KR20220082139A - 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법 - Google Patents

보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20220082139A
KR20220082139A KR1020200171235A KR20200171235A KR20220082139A KR 20220082139 A KR20220082139 A KR 20220082139A KR 1020200171235 A KR1020200171235 A KR 1020200171235A KR 20200171235 A KR20200171235 A KR 20200171235A KR 20220082139 A KR20220082139 A KR 20220082139A
Authority
KR
South Korea
Prior art keywords
graph
content
morpheme
forecast
security
Prior art date
Application number
KR1020200171235A
Other languages
English (en)
Inventor
구남기
Original Assignee
주식회사그린존시큐리티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사그린존시큐리티 filed Critical 주식회사그린존시큐리티
Priority to KR1020200171235A priority Critical patent/KR20220082139A/ko
Publication of KR20220082139A publication Critical patent/KR20220082139A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4668—Learning process for intelligent management, e.g. learning user preferences for recommending movies for recommending content, e.g. movies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4666—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms using neural networks, e.g. processing the feedback provided by the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

컨텐츠를 추천하기 위한 장치가 제공된다. 상기 장치는 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하는 예보수집부와, 상기 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 벡터처리부와, 상기 추출된 컨텐츠를 추천하는 추천부를 포함한다.

Description

보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법{Apparatus for recommending content based on security risk forecast and method therefor}
본 발명은 컨텐츠 추천 기술에 관한 것으로, 보다 상세하게는, 보안 위험 예보를 기초로 보안에 관련된 영상인 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법에 관한 것이다.
보안 위험은 외부의 위협이 내부의 취약성을 이용하여 보유한 각종 자산에 피해를 입힐 수 있는 잠재적인 가능성을 말한다. 위협은 자산에 손실을 초래할 수 있는, 원치 않는 사건의 잠재적 원인이나 행위자이다. 취약성은 하드웨어 또는 소프트웨어의 결함이나 체계 설계상의 허점으로 인해, 사용자, 특히 악의를 가진 공격자에게 '허용된 권한' 이상의 동작이나 '허용된 범위' 이상의 정보 열람을 가능하게 하는 약점을 말한다. 또는 취약성은 사용자 및 관리자의 부주의나 사회공학 기법에 의한 약점을 포함한 정보 체계의 모든 정보 보안상의 허점을 의미한다. 자산은 조직이 보호해야 할 대상으로서, 정보, 하드웨어, 소프트웨어, 시설 등을 말하며, 관련 인력, 기업 이미지 등의 무형자산을 포함하기도 한다. 이러한 보안 위험이 제대로 관리되지 않으면 보안 사고가 발생할 가능성이 증가한다. 특히, 보안 사고는 다양한 주체에 의해 발생하며, 그 종류 및 수법 또한 다양화 및 지능화되고 있다. 하지만, 일반 사용자는 물론이고, 보안 담당자들까지도 다양한 보안 위험을 모두 능동적으로 관리하고 대처할 수 있는 역량을 가지고 있는 것은 아니다.
한국공개특허 제2015-0125287호 2015년 11월 09일 공개 (명칭: 전자장치에서 미디어 추천 방법 및 장치)
본 발명의 목적은 보안 위험 예보를 기초로 컨텐츠 추천을 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 컨텐츠를 추천하기 위한 장치는 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하는 예보수집부와, 상기 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 벡터처리부와, 상기 추출된 컨텐츠를 추천하는 추천부를 포함한다.
상기 장치는 복수의 콘텐츠 각각에서 복수의 형태소를 추출하고, 추출된 복수의 형태소 각각의 중요도와, 추출된 복수의 형태소 간의 연결 관계 및 연결 강도를 나타내는 관계그래프를 생성하고, 상기 관계그래프를 이용하여 상기 복수의 콘텐츠에 대해 콘텐츠의 특징을 표현하는 복수의 컨텐츠 특징그래프를 생성하는 그래프생성부를 더 포함한다. 여기서, 상기 벡터처리부는 상기 복수의 컨텐츠 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력으로부터 복수의 컨텐츠특징벡터를 생성하는 것을 특징으로 한다.
상기 그래프생성부가 상기 관계그래프를 이용하여 상기 보안 예보로부터 보안예보 특징그래프를 생성하면, 상기 벡터처리부는 상기 보안예보 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력인 보안예보특징벡터를 생성하고, 상기 그래프 벡터 공간 상에서 상기 보안예보특징벡터와 상기 복수의 컨텐츠특징벡터 각각의 상관도를 산출하고, 상기 산출된 상관도가 소정 수치 이상인 컨텐츠특징벡터에 대응하는 컨텐츠를 추출하는 것을 특징으로 한다.
상기 그래프생성부는 수학식
Figure pat00001
를 통해 상기 복수의 형태소 각각의 중요도를 산출하고, 상기 i는 형태소 인덱스이며, 상기 S(i)는 형태소의 중요도를 나타내며, 상기 mi는 전체 컨텐츠에서 i 번째 형태소가 출현한 빈도를 나타내며, 상기 mtotal은 전체 형태소의 수이고, 상기 ctotal은 전체 컨텐츠의 수이고, 상기 C(i)는 i 번째 컨텐츠가 출현한 컨텐츠의 수를 나타내는 것을 특징으로 한다.
상기 그래프생성부는 수학식
Figure pat00002
에 따라 후치 형태소에 대한 전치 형태소의 연결 관계 및 연결 강도를 도출하고, 수학식
Figure pat00003
에 따라 전치 형태소에 대한 후치 형태소의 연결 관계 및 연결 강도를 도출함으로써 복수의 형태소 간의 연결 관계 및 연결 강도를 도출하는 것을 특징으로 한다.
상기 그래프생성부는 상기 관계그래프에서 콘텐츠에 존재하는 형태소에 대응하는 부분의 그래프를 검출하고, 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로써 컨텐츠 특징그래프를 완성하는 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 컨텐츠를 추천하기 위한 방법은 예보수집부가 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하는 단계와, 벡터처리부가 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 단계와, 추천부가 상기 추출된 컨텐츠를 추천하는 단계를 포함한다.
상기 방법은 상기 보안 예보를 수집하는 단계 전, 그래프생성부가 복수의 콘텐츠 각각에서 복수의 형태소를 추출하는 단계와, 상기 그래프생성부가 추출된 복수의 형태소 각각의 중요도와, 추출된 복수의 형태소 간의 연결 관계 및 연결 강도를 나타내는 관계그래프를 생성하는 단계와, 상기 그래프생성부가 상기 관계그래프를 이용하여 상기 복수의 콘텐츠에 대해 콘텐츠의 특징을 표현하는 복수의 컨텐츠 특징그래프를 생성하는 단계와, 상기 벡터처리부가 상기 복수의 컨텐츠 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력으로부터 복수의 컨텐츠특징벡터를 생성하는 단계를 더 포함한다.
상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 단계는 상기 그래프생성부가 상기 보안 예보의 내용의 특징을 나타내는 보안예보 특징그래프를 생성하는 단계와, 상기 벡터처리부가 상기 보안예보 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력인 보안예보특징벡터를 생성하는 단계와, 상기 벡터처리부가 상기 그래프 벡터 공간 상에서 상기 보안예보특징벡터와 상기 복수의 컨텐츠특징벡터 각각의 상관도를 산출하는 단계와, 상기 벡터처리부가 상기 산출된 상관도가 소정 수치 이상인 컨텐츠특징벡터에 대응하는 컨텐츠를 추출하는 단계를 포함한다.
상기 추출된 복수의 형태소 각각의 중요도와, 추출된 복수의 형태소 각각의 연결 관계 및 연결 강도를 나타내는 관계그래프를 생성하는 단계는 상기 그래프생성부가 수학식
Figure pat00004
를 통해 상기 복수의 형태소 각각의 중요도를 산출하는 단계를 포함한다. 여기서, 상기 i는 형태소 인덱스이며, 상기 S(i)는 형태소의 중요도를 나타내며, 상기 mi는 전체 컨텐츠에서 i 번째 형태소가 출현한 빈도를 나타내며, 상기 mtotal은 전체 형태소의 수이고, 상기 ctotal은 전체 컨텐츠의 수이고, 상기 C(i)는 i 번째 컨텐츠가 출현한 컨텐츠의 수를 나타내는 것을 특징으로 한다.
상기 추출된 복수의 형태소 각각의 중요도와, 추출된 복수의 형태소 각각의 연결 관계 및 연결 강도를 나타내는 관계그래프를 생성하는 단계는 상기 복수의 형태소 각각의 중요도를 산출하는 단계 후, 상기 그래프생성부가 수학식
Figure pat00005
에 따라 전치 형태소에서 후치 형태소 방향으로의 연결 관계 및 연결 강도를 도출하고, 수학식
Figure pat00006
에 따라 후치 형태소에서 전치 형태소 방향으로의 연결 관계 및 연결 강도를 도출함으로써 복수의 형태소 간의 연결 관계 및 연결 강도를 도출하는 단계를 더 포함한다.
복수의 컨텐츠 특징그래프를 생성하는 단계는 상기 그래프생성부가 상기 관계그래프에서 해당 콘텐츠에 존재하는 형태소에 대응하는 부분의 그래프를 검출하는 단계와, 상기 그래프생성부가 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로써 컨텐츠 특징그래프를 완성하는 단계를 포함한다.
본 발명에 따르면, 보안 위험 예보를 기초로 보안에 관련된 영상인 컨텐츠를 추천함으로써 적시에 필요한 컨텐츠를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한장치의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 관계그래프를 생성하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 연결 관계 및 연결 강도를 구하는 방법을 설명하기 위한 도면이다.
도 5 및 도 6은 본 발명의 실시예에 따른 관계그래프로부터 특징그래프를 생성하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 관계그래프로부터 특징 벡터를 생성하는 방법을 설명하기 위한 도면이다.
도 8 및 도 9는 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 방법을 설명하기 위한 흐름도이다.
본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.
먼저, 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 시스템(이하, '컨텐츠추천시스템'으로 축약함)은 추천서버(10) 및 복수의 사용자장치(20) 및 정보제공서버(30)를 포함한다.
추천서버(10)는 기본적으로, 다양한 사용자들이 업로드한 다양한 동영상 컨텐츠를 제공하는 서버이다. 추천서버(10)는 다양한 동영상 컨텐츠를 저장하는 데이터베이스 서버의 역할 뿐만 아니라, 접속한 사용자장치(20)에 다양한 동영상 컨텐츠를 스트리밍으로 제공하는 애플리케이션 서버 역할도 수행할 수 있다. 특히, 추천서버(10)는 다양한 보안 관련 콘텐츠를 저장하며, 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하고, 해당 보안 예보를 기초로 관련된 콘텐츠를 추출하여 사용자에게 추천할 수 있다.
사용자장치(20는 추천서버(10)에 접속하여 동영상 컨텐츠를 업로드하거나, 동영상 컨텐츠를 스트리밍 방식으로 수신하여 시청하기 위해 사용자가 사용하는 장치이다. 이러한 사용자장치(20는 퍼스널 컴퓨터, 랩톱 컴퓨터, 핸드헬드 장치, 멀티프로세서 시스템, 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 모바일 전화, 휴대폰, 이동통신단말기, 스마트폰, PDA, 태블릿(tablet), 패블릿(phablet) 등을 예시할 수 있다.
정보제공서버(30)는 제3자가 운영하는 서버이며, 하나로 도시되었지만, 복수개가 될 수 있다. 이러한 정보제공서버(30)는 정부, 보안 기업, 보안 관련 뉴스를 제공하는 그룹, 언론사 등이 운영하는 다양한 운영 주체에 의해 운영될 수 있다. 추천서버(10)는 정보제공서버(30)로부터 예컨대, 클롤링 기법을 통해, 정기적으로 발생하는 맬웨어(malicious software 또는 malware), 랜섬웨어(ransomware), 바이러스, 백도어 등의 위험들에 대한 예보, 매일 나오는 보안 기사, 알려진 취약점 등을 수집할 수 있다. 추천서버(10)는 수집된 내용을 기초로 관련 컨텐츠를 추천한다.
그러면, 전술한 추천서버(10)의 구성에 대해 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한장치의 구성을 설명하기 위한 도면이다. 도 3은 본 발명의 실시예에 따른 관계그래프를 생성하는 방법을 설명하기 위한 도면이다. 도 4는 본 발명의 실시예에 따른 연결 관계 및 연결 강도를 구하는 방법을 설명하기 위한 도면이다. 도 5 및 도 6은 본 발명의 실시예에 따른 관계그래프로부터 특징그래프를 생성하는 방법을 설명하기 위한 도면이다. 도 7은 본 발명의 실시예에 따른 관계그래프로부터 특징 벡터를 생성하는 방법을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 실시예에 따른 추천서버(10)는 통신모듈(11), 저장모듈(12) 및 제어모듈(130)을 포함한다.
통신모듈(11)은 네트워크를 통해 사용자장치(20)와 통신하기 위한 것이다. 통신모듈(11)은 사용자장치(20)로부터 데이터를 송수신 할 수 있다. 통신모듈(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신모듈(11)은 제어모듈(13)로부터 전달 받은 데이터를 네트워크를 통해 사용자장치(20)로 전송할 수 있다. 또한, 통신모듈(11)은 사용자장치(20)로부터 수신되는 데이터를 제어모듈(13)로 전달할 수 있다.
저장모듈(12)은 추천서버(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 예컨대, 저장모듈(12)은 제어모듈(130)의 제어에 따라 사용자가 업로드한 다양한 컨텐츠를 저장할 수 있다. 또한, 저장모듈(12)은 본 발명의 실시예에 따른 관계그래프, 특징그래프 등을 저장할 수 있다. 저장모듈(12)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다.
제어모듈(13)은 추천서버(10)의 전반적인 동작 및 추천서버(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어모듈(13)은 중앙처리장치(central processing unit), 디지털신호처리기(digital signal processor) 등이 될 수 있다. 또한, 제어모듈(13)은 추가로 이미지 프로세서(Image processor) 혹은 GPU(Graphic Processing Unit)를 더 구비할 수 있다.
이러한 제어모듈(13)은 예보수집부(100), 그래프생성부(200), 벡터처리부(300) 및 추천부(400)를 포함한다.
예보수집부(100)는 지속적으로 따라 통신모듈(11)을 통해 정보제공서버(30)로부터 클롤링 기법을 통해 정기적으로 발생하는 맬웨어(malicious software 또는 malware), 랜섬웨어(ransomware), 바이러스, 백도어 등의 위험들에 대한 예보, 매일 나오는 보안 기사, 보고된 DB 취약점 등을 수집하고, 소정의 기간 별 및 위험 레벨 별로 정리하여, 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 생성한다.
그래프생성부(200)는 복수의 컨텐츠(VC)에 포함된 텍스트의 형태소(morpheme)를 기본 단위로 하는 관계그래프(RG)를 생성하기 위한 것이다. 관계그래프(RG)는 복수의 형태소 각각의 중요도와, 복수의 형태소 간의 연결 관계 및 연결 강도를 나타낸다. 이를 위하여, 그래프생성부(200)는 도 3에 도시된 바와 같이, 저장모듈(12)에 저장된 모든 컨텐츠, 즉, 동영상 컨텐츠(VC)에 포함된 영상, 음성 등으로부터 텍스트를 인식하고, 인식된 텍스트로부터 복수의 형태소(m: morpheme)를 추출한다. 이때, 그래프생성부(200)는 형태소(m)를 중복하여 추출한다. 본 발명의 실시예에서 형태소(m)는 실질형태소(혹은 어휘형태소: lexical morpheme)를 의미한다. 이와 같이, 복수의 형태소(m)가 추출되면, 그래프생성부(200)는 추출된 복수의 형태소(m)로부터 관계그래프(RG)를 생성한다.
관계그래프를 생성하기 위해, 우선, 그래프생성부(200)는 다음의 수학식 1을 통해 복수의 형태소 각각의 중요도를 산출한다.
Figure pat00007
수학식 1에서, i는 형태소 인덱스이며, S(i)는 i 번째 형태소의 중요도이다. mi는 전체 컨텐츠에서 i 번째 형태소가 출현한 빈도를 나타낸다. mtotal은 전체 형태소의 수이다. 형태소가 출현한 빈도 및 전체 형태소의 수는 중복되어 개수된다. ctotal은 전체 컨텐츠의 수이고, C(i)는 i 번째 형태소가 출현한 컨텐츠의 수를 나타낸다. 이때, 복수의 형태소(m) 각각의 중요도를 산출한 후, 중요도가 0이면, 해당 형태소(m)는 소거된다. 예컨대, 모든 컨텐츠에 중복해서 출현하는 형태소의 경우, 컨텐츠의 특징을 나타내는 용어가 아니라 일상적인 용어이다. 이에 따라, log(ctotal/c(i))=0이 되기 때문에 소거된다.
형태소(m)의 중요도를 산출한 후, 그래프생성부(200)는 도 4에 도시된 바와 같이, 조건부확률을 이용하여 복수의 형태소(m)의 상호 간의 연결 관계 및 연결 강도를 산출한다. 이때, 복수의 형태소 각각에 대해 다른 모든 형태소와의 일대일 대응을 통해 연결 관계 및 연결 강도를 산출한다. 예컨대, 복수의 형태소 중 임의의 전치 형태소(ma) 및 임의의 후치 형태소(mp)가 존재할 때, 후치 형태소(mp)에 대한 전치 형태소(ma)의 연결 관계(ma→mp)의 연결 강도는 후치 형태소(mp)가 출현했을 때 전치 형태소(ma)가 출현할 조건부확률 P(ma|mp)를 통해 산출되며, 이는 다음의 수학식 2와 같다.
Figure pat00008
여기서, P(mp)는 후치 형태소(mp)가 출현할 확률이고, P(ma∩mp)는 전치 형태소(ma)와 후치 형태소(mp)가 동시에 출현할 확률을 나타낸다.
또한, 전치 형태소(ma)에 대한 후치 형태소(mp)의 연결 관계(ma←mp)의 연결 강도는 전치 형태소(ma)가 출현했을 때 후치 형태소(mp)가 출현할 조건부확률 P(mp|ma)를 통해 산출된다. 이러한 조건부확률 P(ma|mp)는 다음의 수학식 3과 같다.
Figure pat00009
여기서, P(ma)는 전치 형태소(ma)가 출현할 확률이고, P(ma∩mp)는 전치 형태소(ma)와 후치 형태소(mp)가 동시에 출현할 확률을 나타낸다.
예컨대, 추출된 전체 형태소(m)의 수가 50,000개이고, 전치 형태소(ma)가 포함된 컨텐츠가 32,000개이고, 후치 형태소(mp)가 포함된 컨텐츠가 13,000개이고, 전치 형태소(ma) 및 후치 형태소(mp) 양자 모두가 포함된 컨텐츠가 10,000개라고 가정한다. 그러면, 후치 형태소(mp)에 대한 전치 형태소(ma)의 연결 관계(ma→mp)의 연결 강도는 후치 형태소(mp)가 출현한 컨텐츠에 전치 형태소(ma)가 출현할 조건부확률이며, P(ma|mp)= 0.20/0.64 = 0.312와 같이 산출된다. 또한, 전치 형태소(ma)에 대한 후치 형태소(mp)의 연결 관계(ma←mp)의 연결 강도는 후치 형태소(mp)가 출현했을 때 전치 형태소(ma)가 출현할 조건부확률이며, P(mp|ma)=0.20/0.26=0.769와 같이 산출된다.
전술한 바와 같이, 양방향의 연결 관계의 연결 강도를 산출한 후, 연결 강도가 낮은 방향의 연결 관계는 소거되며, 연결 강도에 따라 결정된 연결 관계에 따라 상위 형태소 및 하위 형태소가 결정된다. 앞선 예와 같은 경우, 연결 관계(ma→mp)의 연결 강도가 0.312이고, 연결 관계(ma←mp)의 연결 강도가 0.769이기 때문에 전치 형태소(ma)가 상위 형태소가 되며, 후치 형태소가(mp)가 하위 형태소가 된다. 이에, 그래프생성부(200)는 연결 관계의 연결 강도에 따라 복수의 형태소 간을 연결하여 관계그래프(RG)를 완성한다.
관계그래프(RG)를 완성하면, 그래프생성부(200)는 보안 예보 및 복수의 컨텐츠(VC) 각각에 대해 특징그래프를 생성할 수 있다. 컨텐츠(VC)에 대해 생성된 특징그래프를 컨텐츠 특징그래프라고 칭하며, 보안 예보에 대해 생성된 특징그래프를 보안예보 특징그래프라고 칭한다.
그래프생성부(200)는 콘텐츠(VC)로부터 형태소를 추출하고, 콘텐츠(VC)에서 추출된 형태소에 대응하는 부분의 그래프를 검출한 후, 관계그래프(RG)에서 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로서 특징그래프를 완성할 수 있다. 예컨대, 콘텐츠(VC)에서 추출된 형태소는 제4 형태소(m4), 제11 형태소(m11) 및 제19 형태소(m19)라고 가정한다. 도 6의 (A)는 관계그래프(RG)이며, 이러한 관계그래프(RG)에 존재하는 형태소에 대응하는 부분의 그래프를 검출한다. 그런 다음, 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 상위 형태소의 중요도를 갱신한다. 도 6의 (B)를 참조하면, 제11 형태소(m11)의 중요도(0.16)와 연결 강도(0.50)를 곱한 값과, 제19 형태소(m19)의 중요도(0.15)와 연결 강도(0.40)를 곱한 값을 제4 형태소(m4)의 중요도(0.21)에 합산하여 제4 형태소(m4)의 중요도를 다음과 같이 갱신한다. 즉, "S(4)=0.21+(0.16ㅧ0.50)+(0.15ㅧ0.40)=0.21+0.08+0.06=0.35"와 같이, 제4 형태소(m4)의 중요도를 갱신할 수 있다. 이에 따라, 특징그래프(FG)가 완성된다. 도 6에 도시된 바와 같이, 전술한 바와 같은 방법을 통해 복수의 컨텐츠(VC) 각각에 대해 컨텐츠 특징그래프(FG)를 생성할 수 있다.
마찬가지로, 그래프생성부(200)는 보안 예보에 포함된 텍스트를 인식하고, 인식된 텍스트로부터 복수의 형태소(m)를 추출한 후, 컨텐츠 특징그래프(FG)를 생성하는 방식과 동일한 방식으로 관계그래프(RG)를 이용하여 보안예보 특징그래프(FG)를 생성할 수 있다.
다시. 도 2를 참조하면, 벡터처리부(300)는 그래프기반심층신경망(GBDNN: Graph Based Deep Neural Network)을 이용하여 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하기 위한 것이다. 여기서, 그래프기반심층신경망(GBDNN)은 GNN(Graph neural network), GCN(Graph Convolutional Networks) 등을 예시할 수 있다.
벡터처리부(300)는 그래프생성부(200)가 생성한 복수의 컨텐츠 특징그래프(FG) 및 보안예보 특징그래프(FG)를 그래프기반심층신경망(GBDNN)을 통해 그래프 벡터 공간 상에 임베딩하여 복수의 컨텐츠특징벡터(CFV) 및 보안예보특징벡터(SFV)를 생성한다. 즉, 벡터처리부(300)는 컨텐츠 특징그래프(FG)를 그래프기반심층신경망(GBDNN)에 입력하고, 컨텐츠 특징그래프(FG)에 대한 그래프기반심층신경망(GBDNN)의 출력을 컨텐츠특징벡터(CFV)로 도출할 수 있다. 마찬가지로, 벡터처리부(300)는 보안예보 특징그래프(FG)를 그래프기반심층신경망(GBDNN)에 입력하고, 보안예보 특징그래프(FG)에 대한 그래프기반심층신경망(GBDNN)의 출력을 보안예보특징벡터(SFV)로 도출할 수 있다.
벡터처리부(300)는 그래프기반심층신경망(GBDNN)에 의해 형성되는 그래프 벡터 공간 상에서 보안예보특징벡터(SFV)와 복수의 컨텐츠특징벡터(CFV) 각각의 상관도를 산출한다. 즉, 보안예보특징벡터(SFV)와 복수의 컨텐츠특징벡터(CFV) 각각의 그래프 벡터 공간 상에서의 거리를 산출하고, 그래프 벡터 공간 상의 거리의 역수를 취해 상관도를 산출할 수 있다. 즉, 그래프 벡터 공간 상에서의 거리가 가까울수록 상관도가 높다는 것을 의미한다. 이에 따라, 벡터처리부(300)는 산출된 상관도가 소정 수치 이상인 컨텐츠특징벡터(CFV)에 대응하는 컨텐츠를 추출할 수 있다.
추천부(400)는 벡터처리부(300)가 추출한 컨텐츠를 접속한 사용자장치(20)에 추천한다. 이때, 추천부(400)는 벡터처리부(300)가 추출한 컨텐츠를 사용자장치(20)가 접속한 화면에 섬네일을 통해 표시되도록 하여 해당 컨텐츠를 추천할 수 있다.
추천부(400)가 추천하는 컨텐츠는 사용자장치(20)가 추천서버(10)에 접속한 시기에 보안 위험 예보와 관련된 컨텐츠이며, 이러한 컨텐츠를 통해 해당 보안 위험에 대한 다양한 정보를 얻을 수 있다.
다음으로, 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 방법에 대해서 설명하기로 한다. 도 8 및 도 9는 본 발명의 실시예에 따른 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, 그래프생성부(200)는 S110 단계에서 도 3에 도시된 바와 같이, 저장모듈(12)에 저장된 모든 컨텐츠, 즉, 동영상 컨텐츠(VC)에 포함된 영상, 음성 등으로부터 텍스트를 인식하고, 인식된 텍스트로부터 복수의 형태소(m: morpheme)를 추출한다. 이때, 그래프생성부(200)는 형태소(m)를 중복하여 추출한다. 이때, 그래프생성부(200)는 S120 단계에서 수학식 1에 따라 복수의 형태소(m) 각각의 중요도를 산출한다. 이때, 중요도가 0이면, 해당 형태소(m)는 소거된다.
이어서, 그래프생성부(200)는 S130 단계에서 도 4에 도시된 바와 같이, 조건부확률을 이용하여 복수의 형태소(m)의 상호 간의 연결 관계 및 연결 강도를 산출한다. 이때, 그래프생성부(200)는 수학식 2 및 3에 따라 양 방향의 연결 관계에 따른 연결 강도를 산출할 수 있다. 그런 다음, 그래프생성부(200)는 S140 단계에서 산출된 연결 관계의 연결 강도에 따라 각각이 중요도를 가지는 복수의 형태소 간을 연결하여 관계그래프(RG)를 완성한다.
이어서, 그래프생성부(200)는 S150 단계에서 관계그래프(RG)를 이용하여 복수의 컨텐츠(VC) 각각에 대해 복수의 컨텐츠 특징그래프를 생성한다. 이때, 그래프생성부(200)는 콘텐츠(VC)로부터 형태소를 추출하고, 콘텐츠(VC)에서 추출된 형태소에 대응하는 부분의 그래프를 검출한 후, 관계그래프(RG)에서 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로서 특징그래프를 완성할 수 있다. 예컨대, 콘텐츠(VC)에서 추출된 형태소는 제4 형태소(m4), 제11 형태소(m11) 및 제19 형태소(m19)라고 가정한다. 도 6의 (A)는 관계그래프(RG)이며, 이러한 관계그래프(RG)에 존재하는 형태소에 대응하는 부분의 그래프를 검출한다. 그런 다음, 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 상위 형태소의 중요도를 갱신한다. 도 6의 (B)를 참조하면, 제11 형태소(m11)의 중요도(0.16)와 연결 강도(0.50)를 곱한 값과, 제19 형태소(m19)의 중요도(0.15)와 연결 강도(0.40)를 곱한 값을 제4 형태소(m4)의 중요도(0.21)에 합산하여 제4 형태소(m4)의 중요도를 다음과 같이 갱신한다. 즉, "S(4)=0.21+(0.16ㅧ0.50)+(0.15ㅧ0.40)=0.21+0.08+0.06=0.35"와 같이, 제4 형태소(m4)의 중요도를 갱신할 수 있다. 이에 따라, 특징그래프(FG)가 완성된다.
이어서, 벡터처리부(300)는 S160 단계에서 그래프생성부(200)가 생성한 복수의 컨텐츠 특징그래프(FG)를 그래프기반심층신경망(GBDNN)을 통해 그래프 벡터 공간 상에 임베딩하여 복수의 컨텐츠특징벡터(CFV)를 생성한다. 즉, 벡터처리부(300)는 컨텐츠 특징그래프(FG)를 그래프기반심층신경망(GBDNN)에 입력하고, 컨텐츠 특징그래프(FG)에 대한 그래프기반심층신경망(GBDNN)의 출력을 컨텐츠특징벡터(CFV)로 도출할 수 있다.
도 9를 참조하면, 전술한 바와 같이, 복수의 컨텐츠(VC)로부터 관계 그래프(RG) 및 복수의 컨텐츠 각각에 대응하는 컨텐츠특징벡터(CFV)를 생성한 상태에서, 예보수집부(100)는 S170 단계에서 지속적으로 따라 통신모듈(11)을 통해 정보제공서버(30)로부터 클롤링 기법을 통해 정기적으로 발생하는 맬웨어(malicious software 또는 malware), 랜섬웨어(ransomware), 바이러스, 백도어 등의 위험들에 대한 예보, 매일 나오는 보안 기사, 보고된 DB 취약점 등을 수집하고, 소정의 기간 별 및 위험 레벨 별로 정리하여, 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 생성한다.
그러면, 그래프생성부(200)는 S180 단계에서 관계그래프(RG)를 이용하여 보안 예보에 대해 보안예보 특징그래프(FG)를 생성한다. 이때, 그래프생성부(200)는 보안 예보로부터 형태소를 추출하고, 보안 예보에서 추출된 형태소에 대응하는 부분의 그래프를 검출한 후, 관계그래프(RG)에서 검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로서 보안예보 특징그래프(FG)를 완성할 수 있다.
이어서, 벡터처리부(300)는 S190 단계에서 그래프생성부(200)가 생성한 보안예보 특징그래프(FG)를 그래프기반심층신경망(GBDNN)을 통해 그래프 벡터 공간 상에 임베딩하여 보안예보특징벡터(SFV)를 생성한다. 즉, 벡터처리부(300)는 보안예보 특징그래프(FG)를 그래프기반심층신경망(GBDNN)에 입력하고, 보안예보 특징그래프(FG)에 대한 그래프기반심층신경망(GBDNN)의 출력을 보안예보특징벡터(SFV)로 도출할 수 있다.
다음으로, 벡터처리부(300)는 S200 단계에서 그래프기반심층신경망(GBDNN)에 의해 형성되는 그래프 벡터 공간 상에서 보안예보특징벡터(SFV)와 앞서 생성된 복수의 컨텐츠특징벡터(CFV) 각각의 상관도를 산출한다. 즉, 보안예보특징벡터(SFV)와 복수의 컨텐츠특징벡터(CFV) 각각의 그래프 벡터 공간 상에서의 거리를 산출하고, 그래프 벡터 공간 상의 거리의 역수를 취해 상관도를 산출할 수 있다. 즉, 그래프 벡터 공간 상에서의 거리가 가까울수록 상관도가 높다는 것을 의미한다. 이에 따라, 벡터처리부(300)는 S210 단계에서 산출된 상관도가 소정 수치 이상인 컨텐츠특징벡터(CFV)에 대응하는 컨텐츠를 추출할 수 있다.
추천부(400)는 S220 단계에서 앞서 추출된 컨텐츠를 접속한 사용자장치(20)에 추천한다. 추천부(400)가 추천하는 컨텐츠는 사용자장치(20)가 추천서버(10)에 접속한 시기에 보안 위험 예보와 관련된 컨텐츠이다. 따라서 사용자는 사용자장치(20)를 통해 추천된 컨텐츠를 시청함으로써, 꼭 필요한 시점에 해당 보안 위험에 대한 다양한 정보를 얻을 수 있다.
한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 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 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.
10: 추천서버
11: 통신모듈
12: 저장모듈
13: 제어모듈
20: 사용자장치
30: 정보제공서버
100: 예보수집부
200: 그래프생성부
300: 벡터처리부
400: 추천부

Claims (7)

  1. 컨텐츠를 추천하기 위한 장치에 있어서,
    특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하는 예보수집부;
    상기 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 벡터처리부; 및
    상기 추출된 컨텐츠를 추천하는 추천부;
    를 포함하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  2. 제1항에 있어서,
    상기 장치는
    복수의 콘텐츠 각각에서 복수의 형태소를 추출하고,
    추출된 복수의 형태소 각각의 중요도와, 추출된 복수의 형태소 간의 연결 관계 및 연결 강도를 나타내는 관계그래프를 생성하고,
    상기 관계그래프를 이용하여 상기 복수의 콘텐츠에 대해 콘텐츠의 특징을 표현하는 복수의 컨텐츠 특징그래프를 생성하는 그래프생성부;
    를 더 포함하며,
    상기 벡터처리부는
    상기 복수의 컨텐츠 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력으로부터 복수의 컨텐츠특징벡터를 생성하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  3. 제2항에 있어서,
    상기 그래프생성부가 상기 관계그래프를 이용하여 상기 보안 예보로부터 보안예보 특징그래프를 생성하면,
    상기 벡터처리부는
    상기 보안예보 특징그래프를 그래프기반심층신경망에 입력하여 상기 그래프기반심층신경망의 출력인 보안예보특징벡터를 생성하고,
    상기 그래프 벡터 공간 상에서 상기 보안예보특징벡터와 상기 복수의 컨텐츠특징벡터 각각의 상관도를 산출하고,
    상기 산출된 상관도가 소정 수치 이상인 컨텐츠특징벡터에 대응하는 컨텐츠를 추출하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  4. 제2항에 있어서,
    상기 그래프생성부는
    수학식
    Figure pat00010
    를 통해 상기 복수의 형태소 각각의 중요도를 산출하고,
    상기 i는 형태소 인덱스이며,
    상기 S(i)는 형태소의 중요도를 나타내며,
    상기 mi는 전체 컨텐츠에서 i 번째 형태소가 출현한 빈도를 나타내며,
    상기 mtotal은 전체 형태소의 수이고,
    상기 ctotal은 전체 컨텐츠의 수이고,
    상기 C(i)는 i 번째 컨텐츠가 출현한 컨텐츠의 수를 나타내는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  5. 제4항에 있어서,
    상기 그래프생성부는
    수학식
    Figure pat00011
    에 따라 후치 형태소에 대한 전치 형태소의 연결 관계 및 연결 강도를 도출하고,
    수학식
    Figure pat00012
    에 따라 전치 형태소에 대한 후치 형태소의 연결 관계 및 연결 강도를 도출함으로써
    복수의 형태소 간의 연결 관계 및 연결 강도를 도출하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  6. 제5항에 있어서,
    상기 그래프생성부는
    상기 관계그래프에서 콘텐츠에 존재하는 형태소에 대응하는 부분의 그래프를 검출하고,
    검출된 그래프에서 형태소 간 연결 관계의 방향에 따라 연결 강도의 크기를 가중하고 누적하여 중요도를 갱신함으로써 컨텐츠 특징그래프를 완성하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 장치.
  7. 컨텐츠를 추천하기 위한 방법에 있어서,
    예보수집부가 특정 시점의 보안 위험에 대해 경고하는 보안 예보를 수집하는 단계;
    벡터처리부가 수집된 보안 예보와 복수의 컨텐츠 각각을 그래프 기반의 특징을 나타나내는 그래프 벡터 공간 상에서 비교하여 상기 수집된 보안 예보와 상관도가 소정 수치 이상인 컨텐츠를 추출하는 단계; 및
    추천부가 상기 추출된 컨텐츠를 추천하는 단계;
    를 포함하는 것을 특징으로 하는
    컨텐츠를 추천하기 위한 방법.
KR1020200171235A 2020-12-09 2020-12-09 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법 KR20220082139A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200171235A KR20220082139A (ko) 2020-12-09 2020-12-09 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200171235A KR20220082139A (ko) 2020-12-09 2020-12-09 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20220082139A true KR20220082139A (ko) 2022-06-17

Family

ID=82268995

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200171235A KR20220082139A (ko) 2020-12-09 2020-12-09 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR20220082139A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150125287A (ko) 2014-04-30 2015-11-09 삼성전자주식회사 전자장치에서 미디어 추천 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150125287A (ko) 2014-04-30 2015-11-09 삼성전자주식회사 전자장치에서 미디어 추천 방법 및 장치

Similar Documents

Publication Publication Date Title
US20210019674A1 (en) Risk profiling and rating of extended relationships using ontological databases
CN110362999A (zh) 用于检测账户使用异常的方法及装置
US20180240131A1 (en) Identifying deceptive social media content
Lago et al. Visual and textual analysis for image trustworthiness assessment within online news
CN106030527B (zh) 将可供下载的应用程序通知用户的系统和方法
CN110109888A (zh) 一种文件处理方法及装置
CN114693192A (zh) 风控决策方法、装置、计算机设备和存储介质
US20240104248A1 (en) Privacy transformations in data analytics
Yuan et al. A novel approach for malicious URL detection based on the joint model
US20220321598A1 (en) Method of processing security information, device and storage medium
Taofeek et al. A cognitive deception model for generating fake documents to curb data exfiltration in networks during cyber-attacks
CN115174165A (zh) 一种云边端架构下基于区块链的自适应安全态势认知系统
US20210264541A1 (en) Community watch with bot based unified social network groups
US11756049B1 (en) Detection of evasive item listings
CN116582373B (zh) 一种用户访问控制方法、系统及电子设备
Cresci Harnessing the Social Sensing Revolution: Challenges and Opportunities.
Bishtawi et al. Cyber Security of mobile applications using artificial intelligence
KR20220082139A (ko) 보안 위험 예보를 기초로 컨텐츠를 추천하기 위한 장치 및 이를 위한 방법
CN113011875B (zh) 文本处理方法、装置、计算机设备以及存储介质
Rahman et al. Everything about you: A multimodal approach towards friendship inference in online social networks
CN115051835A (zh) 一种处理数据的方法、电子设备、存储介质及系统
CN111666449B (zh) 视频检索方法、装置、电子设备和计算机可读介质
CN114842411A (zh) 一种基于互补时空信息建模的群体行为识别方法
Canelón et al. Unstructured data for cybersecurity and internal control
Hughes et al. Cyber Benefits and Risks: Quantitatively Understanding and Forecasting the Balance

Legal Events

Date Code Title Description
E601 Decision to refuse application