는 데이터(1010)를 예시하고 있다. 도 10a를 참조하면, 원본 데이터 즉, 수집된 사용자 데이터는 데이터베이스 테이블(table), 스프레드시트 파일, 텍스트 파일, 또는 이미지 파일 형태와 같이 다양한 형태의 저장 포맷으로 저장될 수 있는데, 도 10a에서는 스프레드시트 파일 형태를 예시하고 있다. 예를 들어, 도 10a에서 원본 데이터(1005)와 비교했을 때 획득된 데이터(1010)와 원본 데이터와의 유사도를 나타내는 제1 유사도는 50%인 경우를 예시하고 있으며, 제1 버전의 제1 생성 모델에 의해 획득된 제1 의사 데이터(1010)를 예시하고 있다.
도 10b는 다양한 실시 예에 따른 원본 데이터와 제2 유사도에 대응하는 의사 데이터를 예시한 도면(1000b)이다.
도 10b에서는 원본 데이터(1005) 및 원본 데이터를 기준으로 제2 유사도에 대응하는 데이터(1015)를 예시하고 있다. 예를 들어, 도 10b에서 원본 데이터(1005)와 비교했을 때 획득된 데이터(1015)와 원본 데이터와의 유사도를 나타내는 제1 유사도는 70%인 경우를 예시하고 있으며, 제2 버전의 제2 생성 모델에 의해 획득된 제2 의사 데이터(1015)를 예시하고 있다.
도 10c는 다양한 실시 예에 따른 원본 데이터와 제3 유사도에 대응하는 의사 데이터를 예시한 도면(1000c)이다.
도 10c에서는 원본 데이터(1005) 및 원본 데이터를 기준으로 제3 유사도에 대응하는 데이터(1020)를 예시하고 있다. 도 10c에서는 원본 데이터(1005) 및 원본 데이터를 기준으로 제3 유사도에 대응하는 데이터(1020)를 예시하고 있다. 예를 들어, 도 10c에서 원본 데이터(1005)와 비교했을 때 획득된 데이터(1020)와 원본 데이터와의 유사도를 나타내는 제3 유사도는 90%인 경우를 예시하고 있으며, 제3 버전의 제3 생성 모델에 의해 획득된 제3 의사 데이터(1020)를 예시하고 있다.
상기한 바와 같이 전자 장치(예: 도 4의 전자 장치(401))는 GAN 모델을 통해서 의사 데이터가 생성될 때마다 생성된 의사 데이터와 실제 데이터 간의 유사도 측정을 수행할 수 있다. 이러한 유사도 측정을 통해 유사도 측정 결과가 정해진 임계치에 매칭될 때마다 전자 장치(예: 도 4의 전자 장치(401))는 그 임계치에 매칭되는 의사 데이터를 생성했었던 생성 모델을 스냅샷(snapshot)을 이용하여 저장할 수 있다.
이에 따라 도 10a 내지 도 10c에서와 같이 데이터의 유사도에 따라 제1 의사 데이터 내지 제3 의사 데이터(1010, 10105, 1020)를 획득하기 위해 이용했었던 생성 모델들을 각각의 유사도에 연관시킨 후, 권한별로 또는 버전별로 저장할 수 있다. 이에 따라 데이터에 대한 외부 요청이 수신되면, 외부 요청에 대응하여 클라이언트의 권한 등급에 맞는 생성 모델 또는 생성 모델을 이용한 의사 데이터를 배포할 수 있다.
도 11은 다양한 실시 예에 따른 동일 지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면(1100)이다.
도 11에서는 외부 장치(1105)가 제1 데이터 서버(1110)와 동일한 지역에 위치하며, 제2 데이터 서버(1115)는 다른 지역에 위치한 경우를 예시하고 있다.
도 11을 참조하면, 외부 장치(1105)는 1120 동작에서 A 지역의 분석용 데이터를 요청할 수 있다. 여기서, 외부 장치(1105)는 서비스 사업자(예: 도 2의 서비스 사업자(260))에 해당할 수 있으며, 데이터를 분석하는 역할을 하므로 데이터 분석 장치라고도 칭할 수 있다.
상기 요청에 대응하여, 제1 데이터 서버(1110)는 1125 동작에서 상기 외부 장치(1105)에 대한 권한을 식별하고 권한에 대응하는 제1 프로그램(또는 생성 모델)/을 선택할 수 있다. 이때, 제1 프로그램은 지정된 임계치에 도달하는 데 입력값으로 사용되었던 파라미터(또는 가중치), 난수 정보와 같은 관련 정보가 함께 저장되므로, 제1 프로그램 선택에 대응하여 관련 정보도 함께 선택될 수 있다. 여기서, 권한은 외부 장치(1105)가 분석용 데이터에 접근할 수 있는 권한을 나타내며, 외부 장치(1105)가 분석용 데이터를 사용하고자 하는 용도, 외부 장치(1105)의 종류에 따라 정해질 수 있으나, 이에 한정되지 않을 수 있다. 예를 들어, 상기 외부 장치(1105)로부터 수신된 요청에 외부 장치(1105)에 대한 권한을 식별하는데 사용되는 정보가 포함될 수 있으며, 상기 정보는 외부 장치(1105)의 종류, 분석용 데이터를 사용하고자 하는 용도 중 적어도 하나를 포함할 수 있으며, 다르게는 지정된 권한 정보를 포함할 수도 있다.
이어, 1130 동작에서 제1 데이터 서버(1110)는 제1 프로그램을 이용하여 의사 데이터 즉, 분석용 데이터를 생성한 후, 1135 동작에서 상기 요청에 대응하는 A 지역의 분석용 데이터를 외부 장치(1105)로 전달할 수 있다. 여기서, 분석용 의사 데이터 생성을 위해 제1 프로그램과 함께 저장된 난수 정보가 이용될 수 있다.
상기한 바와 같이 요청받은 데이터가 제1 데이터 서버(1110)가 관리하는 지역에 대한 데이터에 해당할 경우, 제1 데이터 서버(1110)는 외부 장치(1105)의 권한을 식별할 수 있다. 또한, 제1 데이터 서버(1110)는, 복수의 프로그램들 중 식별된 권한에 대응하는 프로그램을 선택할 수 있으며, 선택된 프로그램을 이용하여 분석용 데이터를 생성할 수 있으며, 생성된 분석용 데이터를 제공할 수 있다. 예를 들어, 지정된 유사도별로 프로그램을 미리 저장해놓을 수 있으며, 권한에 대응하는 유사도를 가지는 프로그램을 선택할 수 있다.
한 실시예에서, 제1 데이터 서버(1110)는 복수의 프로그램들 중 식별된 권한에 대응하는 프로그램을 선택할 수 있으며, 선택된 프로그램에 상기 복수의 프로그램을 적용된 난수 정보를 입력하여 분석용 데이터를 생성할 수 있으며, 생성된 분석용 데이터를 제공할 수 있다.
다양한 실시 예에 따르면, 선택된 프로그램을 이용한다면 무제한으로 분석용 데이터를 만들어내는 것이 가능하므로, 제1 데이터 서버(1110)는 요청받은 만큼의 분석용 데이터를 생성하여 제공할 수 있다. 이를 위해 외부 장치(1105)는 데이터 요청 시 필요한 분석용 데이터의 양을 지정할 수 있다.
도 12는 다양한 실시 예에 따른 타 지역 내의 분석용 데이터 요청 과정을 설명하기 위한 도면(1200)이다.
도 12에서는 외부 장치(1105)가 제1 데이터 서버(1110)와 동일한 지역에 위치하며, 제2 데이터 서버(1115)는 다른 지역에 위치한 경우를 예시하고 있다.
도 12를 참조하면, 외부 장치(1105)는 1205 동작에서 B 지역의 분석용 데이터를 요청할 수 있다.
1210 동작에서, 상기 B 지역의 분석용 데이터 요청에 대응하여, 제1 데이터 서버(1110)는 1210 동작에서 B 지역의 분석용 데이터 요청인지를 식별할 수 있다. 만일 제1 데이터 서버(1110)가 관리하는 지역이 아닌 다른 지역에 대한 분석용 데이터 요청일 경우, 1215 동작에서 B 지역의 데이터 획득을 위한 요청을 B 지역을 관리하는 제2 데이터 서버(1115)로 전송할 수 있다.
1220 동작에서 제2 데이터 서버(1115)는 B 지역의 데이터 획득을 위한 요청에 대응하여, 요청된 프로그램(또는 생성 모델)을 식별할 수 있다.
1225 동작에서 제2 데이터 서버(1115)는 B 지역에 대응하는 데이터 생성을 위한 프로그램을 제1 데이터 서버(1110)로 전달할 수 있다. 예를 들어, 제2 데이터 서버(1115)는 제2 데이터 서버(1115)가 가지고 있는 복수의 프로그램을 모두 제공하거나 요청에 대응하여, 적어도 일부의 프로그램을 제공할 수 있다. 이때, B 지역에 대응하는 데이터 생성을 위한 프로그램을 제공한다는 의미는, 수학식 1을 통해 학습된 생성 모델을 제공하거나 생성 모델에 입력으로 사용되는 랜덤 노이즈와 함께 생성 모델 또는 생성 모델만을 제공한다는 의미일 수 있다.
1235 동작에서 제1 데이터 서버(1110)는 상기 외부 장치(1105)에 대한 권한을 식별하고, 권한에 대응하는 프로그램을 선택할 수 있다. 예를 들어, 제1 데이터 서버(1110)는 둘 이상의 프로그램을 제공받은 경우, 권한에 대응하는 프로그램을 선택할 수 있다.
1240 동작에서 제1 데이터 서버(1110)는 선택된 프로그램을 이용하여 의사 데이터 즉, 분석용 데이터를 생성할 수 있다. 예를 들어, 제1 데이터 서버(1110)는 식별된 권한을 기반으로, 어느 정도의 유사도를 가지는 분석용 데이터를 제공해야 하는지를 식별할 수 있으므로, 권한에 대응하는 프로그램을 선택할 수 있다. 이러한 프로그램이 선택되면, 제1 데이터 서버(1110)는 선택된 프로그램에 입력으로 들어가는 랜덤 노이즈도 함께 알 수 있으므로, 랜덤 노이즈를 선택된 프로그램에 입력함으로써 대량의 분석용 데이터를 획득할 수 있다.
1245 동작에서 제1 데이터 서버(1110)는 생성된 B 지역의 분석용 데이터를 외부 장치(1105)로 전달할 수 있다. 이와 같이 A 국가에 위치한 데이터 분석가의 경우 B 국가에 위치한 데이터 서버로부터 실제 사용자 데이터의 데이터 특성과 유사한 특성을 가지는 데이터를 획득할 수 있다. 이에 따라 각 국가 간에 실제 데이터 또는 민감한 데이터를 주고 받는 것이 아니라 분석용 데이터 또는 분석용 데이터 생성을 위한 프로그램(또는 생성 모델)을 주고 받음으로써, 법률적인 이슈를 해결할 수 있을 뿐만 아니라 데이터 활용을 증대시킬 수 있다.
상기한 바와 같이 외부 장치(1105)와 동일한 지역 내에 위치한 제1 데이터 서버(1110) 내에 외부 장치(1105)가 요청한 타지역에 대한 데이터가 없는 경우, 제1 데이터 서버(1110)는 타지역의 제2 데이터 서버(1115)로부터 분석용 데이터 생성을 위한 프로그램(또는 생성 모델)을 전달받을 수 있다. 이어, 제1 데이터 서버(1110)에서 분석용 데이터 생성을 위한 프로그램(또는 생성 모델)을 이용하여 외부 장치(1105)의 권한에 대응하는 수준 예컨대, 상기 권한에 대응하는 유사도를 가지는 데이터를 생성할 수 있으며, 생성된 데이터를 분석용 데이터로서 외부 장치(1105)에 제공할 수 있다.
도 13은 다양한 실시 예에 따른 데이터 분석 장치의 구성도(1300)이다.
도 13을 참조하면, 데이터 분석 장치(1305)는 서비스 사업자에 대응하는 장치일 수 있으며, 외부 장치라고 칭할 수 있다.
도 13에 도시된 바와 같이 데이터 분석 장치(1305)는 프로세서(1320), 메모리(1330) 및 통신 모듈(1390)을 포함할 수 있다. 다양한 실시 예에 따르면, 서비스 사업자의 수는 복수이므로, 데이터 분석 장치(1305)도 복수 개일 수 있다.
데이터 분석 장치(1305)의 동작은 도 2의 서비스 사업자(260)의 동작과 동일 또는 유사할 수 있다. 데이터 분석 장치(1305)는 데이터 관리 서버(250)와 통신하기 위한 통신 모듈(1390), 의사 데이터를 분석하는 프로세서(1320) 및 분석용 의사 데이터를 저장하는 메모리(1330)를 포함할 수 있다.
데이터 분석 장치(1305)는 사용자에게 서비스를 제공하기 위해 필요한 데이터를 분석할 수 있다. 분석 결과를 기반으로 한 서비스를 네트워크(1399)를 통해 사용자의 전자 장치(1301)로 제공할 수 있다. 예를 들어, 패밀리 허브에서 냉장고를 이용하여 촬영된 원본 사진을 클라우드로 전송할 경우, 클라우드에서는 원본 사진을 이용하여 GAN 학습을 수행할 수 있다. 이에 따라 클라우드에서는 학습 횟수에 따라 지정된 유사도별로 매칭되는 생성 모델과 생성 모델로의 입력값인 랜덤 노이즈를 관리 및 저장할 수 있다. 분석용 데이터 요청에 대응하여 요청에 해당하는 권한을 식별한 후, 권한에 대응하는 생성 모델 또는 생성 모델을 이용하여 획득되는 분석용 데이터의 제공이 가능할 수 있다.
다양한 실시 예에 따르면, 데이터 분석 장치(1305)는 홈 네트워크 서비스, 건강 관리 서비스, 교육 서비스와 같은 사용자별 맞춤형 서비스를 제공할 수 있다. 상기한 바 이외에도 다양한 서비스 제공이 가능하며, 서비스 제공 대상도 사용자의 전자 장치(1301)에 한정되지 않을 수 있다.
본 문서에 개시된 다양한 실시 예에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나" 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예는 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시 예에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
다양한 실시 예에 따르면, 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은, 난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키는 동작, 상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하는 동작, 상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키는 동작 및 요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 포함할 수 있다.
그리고 본 명세서와 도면에 발명된 본 발명의 실시 예들은 본 발명의 실시 예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시 예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시 예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시 예의 범위는 여기에 발명된 실시 예들 이외에도 본 발명의 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시 예의 범위에 포함되는 것으로 해석되어야 한다.
101: 전자 장치, 120: 프로세서, 130: 메모리, 150: 입력 장치, 160: 표시 장치, 190: 통신 모듈
Claims (20)
- 전자 장치에 있어서,
적어도 하나의 프로세서; 및
메모리를 포함하며,
상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서가,
난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하고,
상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키고,
상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하고,
상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키고,
요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 하는 인스트럭션들을 저장하는 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 상기 제1 유사도와 연관시키고,
상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 상기 제2 유사도와 연관시키도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 요청에 응답하여, 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램과 함께, 상기 난수 정보를 제공하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
GAN(generative adversarial network)을 기반으로 한 반복 학습을 통해 상기 제1 데이터 및 상기 제2 데이터를 획득하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 제1 비교 결과, 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 대응되면, 상기 제1 유사도와 연관시킨 상기 제1 데이터 또는 상기 난수 정보와 함께 상기 제1 데이터를 획득하기 위한 상기 제1 프로그램을 저장하며,
상기 제2 비교 결과, 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 대응되면, 상기 제2 유사도와 연관시킨 상기 제2 데이터 또는 상기 난수 정보와 함께 상기 제2 데이터를 획득하기 위한 상기 제2 프로그램을 저장하도록 설정된, 전자 장치.
- 제5항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 원본 데이터와 상기 제1 데이터 간의 유사도 및 상기 원본 데이터와 상기 제2 데이터 간의 유사도를 지정된 유사도 기법을 이용하여 식별하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 요청에 응답하여, 상기 요청에 대응하는 권한을 식별하고,
상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공하도록 설정된, 전자 장치.
- 제7항에 있어서,
상기 제1 유사도는 상기 제2 유사도 보다 낮으며, 상기 제1 유사도에 대해 지정된 권한은 상기 제2 유사도에 대해 지정된 권한 보다 낮은, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과 동일한 제1 지역에 대응하는 데이터에 대한 요청인지를 식별하고,
상기 제1 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하고,
상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공하도록 설정된, 전자 장치.
- 제1항에 있어서, 상기 인스트럭션들은, 상기 적어도 하나의 프로세서가,
상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과는 다른 제2 지역에 대응하는 데이터에 대한 요청인지를 식별하고,
상기 제2 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하고,
상기 제1 유사도 및 상기 제2 유사도 중에서 상기 식별된 권한에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하도록 설정된, 전자 장치.
- 전자 장치에서 원본 데이터와 연관된 데이터를 제공하기 위한 방법에 있어서,
난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하는 동작;
상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키는 동작;
상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하는 동작;
상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키는 동작; 및
요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서,
상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 상기 제1 유사도와 연관시키는 동작; 및
상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 상기 제2 유사도와 연관시키는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서,
상기 요청에 응답하여, 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램과 함께, 상기 난수 정보를 제공하는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서, 상기 제1 데이터 및 상기 제2 데이터는,
GAN(generative adversarial network)을 기반으로 한 반복 학습을 통해 획득되는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서,
상기 제1 비교 결과, 상기 원본 데이터와 상기 제1 데이터 간의 유사도가 제1 임계치에 대응되면, 상기 제1 유사도와 연관시킨 상기 제1 데이터 또는 상기 난수 정보와 함께 상기 제1 데이터를 획득하기 위한 상기 제1 프로그램을 저장하는 동작; 및
상기 제2 비교 결과, 상기 원본 데이터와 상기 제2 데이터 간의 유사도가 제2 임계치에 대응되면, 상기 제2 유사도와 연관시킨 상기 제2 데이터 또는 상기 난수 정보와 함께 상기 제2 데이터를 획득하기 위한 상기 제2 프로그램을 저장하는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서, 상기 요청에 응답하여, 상기 요청에 대응하는 권한을 식별하는 동작; 및
상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 제공하는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제16항에 있어서, 상기 제1 유사도는 상기 제2 유사도 보다 낮으며, 상기 제1 유사도에 대해 지정된 권한은 상기 제2 유사도에 대해 지정된 권한 보다 낮은, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서, 상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과 동일한 제1 지역에 대응하는 데이터에 대한 요청인지를 식별하는 동작;
상기 제1 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하는 동작; 및
상기 제1 유사도 및 상기 제2 유사도 중에서 상기 식별된 권한에 대응하는 유사도와 연관된 데이터를 제공하는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 제11항에 있어서, 상기 요청에 대응하는 유사도와 연관된 데이터 또는 난수 정보를 제공하는 동작은,
상기 요청에 대응하여, 상기 요청이 상기 전자 장치가 위치하는 지역과는 다른 제2 지역에 대응하는 데이터에 대한 요청인지를 식별하는 동작;
상기 제2 지역에 대응하는 데이터에 대한 요청인 경우, 상기 요청에 대응하는 권한을 식별하는 동작; 및
상기 식별된 권한에 대응하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 더 포함하는, 원본 데이터와 연관된 데이터를 제공하기 위한 방법.
- 명령들을 저장하고 있는 저장 매체에 있어서, 상기 명령들은 적어도 하나의 프로세서에 의하여 실행될 때에 상기 적어도 하나의 프로세서로 하여금 적어도 하나의 동작을 수행하도록 설정된 것으로서, 상기 적어도 하나의 동작은,
난수 정보에 기반하여 원본 데이터와 연관된 제1 데이터를 획득하는 동작;
상기 원본 데이터와 상기 제1 데이터 간의 제1 비교 결과에 기반하여, 상기 제1 데이터를 획득하기 위한 제1 프로그램을 제1 유사도와 연관시키는 동작;
상기 난수 정보에 기반하여 상기 원본 데이터와 연관된 제2 데이터를 획득하는 동작;
상기 원본 데이터와 상기 제2 데이터 간의 제2 비교 결과에 기반하여, 상기 제2 데이터를 획득하기 위한 제2 프로그램을 제2 유사도와 연관시키는 동작; 및
요청에 응답하여, 상기 제1 유사도 및 상기 제2 유사도 중에서 상기 요청에 대응하는 유사도와 연관된 데이터를 획득하기 위한 프로그램을 제공하는 동작을 포함하는, 저장 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190011223A KR20200093910A (ko) | 2019-01-29 | 2019-01-29 | 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
| US16/748,895 US11704291B2 (en) | 2019-01-29 | 2020-01-22 | Method for providing data associated with original data and electronic device and storage medium for the same |
| PCT/KR2020/001302 WO2020159200A1 (en) | 2019-01-29 | 2020-01-28 | Method for providing data associated with original data and electronic device and storage medium for the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190011223A KR20200093910A (ko) | 2019-01-29 | 2019-01-29 | 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200093910A true KR20200093910A (ko) | 2020-08-06 |
Family
ID=71731372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190011223A KR20200093910A (ko) | 2019-01-29 | 2019-01-29 | 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11704291B2 (ko) |
| KR (1) | KR20200093910A (ko) |
| WO (1) | WO2020159200A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102236640B1 (ko) * | 2020-10-28 | 2021-04-06 | 주식회사 스파이스웨어 | 강화학습 기반의 난수 생성 장치 및 방법 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200093910A (ko) * | 2019-01-29 | 2020-08-06 | 삼성전자주식회사 | 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
| CN111401138B (zh) * | 2020-02-24 | 2023-11-07 | 上海理工大学 | 生成对抗神经网络训练过程的对抗优化方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100511684B1 (ko) | 2003-08-01 | 2005-08-31 | (주)씨앤에스 테크놀로지 | 유사 난수 발생기 |
| US20050177714A1 (en) * | 2004-02-10 | 2005-08-11 | Samsung Electronics Co., Ltd. | Authentication method of data processing apparatus with recording device and apparatus for the same |
| US7577845B2 (en) * | 2004-08-17 | 2009-08-18 | Hengli Ma | Information matrix cryptogram |
| KR101229521B1 (ko) * | 2005-12-28 | 2013-02-05 | 삼성전자주식회사 | 디바이스 메모리의 무결성 확인 방법 및 장치 |
| US8930381B2 (en) * | 2011-04-07 | 2015-01-06 | Infosys Limited | Methods and systems for runtime data anonymization |
| US9053329B2 (en) * | 2012-05-24 | 2015-06-09 | Lockbox Llc | Systems and methods for validated secure data access |
| KR102366809B1 (ko) * | 2015-07-17 | 2022-02-23 | 삼성전자주식회사 | 애플리케이션 프로세서를 인증하기 위한 디스플레이 드라이버 집적 회로 그리고 이를 포함하는 모바일 장치 |
| JP6524899B2 (ja) * | 2015-12-02 | 2019-06-05 | 富士通株式会社 | 秘匿データ照合装置、秘匿データ照合プログラムおよび秘匿データ照合方法 |
| SG11201809476VA (en) | 2016-04-29 | 2018-11-29 | Privitar Ltd | Computer-implemented privacy engineering system and method |
| KR101795259B1 (ko) | 2016-05-24 | 2017-11-08 | 제주대학교 산학협력단 | 개인정보보호를 위한 미터링 데이터 랜덤화 시스템 |
| KR20200093910A (ko) * | 2019-01-29 | 2020-08-06 | 삼성전자주식회사 | 원본 데이터와 연관된 데이터를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 |
-
2019
- 2019-01-29 KR KR1020190011223A patent/KR20200093910A/ko active Search and Examination
-
2020
- 2020-01-22 US US16/748,895 patent/US11704291B2/en active Active
- 2020-01-28 WO PCT/KR2020/001302 patent/WO2020159200A1/en active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102236640B1 (ko) * | 2020-10-28 | 2021-04-06 | 주식회사 스파이스웨어 | 강화학습 기반의 난수 생성 장치 및 방법 |
| WO2022092346A1 (ko) * | 2020-10-28 | 2022-05-05 | 주식회사 스파이스웨어 | 강화학습 기반의 난수 생성 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200242481A1 (en) | 2020-07-30 |
| WO2020159200A1 (en) | 2020-08-06 |
| US11704291B2 (en) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200242481A1 (en) | Method for providing data associated with original data and electronic device and storage medium for the same | |
| CN111476783A (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
| TW202209196A (zh) | 用於連續小樣本學習的方法以及使用者設備 | |
| US11449631B2 (en) | Electronic device for managing personal information and operating method thereof | |
| US20220130019A1 (en) | Electronic device and method for processing image by same | |
| EP3884407B1 (en) | Electronic device for authenticating biometric information and operating method thereof | |
| KR102498545B1 (ko) | 생체 인증과 관련된 객체의 표시에 따라 생체 인증을 수행하는 방법 및 이를 위한 전자 장치 | |
| US20210390209A1 (en) | Electronic device, method for providing personal information using same, and computer-readable recording medium for recording same | |
| KR102560769B1 (ko) | 신분 정보를 제공하는 장치 및 그 시스템 | |
| US11921857B2 (en) | Electronic device for providing service by using secure element, and operating method thereof | |
| KR20190091839A (ko) | 악성 코드를 분류하는 전자 장치 및 그 동작 방법 | |
| KR20210127383A (ko) | 블록체인 주소로 암호화폐를 송금하는 전자 장치와 이의 동작 방법 | |
| KR102453161B1 (ko) | 자동 응답 시스템으로 개인 정보를 전송하기 위한 장치 및 방법 | |
| KR102337217B1 (ko) | 전자 장치 및 그 동작 방법 | |
| JP6349062B2 (ja) | 認証システム、クライアント端末、認証サーバー、端末プログラム及びサーバープログラム | |
| KR20210051423A (ko) | 사용자의 액티비티 정보를 제공하는 전자 장치와 이의 동작 방법 | |
| US20210027765A1 (en) | Electronic device and operating method thereof | |
| KR102495238B1 (ko) | 사용자의 고유 정보와 결합한 생체 정보를 생성하기 위한 전자 장치 및 그의 동작 방법 | |
| US20220309187A1 (en) | Method for controlling permission of application and electronic device supporting the same | |
| US20230244771A1 (en) | Electronic device and control method therefor | |
| EP4322073A1 (en) | Electronic device corresponding to node included in blockchain network and operation method therefor | |
| KR20210056162A (ko) | 선물을 추천하기 위한 전자 장치와 그 동작 방법 | |
| Yao et al. | Pattern unlocking guided multi‐modal continuous authentication for smartphone with multi‐branch context‐aware representation learning and auto encoder | |
| KR20220132945A (ko) | 어플리케이션의 권한 제어 방법 및 이를 지원하는 전자 장치 | |
| JP6349063B2 (ja) | 認証システム、認証サーバー、及びサーバープログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |