KR20240007576A - 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치 Download PDF

Info

Publication number
KR20240007576A
KR20240007576A KR1020220151589A KR20220151589A KR20240007576A KR 20240007576 A KR20240007576 A KR 20240007576A KR 1020220151589 A KR1020220151589 A KR 1020220151589A KR 20220151589 A KR20220151589 A KR 20220151589A KR 20240007576 A KR20240007576 A KR 20240007576A
Authority
KR
South Korea
Prior art keywords
blockchain
minting
digital file
information
server
Prior art date
Application number
KR1020220151589A
Other languages
English (en)
Inventor
김복기
Original Assignee
비엔비컴퍼니 주식회사
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 비엔비컴퍼니 주식회사 filed Critical 비엔비컴퍼니 주식회사
Priority to KR1020220151589A priority Critical patent/KR20240007576A/ko
Publication of KR20240007576A publication Critical patent/KR20240007576A/ko

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2463/00—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00
    • H04L2463/101—Additional details relating to network architectures or network communication protocols for network security covered by H04L63/00 applying security measures for digital rights management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)

Abstract

실시예들은 서버가 뉴럴 네트워크(neural network)를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 복수의 창작자 단말 각각으로부터 디지털 파일에 대한 민팅을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 상기 디지털 파일과 관련된 정보를 포함하고, 상기 디지털 파일과 관련된 정보는 상기 디지털 파일에 대한 메타 데이터, 상기 디지털 파일의 종류, 창작자의 이름 및 상기 디지털 파일에 대한 링크 정보를 포함하고, 상기 서버에 입력된 정보에 기반하여 복수의 블록체인에 대한 성능 정보 및 상기 복수의 블록체인에 대한 가치 정보를 획득하고, 상기 복수의 블록체인에 대한 성능 정보는 블록체인에 대한 TPS(transaction per second), 블록체인에 대한 블록 생성 시간 및 블록체인에 대한 확정 시간을 포함하고, 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정하고, 기 적어도 하나의 블록체인에 대한 정보를 포함하는 제2 메시지를 상기 복수의 창작자 단말 각각에 전송하고, 상기 적어도 하나의 블록체인 중에서 창작자 단말에 의해 선택된 제1 블록체인에 대한 정보를 포함하는 제3 메시지를 상기 복수의 창작자 단말 각각으로부터 수신하고, 상기 선택된 제1 블록체인과 관련된 플랫폼에게 상기 디지털 파일에 대한 민팅을 요청하고, 상기 디지털 파일에 대한 민팅이 완료된 창작자 단말에게 제4 메시지를 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치{METHOD AND APPARATUS FOR PAYING FEES THROUGH BLOCKCHAIN ACCORDING TO A TYPE OF MINTING FOR DIGITAL FILES USING A NEURAL NETWORK}
본 개시의 실시예들은 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 기술에 대한 것이다.
블록체인 기술은 기존의 중앙 집중형 데이터 보관 방식이 아닌, 소정의 데이터를 체인화된 블록으로 구성하여 다수의 노드 장치들에게 분산 보관하는 기술을 의미한다. 이를 위해, 블록체인 네트워크를 구성하는 복수의 노드 장치들 중에서 어느 하나의 노드 장치가 일정 시간동안 생성된 트랜잭션들을 기반으로 상기 트랜잭션들을 포함하는 블록을 생성한다. 그리고, 해당 블록을 복수의 노드 장치들 중 상기 노드 장치를 제외한 나머지 노드 장치들로 전파함에 따라 다수의 노드 장치들에 분산 저장될 수 있다. 블록체인의 성능과 관련하여, TPS(Transaction Per Seconds)는 초당 처리할 수 있는 트랜잭션으로, 트랜잭션의 처리 속도를 나타내는 단위이다. 현재 블록체인에 대한 처리 속도는 3000~4000TPS 정도이며, 일반 카드사가 24000TPS를 처리하는 것과 비교할 때, 트랜잭션의 처리 속도의 개선이 필요한 상태이다.
한편, 블록체인 기술과 함께 다양한 암호화폐가 발생하면서, 이더리움의 스마트 계약을 기반으로 탈중앙화 어플리케이션(Decentralized Application)과 관련된 플랫폼 시장이 구축되었다. 다만, 다수의 플랫폼 사이에 서로 다른 작업증명 방식, 확장성, 처리 속도 등으로 인해 상호 호환성이 부족할 수 있고, 사용자는 특정한 플랫폼을 사용하기 위해 기존에 보유하고 있는 암호화폐를 직접 변환해야 하는 문제가 발생하였다.
한편, 디지털 파일은 복사가 용이하므로, 그 디지털 파일의 원본의 소유권이 누구에게 있는지 알 수가 없었기 때문에, 실질적으로 거래가능한 자산으로 인정되지 않았다. 이에, 대체 불가능 토큰(Non-fungible token; NFT)은, 디지털 자산의 일종으로서, 디지털 파일에 대한 소유권을 블록체인 상에 저장함으로써 위조 및 변조가 불가능하도록 만들어 영구 보존하고, 그 소유권을 탈중앙화한 형태로 확인할 수 있게 한다. 디지털 자산에 대한 NFT(non-fungible token)를 생성하는 동작을 민팅(minting)이라 지칭하며, 블록 체인에 거래 정보를 기록하기 위한 연산에 대한 비용으로 수수료가 지불될 수 있다.
대량의 NFT가 민팅되는 경우, 하나의 블록체인 상에 디지털 파일에 대한 소유권을 대량으로 저장해야 하기 때문에, 민팅이 처리되는 속도가 느려질 수 있다. 또한, 디지털 파일에 대한 민팅과 관련된 수수료는 암호 화폐의 거래량, 암호 화폐의 시세와 같은 다양한 요인으로 인해 변경될 수 있기 때문에, 민팅을 하는 시점마다 수수료가 달라질 수 있다.
이에, 대량의 디지털 파일에 대한 민팅을 처리할 때, 복수의 블록체인에 대한 성능과 디지털 파일의 종류에 따라 각각의 민팅에 서로 다른 블록체인을 뉴럴 네트워크를 이용하여 연결시키고, 해당 블록체인을 통해 지불되는 수수료를 예측함에 따라 민팅에 대한 수수료를 지불하는 시점을 결정하는 방법이 필요할 수 있다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 서버가 뉴럴 네트워크(neural network)를 이용하여 서버가 디지털 파일에 대한 민팅(minting)을 위한 블록체인을 결정하는 방법은, 복수의 창작자 단말 각각으로부터 디지털 파일에 대한 민팅을 요청하는 제1 메시지를 수신하고, 상기 제1 메시지는 상기 디지털 파일과 관련된 정보를 포함하고, 상기 디지털 파일과 관련된 정보는 상기 디지털 파일에 대한 메타 데이터, 상기 디지털 파일의 종류, 창작자의 이름 및 상기 디지털 파일에 대한 링크 정보를 포함하고, 상기 서버에 입력된 정보에 기반하여 복수의 블록체인에 대한 성능 정보 및 상기 복수의 블록체인에 대한 가치 정보를 획득하고, 상기 복수의 블록체인에 대한 성능 정보는 블록체인에 대한 TPS(transaction per second), 블록체인에 대한 블록 생성 시간 및 블록체인에 대한 확정 시간을 포함하고, 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정하고, 기 적어도 하나의 블록체인에 대한 정보를 포함하는 제2 메시지를 상기 복수의 창작자 단말 각각에 전송하고, 상기 적어도 하나의 블록체인 중에서 창작자 단말에 의해 선택된 제1 블록체인에 대한 정보를 포함하는 제3 메시지를 상기 복수의 창작자 단말 각각으로부터 수신하고, 상기 선택된 제1 블록체인과 관련된 플랫폼에게 상기 디지털 파일에 대한 민팅을 요청하고, 상기 디지털 파일에 대한 민팅이 완료된 창작자 단말에게 제4 메시지를 전송하는 단계를 포함할 수 있다.
상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수가 결정되고,
예를 들어, 상기 복수의 블록체인의 성능 점수가 높은 순서로 사전 설정된 개수만큼 상기 적어도 하나의 블록체인이 결정될 수 있다. 예를 들어, 상기 적어도 하나의 블록체인에 대한 성능 점수는 사전 설정된 점수보다 높을 수 있다. 예를 들어, 상기 사전 설정된 점수는 하기 수학식에 의해 결정될 수 있다.
상기 수학식에서, 상기 pth는 상기 사전 설정된 점수이고, 상기 nm은 상기 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 k는 상기 복수의 창작자 단말의 개수이고, 상기 ni는 i번째 창작자 단말로부터 수신한 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 ed는 상기 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 ei는 i번째 창작자 단말로부터 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 pavg는 상기 복수의 블록체인에 대한 성능 점수의 평균 값일 수 있다.
예를 들어, 상기 복수의 블록체인에 대한 가치 정보는 상기 복수의 블록체인과 관련된 암호 화폐의 거래량, 시세, 거래소에 등록된 기간, 거래소의 개수, 사용자 수, 디지털 파일에 대한 민팅과 관련된 수수료 및 블록체인과 관련된 커뮤니티의 활성도를 포함할 수 있다.
일 실시예에 따라, 상기 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅을 복수의 민팅 유형 중에서 어느 하나의 민팅 유형으로 분류될 수 있다. 예를 들어, 상기 복수의 민팅 유형은 디지털 파일이 상기 서버에 리스팅되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제1 민팅 유형 및 민팅으로 생성된 NFT(non-fungible token)가 판매되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제2 민팅 유형을 포함할 수 있다.
일 실시예에 따라, 상기 민팅으로 인해 생성된 NFT에 대한 구매 메시지가 구매자 단말로부터 수신될 수 있다. 상기 구매 메시지는 구매 가격에 대한 정보, 상기 NFT에 대한 구매를 위한 암호 화폐에 대한 정보를 포함할 수 있다. 예를 들어, 상기 NFT에 대한 구매가 체결되고, 및 상기 제1 블록체인과 관련된 플랫폼과 상기 NFT에 대한 구매를 위한 암호 화폐의 제2 블록체인과 관련된 플랫폼이 상이한 것에 기반하여, 상기 제1 블록체인과 관련된 플랫폼과 상기 제2 블록체인과 관련된 플랫폼 상호 간에 트랜잭션의 교환이 수행될 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 디지털 파일과 관련된 정보, 복수의 블록체인 플랫폼에 대한 성능 정보 및 정답 블록체인 플랫폼에 대한 성능 점수로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 결정 모델이 생성될 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 블록체인 플랫폼에 대한 가치 정보 및 정답 디지털 파일에 대한 민팅과 관련된 수수료로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 예측 모델이 생성될 수 있다.
부가적으로, 예를 들어, 서버는 디지털 파일과 관련된 정보 및 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수를 결정할 수 있다. 이때, 사전 설정된 점수 이상의 블록체인의 개수가 사전 설정된 개수보다 작은 경우, 서버는 상기 사전 설정된 점수를 감소시킬 수 있다. 예를 들어, 상기 사전 설정된 개수는 하기 수학식에 의해 설정될 수 있다.
상기 수학식에서, 상기 nth는 상기 사전 설정된 개수이고, 상기 np는 상기 사전 설정된 점수 이상의 블록체인 개수이고, 상기 RSRP는 창작자 단말의 통신 상태를 나타내는 값이고, 상기 b는 디지털 파일의 종류에 대한 가중치일 수 있다. 예를 들어, 상기 사전 설정된 개수는 max 함수로 인해 최소 1의 값을 가지며, 상기 ceil 함수로 인해 정수 값을 가질 수 있다.
부가적으로, 예를 들어, 서버는 예측된 수수료가 사전 설정된 수수료 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 사전 설정된 수수료는 하기 수학식에 의해 설정될 수 있다.
상기 수학식에서, 상기 fth는 상기 사전 설정된 수수료이고, 상기 a는 상기 제1 블록체인과 관련된 커뮤니티의 활성도이고, 상기 aavg는 복수의 블록체인과 관련된 커뮤니티의 활성도에 대한 평균 값이고, 상기 v는 상기 제1 블록체인에 대한 변동성과 관련된 값이고, 상기 vavg는 상기 복수의 블록체인에 대한 변동성과 관련된 값의 평균 값이고, 상기 favg는 상기 제1 블록체인에 대한 수수료의 평균 값일 수 있다.
*실시예들에 따르면, 서버는 디지털 파일과 관련된 정보 및 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정함으로써, 대량의 디지털 파일에 대한 민팅을 보다 효과적으로 처리할 수 있다.
실시예들에 따르면, 서버는 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅을 복수의 민팅 유형 중에서 어느 하나의 민팅 유형으로 분류함으로써, 대량의 디지털 파일에 대한 민팅에 대한 처리량을 분산시킬 수 있고, 민팅에 대한 수수료를 고려하여 최적의 민팅 시점을 결정할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 서버와 관련된 시스템의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 서버가 디지털 파일에 대한 민팅(minting)을 위한 블록체인을 결정하는 방법을 나타낸다.
도 4는 일 실시예에 따른 민팅 유형을 분류하는 방법에 대한 흐름도이다.
도 5는 일 실시예에 따른 예측 모델에 대한 예이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 2는 일 실시예에 따른 서버와 관련된 시스템의 구성을 나타내는 도면이다. 도 2의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 2를 참조하면, 서버와 관련된 시스템(200)은 복수의 단말(210), 서버(220), 네트워크(230) 및 복수의 블록체인 플랫폼(240)을 포함할 수 있다. 여기서, 블록체인은 '블록'이라고 하는 단위의 데이터 집합을 체인 형태로 연결한 분산 컴퓨팅 기술 기반의 원장 관리 기술이다. 예를 들어, 블록체인에서 블록은 블록 해시, 블록 헤더와 블록 바디를 포함할 수 있다. 예를 들어, 블록 헤더는 이전 블록의 해시 값, 암호 화폐의 버전, 머클 루트에 대한 해시, 블록이 생성된 시간, 채굴 난이도, 논스(nonce) 등과 같은 정보를 포함할 수 있다. 예를 들어, 머클 루트에 대한 해시는 개별적인 거래 정보의 거래 해시를 2진 트리 형태로 구성하는 경우, 트리 루트에 위치하는 해시에 대한 값일 수 있다. 예를 들어, 논스는 해시 값을 계산하기 위한 임의의 값일 수 있다. 예를 들어, 블록 바디는 개별 사용자들의 트랜잭션 내역을 포함할 수 있다.
일 실시예에 따르면, 서버(220)는 블록체인과 관련된 서비스 또는 다양한 종류의 NFT 서비스를 네트워크(230)를 통해 제공할 수 있고, 복수의 단말(210)은 서버(220)에 네트워크(230)를 통해 접속하여 서버(220)가 제공하는 서비스를 이용할 수 있다.
일 실시예에 따르면, 서버(220)는 상이한 블록체인 플랫폼 사이의 운용을 지원할 수 있고, 복수의 창작자 단말(210)은 상이한 블록체인 플랫폼을 기반으로 NFT 서비스 또는 블록체인과 관련된 서비스를 이용할 수 있다. 블록체인 플랫폼은 블록체인 플랫폼을 운영하기 위한 블록체인 네트워크를 포함할 수 있다. 블록체인 네트워크는 분산 방식으로 배열된 복수의 노드를 포함한다. 이러한 분산 네트워크에서, 소프트웨어와 데이터는 복수의 노드에 분산될 수 있다. 노드는 컴퓨팅 리소스를 설정할 수 있고, 분산 네트워크는 분산 컴퓨팅 기법을 사용할 수 있다.
일 실시예에 따르면, 서버(220)는 블록체인 네트워크에 사용되는 데이터의 저장, 컴퓨팅 리소스의 추가, 수정, 삭제 및 등록을 관리할 수 있다. 서버(220)는 블록체인 네트워크의 노드, 네트워크의 구조 설정과 관련된 인증 설정을 제공할 수 있다. 서버(220)는 블록체인 네트워크의 TPS, 블록 생성 시간, 블록 확정 시간, 네트워크 가용성 등의 성능을 주기적으로 측정할 수 있다. 서버(220)는 블록체인 네트워크에 대한 합의 알고리즘을 제공하고, 변경할 수 있다. 예를 들어, 서버는 BFT(byzantine fault tolerance) 기반의 다양한 합의 알고리즘을 제공할 수 있다. 서버(220)는 블록체인 네트워크에 참여한 단말의 추가, 삭제 및 권한 설정을 수행할 수 있다.
일 실시예에 따르면, 서버(220)는 서로 운용이 가능한 블록체인 플랫폼에 대한 정보를 관리하고, 해당 블록체인 플랫폼 별로 인터페이스를 설정할 수 있다. 예를 들어, 서버(220)는 블록체인 플랫폼의 메인 넷에 참여한 노드의 수, 수수료 지불 방식과 같은 블록체인 플랫폼의 메인 넷의 참여 요구사항에 따른 인터페이스를 제공할 수 있다. 서버(220)는 스마트 계약 또는 체인코드의 형태로 구현된 통신 프로토콜을 관리할 수 있다. 예를 들어, 서버(220)는 블록체인 네트워크 사이의 통신 프로토콜을 처리할 수 있고, 정상적인 동작을 위해 링크 설정, 동기화, 전송 제어 및 오류 제어를 수행할 수 있다. 서버(220)는 복수의 블록체인 플랫폼(240) 사이에 데이터를 송수신할 수 있도록, 각각의 복수의 블록체인 플랫폼(240)의 메인 넷과 데이터 교환을 위한 링크를 제공할 수 있다. 서버(220)는 복수의 블록체인 플랫폼(240) 사이에 데이터를 송수신할 수 있도록, 블록체인 플랫폼에 사용되는 프로그래밍 언어를 변환할 수 있다. 서버(220)는 서로 다른 메인 넷에서 발생하는 수수료 또는 사용료의 지급 규칙을 설정할 수 있다. 서버(220)는 서로 다른 블록체인 플랫폼 사이의 트랜잭션의 교환이 수행되게 보조할 수 있다. 예를 들어, 서버(220)는 각각의 복수의 블록체인 플랫폼(240)의 메인 넷과 데이터 교환을 위한 링크를 제공하고, 블록체인 플랫폼에 사용되는 프로그래밍 언어를 변환하고, 메인 넷에서 발생하는 수수료 또는 사용료의 지급 규칙을 조정함으로써, 서로 다른 블록체인 플랫폼 사이의 트랜잭션의 교환이 수행되게 보조할 수 있다.
도 3은 일 실시예에 따른 서버가 디지털 파일에 대한 민팅(minting)을 위한 블록체인을 결정하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 서버는 복수의 창작자 단말 각각으로부터 디지털 파일에 대한 민팅을 요청하는 제1 메시지를 수신할 수 있다. 여기서, 민팅은 디지털 파일에 대체가 불가능한 고유 자산 정보를 부여하는 행위일 수 있다. 즉, 예를 들어, 민팅은 디지털 자산에 대한 NFT(non-fungible token)를 생성하는 동작일 수 있다. 여기서, NFT는 대체 불가능한 토큰으로, 블록체인 기반의 토큰일 수 있다. 예를 들어, NFT의 소유권 기록과 거래 이력 정보는 탈중앙화 데이터 베이스 또는 분산 원장에 저장될 수 있다.
예를 들어, 디지털 파일에 대한 민팅으로 인해 NFT가 생성되는 것에 기반하여, 디지털 파일에 대한 민팅과 관련된 수수료가 지불될 수 있다. 예를 들어, NFT 생성 이후 NFT에 대한 거래 시 NFT에 대한 거래 정보(예: 매매일시, 매매금액, 판매자, 구매자)가 블록 체인에 기록될 수 있다. 이때, 블록 체인에 거래 정보를 기록하기 위한 연산에 대한 비용으로 수수료가 지불됨으로써, 트랜랙션이 전송될 수 있다. 예를 들어, 디지털 파일에 대한 민팅과 관련된 수수료는 암호 화폐의 거래량, 암호 화폐의 시세와 같은 다양한 요인으로 인해 변경될 수 있다.
예를 들어, 블록체인에는 특정 조건이 충족될 때 자동으로 실행되는 프로그램 코드인 스마트 컨트랙트(contract)가 존재할 수 있다. 이러한 스마트 컨트랙트를 통해서 토큰의 기능을 정의하고 발행할 수 있다. 예를 들어, NFT 시스템의 참여자는 창작자와 구매자로 구성될 수 있다. 창작자는 디지털 자산을 NFT 시스템을 통해서 NFT로 발행(minting)할 수 있다. 예를 들어, 서버는 NFT를 발행하거나 판매할 때마다 스마트 컨트랙트를 실행하고 새로운 트랜잭션을 전송할 수 있다. 예를 들어, 트랜잭션이 블록체인에서 확인(confirm)된 후, 새로운 블록에 NFT의 메타데이터와 소유자 정보가 추가될 수 있다. 예를 들어, 구매자가 NFT를 구입한 경우, 작품의 소유자, 구매가격, 소유권 변경, 인수 가격 등의 메타데이터 정보가 블록체인에 저장될 수 있다. 창작자는 NFT가 판매되어 소유자가 바뀔 때마다 보상을 받을 수 있다.
NFT 시스템은 디지털화, 저장, 서명, 발행, 확인 등 기능별로 최소한의 프로토콜을 정의할 수 있다. 예를 들어, 서버는 상기 NFT 시스템과 관련된 프로토콜을 통해, NFT 소유자가 파일, 제목, 설명이 완전히 일치하는지 확인할 수 있고, 적합한 포맷으로 로우 데이터(raw data)를 디지털 정보로 전환할 수 있게 할 수 있다. 예를 들어, 서버는 상기 NFT 시스템과 관련된 프로토콜을 통해, NFT 소유자가 블록체인 외부의 데이터베이스에 로우 데이터를 저장하고, 가스, 즉, 수수료를 소비하는 명령을 통해 로우 데이터를 블록체인 내부에 저장할 것을 결정하게 할 수 있다. 예를 들어, 서버는 상기 NFT 시스템과 관련된 프로토콜을 통해, NFT 소유자가 NFT 데이터를 포함한 거래내역에 서명하고, 스마트 컨트랙트에 거래내역을 전송하게 할 수 있다. 예를 들어, 서버는 상기 NFT 시스템과 관련된 프로토콜을 통해, 스마트 컨트랙트가 NFT 데이터가 담긴 거래내역을 받아 NFT를 발행하게 할 수 있다. 예를 들어, NFT의 내부 기능은 토큰 표준에서 정의될 수 있다. 예를 들어, NFT 발행 프로세스는 한 번 거래내역이 확인되면 완료되고, 영속적인 증거(Proof)로서 유일한 블록체인 주소와 연결될 수 있다.
여기서, 디지털 파일은 디지털 자산으로, 그림, 동영상, 음악, 도메인 이름, 가상 세계의 부동산, 가상 세계의 동산, 트레이딩 카드 등과 같은 복수의 종류의 디지털 파일을 포함할 수 있다.
예를 들어, 상기 제1 메시지는 상기 디지털 파일과 관련된 정보를 포함할 수 있다. 예를 들어, 상기 디지털 파일과 관련된 정보는 상기 디지털 파일에 대한 메타 데이터, 상기 디지털 파일의 종류, 창작자의 이름 및 상기 디지털 파일에 대한 링크 정보를 포함할 수 있다. 예를 들어, 메타 데이터는 디지털 파일에 대한 제작연도, 디지털 파일에 대한 에디션의 개수, 디지털 파일에 대한 콜라보레이션 여부 등과 같이 상기 디지털 파일에 대한 설명이 포함된 복수의 카테고리를 포함할 수 있다.
부가적으로, 예를 들어, 상기 제1 메시지는 창작자 단말의 통신 상태에 대한 정보를 포함할 수 있다. 예를 들어, 창작자 단말의 통신 상태에 대한 정보는 RSRP(reference signal received power) 값을 포함할 수 있다. 여기서, RSRP는 기준 신호에 대한 수신 파워를 나타내고, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 단말의 통신 상태가 불량한 것으로 결정될 수 있다.
단계 S302에서, 서버는 상기 서버에 입력된 정보에 기반하여 복수의 블록체인에 대한 성능 정보 및 상기 복수의 블록체인에 대한 가치 정보를 획득할 수 있다.
예를 들어, 복수의 블록체인은 NFT와 연동이 가능한 블록체인일 수 있다. 상기 복수의 블록체인에 대한 성능 정보는 블록체인에 대한 TPS(transaction per second), 블록체인에 대한 블록 생성 시간 및 블록체인에 대한 확정 시간을 포함할 수 있다. 여기서, TPS는 초당 처리되는 트랜잭션의 개수를 나타낼 수 있다. TPS는 최대 TPS 및 현재 TPS를 포함할 수 있다. 예를 들어, 최대 TPS는 트랜잭션이 과도하게 발생한 경우, 초당 몇 개의 트랜잭션이 처리되는지를 나타내는 값일 수 있다. 예를 들어, 현재 TPS는 현재를 기준으로 측정된 TPS일 수 있다. 예를 들어, 현재 TPS는 최근 블록에 담긴 트랜잭션 수를 블록 생성 시간으로 나눈 값일 수 있다. 여기서, 블록 생성 시간은 하나의 거래에 대한 소요 시간을 의미할 수 있다. 예를 들어, 블록 생성 시간은 트랜잭션을 처리하고 블록에 저장하기까지 걸린 시간일 수 있다. 여기서, 확정 시간은 트랜잭션이 메이저포크에 들어있다는 것을 확신하기까지의 시간일 수 있다. 예를 들어, 확정 시간은 신뢰도(N)와 블록 생성 시간의 곱일 수 있다. 예를 들어, N은 블록체인의 거래소마다 다른 값을 가질 수 있다. 예를 들어, N은 트랜잭션에 대한 컨펌(confirm) 개수와 관련된 값일 수 있다.
예를 들어, 서버는 상기 복수의 블록체인에 대한 성능을 사전 설정된 기간 동안 주기적으로 측정할 수 있고, 서버는 측정된 정보에 기반하여 블록체인에 대한 성능 정보를 획득할 수 있다.
예를 들어, 상기 복수의 블록체인에 대한 가치 정보는 상기 복수의 블록체인과 관련된 암호 화폐의 거래량, 암호 화폐의 시세, 암호 화폐가 거래소에 등록된 기간, 거래소의 개수, 사용자 수, 디지털 파일에 대한 민팅과 관련된 수수료 및 블록체인과 관련된 커뮤니티의 활성도를 포함할 수 있다. 예를 들어, 블록체인과 관련된 커뮤니티에 가입자 수 및 제1 블록체인과 관련된 커뮤니티의 게시물 개수에 기반하여 블록체인과 관련된 커뮤니티의 활성도가 결정될 수 있다.
단계 S303에서, 서버는 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정할 수 있다.
예를 들어, 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수가 결정될 수 있다. 예를 들어, 상기 복수의 블록체인의 성능 점수가 높은 순서로 사전 설정된 개수만큼 상기 적어도 하나의 블록체인이 결정될 수 있다. 예를 들어, 상기 적어도 하나의 블록체인에 대한 성능 점수는 사전 설정된 점수보다 높을 수 있다. 예를 들어, 상기 사전 설정된 점수는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 pth는 상기 사전 설정된 점수이고, 상기 nm은 상기 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 k는 상기 복수의 창작자 단말의 개수이고, 상기 ni는 i번째 창작자 단말로부터 수신한 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 ed는 상기 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 ei는 i번째 창작자 단말로부터 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 pavg는 상기 복수의 블록체인에 대한 성능 점수의 평균 값일 수 있다.
예를 들어, 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수가 평균적인 개수보다 많을수록, 디지털 파일에 대한 민팅에 필요한 용량이 더 증가하므로, 사전 설정된 점수를 높임으로써, 보다 성능이 좋은 블록체인을 결정할 수 있다. 예를 들어, 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이가 클수록, 측정된 성능 정보에 대한 신뢰도가 낮을 수 있으므로, 사전 설정된 점수를 증가시킴으로써, 확실한 성능을 가진 블록체인을 결정할 수 있다. 즉, 서버는 디지털 파일에 대한 메타데이터를 기록하기 위해 필요한 용량과 창작자 단말과 서버 사이의 통신 속도를 고려하여 기준 값을 변경함으로써, 적절한 성능을 가진 블록체인을 결정할 수 있다.
따라서, 대량의 디지털 파일에 대한 민팅이 요청된 경우, 디지털 파일을 하나의 블록체인으로 연동시키지 않고, 디지털 파일의 종류 및 블록체인의 현재 성능에 따라 대량의 디지털 파일을 서로 다른 블록체인에 연동시킴으로써, 대량의 디지털 파일에 대한 민팅을 처리하는 속도를 증가시킬 수 있다.
단계 S304에서, 서버는 상기 적어도 하나의 블록체인에 대한 정보를 포함하는 제2 메시지를 상기 복수의 창작자 단말 각각에 전송할 수 있다. 예를 들어, 상기 적어도 하나의 블록체인에 대한 정보는 상기 적어도 하나의 블록체인에 대한 성능 점수를 포함할 수 있다.
단계 S305에서, 서버는 상기 적어도 하나의 블록체인 중에서 창작자 단말에 의해 선택된 제1 블록체인에 대한 정보를 포함하는 제3 메시지를 상기 복수의 창작자 단말 각각으로부터 수신할 수 있다.
예를 들어, 상기 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅을 복수의 민팅 유형 중 어느 하나의 민팅 유형으로 분류될 수 있다. 예를 들어, 상기 복수의 민팅 유형은 디지털 파일이 상기 서버에 리스팅되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제1 민팅 유형 및 민팅으로 생성된 NFT가 판매되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제2 민팅 유형을 포함할 수 있다. 여기서, 리스팅은 NFT를 판매하기 전에 서버에 등록하는 동작일 수 있다. 예를 들어, 상기 수수료는 블록체인을 사용함으로써 지불하는 수수료일 수 있다.
부가적으로, 예를 들어, 상기 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅에 대해 예측된 수수료를 결정할 수 있다. 예를 들어, 서버는 상기 예측된 수수료 및 사전 설정된 수수료에 기반하여 상기 디지털 파일에 대한 민팅을 복수의 민팅 유형 중에서 어느 하나의 민팅 유형으로 분류할 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 예를 들어, 복수의 블록체인 플랫폼에 대한 가치 정보 및 정답 디지털 파일에 대한 민팅과 관련된 수수료로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 예측 모델이 생성될 수 있다.
단계 S306에서, 서버는 상기 선택된 제1 블록체인과 관련된 플랫폼에게 상기 디지털 파일에 대한 민팅을 요청할 수 있다.
단계 S307에서, 서버는 상기 디지털 파일에 대한 민팅이 완료된 창작자 단말에게 제4 메시지를 전송할 수 있다.
일 실시예에 따라, 상기 민팅으로 인해 생성된 NFT에 대한 구매 메시지가 구매자 단말로부터 수신될 수 있다. 예를 들어, 상기 구매 메시지는 구매 가격에 대한 정보 및 상기 NFT에 대한 구매를 위한 암호 화폐에 대한 정보를 포함할 수 있다. 예를 들어, 상기 NFT에 대한 구매가 체결되고, 및 상기 제1 블록체인과 관련된 플랫폼과 상기 NFT에 대한 구매를 위한 암호 화폐의 제2 블록체인과 관련된 플랫폼이 상이한 것에 기반하여, 상기 제1 블록체인과 관련된 플랫폼과 상기 제2 블록체인과 관련된 플랫폼 상호 간에 트랜잭션의 교환이 수행될 수 있다. 예를 들어, 서버는 각각의 복수의 블록체인 플랫폼의 메인 넷과 데이터 교환을 위한 링크를 제공하고, 블록체인 플랫폼에 사용되는 프로그래밍 언어를 변환하고, 메인 넷에서 발생하는 수수료 또는 사용료의 지급 규칙을 조정함으로써, 서로 다른 블록체인 플랫폼 사이의 트랜잭션의 교환이 수행되게 보조할 수 있다. 따라서, 서버는 NFT 판매자와 NFT 구매자가 서로 다른 암호화폐를 사용하여도, NFT 거래를 수행할 수 있게 보조할 수 있다.
부가적으로, 예를 들어, 상기 디지털에 대한 민팅이 제1 민팅 유형으로 결정된 경우, 서버는 디지털 파일이 상기 서버에 리스팅되는 시점에 상기 선택된 제1 블록체인을 통해 디지털 파일에 대한 민팅과 관련된 수수료를 지불할 수 있다. 예를 들어, 상기 디지털에 대한 민팅이 제2 민팅 유형으로 결정된 경우, 서버는 상기 디지털에 대한 민팅으로 생성된 NFT에 대한 구매가 체결된 시점에 상기 선택된 제1 블록체인을 통해 디지털 파일에 대한 민팅과 관련된 수수료를 지불할 수 있다.
부가적으로, 예를 들어, 상기 복수의 블록체인은 복수의 BFT 기반의 합의 방식을 사용하는 블록체인을 포함할 수 있다. 예를 들어, PBFT(practical byzantine fault tolerance) 기반의 합의 방식과 인공지능이 결합될 수 있다. 예를 들어, 인공지능이 자율적으로 판단하여 대표를 선택하여 블록생성 권한을 줄 수 있다. 또한, 다른 매개 변수를 사용하여 노드 자체의 신뢰성을 포함하여 가장 작동 가능하고 효율적인 노드를 판별하고, 해당 노드만 합의를 허용함으로써 악의적이거나 손상된 노드가 제거되어 전체 블록체인을 보호할 수 있다. 각 노드는 인공지능에 의해 등급으로 평가될 수 있고, 등급은 시스템이 향후 선택할 노드를 결정하는 평판을 생성할 수 있다. 예를 들어, 노드 선택은 1) 트랜잭션의 수 2)합의한 횟수 3)블록생성 4)가동시간의 네 가지 기본 요소에 따라 상이할 수 있다. 예를 들어, 인공지능은 일련의 데이터에서 관계와 패턴을 구별하기 위해 알고리즘의 순서를 사용한다. 예를 들어, 뉴럴 네트워크는 새로운 입력으로 스스로를 적응시키고 최적의 결과를 얻기 위해 학습될 수 있다. 예를 들어, 블록체인의 거래는 합의 수에 의해 입증되며, 행위자가 더 많은 합의를 성공할수록 블록체인을 검증하기 위해 선택될 가능성이 높아질 수 있다. 예를 들어, 검증자들은 네트워크에 대한 적극적인 참여로 재정적 보상을 받을 수 있다. 뉴럴 네트워크는 노드 운영자에 대한 보상 및 블록 형성에 필요한 시간 계산을 포함하여 플랫폼에 대한 정확한 결정을 내리기 위해 사용될 수 있다. 따라서, 더 많은 거래가 완료 될수록 다음 블록 형성까지의 시간이 단축될 수 있다.
도 4는 일 실시예에 따른 민팅 유형을 분류하는 방법에 대한 흐름도이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 단계 S401에서, 서버는 디지털 파일과 관련된 정보 및 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수를 결정할 수 있다.
단계 S402에서, 서버는 상기 복수의 블록체인의 성능 점수가 사전 설정된 점수 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 사전 설정된 점수는 상술한 수학식 1에 의해 설정될 수 있다.
단계 S402에서, 서버는 상기 복수의 블록체인의 성능 점수가 사전 설정된 점수 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 사전 설정된 점수는 상술한 수학식 1에 의해 설정될 수 있다.
단계 S403에서, 서버는 사전 설정된 점수 미만의 블록체인을 제외할 수 있다.
단계 S404에서, 서버는 사전 설정된 점수 이상의 블록체인의 개수가 사전 설정된 개수 이상인지 여부를 결정할 수 있다. 단계 S405에서, 사전 설정된 점수 이상의 블록체인의 개수가 사전 설정된 개수보다 작은 경우, 서버는 상기 사전 설정된 점수를 감소시킬 수 있다.
예를 들어, 상기 사전 설정된 개수는 하기 수학식 2에 의해 설정될 수 있다.
상기 수학식 2에서, 상기 nth는 상기 사전 설정된 개수이고, 상기 np는 상기 사전 설정된 점수 이상의 블록체인 개수이고, 상기 RSRP는 창작자 단말의 통신 상태를 나타내는 값이고, 상기 b는 디지털 파일의 종류에 대한 가중치일 수 있다. 예를 들어, 상기 사전 설정된 개수는 max 함수로 인해 최소 1의 값을 가지며, 상기 ceil 함수로 인해 정수 값을 가질 수 있다. 예를 들어, RSRP(reference signal received power)는 단말의 통신 상태를 나타내는 값으로, 음의 dB 값을 가질 수 있다. 예를 들어, RSRP의 절대 값이 클수록, 단말의 통신 상태가 불량한 것으로 결정될 수 있다.
예를 들어, 디지털 파일의 종류는 그림 파일, 동영상 파일 및 사진 파일을 포함하는 제1 종류, 음악 파일을 포함하는 제2 종류, 가상 세계에 대한 파일을 포함하는 제3 종류 및 그 외의 파일을 포함하는 제4 종류를 포함할 수 있다. 예를 들어, NFT가 등록된 웹 사이트들을 크롤링함으로써, 서버는 제1 종류 내지 제4 종류의 NFT 각각에 대해 등록 개수를 결정할 수 있다. 예를 들어, 상기 디지털 파일에 대한 가중치는 상기 등록 개수가 많을수록 크게 결정될 수 있다.
예를 들어, 상기 사전 설정된 점수 이상의 블록체인 개수가 많을수록 사전 설정된 개수가 커지므로, 상대적으로 많은 블록체인 후보가 결정될 수 있다. 예를 들어, 단말의 통신 상태가 양호할수록 사전 설정된 개수가 커지므로, 상대적으로 많은 블록체인 후보를 제공할 수 있다. 따라서, 서버는 디지털 파일에 대한 종류와 창작자 단말의 통신 상태 및 현재 제공 가능한 블록체인 후보의 개수를 고려하여 블록체인 후보를 결정할 수 있다. 즉, 서버는 항상 동일한 개수의 블록체인 후보를 제공하지 않고, 다양한 변수에 따라 유동적으로 블록체인 후보를 제공할 수 있다.
예를 들어, 서버는 사전 설정된 개수만큼 블록체인의 성능 점수가 높은 순서로 적어도 하나의 블록체인을 결정할 수 있고, 상기 적어도 하나의 블록체인에 대한 정보를 창작자 단말에게 전송할 수 있다. 예를 들어, 서버는 창작자 단말로부터 상기 적어도 하나의 블록체인 중에서 선택된 블록체인을 수신할 수 있다.
단계 S406에서, 서버는 상기 선택된 블록체인을 제1 블록체인으로 결정할 수 있다. 예를 들어, 서버는 상기 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅에 대해 예측된 수수료를 결정할 수 있다.
상기 복수의 블록체인과 관련된 암호 화폐의 거래량, 시세, 거래소에 등록된 기간, 거래소의 개수, 사용자 수 및 블록체인과 관련된 커뮤니티의 활성도를 포함할 수 있다.
단계 S407에서, 서버는 상기 예측된 수수료가 사전 설정된 수수료 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 사전 설정된 수수료는 하기 수학식 3에 의해 설정될 수 있다.
상기 수학식 3에서, 상기 fth는 상기 사전 설정된 수수료이고, 상기 a는 상기 제1 블록체인과 관련된 커뮤니티의 활성도이고, 상기 aavg는 복수의 블록체인과 관련된 커뮤니티의 활성도에 대한 평균 값이고, 상기 v는 상기 제1 블록체인에 대한 변동성과 관련된 값이고, 상기 vavg는 상기 복수의 블록체인에 대한 변동성과 관련된 값의 평균 값이고, 상기 favg는 상기 제1 블록체인에 대한 수수료의 평균 값일 수 있다.
예를 들어, 서버는 제1 블록체인과 관련된 커뮤니티에 대한 복수의 웹 사이트의 크롤링을 통해 제1 블록체인과 관련된 커뮤니티에 가입자 수 및 상기 블록체인과 관련된 커뮤니티의 게시물 개수를 획득할 수 있다. 예를 들어, 서버는 제1 블록체인과 관련된 커뮤니티에 가입자 수 및 제1 블록체인과 관련된 커뮤니티의 게시물 개수에 기반하여 제1 블록체인과 관련된 커뮤니티의 활성도를 결정할 수 있다. 예를 들어, 제1 블록체인과 관련된 커뮤니티에 가입자 수 및 제1 블록체인과 관련된 커뮤니티의 게시물 개수가 많을수록 상기 활성도가 큰 값을 가질 수 있다. 예를 들어, 복수의 암호 화폐에 대한 활성도에 대한 평균 값보다 제1 블록체인에 대한 활성도가 클수록, 사전 설정된 수수료가 크게 설정될 수 있다.
예를 들어, 제1 블록체인에 대한 변동성과 관련된 값은 사전 설정된 기간 내 사전 설정된 범위 이상으로 제1 블록체인과 관련된 암호 화폐의 시세가 변화한 횟수일 수 있다. 예를 들어, 복수의 블록체인에 대한 변동성과 관련된 값의 평균 값보다 제1 블록체인에 대한 변동성과 관련된 값이 클수록, 사전 설정된 수수료가 크게 설정될 수 있다. 즉, 블록체인의 활성도 및 변동성이 클수록 추후 수수료가 증가할 확률이 크므로, 서버는 활성도와 변동성을 반영하여 사전 설정된 수수료를 조정할 수 있다.
이로 인해, 서버는 디지털 파일에 대한 민팅과 관련된 수수료를 예측함으로써, 민팅을 수행하기 위한 최적의 시점을 결정할 수 있고, 또한, 민팅을 수행하는 시점을 변경함으로써, 대량의 디지털 파일에 대한 민팅으로 인한 부하를 감소시킬 수 있다.
단계 S408에서, 상기 예측된 수수료가 사전 설정된 수수료 미만인 경우, 서버는 상기 디지털 파일에 대한 민팅 유형을 제1 민팅 유형으로 결정할 수 있다.
단계 S409에서, 상기 예측된 수수료가 사전 설정된 수수료 이상인 경우, 서버는 상기 디지털 파일에 대한 민팅 유형을 제2 민팅 유형으로 결정할 수 있다.
도 5는 일 실시예에 따른 예측 모델에 대한 예이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어(510), 하나 이상의 제2 히든 레이어(520) 및 제2 출력 레이어(530)를 포함할 수 있다. 예를 들어, 복수의 블록체인 플랫폼에 대한 가치 정보 및 정답 디지털 파일에 대한 민팅과 관련된 수수료로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어(510)에 입력되고, 상기 하나 이상의 제2 히든 레이어(520) 및 제2 출력 레이어(530)를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어(530)에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 다변량 LSTM(long short term memory networks) 모델일 수 있다. 일반적으로 RNN(recurrent neural netowork)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다.
예를 들어, 상기 하나 이상의 제2 히든 레이어는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다.
예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다.
예를 들어, 입력 게이트(522), 삭제 게이트(521) 및 출력 게이트(523)는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트(522), 삭제 게이트(521) 및 출력 게이트(523)를 통해 셀 스테이트(524)가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 상기 복수의 블록체인에 대한 가치 정보는 데이터 전처리를 통해 벡터화될 수 있다. 예를 들어, 블록체인에 대한 가치 정보는 사전 설정된 제1 기간 동안의 복수의 암호 화폐의 거래량, 복수의 암호 화폐의 시세, 복수의 사용자 수, 사전 설정된 제1 기간 동안의 복수의 디지털 파일에 대한 민팅과 관련된 수수료 및 암호 화폐가 거래소에 등록된 기간을 포함한 입력 벡터로 변환될 수 있다.
예를 들어, 입력 벡터가 상기 제2 입력 레이어에 입력되고, 상기 삭제 게이트는 상기 입력 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다. 예를 들어, 상기 삭제 게이트(521)는 하기 수학식 4에 의한 과정을 수행할 수 있다.
예를 들어, 상기 입력 게이트(522)는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트(524)에 저장시킬 수 있다. 예를 들어, 상기 입력 게이트(522)는 하기 수학식 5에 의한 과정을 수행할 수 있다. 예를 들어, σ는 비선형 활성화 함수(시그모이드 함수)를 의미한다. 예를 들어, W는 가중치를 의미한다. b는 바이어스를 의미한다.
예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 하기 수학식 6과 같이, 셀 스테이트(524)에 대해 상기 ft를 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다.
예를 들어, 출력 게이트(523)는 시그모이드 레이어에서 제1 입력 벡터 및 제2 입력 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트(523)는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다. 예를 들어, 상기 출력 게이트(523)는 하기 수학식 7의 과정을 수행할 수 있다.
부가적으로, 예를 들어, 상기 삭제 게이트(521)와 상기 입력 게이트(522)가 합쳐진 LSTM 모델이 사용될 수 있다. 이러한 경우, 새로운 정보가 추가되는 이전 정보만 삭제됨으로써, 보다 빠르게 연산이 수행될 수 있다.
따라서, 서버가 상기 예측 모델을 통해 학습된 제2 뉴럴 네트워크의 파라미터를 사용할 수 있고, 서버는 사전 설정된 제1 기간에 대한 암호 화폐의 거래량, 암호 화폐의 시세, 사용자 수, 디지털 파일에 대한 민팅과 관련된 수수료 및 암호 화폐가 거래소에 등록된 기간 등과 같이 다양한 변수를 고려하여 사전 설정된 제2 기간에 대해 예측된 수수료를 결정할 수 있다. 예를 들어, 사전 설정된 제1 기간은 상기 사전 설정된 제2 기간 이전의 기간일 수 있다. 예를 들어, 서버는 각 블록체인에 대한 가치 정보를 기반으로 각 블록체인 별로 상기 예측 모델을 학습시킬 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(610)는 통신부(620)를 통해 복수의 창작자 단말 각각으로부터 디지털 파일에 대한 민팅을 요청하는 제1 메시지를 수신할 수 있다. 예를 들어, 상기 제1 메시지는 상기 디지털 파일과 관련된 정보를 포함할 수 있다. 예를 들어, 상기 디지털 파일과 관련된 정보는 상기 디지털 파일에 대한 메타 데이터, 상기 디지털 파일의 종류, 창작자의 이름 및 상기 디지털 파일에 대한 링크 정보를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 서버(600)에 입력된 정보에 기반하여 복수의 블록체인에 대한 성능 정보 및 상기 복수의 블록체인에 대한 가치 정보를 획득할 수 있다. 예를 들어, 상기 복수의 블록체인에 대한 성능 정보는 블록체인에 대한 TPS(transaction per second), 블록체인에 대한 블록 생성 시간 및 블록체인에 대한 확정 시간을 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 적어도 하나의 블록체인에 대한 정보를 포함하는 제2 메시지를 상기 복수의 창작자 단말 각각에 전송할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 적어도 하나의 블록체인 중에서 창작자 단말에 의해 선택된 제1 블록체인에 대한 정보를 포함하는 제3 메시지를 상기 복수의 창작자 단말 각각으로부터 수신할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 선택된 제1 블록체인과 관련된 플랫폼에게 상기 디지털 파일에 대한 민팅을 요청할 수 있다. 프로세서(610)는 통신부(620)를 통해 상기 디지털 파일에 대한 민팅이 완료된 창작자 단말에게 제4 메시지를 전송할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수를 결정할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 복수의 블록체인의 성능 점수가 높은 순서로 사전 설정된 개수만큼 상기 적어도 하나의 블록체인을 결정할 수 있다. 예를 들어, 상기 적어도 하나의 블록체인에 대한 성능 점수는 사전 설정된 점수보다 높을 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 사전 설정된 점수를 상술한 수학식 1에 의해 결정할 수 있다.
예를 들어, 상기 복수의 블록체인에 대한 가치 정보는 상기 복수의 블록체인과 관련된 암호 화폐의 거래량, 시세, 거래소에 등록된 기간, 거래소의 개수, 사용자 수, 디지털 파일에 대한 민팅과 관련된 수수료 및 블록체인과 관련된 커뮤니티의 활성도를 포함할 수 있다.
프로세서(610)는 메모리(630)를 통해 상기 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅을 복수의 민팅 유형으로 분류할 수 있다. 예를 들어, 상기 복수의 민팅 유형은 디지털 파일이 상기 서버에 리스팅되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제1 민팅 유형 및 민팅으로 생성된 NFT(non-fungible token)가 판매되는 시점에 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는 제2 민팅 유형을 포함할 수 있다.
프로세서(610)는 통신부(620)를 통해 상기 민팅으로 인해 생성된 NFT에 대한 구매 메시지를 구매자 단말로부터 수신할 수 있다. 예를 들어, 상기 구매 메시지는 구매 가격에 대한 정보, 상기 NFT에 대한 구매를 위한 암호 화폐에 대한 정보를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 상기 NFT에 대한 구매가 체결되고, 및 상기 제1 블록체인과 관련된 플랫폼과 상기 NFT에 대한 구매를 위한 암호 화폐의 제2 블록체인과 관련된 플랫폼이 상이한 것에 기반하여, 상기 제1 블록체인과 관련된 플랫폼과 상기 제2 블록체인과 관련된 플랫폼 상호 간에 트랜잭션의 교환을 수행할 수 있다.
예를 들어, 상기 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 예를 들어, 프로세서(610)는 메모리(630)를 통해 복수의 디지털 파일과 관련된 정보, 복수의 블록체인 플랫폼에 대한 성능 정보 및 정답 블록체인 플랫폼에 대한 성능 점수로 구성된 각각의 학습 데이터를 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력시켜 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과시키고 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터를 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력시키고, 상기 제1 손실함수 레이어를 통해 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습되는, 상기 결정 모델을 생성할 수 있다.
예를 들어, 상기 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 프로세서(610)는 메모리(630)를 통해 복수의 블록체인 플랫폼에 대한 가치 정보 및 정답 디지털 파일에 대한 민팅과 관련된 수수료로 구성된 각각의 학습 데이터를 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력시켜 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터를 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력시키고, 상기 제2 손실함수 레이어를 통해 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습되는, 상기 예측 모델을 생성할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 예를 들어, 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (3)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 디지털 파일에 대한 민팅(minting)을 위한 블록체인을 결정하는 방법에 있어서,
    복수의 창작자 단말 각각으로부터 디지털 파일에 대한 민팅을 요청하는 제1 메시지를 수신하는 단계;
    상기 제1 메시지는 상기 디지털 파일과 관련된 정보를 포함하고,
    상기 디지털 파일과 관련된 정보는 상기 디지털 파일에 대한 메타 데이터, 상기 디지털 파일의 종류, 창작자의 이름 및 상기 디지털 파일에 대한 링크 정보를 포함하고,
    상기 서버에 입력된 정보에 기반하여 복수의 블록체인에 대한 성능 정보 및 상기 복수의 블록체인에 대한 가치 정보를 획득하는 단계;
    상기 복수의 블록체인에 대한 성능 정보는 블록체인에 대한 TPS(transaction per second), 블록체인에 대한 블록 생성 시간 및 블록체인에 대한 확정 시간을 포함하고,
    상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일에 대한 민팅과 매칭되는 적어도 하나의 블록체인을 결정하는 단계;
    상기 적어도 하나의 블록체인에 대한 정보를 포함하는 제2 메시지를 상기 복수의 창작자 단말 각각에 전송하는 단계;
    상기 적어도 하나의 블록체인 중에서 창작자 단말에 의해 선택된 제1 블록체인에 대한 정보를 포함하는 제3 메시지를 상기 복수의 창작자 단말 각각으로부터 수신하는 단계;
    상기 선택된 제1 블록체인과 관련된 플랫폼에게 상기 디지털 파일에 대한 민팅을 요청하는 단계; 및
    상기 디지털 파일에 대한 민팅이 완료된 창작자 단말에게 제4 메시지를 전송하는 단계를 포함하고,
    상기 디지털 파일과 관련된 정보 및 상기 복수의 블록체인에 대한 성능 정보에 기반하여 제1 뉴럴 네트워크를 이용한 결정 모델을 통해 상기 디지털 파일의 민팅에 대한 상기 복수의 블록체인의 성능 점수가 결정되고,
    상기 복수의 블록체인의 성능 점수가 높은 순서로 사전 설정된 개수만큼 상기 적어도 하나의 블록체인이 결정되고,
    상기 적어도 하나의 블록체인에 대한 성능 점수는 사전 설정된 점수보다 높고,
    상기 사전 설정된 점수는 하기 수학식에 의해 결정되고,

    상기 수학식에서, 상기 pth는 상기 사전 설정된 점수이고, 상기 nm은 상기 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 k는 상기 복수의 창작자 단말의 개수이고, 상기 ni는 i번째 창작자 단말로부터 수신한 디지털 파일에 대한 메타 데이터에 포함된 카테고리의 개수이고, 상기 ed는 상기 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 ei는 i번째 창작자 단말로부터 제1 메시지를 상기 서버가 수신한 시간과 상기 복수의 블록체인에 대한 성능이 상기 서버에 의해 측정된 마지막 시간의 차이 값이고, 상기 pavg는 상기 복수의 블록체인에 대한 성능 점수의 평균 값이고,
    상기 복수의 블록체인에 대한 가치 정보는 상기 복수의 블록체인과 관련된 암호 화폐의 거래량, 시세, 거래소에 등록된 기간, 거래소의 개수, 사용자 수, 디지털 파일에 대한 민팅과 관련된 수수료 및 블록체인과 관련된 커뮤니티의 활성도를 포함하고,
    상기 선택된 제1 블록체인에 대한 가치 정보를 기반으로 제2 뉴럴 네트워크를 이용한 예측 모델을 통해 상기 디지털 파일에 대한 민팅이 복수의 민팅 유형 중 어느 하나의 민팅 유형으로 분류되고,
    상기 복수의 민팅 유형은 제1 민팅 유형 및 제2 민팅 유형을 포함하는,
    방법.
  2. 제 1항에 있어서,
    상기 디지털에 대한 민팅이 상기 제1 민팅 유형으로 분류된 경우, 상기 디지털 파일이 상기 서버에 리스팅되는 시점에 상기 선택된 제1 블록체인을 통해 상기 디지털 파일에 대한 민팅과 관련된 수수료기 지불되는,
    방법.
  3. 제 1항에 있어서,
    상기 디지털에 대한 민팅이 상기 제2 민팅 유형으로 분류된 경우, 상기 디지털 파일에 대한 민팅으로 생성된 NFT(non-fungible token)에 대한 구매가 체결된 시점에 상기 선택된 제1 블록체인을 통해 디지털 파일에 대한 민팅과 관련된 수수료가 지불되는,
    방법.
KR1020220151589A 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치 KR20240007576A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220151589A KR20240007576A (ko) 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220084544A KR102469076B1 (ko) 2022-07-08 2022-07-08 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치
KR1020220151589A KR20240007576A (ko) 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020220084544A Division KR102469076B1 (ko) 2022-07-08 2022-07-08 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20240007576A true KR20240007576A (ko) 2024-01-16

Family

ID=84236904

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020220084544A KR102469076B1 (ko) 2022-07-08 2022-07-08 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치
KR1020220151592A KR20240007577A (ko) 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 결정된 블록체인에 대해 디지털 파일에 대한 민팅 유형을 결정하는 방법 및 장치
KR1020220151589A KR20240007576A (ko) 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅 유형에 따라 블록체인을 통해 수수료를 지불하는 방법 및 장치

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020220084544A KR102469076B1 (ko) 2022-07-08 2022-07-08 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치
KR1020220151592A KR20240007577A (ko) 2022-07-08 2022-11-14 뉴럴 네트워크를 이용하여 결정된 블록체인에 대해 디지털 파일에 대한 민팅 유형을 결정하는 방법 및 장치

Country Status (1)

Country Link
KR (3) KR102469076B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102501575B1 (ko) * 2022-11-22 2023-02-21 주식회사 아무랩스 복수의 뉴럴 네트워크를 이용하여 동영상 텍스트 리스트를 사용자 단말에게 전송하는 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102112126B1 (ko) * 2019-02-01 2020-05-18 황성재 인공지능 기반의 트랜잭션 화폐 결정 방법 및 시스템
KR102269812B1 (ko) * 2020-11-12 2021-06-28 (주)아이디엔디 블록체인 기반 도면 거래 서비스 제공 시스템
KR102340588B1 (ko) * 2021-05-11 2021-12-21 주식회사 와이콘즈 블록체인 기반의 nft를 이용한 객체 관리 서비스를 지원하는 객체 관리 시스템

Also Published As

Publication number Publication date
KR102469076B1 (ko) 2022-11-23
KR20240007577A (ko) 2024-01-16

Similar Documents

Publication Publication Date Title
KR102437103B1 (ko) 뉴럴 네트워크 기반의 축산물 유통 시스템 및 방법, 축산물 유통 메타버스 플랫폼
KR102439204B1 (ko) 학습된 뉴럴 네트워크를 이용한 임대차 관리 서비스 제공 방법 및 시스템
KR102491357B1 (ko) 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102625772B1 (ko) 뉴럴 네트워크를 이용한 공동 구매 방법 및 장치
KR102407241B1 (ko) 렌탈 마켓 시스템
KR102469076B1 (ko) 뉴럴 네트워크를 이용하여 디지털 파일에 대한 민팅을 위한 블록체인을 결정하는 방법 및 장치
KR102594697B1 (ko) 뉴럴 네트워크를 이용하여 가상 자산 시장의 상태에 따라 가상 자산에 대한 포트폴리오에 대해 리밸런싱을 수행하는 방법 및 장치
KR102482533B1 (ko) 블록체인 기반의 가상 자산 관리 장치 및 방법
KR102437112B1 (ko) 뉴럴 네트워크 기반의 물류 분산 시스템
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR20230007987A (ko) 블록체인 기반의 가상 자산 관리 장치 및 방법
KR102439212B1 (ko) 학습된 뉴럴 네트워크를 이용하여 온라인상에서 임대차 통합 서비스를 제공하는 시스템
KR102626872B1 (ko) 뉴럴 네트워크를 이용하여 블록체인 네트워크를 기반으로배송 물품을 관리하는 방법 및 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102501056B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 제공 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102504950B1 (ko) 뉴럴 네트워크를 이용하여 예측된 상품 판매량을 사용자 단말에게 제공하는 방법 및 장치
KR102497016B1 (ko) 농산물 추천 방법 및 장치
KR102536674B1 (ko) 뉴럴 네트워크를 이용하여 도매 상품에 대한 추천 리스트를 셀러 단말에게 제공하는 방법 및 장치
KR102602516B1 (ko) 뉴럴 네트워크를 이용하여 리밸런싱이 수행된 가상 자산에 대한 포트폴리오를 평가하는 방법 및 장치
KR102603159B1 (ko) 뉴럴 네트워크를 이용하여 가상 자산에 대한 포트폴리오에 대해 예측된 평가 점수에 기반하여 리밸런싱을 수행하는 방법 및 장치
KR102509392B1 (ko) 뉴럴 네트워크를 이용하여 서버가 품목별 예측 주문량에 따라 원자재 요청 메시지를 전송하는 방법 및 장치
KR102557257B1 (ko) 뉴럴 네트워크를 이용하여 예측된 매출액을 기반으로 식재료에 대한 정보를 전송하는 방법 및 장치
KR102670133B1 (ko) 뉴럴 네트워크를 이용하여 온라인 및 오프라인을 통합하는 골프 대회를 운영하는 방법 및 장치
KR102642567B1 (ko) 뉴럴 네트워크를 이용하여 프라이싱을 수행하는 방법 및 장치