KR102193115B1

KR102193115B1 - 드로잉 기반 보안 인증을 수행하기 위한 컴퓨터 프로그램

Info

Publication number: KR102193115B1
Application number: KR1020190047780A
Authority: KR
Inventors: 김영수; 조영박; 황영태
Original assignee: 넷마블 주식회사
Priority date: 2019-04-24
Filing date: 2019-04-24
Publication date: 2020-12-18
Also published as: US11358061B2; KR20200124447A; US20220233963A1; US20200338454A1; US11654366B2

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 사용자의 드로잉 기반 보안 인증을 위한 이하의 동작들을 수행하도록 하며 상기 동작들은: 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하는 동작, 상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하는 동작 및 상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작을 포함할 수 있다.

Description

드로잉 기반 보안 인증을 수행하기 위한 컴퓨터 프로그램{A COMPUTER PROGRAM FOR PERFORMING DRAWING-BASED SECURITY AUTHENTICATION}

본 개시는 보안 인증에 관한 것으로, 보다 구체적으로 드로잉 기반 보안 인증을 수행하기 위한 컴퓨터 프로그램에 관한 것이다.

IT 기기의 발달과, 핀테크 사업의 확대, 사물인터넷(IoT, Internet of Things)의 확산에 따라, 사람과 사물이 서로 긴밀이 연결되어 소통하는 경계 없는 네트워크가 발달하고 있다. 그리고, 만물인터넷(IoE, Internet of Everything)을 기반으로 만물이 서로 통신을 통해 연결되는 초연결시대가 도래하고 있다.

또한, 인터넷 환경이 PC에서 모바일로 확장되고, 인터넷뱅킹, 간편 결제서비스 사용 증가와 다양한 핀테크가 등장함에 따라 정보보호 및 결제를 위한 인증은 선택이 아닌 필수가 되었다.

한편, 생체인증은 점차 금융거래나 전자결제는 물론 모바일 및 통신기술의 발전과 함께 사물인터넷(IoT) 기기 등의 분야로 그 활용이 점차 확대되고 있다. 이에 따라, 현재 글로벌 ICT 및 유통업체들은 생체인증 사업에 대한 투자를 늘려 기술 개발을 서두르고 있는 추세이며, 생체인증 시장의 규모가 커질 것으로 전망되고 있다.

생체 인증은 개인의 고유한 생체정보를 이용하기 때문에 정확도가 매우 높고, 열쇠나 비밀번호처럼 분실이나 도난·위조에 대한 걱정이 없어 보안이 강화될 수 있다. 또한, 생체 인증은 별도의 로그인 절차를 생략하게 함으로써 인증에 필요한 OTP 생성기 등을 휴대하지 않고도 편리하게 본인을 인증할 수 있기 때문에 보안성과 편의성, 두 가지 모두를 충족하는 합리적인 매력으로 ICT서비스의 차세대 핵심 인증수단으로 각광받고 있다.

생체인증은 지문, 얼굴, 눈의 망막 및 홍채 등과 같은 선천적인 신체적(Physiological) 특징을 이용하는 방식과 음성, 얼굴 표정, 서명 등의 후천적인 행동적(Behavioral) 특징을 이용하는 두 가지 방식으로 분류될 수 있다.

선천적인 신체적(Physiological) 특징을 이용한 생체인식 기술은 안전한 보안 인증수단이지만, 생체인증 확산의 걸림돌인 기술적, 환경적, 사회적, 인식적 한계는 아직 존재할 수 있다. 기술적으로 음성인식의 경우, 주변의 소음에 따라 결과값이 달라지게 되고, 얼굴인식의 경우 카메라의 각도나 밝기에 따라 정확도가 다르게 나타날 수 있으며, 땀이나 습도, 상처, 손상, 노화 등 여러 환경적 요인에 의해 정확한 인증값을 확보하기 어려울 수 있다. 또한, 사용자의 선천적인 신체에 대한 정보를 확보하기 위한 별도의 장비(예컨대, 얼굴 인식의 경우, 사용자의 얼굴 영상을 확보하기 위한 카메라)가 필수적으로 요구될 수 있다. 더욱이 생체인증에 사각지대에 있는 경우, 예를 들면, 지문이 닳아 없어진 사람이나 장애를 가진 사람 등 여러 변수에 대한 실용적인 대응체계 구축이 필요하다.

한국 등록 특허 KR1337447

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 드로잉 기반 보안 인증을 수행하는 컴퓨터 프로그램을 제공하기 위한 것이다.

대안적으로, 상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 동작 및 상기 식별된 유휴 상태에 기초하여 상기 사용자 단말로 하여금 제 2 드로잉 입력 화면이 출력되도록 하는 제 2 제어 신호를 전송할 것을 결정하는 동작을 더 포함할 수 있다.

대안적으로, 상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 동작은, 상기 사용자 단말에서 게임이 로딩되는 시점부터 사전 설정된 제 1 시간 동안을 상기 유휴 상태로 식별하는 동작 및 상기 사용자 단말에서 실행되는 게임에 대한 입력 신호가 사전 설정된 제 2 시간 동안 입력되지 않는 경우, 상기 유휴 상태로 식별하는 동작 중 적어도 하나의 동작을 포함할 수 있다.

대안적으로, 상기 사용자 단말로부터 수신한 하나 이상의 드로잉 입력 정보에 기초하여 드로잉 평가 모델을 학습시키는 동작을 더 포함할 수 있다.

대안적으로, 상기 드로잉 평가 모델은, 상기 사용자의 고유한 드로잉 스타일 정보를 학습하기 위한 드로잉 스타일 평가 서브 모델 및 상기 제 1 드로잉 입력 정보가 상기 하나 이상의 주제에 부합하는지 여부를 판별하기 위한 드로잉 인식 서브 모델 중 적어도 하나의 모델을 포함할 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 입력 데이터와 유사한 출력 데이터를 출력하도록 학습된 차원 감소 네트워크 함수 및 차원 복원 네트워크 함수에서 상기 학습된 차원 감소 네트워크 함수로 구성될 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 사용자 정보가 각각 태깅된 학습 데이터를 포함하는 학습 데이터 세트를 차원 감소 네트워크의 입력으로 하여 출력된 사용자 별 특징 데이터를 태깅된 상기 사용자 정보와 매칭하여 저장하고, 제 1 드로잉 입력 정보를 상기 학습된 차원 감소 네트워크 함수를 이용하여 연산함으로써 출력된 제 1 드로잉 특징 정보와 상기 사용자 별 특징 데이터의 비교 결과에 기초하여 드로잉 스타일 유사성을 평가할 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 제 1 드로잉 특징 정보와 상기 사용자 별 특징 데이터의 벡터 공간 상의 거리 비교를 통해 드로잉 스타일 유사성을 평가할 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 상기 제 1 드로잉 특징 정보의 사용자 정보와 매칭되는 사용자의 특징 데이터와 비교 결과에 기초하여 드로잉 스타일 유사성을 평가할 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 제 1 사용자의 드로잉 입력 정보를 타겟 이미지, 제 1 사용자의 다른 드로잉 입력 정보를 타겟 시밀러(similar) 이미지 및 제 2 사용자의 드로잉 입력 정보를 타겟 디스시밀러(dissimilar) 이미지로 포함하는 제 2 학습 데이터를 이용하여 트리플렛 로스(triplet loss) 방식으로 학습될 수 있다.

대안적으로, 상기 드로잉 인식 서브 모델은, 하나 이상의 이미지 데이터와 상기 하나 이상의 이미지 데이터 각각에 대응하는 주제를 라벨링하여 생성된 제 3 학습 데이터를 통한 교사 학습을 통해 학습될 수 있다.

대안적으로, 상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작은, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하는 동작, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 인식 서브 모델을 통해 상기 하나 이상의 주제와 부합하는지 여부에 대한 제 2 판별을 수행하는 동작 및 상기 제 1 판별 결과 및 제 2 판별 결과에 기초하여 상기 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작을 포함할 수 있다.

대안적으로, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하는 동작은, 상기 제 1 드로잉 입력 정보에 대응하는 사용자 정보를 식별하는 동작, 상기 제 1 드로잉 입력 정보를 상기 드로잉 스타일 평가 서브 모델의 입력으로 하여 제 1 드로잉 입력 정보에 대한 제 1 드로잉 특징 정보를 획득하는 동작 및 상기 제 1 드로잉 특징 정보의 벡터 공간 상의 위치와 상기 사용자 정보에 대응하여 저장된 하나 이상의 특징 데이터의 벡터 공간 상의 위치에 기초하여 제 1 판별을 수행하는 동작을 포함할 수 있다.

본 개시의 다른 실시예에서 사용자의 드로잉 기반 보안 인증을 수행하기 위한 방법이 개시된다. 상기 방법은, 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하는 단계, 상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하는 단계 및 상기 수신한 제 1 드로잉 입력 정보를 학습된 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 단계를 포함할 수 있다.

본 개시의 또 다른 실시예에서 사용자의 드로잉 기반 보안 인증을 수행하기 위한 서버이 개시된다. 상기 서버는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에 의해 실행가능한 프로그램 코드들을 저장하는 메모리 및 클라이언트와 데이터를 송수신하는 네트워크부를 포함하며, 상기 프로세서는, 상기 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하고, 상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하고, 그리고 상기 수신한 제 1 드로잉 입력 정보를 학습된 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정할 수 있다.

본 개시는 드로잉 기반 보안 인증을 수행하는 컴퓨터 프로그램을 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예에 따른 드로잉 기반 인증 시스템에 대한 개략도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 사용자의 드로잉 기반 보안 인증 서버의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 제 1 드로잉 입력 화면을 예시적으로 도시한 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.
도 5는 본 개시의 일 실시예와 관련된 드로잉 평가 모델의 블록 구성도를 예시적으로 나타낸 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 드로잉 평가 모델을 학습시키기 위한 학습 데이터를 예시적으로 나타낸 예시도이다.
도 7은 본 개시의 일 실시예와 관련된 컨벌루셔넌 뉴럴 네트워크(convolutional neural network)를 나타낸 개략도이다.
도 8은 본 개시의 일 실시예와 관련된 오토 인코더를 예시적으로 나타낸 예시도이다.
도 9는 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델을 통해 사용자의 드로잉 특징 정보를 출력하는 과정을 예시적으로 나타낸 예시도이다.
도 10은 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델을 통해 사용자의 드로잉 특징 정보를 출력하는 과정을 예시적으로 나타낸 예시도이다.
도 11은 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델을 훈련시키는 방법을 나타낸 개략도이다.
도 12는 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델을 훈련시키는 방법을 나타낸 개략도이다.
도 13은 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델의 해공간을 나타낸 개략도이다.
도 14는 본 개시의 일 실시예와 관련된 사용자의 드로잉 기반 보안 인증을 수행하기 위한 순서도를 도시한다.
도 15는 본 개시의 일 실시예 관련된 사용자의 드로잉 기반 보안 인증을 수행하는 방법을 구현하기 위한 모듈을 도시한다.
도 16은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

본 개시내용의 청구범위에서의 동작들에 대한 권리범위는, 각 동작들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 동작에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 동작들의 기재 순서에 영향을 받지 않는다. 예를 들어, A동작 및 B동작를 포함하는 동작으로 기재된 청구범위에서, A동작이 B동작 보다 먼저 기재되었다고 하더라도, A동작이 B동작에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.

도 1은 본 개시의 일 실시예에 따른 드로잉 기반 인증 시스템에 대한 개략도를 도시한다.

도 1에 도시된 바와 같이, 드로잉 기반 인증 시스템(10)은 서버(100) 네트워크 및 사용자 단말(200)을 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수도 있다.

서버(100) 및 사용자 단말(200)은 네트워크를 통해 본 개시에 따른 드로잉 기반 인증 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 개시에서의 사용자 단말(200)은 사용자가 게임을 플레이할 수 있도록 하는 적어도 하나의 단말일 수 있다. 또한, 사용자 단말(200)은 서버(100)에서 전송되는 신호에 기초하여 게임 화면 등을 디스플레이 할 수 있다.

사용자 단말(200)은 서버(100)와 통신을 위한 매커니즘을 갖는 시스템에서의 임의의 형태의 노드(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(200)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(200)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(200)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.

사용자 단말(200)은 서버(100)에 접속하여 서버(100)가 제공하는 게임을 수행할 수 있으며, 게임을 실행하는 과정에서 사용자의 계정에 대한 보안을 위한 잠금 화면을 표시하거나 해제할 수 있다. 본 명세서에서의 게임은 모바일 게임, 웹 게임, VR 게임, P2P 게임, 온라인/오프라인 게임 등 임의의 형태의 게임을 포함할 수 있다.

사용자 단말(200)은 디스플레이를 구비하고 있어서, 게임의 플레이 및/또는 잠금 화면 설정을 수행하는데 있어서 사용자의 입력을 수신하고 사용자에게 임의의 형태의 출력을 제공할 수 있다.

본 개시의 일 실시예에 따르면, 서버(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 또한, 서버(100)는 사용자 단말(200)로 하여금 게임 플레이를 허용할 수 있다.

본 개시의 일 실시예에 따르면, 서버(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한, 본 개시의 일 실시예에서 서버(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

이하 도 2를 참조하여, 서버(100)가 사용자로부터 수신한 드로잉에 기반하여 인증을 수행하는 방법을 자세히 후술한다.

도 2는 본 개시의 일 실시예와 관련된 사용자의 드로잉 기반 보안 인증 서버의 블록 구성도를 도시한다.

도 2에서 도시되는 바와 같이, 서버(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴포넌트들은 예시적인 것으로서 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.

본 개시의 일 실시예에 따르면, 서버(100)는 사용자 단말(200)과 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 사용자 단말(200)로부터의 입력을 수신할 수 있다. 예를 들어, 네트워크부(110)는 사용자 단말(200)로부터 잠금 화면 설정 및/또는 잠금 화면 해제 신호, 그리고 게임 화면에 관련한 제어 신호를 수신할 수 있다. 추가적으로, 네트워크부(110)는 서버(100)로 프로시저를 호출하는 방식으로 서버(100)와 사용자 단말(200) 간의 정보 전달을 허용할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 서버(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 서버(100)의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서(130)를 포함할 수 있다. 프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 드로잉 기반 보안 인증을 수행할 수 있다.

본 개시의 일 실시예에 따라 프로세서(130)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(130)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(back-propagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용 드로잉 입력 정보에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서(130)를 함께 사용하여 모델의 학습, 드로잉 평가 모델을 통한 드로잉 입력 정보에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는, 기능을 제공하거나 처리할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임의 유휴 상태를 식별할 수 있다. 유휴 상태는 사용자가 사용자 단말(200)을 통해 게임을 실행하였으나, 게임에 대한 별도의 조작을 수행하지 않는 상태를 포함할 수 있다. 예를 들어, 프로세서(130)는 사용자가 게임에 대한 입력을 발생시키지 않거나, 사용자가 게임에 대한 입력을 발생시킬 수 없는 순간을 유휴 상태로 식별할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)에서 게임이 로딩되는 시점부터 사전 설정된 제 1 시간 동안을 유휴 상태로 식별할 수 있다. 또한, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임에 대한 입력 신호가 사전 설정된 제 2 시간 동안 입력되지 않는 경우, 사용자 단말(200)에서 실행되는 게임의 유휴 상태로 식별할 수 있다.

예를 들어, 사전 설정된 제 1 시간이 30초인 경우, 프로세서(130)는 사용자 단말(200)이 서버(100)에 접속하는 시점(즉, 로그인 시점)으로부터 30초 동안을 유휴 상태로 식별할 수 있다.

다른 예를 들어, 사전 설정된 제 1 시간이 15초인 경우, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임의 맵 로딩 시작 시점 또는, 상대 팀 매칭을 위한 로딩 시작 시점으로부터 15초 동안을 유휴 상태로 식별할 수 있다.

또 다른 예를 들어, 사전 설정된 제 2 시간이 20초인 경우, 프로세서(130)는 사용자 단말(200)이 게임을 실행하는 과정에서 20초 동안 게임에 대한 입력 신호를 발생시키지 않는 시점을 유휴 상태로 식별할 수 있다.

즉, 프로세서(130)는 사용자가 사용자 단말(200)을 통해 게임을 수행하는 과정에서 별도의 조작이 필요하지 않은 유휴 시간을 식별할 수 있다. 전술한 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 기준이 되는 사전 설정된 제 1 시간 및 사전 설정된 제 2 시간의 구체적인 수치에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말(200)로 하여금 제 2 드로잉 입력 화면을 표시하도록 제어할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임의 유휴 상태를 식별하고, 상기 유휴 상태가 식별된 경우, 사용자 단말(200)로 하여금 하나 이상의 주제를 포함하는 제 2 드로잉 입력 화면을 표시하도록 하는 제 2 제어 신호를 전송할 것을 결정할 수 있다. 다시 말해, 프로세서(130)는 사용자 단말(200)에서 유휴 상태가 식별되는 경우 사용자 단말(200)로 하여금 제 2 드로잉 입력 화면을 표시하도록 하는 제 2 제어 신호를 전송할 것을 결정할 수 있다. 즉, 사용자 단말(200)은 유휴 시간으로 식별되는 경우, 프로세서(130)의 제 2 제어 신호에 기초하여 제 2 드로잉 입력 화면을 복수 횟수만큼 표시할 수 있다.

제 2 드로잉 입력 화면은, 사용자 별 고유한 드로잉 스타일 정보를 획득하기 위한 화면으로, 하나 이상의 주제를 포함할 수 있다. 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제는, 사용자 단말(200)을 이용하는 사용자로 하여금 특정 주제에 대한 드로잉 입력을 유도하기 위해 제공되는 것으로, 텍스트 정보 및 그림 정보 중 적어도 하나로 표시될 수 있다.

예를 들어, 하나 이상의 주제는 '서명 정보를 입력하세요'와 같은 텍스트 정보로 표시될 수 있으며, '의자'에 대한 이미지와 관련된 그림 정보일 수도 있다. 즉, 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제가 '서명 정보를 입력하세요'와 같은 텍스트 정보인 경우, 사용자는 제 2 드로잉 입력 화면에 자신의 서명을 수기 입력할 수 있으며, 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제가 '의자'에 대한 이미지와 관련된 그림 정보인 경우, 사용자는 제 2 드로잉 입력 화면에 상기 의자에 대한 이미지와 관련된 그림 정보를 묘사한 드로잉을 입력할 수도 있다. 전술한 하나 이상의 주제가 표시되는 텍스트 정보 및 이미지 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 사용자 단말(200)로부터 제 2 드로잉 입력 화면에 대한 제 2 드로잉 입력 정보를 수신할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)에 표시된 제 2 드로잉 입력 화면에 대응하여 사용자가 입력한 제 2 드로잉 입력 정보를 수신할 수 있다. 이 경우, 제 2 드로잉 입력 화면은 사용자 별 고유한 드로잉 스타일 정보를 획득하기 위한 화면일 수 있으며, 제 2 드로잉 입력 화면을 통해 수신한 제 2 드로잉 입력 정보를 통해 사용자 별 고유한 드로잉 스타일 정보를 획득할 수 있다. 또한, 제 2 드로잉 입력 정보는, 본 개시에서 드로잉 평가 모델을 학습시키기 위한 제 1 학습 데이터 세트에 포함될 수 있다. 제 2 드로잉 입력 정보를 통해 본 개시의 드로잉 평가 모델(400)을 학습시키는 방법에 대한 구체적인 설명은 후술하도록 한다.

또한, 프로세서(130)는 사용자 단말(200)로부터 수신한 제 2 드로잉 입력 정보가 사용자 단말(200)에 제공한 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제에 부합하는지 여부를 판단할 수 있다. 또한, 프로세서(130)는 사용자 단말(200)로부터 수신한 제 2 드로잉 입력 정보가 사용자 단말(200)에 제공한 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제에 부합하지 않는 경우, 해당 제 2 드로잉 입력 정보는 드로잉 평가 모델을 학습시키기 위한 학습 데이터로 사용하지 않을 수 있다.

예를 들어, 사용자 단말(200)에 제공한 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제가 “개를 그리세요”와 같은 텍스트 정보인 경우, 프로세서(130)는 상기 제 2 드로잉 입력 화면을 통해 수신한 제 2 드로잉 입력 정보가 상기 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제에 부합하는지, 즉, 제 2 드로잉 입력 정보가 '개'에 관련한 그림인지 여부를 판별할 수 있다. 또한, 프로세서(130)는 제 2 드로잉 입력 정보가 '개'와 관련한 그림이 아닌 것으로 판별된 경우, 해당 제 2 드로잉 입력 정보는 드로잉 평가 모델을 학습시키기 위한 제 1 학습 데이터 세트에 포함시키지 않을 수 있다. 즉, 프로세서(130)는 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제와 사용자 단말(200)로부터 수신한 제 2 드로잉 입력 정보의 관련성을 판별하여 해당 제 2 드로잉 입력 정보를 드로잉 평가 모델을 학습시키기 위한 학습 데이터로 사용할지 여부를 결정할 수 있다. 전술한 제 2 드로잉 입력 화면 및 제 2 드로잉 입력 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

다시 말해, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임에 대한 적어도 하나의 유휴 상태 각각에 대응하여 획득한 하나 이상의 제 2 드로잉 입력 정보 중 학습 데이터에 적합한 제 2 드로잉 입력 정보(즉, 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제에 부합하는 제 2 드로잉 입력 정보)만을 선별하여 사용자의 고유한 드로잉 스타일 정보를 획득하기 위한 제 1 학습 데이터 세트로 구축할 수 있다.

상술한 바와 같이, 프로세서(130)는 사용자 단말(200)에서 실행되는 게임에서 식별되는 적어도 하나의 유휴 시간 각각에 대응하여 제 2 드로잉 입력 화면을 표시하도록 제어함으로써, 사용자 단말(200)로부터 하나 이상의 제 2 드로잉 입력 정보를 수신할 수 있다. 또한, 프로세서(130)는 사용자 단말(200)로부터 수신한 하나 이상의 제 2 드로잉 입력 정보를 제 1 학습 데이터 세트로 구축함으로써, 사용자 별 고유한 드로잉 스타일을 학습할 수 있다. 이에 따라, 후술될 본 개시의 드로잉 평가 모델의 인증 정확도가 향상될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말(200)로부터 수신한 하나 이상의 드로잉 입력 정보에 기초하여 드로잉 평가 모델(400)을 학습시킬 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)로부터 수신한 하나 이상의 제 2 드로잉 입력 정보를 통해 하나 이상의 학습 데이터를 포함하는 제 1 학습 데이터 세트를 구축할 수 있으며, 상기 제 1 학습 데이터 세트를 통해 드로잉 평가 모델(400)을 학습시킬 수 있다.

제 1 학습 데이터 세트는 도 6에 도시된 바와 같이, 하나 이상의 학습 데이터 서브 세트를 포함할 수 있다. 이 경우, 하나 이상의 학습 데이터 서브 세트 각각은 각각의 사용자에 대응하여 수신한 제 2 드로잉 입력 정보에 따라 분류된 것일 수 있다. 즉, 제 1 학습 데이터 서브 세트는 제 1 사용자 단말로부터 수신한 하나 이상의 제 2 드로잉 입력 정보에 대응하는 하나 이상의 학습 데이터를 포함할 수 있으며, 제 2 학습 데이터 서브 세트는 제 2 사용자 단말로부터 수신한 하나 이상의 제 2 드로잉 입력 정보에 대응하는 하나 이상의 학습 데이터를 포함할 수 있다. 즉, 하나 이상의 학습 데이터 서브 세트 각각은, 특정 사용자에 대응하여 생성된 학습 데이터의 조합을 의미할 수 있으며, 복수의 데이터 서브 세트가 제 1 학습 데이터 세트를 구성할 수 있다.

드로잉 평가 모델(400)은 하나 이상의 네트워크 함수를 포함할 수 있다. 또한, 드로잉 평가 모델(400)은, 도 5에 도시된 바와 같이, 사용자의 고유한 드로잉 스타일 정보를 학습하기 위한 드로잉 스타일 평가 서브 모델(410) 및 드로잉 입력 정보(예컨대, 제 1 드로잉 입력 정보 및 제 2 드로잉 입력 정보)가 하나 이상의 주제에 부합하는지 여부를 판별하기 위한 드로잉 인식 서브 모델(420) 중 적어도 하나의 모델을 포함할 수 있다.

본 개시의 일 실시예에 따르면, 드로잉 스타일 평가 서브 모델(410)은, 프로세서(130)에 의해 입력 데이터와 유사한 출력 데이터를 출력하도록 학습된 차원 감소 네트워크 함수 및 차원 복원 네트워크 함수에서 상기 학습된 차원 감소 네트워크 함수로 구성될 수 있다. 즉, 드로잉 스타일 평가 서브 모델(410)은 학습된 오토 인코더(Autoencoder)의 구성에서 차원 감소 네트워크 함수를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 오토 인코더를 비지도 학습(Unsupervised Learning) 방식을 통해 학습시킬 수 있다. 구체적으로, 프로세서(130)는 입력 데이터와 유사한 출력 데이터를 출력하도록 오토 인코더를 구성하는 차원 감소 네트워크 함수(411)(예컨대, 인코더) 및 차원 복원 네트워크 함수(예컨대, 디코더)(412)를 학습시킬 수 있다. 자세히 설명하면, 차원 감소 네트워크 함수를 통한 인코딩 과정에서 입력된 하나 이상의 이미지 데이터의 핵심 특징 데이터(또는, 피처(feature)) 만을 히든 레이어를 통해 학습하고 나머지 정보를 손실시킬 수 있다. 이 경우, 차원 복원 네트워트 함수를 통한 디코딩 과정에서 히든 레이어의 출력 데이터는 완벽한 복사 값이 아닌 입력 데이터의 근사치일 수 있다. 즉, 프로세서(130)는 출력 데이터와 입력 데이터가 최대한 같아지도록 가중치를 조정함으로써, 오토 인코더를 학습시킬 수 있다.

오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 보다 구체적으로, 도 8를 참조하면, 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 8의 예시에서는 차원 감소 네트워크 함수(411)의 레이어와 차원 복원 네트워크 함수(412)의 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 네트워크 함수(411)의 레이어와 차원 복원 네트워크 함수(412)의 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 입력 데이터의 항목들의의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다. 본 개시와 관련된 오토 인코더에 대한 보다 구체적인 기재는 도 8을 참조하여 후술하도록 한다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 정보가 각각 태깅된 복수의 학습 데이터를 포함하는 학습 데이터 세트를 학습된 차원 감소 네트워크의 입력으로 하여 출력된 사용자 별 특징 데이터를 태깅된 사용자 정보와 매칭하여 저장할 수 있다. 구체적으로, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)을 이용하여 제 1 사용자 정보가 태깅된 제 1 학습 데이터 서브 세트를 차원 감소 네트워크의 입력으로 하여, 제 1 학습 데이터 서브세트에 포함된 학습 데이터에 대한 제 1 사용자의 특징(feature) 데이터를 획득할 수 있다. 획득된 특징 데이터는 벡터로 표현될 수 있다. 이 경우, 제 1 학습 데이터 서브 세트에 포함된 복수의 학습 데이터 각각에 대응하는 출력된 사용자의 특징 데이터들은 제 1 사용자에 대한 학습 데이터에 대한 출력이므로 벡터 공간 상에서 비교적 가까운 거리에 위치할 수 있다. 또한, 프로세서(130)는 벡터로 표현된 제 1 사용자의 특징 데이터에 상기 제 1 사용자를 매칭하여 저장할 수 있다.

예를 들어, 도 9를 참조하면, 제 1 사용자 정보가 태깅된 제 1 학습 데이터 서브 세트 각각에 포함된 복수의 학습 데이터들은 차원 감소 네트워크를 통해 사용자의 특징 데이터들로 변환되어 벡터 공간 상에 표시(510)될 수 있다. 즉, 사용자의 제 1 특징 데이터(511)는 제 1 학습 데이터 서브 세트에 포함된 제 1 학습 데이터에 대응하여 출력된 것일 수 있다. 또한, 제 1 사용자 정보가 태깅된 제 1 학습 데이터 서브 세트 각각에 포함된 복수의 학습 데이터들에 대응하는 출력(즉, 제 1 사용자의 드로잉 특징 정보)들은 도 9에 도시된 바와 같이 벡터 공간 상에서 비교적 가까운 거리에 인접(510)할 수 있다. 즉, 드로잉 스타일 평가 서브 모델(410)은 학습된 오토 인코더의 차원 감소 네트워크를 포함할 수 있다. 학습된 오토 인코더의 차원 감소 네트워크의 경우, 차원 복원 네트워크가 입력 데이터를 잘 복원할 수 있도록 하는 특징을 잘 추출하도록 학습될 수 있다. 따라서, 드로잉 스타일 평가 서브 모델(410)은 입력 데이터를 잘 복원할 수 있도록 하는 특징들(즉, 이 경우, 각각의 사용자의 드로잉 스타일)을 추출할 수 있다.

다른 예를 들어, 도 9를 참조하면, 제 2 사용자 정보가 태깅된 제 2 학습 데이터 서브 세트 각각에 포함된 복수의 학습 데이터들은 차원 감소 네트워크를 통해 사용자의 특징 데이터들로 변환되어 벡터 공간 상에 표시(520)될 수 있다. 즉, 사용자의 제 2 특징 데이터(521)는 제 2 학습 데이터 서브 세트에 포함된 제 2 학습 데이터에 대응하여 출력된 것일 수 있다. 또한, 제 2 사용자 정보가 태깅된 제 2 학습 데이터 서브 세트 각각에 포함된 복수의 학습 데이터들에 대응하는 출력(즉, 제 1 사용자의 드로잉 특징 데이터)들은 도 9에 도시된 바와 같이 벡터 공간 상에서 비교적 가까운 거리에 인접(520)할 수 있다.

또한, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)을 이용하여 제 1 드로잉 입력 정보를 학습된 차원 감소 네트워크 함수를 이용하여 연산함으로써, 출력된 제 1 특징 정보와 사용자 별 특징 데이터의 비교 결과에 기초하여 드로잉 스타일 유사성을 평가할 수 있다. 드로잉 스타일 평가 서브 모델(410)은, 제 1 드로잉 특징 정보와 사용자 별 특징 데이터의 벡터 공간 상의 거리 비교를 통해 드로잉 스타일 유사성을 평가할 수 있다.

자세히 설명하면, 드로잉 스타일 평가 서브 모델(410)은, A 사용자 단말(200)로부터 수신한 잠금 화면 해제를 위한 제 1 드로잉 입력 정보를 차원 감소 네트워크 함수를 이용하여 연산함으로써, 제 1 특징 정보를 획득할 수 있다. 이 경우, 드로잉 스타일 평가 서브 모델(410)은 학습을 통해 벡터 공간 상에 사전 기록된 사용자 별 특징 데이터들 중 A 사용자와 매칭된 하나 이상의 특징 데이터를 식별할 수 있다. 드로잉 스타일 평가 서브 모델(410)은 제 1 특징 정보의 벡터 공간 상의 위치와 A 사용자와 매칭된 하나 이상의 특징 데이터의 벡터 공간 상의 위치를 비교하여 드로잉 스타일의 유사성을 평가할 수 있다.

보다 구체적인 예를 들어, 도 10을 참조하면, A 사용자 단말로부터 수신한 A 사용자의 제 1 드로잉 입력 정보(610)를 드로잉 스타일 평가 서브 모델(410)에 입력하는 경우, 프로세서(130)는 A 사용자의 제 1 특징 정보를 획득할 수 있다. 또한, 드로잉 스타일 평가 서브 모델(410)은 학습을 통해 벡터 공간 상에 사전 기록된 사용자 별 특징 데이터들 중 A 사용자와 매칭된 하나 이상의 특징 데이터를 식별(510)할 수 있다. A 사용자의 제 1 특징 정보의 벡터 공간 상의 위치는, 도 10에 도시된 바와 같이, 학습을 통해 벡터 공간 상에 사전 기록된 A 사용자의 하나 이상의 특징 데이터와 비교적 가까운 위치일 수 있다. 프로세서(130)는 제 1 특징 정보의 벡터 공간 상의 위치가, A 사용자의 특징 데이터의 벡터 공간 상에서의 위치와 사전 결정된 임계값 이하의 거리를 가지는 경우, 제 1 특징 정보의 입력 데이터인 제 1 드로잉 입력 정보가 A 사용자로부터 획득된 것으로 판단할 수 있다. 프로세서(130)는 제 1 특징 정보의 벡터 공간 상의 위치가 A 사용자의 하나 이상의 특징 데이터가 이루는 벡터 공간 상에서의 일정 영역에 포함되는 경우, 제 1 특징 정보의 입력 데이터인 제 1 드로잉 입력 정보가 A 사용자로부터 획득된 것으로 판단할 수 있다. 즉, 프로세서(130)는 학습된 차원 감소 네트워크에서 출력되는 특징 데이터의 벡터 공간상에서의 위치가 사전 결정된 각각의 사용자에 대한 특징 데이터가 이루는 벡터 공간상에서의 일정 영역에 포함되는 경우, 해당 입력 데이터가 특정한 사용자로부터 획득된 것으로 판단할 수 있다. 이러한 차원 감소 네트워크를 활용한 드로잉 스타일 비교는 차원 감소 네트워크가 사용자의 드로잉 입력을 복원하기 위하여, 사용자 별 드로잉 입력의 추상적인 특징을 추출할 수 있음에 기인할 수 있다.

이 경우, 프로세서(130)는 제 1 특징 정보가 A 사용자의 특징 데이터와 유사도가 높은 것으로 평가할 수 있다. 즉, 프로세서(130)는 A 사용자로부터 수신한 제 1 드로잉 입력 정보(610)가 잠금 화면을 해제하기 위한 드로잉 입력 정보로 적합하다고 평가할 수 있다. 이러한 경우, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)의 유사도가 높다는 평가에 기초하여 잠금 화면 해제할 것을 결정할 수 있다.

다른 예를 들어, 도 10을 참조하면, B 사용자 단말로부터 수신한 B 사용자의 제 1 드로잉 입력 정보(620)를 드로잉 스타일 평가 서브 모델(410)에 입력하는 경우, 프로세서(130)는 B 사용자의 제 1 특징 정보를 획득할 수 있다. 또한, 프로세서(130)는 학습을 통해 벡터 공간 상에 사전 기록된 사용자 별 특징 데이터들 중 B 사용자와 매칭된 하나 이상의 특징 데이터를 식별(520)할 수 있다. B 사용자의 제 1 특징 정보의 벡터 공간 상의 위치는, 도 10에 도시된 바와 같이, 학습을 통해 벡터 공간 상에 사전 기록된 B 사용자의 하나 이상의 특징 데이터와 비교적 가까운 위치일 수 있다. 이 경우, 프로세서(130)는 제 1 특징 정보가 B 사용자의 특징 데이터와 유사도가 낮은 것으로 평가할 수 있다. 즉, 이 경우 프로세서(130)는 해당 드로잉 입력 정보가 B 사용자가 아닌 다른 사용자로부터 생성된 것으로 판단할 수 있다. 즉, 프로세서(130)는 B 사용자로부터 수신한 제 1 드로잉 입력 정보(620)가 잠금 화면을 해제하기 위한 드로잉 입력 정보로 적합하지 않다고 평가할 수 있다. 이러한 경우, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)의 유사도가 낮다는 평가에 기초하여 잠금 화면을 유지할 것을 결정할 수 있다. 전술한 각 사용자에 대응하는 제 1 드로잉 입력 정보 및 벡터 공간에 표시된 데이터들에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 다른 일 실시예에 따르면, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)을 제 2 학습 데이터를 이용하여 트리플렛 로스(triplet loss) 방식으로 학습시킬 수 있다. 구체적으로, 프로세서(130)는 제 1 사용자의 드로잉 입력 정보를 타겟 이미지, 제 1 사용자의 다른 드로잉 입력 정보를 타겟 시밀러 이미지 및 제 2 사용자의 드로잉 입력 정보를 타겟 디스시밀러 이미지로 포함하는 제 2 학습 데이터를 이용하여 트리플렛 로스 방식으로 드로잉 스타일 평가 서브 모델(410)을 학습시킬 수 있다.

예를 들어, 도 11을 참조하면, 제 2 학습 데이터 포함된 제 1 사용자의 드로잉 입력 정보(610)는 타겟 이미지일 수 있으며, 제 1 사용자의 다른 드로잉 입력 정보(620)는 타겟 시밀러 이미지일 수 있고, 그리고 제 2 사용자의 드로잉 입력 정보(630)는 타겟 디스시밀러 이미지일 수 있다. 즉, 타겟 시밀러 이미지는 타겟 이미지와 동일 사용자를 통해 입력된 상이한 드로잉 입력 정보일 수 있으며, 타겟 디스시밀러 이미지는 타겟 이미지와 동일한 주제를 갖는 이미지지만 다른 사용자를 통해 입력된 드로잉 입력 정보일 수 있다. 이러한 학습 데이터를 이용하여 드로잉 스타일 평가 서브 모델(410)을 학습시키는 경우, 드로잉 스타일 평가 서브 모델(410)은 동일한 사용자로부터의 드로잉 이미지를 같은 군으로 분류하고, A 사용자의 드로잉 이미지와 B 사용자의 드로잉 이미지를 서로 상이한 군으로 분류하도록 학습될 수 있다. 전술한 드로잉 입력 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 본 개시의 드로잉 스타일 평가 서브 모델(410)은 제 1 학습 데이터를 통해 학습된 오토 인코더의 차원 감소 네트워크 함수 및 제 2 학습 데이터를 통해 트리플렛 로스를 이용하여 학습된 네트워크 함수 중 적어도 하나를 포함할 수 있다. 또한, 드로잉 스타일 평가 서브 모델(410)은 학습된 오토 인코더의 차원 감소 네트워크 함수와 트리플렛 로스 방식으로 학습된 네트워크 함수 모두를 포함할 수도 있다. 드로잉 스타일 평가 서브 모델(410)은 학습된 차원 감소 네트워크 함수와 트리플렛 로스 방식으로 학습된 네트워크 함수의 직렬이나, 또는 병렬로 연결을 통해 사용자의 고유한 드로잉 스타일에 대한 평가를 수행할 수 있다.

본 개시의 일 실시예에 따르면, 드로잉 인식 서브 모델(420)은 하나 이상의 데이터 각각에 대응하는 주제를 라벨링하여 생성된 제 3 학습 데이터를 이용한 교사 학습을 통해 학습될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 이미지 데이터와 상기 하나 이상의 이미지 데이터 각각에 대응하는 주제를 라벨링하여 제 3 학습 데이터를 생성할 수 있으며, 상기 제 3 학습 데이터를 통해 드로잉 인식 서브 모델(420)을 학습시킬 수 있다.

구체적으로, 프로세서(130)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 드로잉 인식 서브 모델(420)을 학습시킬 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)의 입력 레이어의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 히든 레이어로 전파할 수 있다. 연산은 임의의 수학적 연산을 포함할 수 있다. 예를 들어, 연산은 곱 또는 합성 곱일 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 프로세서(130)는 드로잉 인식 서브 모델(420)의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)의 출력 레이어로 전파된 값에 기초하여 이미지 데이터에 대한 드로잉 인식 정보를 산출할 수 있다. 드로잉 인식 정보는, 이미지 데이터의 주제에 대한 정보를 포함할 수 있다.

또한, 프로세서(130)는 상기 드로잉 인식 서브 모델(420)이 하나 이상의 이미지 데이터와 상기 드로잉 인식 정보가 양의 상관 관계를 가지도록 링크의 가중치를 조절할 수 있다.

예를 들어, 프로세서(130)는 '나무'가 포함된 이미지 데이터를 입력 데이터로 하는 경우, 드로잉 인식 서브 모델(420)의 출력에 연결된 하나 이상의 항목(예컨대, 주제) 중 '나무'에 대한 항목이 선별될 확률이 높도록 링크의 가중치를 조정할 수 있다.

또한, 프로세서(130)는 드로잉 인식 서브 모델(420)의 제 1 노드의 제 1 노드 값을, 상기 제 1 노드와 연결된 이전 레이어에 포함된 제 2 노드의 제 2 노드 값과 상기 이전 레이어에 포함된 제 2 노드와 상기 제 1 노드를 연결하는 링크에 설정된 링크의 제 1 링크 가중치로 연산하여 도출할 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)의 제 1 노드의 제 1 노드 값을, 제 1 노드와 연결된 다음 레이어에 포함된 제 3 노드를 연결하는 링크에 설정된 제 2 링크 가중치로 연산하여 제 3 노드에 전파할 수 있다.

프로세서(130)는 드로잉 인식 서브 모델(420)을 학습시키기 위하여 제 3 학습 데이터의 하나 이상의 이미지 데이터 각각을 드로잉 인식 서브 모델(420)의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 드로잉 인식 서브 모델(420)의 출력 레이어에서 연산한 드로잉 인식 정보와 주제(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(130)는 오차에 기초하여 드로잉 인식 서브 모델(420)의 가중치를 조정할 수 있다. 프로세서(130)는 상기 오차에 기초하여 드로잉 인식 서브 모델(420)의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

프로세서(130)는 드로잉 인식 서브 모델(420)을 학습시키는데 있어, 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃을 설정할 수 있다.

학습 에폭(epoch)은, 학습 데이터 세트에 포함된 모든 학습 데이터에 관하여 하나 이상의 이미지 데이터를 드로잉 인식 서브 모델(420)의 하나 이상의 네트워크 함수의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 입력하고, 하나 이상의 이미지 데이터 각각에 라벨링 된 주제(즉, 정답)와 드로잉 인식 서브 모델(420)의 드로잉 인식 (즉, 출력)를 비교하여 오차를 도출하고, 상기 도출된 오차를 드로잉 인식 서브 모델(420)의 하나 이상의 네트워크 함수의 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트 하였음을 의미할 수 있다. 즉, 학습 데이터 세트에 포함된 모든 학습 데이터에 대하여 드로잉 인식 서브 모델(420)을 이용한 연산과 드로잉 인식 서브 모델(420)에 대한 가중치 업데이트 과정을 수행한 경우 1 에폭일 수 있다.

또한, 프로세서(130)는 드로잉 인식 서브 모델(420)을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이하인 경우, 상기 드로잉 인식 서브 모델(420)의 학습률을 사전 결정된 수치 이상으로 설정할 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이상인 경우, 상기 드로잉 인식 서브 모델(420)의 학습률을 사전 결정된 수치 이하로 설정할 수 있다. 상기 학습률은, 가중치의 업데이트 정도를 의미할 수 있다. 예를 들어, 학습 초반에는 학습률을 높게 설정하여(즉, 가중치의 업데이트 정도를 큰 폭으로 하여), 학습 데이터에 대한 출력이 학습 데이터의 라벨에 빠르게 접근하도록 할 수 있다. 예를 들어, 학습 후반에는 학습률을 낮게 설정하여(즉, 가중치의 업데이트 정도를 작은 폭으로 하여), 학습 데이터에 대한 출력과 학습 데이터의 라벨과의 오차를 줄이도록(즉, 정확성을 높이도록)할 수 있다. 전술한 학습률에 대한 개시는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 드로잉 인식 서브 모델(420)의 학습을 사전결정된 에폭 이상 수행한 후, 검증 데이터 세트를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 프로세서(130)는 학습 데이터 세트의 일부를 검증 데이터 세트로 할 수 있다. 검증 데이터는 학습 데이터에 대응되는 데이터로, 학습의 중단 여부를 결정하기 위한 데이터일 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 드로잉 인식 서브 모델(420)의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(130)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습(즉, 10 에폭)을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

또한, 프로세서(130)는 학습 데이터 세트 중 적어도 하나를 테스트 데이터 세트로 할 수 있다. 테스트 데이터는 학습 데이터에 대응되는 데이터로, 모델의 학습이 완료된 이후 성능을 검증하기 위해 이용되는 데이터일 수 있다. 프로세서(130)는 하나 이상의 이미지 데이터에 라벨링된 주제를 테스트 데이터 세트로 할 수 있다. 프로세서(130)는 테스트 데이터 세트에 포함된 이미지 데이터를 드로잉 인식 서브 모델(420)에 입력하고 상기 드로잉 인식 서브 모델(420)에서 출력된 출력과 상기 라벨링된 주제를 비교하여 상기 테스트 데이터 세트에 대한 상기 드로잉 인식 서브 모델(420)의 정답률을 판단할 수 있다. 프로세서(130)는 테스트 데이터에 이미지 데이터를 상기 드로잉 인식 서브 모델(420)에 입력하고, 상기 드로잉 인식 서브 모델(420)에서 출력된 이미지 인식 정보(즉, 출력)와 상기 테스트 데이터에 포함된 주제(즉, 정답)를 비교하여, 오차가 사전 결정된 값 이하인 경우(즉, 정답률이 사전결정된 수준 이상인 경우), 상기 드로잉 인식 서브 모델(420)의 활성화를 결정할 수 있다. 프로세서(130)는 드로잉 인식 서브 모델(420)에서 출력된 이미지 인식 정보(즉, 출력)와 상기 테스트 데이터(즉, 정답)에 포함된 상기 사용자의 주제를 비교하여 상기 오차가 사전 결정된 값 이상인 경우, 상기 드로잉 인식 서브 모델(420)의 학습을 사전 결정된 에폭 이상 더 수행하거나 상기 드로잉 인식 서브 모델(420)을 비활성화할 수 있다. 프로세서(130)는 상기 드로잉 인식 서브 모델(420)을 비활성화하는 경우, 상기 드로잉 인식 서브 모델(420)을 폐기할 수 있다. 프로세서(130)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 드로잉 인식 서브 모델(420)의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(130)는 각각의 드로잉 인식 서브 모델(420)에 포함되는 하나 이상의 네트워크 함수들을 독립적으로 학습시켜 복수의 드로잉 인식 서브 모델(420)을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 드로잉 인식을 위해 사용할 수 있다.

즉, 프로세서(130)는 사용자 단말(200)로부터 수신한 제 1 드로잉 입력 정보를 전술한 학습 방법을 통해 학습된 드로잉 인식 서브 모델(420)을 이용하여 연산함으로써, 상기 제 1 드로잉 입력 정보에 대응하는 주제를 산출할 수 있다. 다시 말해, 프로세서(130)는 제 1 드로잉 입력 화면을 통해 수신한 제 1 드로잉 입력 정보를 수신하는 경우, 학습된 드로잉 인식 서브 모델(420)을 통해 상기 제 1 드로잉 입력 정보가 상기 제 1 드로잉 입력 화면에 포함된 하나 이상의 주제와 부합하는지 여부를 판별함으로써, 사용자 단말(200)에 표시된 잠금 화면의 해제 여부를 결정할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말(200)로부터 수신한 잠금 화면 설정 신호에 대응하여 사용자 단말(200)에 표시되는 화면이 잠금 화면으로 전환되도록 제어할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)로부터 잠금 화면 설정 신호를 수신하는 경우, 사용자 단말(200)로 하여금 잠금 화면을 표시하도록 하는 제 3 제어 신호를 전송할 수 있다. 잠금 화면 설정 신호는, 사용자 단말(200)에서 실행되는 게임에 대하여 사전 설정된 제 3 시간 동안 사용자로부터의 입력이 발생하지 않는 경우 또는 사용자 단말(200)에 표시된 계정 잠금 버튼에 대한 사용자의 입력 신호가 입력되는 경우 중 적어도 하나의 경우에 대응하여 생성될 수 있다. 사전 설정된 제 3 시간은, 사용자 단말(200)을 이용하는 사용자의 선택 입력에 기초하여 결정될 수 있다.

잠금 화면은, 사용자 단말(200)을 사용자가 사용하기 위해서 잠금을 해제하는 동작이 필요한 화면일 수 있다. 예를 들어, 사용자 단말(200)에서 실행되는 게임에 대하여 사용자 계정에 포함된 적어도 하나의 캐릭터에 대한 기 설정된 조작이 이루어지지 않도록 하는 화면일 수 있다. 예를 들어, 사용자 단말(200)에 잠금 화면이 표시된 경우, 사용자 단말(200)과 관련된 캐릭터의 이동, 전투, 아이템 거래 및 특정 이벤트에 대한 진입 등의 조작이 이루어지지 않을 수 있다. 아이템 거래는 예를 들어, 사용자의 게임 내 계정에 포함된 이동 가능한 아이템 중 적어도 하나를 다른 사용자에게 전달하거나, 또는 게임 내 공유 공간에 드랍(drop)하는 행위일 수 있다. 또한, 아이템 거래는, 현금 결제를 통해 아이템을 구매하거나, 팔아버리는 행위 등을 포함할 수 있다. 전술한 잠금 화면 시 사용자 단말에서 제어되는 조작 및 아이템 거래에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

예를 들어, 사용자가 사용자 단말(200)을 통해 사전 설정된 제 3 시간을 1분으로 사전 설정하고, 1분 동안 사용자 단말(200)에 대한 사용자의 입력이 발생하는 않는 경우, 사용자 단말(200)은 잠금 화면 설정 신호를 생성하여 프로세서(130)로 전송할 수 있다. 이 경우, 프로세서(130)는 사용자 단말(200)로부터 수신한 잠금 화면 설정 신호에 대응하여 사용자 단말(200)로 하여금 잠금 화면을 표시하도록 하는 제 3 제어 신호를 전송할 수 있다.

다른 예를 들어, 사용자 단말(200)에 표시된 계정 잠금 버튼에 사용자의 선택 입력이 입력되는 경우, 사용자 단말(200)은 잠금 화면 설정 신호를 생성하여 프로세서(130)로 전송할 수 있다. 이 경우, 프로세서(130)는 사용자 단말(200)로부터 수신한 잠금 화면 설정 신호에 대응하여 사용자 단말(200)로 하여금 잠금 화면을 표시하도록 하는 제 3 제어 신호를 전송할 수 있다.

즉, 프로세서(130)는 사용자 단말(200)에 대하여 일정 시간 동안(즉, 제 3 시간) 사용자의 입력이 없거나 또는 사용자가 계정 잠금 버튼을 선택 입력하는 경우, 잠금 화면 설정 신호를 수신함에 따라, 사용자 단말(200)에 잠금 화면이 표시되도록 제어할 수 있다. 이에 따라, 사용자는 오프라인 상에서 자신의 계정에 대한 보안성이 확보된 상태로 게임을 원활히 즐길 수 있다. 즉, 사용자가 사용자 단말(200)로부터 이탈하는 경우, 오프라인 상에서 발생할 수 있는 아이템 도난 범죄가 예방될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말(200)로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 제어할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말(200)로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정할 수 있다. 제 1 드로잉 입력 화면에 포함된 하나 이상의 주제는, 사용자 단말(200)을 이용하는 사용자로 하여금 특정 주제에 대한 드로잉 입력을 유도하기 위해 결정되는 것으로, 텍스트 정보 및 그림 정보 중 적어도 하나로 표시될 수 있다.

구체적인 예를 들어, 사용자 단말(200)에 표시되는 제 1 드로잉 입력 화면(300)은 도 3에 도시된 바와 같이, “개를 그려 잠금을 해제하세요”와 같은 텍스트 정보로 표시된 하나 이상의 주제(310)를 포함할 수 있다. 즉, 도 3에 도시된 바와 같은 제 1 드로잉 입력 화면(300)이 사용자 단말(200)에 표시되는 경우, 사용자는 드로잉 입력 영역(320)에 상기 하나 이상의 주제에 대응하는 드로잉을 입력할 수 있다. 즉, 사용자는 도 3에 도시된 바와 같이 하나 이상의 주제(310)에 대응하는 '개'에 관련한 드로잉을 입력할 수 있는 것이다. 전술한 제 1 드로잉 입력 화면에 대한 구체적인 기재 본 개시의 이해를 돕기 위한 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 제 1 드로잉 입력 화면에 포함된 하나 이상의 주제를 제 2 드로잉 입력 화면에 포함된 하나 이상의 주제와 상이하게 결정할 수 있다. 구체적으로, 프로세서(130)는 잠금 화면을 해제하기 위해서 사용자로부터 제 1 드로잉 입력 정보를 수신하는 제 1 드로잉 입력 화면 및 사용자의 고유한 드로잉 스타일 정보를 획득하기 위해서 제 2 드로잉 입력 정보를 수신하는 제 2 드로잉 입력 화면 각각에 포함된 하나 이상의 주제를 상이하게 결정할 수 있다.

예를 들어, 사용자의 고유한 드로잉 스타일 정보를 획득하기 위한 제 2 드로잉 입력 화면(즉, 평가 모델을 학습시키기 위한 제 2 드로잉 정보를 수신하는 화면)에 '시계를 그리시오'와 같은 텍스트 정보로 표시된 하나 이상의 주제가 포함되어 있으며, 해당 제 2 드로잉 입력 화면을 통해 제 2 드로잉 입력 정보를 수신하여 사용자의 고유한 드로잉 스타일 정보를 획득하기 위한 학습 데이터로 구축한 경우, 사용자 단말(200)의 잠금 화면을 해제하기 위한 제 1 드로잉 입력 화면에 포함되는 하나 이상의 주제는 '시계'와 연관되지 않도록 결정할 수 있다. 전술한 제 1 드로잉 입력 화면 및 제 2 드로잉 입력 화면에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

사용자 잠금 해제 여부에 기준이 되는 제 1 드로잉 입력 정보는, 제 2 드로잉 입력 정보와 상이한 주제에 대한 드로잉 입력일 수 있다. 프로세서(130)는 제 1 드로잉 입력 화면 및 제 2 드로잉 입력 화면 각각에 포함된 하나 이상의 주제를 상이하게 결정함으로써, 사용자 단말(200)의 잠금 화면 해제 여부를 결정하는 제 1 드로잉 입력 정보가 제 2 드로잉 입력 정보와 상이하도록 할 수 있다.

다시 말해, 사용자가 잠금 화면을 해제하고자 하는 경우, 사용자는 사용자 단말(200)을 통해 게임을 수행하는 도중에 확보된 제 2 드로잉 입력 정보와 상이한 주제를 갖는 제 1 드로잉 입력 화면을 제공받을 수 있다. 즉, 사용자가 잠금 화면을 해제하고자 하는 경우, 제 1 드로잉 입력 화면에 포함된 주제는 제 2 드로잉 입력 화면의 포함된 주제 상이할 수 있어, 사용자는 기존에 그려보지 않은 드로잉 입력을 제 1 드로잉 입력 화면에 입력할 수 있다.

따라서, 프로세서(130)는 사용자가 기존에 그려보지 않은 제 1 드로잉 입력 정보로 수신하여 사용자 단말(200)의 잠금 화면의 해제 여부를 결정할 수 있어, 인증에 대한 보안성이 향상될 수 있다. 구체적으로, 제 1 드로잉 입력 화면에 제 2 드로잉 입력 화면과 상이한 주제를 표시하여 사용자가 기존에 그려보지 않은 드로잉 입력을 수신함으로써, 고정된 드로잉에 대하여 비슷한 스타일을 묘사하거나 또는 이미 입력된 정보를 복제하여 다시 입력하는 등의 replay-attack을 예방하여 인증에 대한 보안성이 향상될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자 단말로부터 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)에 제 1 드로잉 입력 화면에 대응하여 입력된 사용자의 제 1 드로잉 입력 정보를 수신할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말에 표시된 잠금 화면 해제 여부를 결정할 수 있다. 이 경우, 드로잉 평가 모델은 상술한 바와 같은 학습과정을 통해 학습된 모델일 수 있다.

구체적으로, 프로세서(130)는 제 1 드로잉 입력 정보를 드로잉 평가 모델(400)에 포함된 드로잉 스타일 평가 서브 모델(410)을 이용하여 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행할 수 있다.

드로잉 스타일 평가 서브 모델(410)은 사용자 단말로부터 제 1 드로잉 입력 정보를 입력으로 하여 제 1 드로잉 특징 정보를 출력하여 벡터 공간 상에 기록할 수 있으며, 학습을 통해 사전 벡터 공간 상에 기록된 사용자 별 특징 데이터들 중 상기 사용자 단말의 사용자 정보와 매칭된 하나 이상의 특징 데이터를 식별할 수 있다. 또한, 드로잉 스타일 평가 서브 모델(410)제 1 드로잉 특징 정보의 벡터 공간 상의 위치와 상기 사용자 단말의 사용자 정보와 매칭된 하나 이상의 특징 데이터의 벡터 공간 상의 위치를 비교하여 드로잉 스타일의 유사성을 평가할 수 있다.

즉, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)을 통해 제 1 드로잉 입력 정보가 잠금 화면을 해제하기 위한 드로잉 입력 정보로 적합하다는 평가가 출력된 경우, 사용자 단말(200)에 표시된 잠금 화면을 해제할 것을 결정할 수 있다. 또한, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)을 통해 제 1 드로잉 입력 정보가 잠금 화면을 해제하기 위한 드로잉 입력 정보로 적합하지 않다는 평가가 출력된 경우, 사용자 단말(200)에 표시된 잠금 화면을 유지할 것을 결정할 수 있다.

또한, 프로세서(130)는 제 1 드로잉 입력 정보를 드로잉 평가 모델(400)에 포함된 드로잉 인식 서브 모델을 통해 하나 이상의 주제와 부합하는지 여부에 대한 제 2 판별을 수행할 수 있다.

드로잉 인식 서브 모델(420)은 사전 학습을 통해 특정 이미지 데이터를 입력으로 하는 경우, 입력된 이미지에 대한 분류를 수행함으로써, 특정 이미지에 대응하는 주제를 출력할 수 있다. 즉, 드로잉 인식 서브 모델(420)은 제 1 드로잉 입력 정보를 입력으로 하여 상기 제 1 드로잉 입력 정보에 대응하는 주제를 출력할 수 있는 모델일 수 있다.

프로세서(130)는 드로잉 인식 서브 모델(420)을 통해 제 1 드로잉 입력 정보에 대응하는 주제를 출력하고, 그리고 제 1 드로잉 입력 정보를 수신하기 위해 사용자 단말(200)로 제공된 제 1 드로잉 입력 화면에 포함된 하나 이상의 주제를 식별할 수 있다. 프로세서(130)는 제 1 드로잉 입력 화면에 포함된 하나 이상의 주제와 드로잉 인식 서브 모델(420)을 통해 출력된 주제를 비교할 수 있으며, 각 주제가 일치하는 경우, 사용자 단말(200)에 표시된 잠금 화면을 해제할 것을 결정할 수 있다.

또한, 프로세서(130)는 제 1 판별 결과 및 제 2 판별 결과에 기초하여 사용자 단말에 표시된 잠금 화면의 해제 여부를 결정할 수 있다. 구체적으로, 프로세서(130)는 사용자 단말(200)로부터 수신한 제 1 드로잉 입력 정보가 사용자의 고유한 드로잉 스타일과 일치하는지 여부 및 제시된 주제에 대응하는지 여부를 모두 고려하여 잠금 화면을 해제할 것을 결정할 수 있다.

예를 들어, 사용자 단말(200)로부터 수신한 제 1 드로잉 입력 정보가 사용자의 고유한 드로잉 스타일과 일치하지만, 제시된 주제에 대응하지 않는 경우, 프로세서(130)는 잠금 화면을 유지할 것을 결정할 수 있다.

다른 예를 들어, 사용자 단말(200)로부터 수신한 제 1 드로잉 입력 정보가 제시된 주제와는 대응하나, 사용자의 고유한 드로잉 스타일과 일치하지 않는 경우, 프로세서(130)는 잠금 화면을 유지할 것을 결정할 수 있다.

다시 말해, 프로세서(130)는 사용자 단말(200)로부터 수신한 제 1 드로잉 입력 정보가 사용자의 고유한 드로잉 스타일과 일치하며 제시된 주제에 대응되는 경우에만 잠금 화면 해제할 것을 결정할 수 있다.

따라서, 사용자가 잠금 화면을 해제하고자 하는 경우, 프로세서(130)는 사용자의 고유한 드로잉 스타일 및 제시된 임의의 주제에 부합하는 경우에만 잠금 화면을 해제할 수 있어, 사용자로 하여금 자신의 계정에 대한 향상된 보안성을 제공할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 제 1 드로잉 입력 정보를 통해 학습 데이터 세트를 구축할 수 있다. 구체적으로, 프로세서(130)는 제 1 드로잉 입력 화면을 통해 사용자로부터 제 1 드로잉 입력 정보를 수신하여 사용자 단말(200)에 표시된 잠금 화면을 해제하는 경우, 해당 제 1 드로잉 입력 정보를 학습 데이터 세트로 구축할 수 있다. 즉, 잠금 화면 해제를 위한 제 1 드로잉 입력 정보를 추후, 드로잉 평가 모델(400)을 출력의 정확성을 향상시키기 위한 학습 데이터로 활용할 수 있다.

도 4는 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 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. 상술한 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 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 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.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 7은 본 개시의 일 실시예와 관련된 컨벌루셔넌 뉴럴 네트워크(convolutional neural network)를 나타낸 개략도이다.

도 7에 도시된 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network)는 딥 뉴럴 네트워크의 일종으로서, 컨볼루션 레이어를 포함하는 신경망을 포함한다. 컨볼루션 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러개의 컨볼루션 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있으며, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨볼루션 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨볼루션 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

컨볼루션 뉴럴 네트워크에서 컨볼루션 필터를 이동해가며 컨볼루션 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨볼루션 과정(컨볼루션 레이어의 입출력)을 수행할 수 있다. 컨볼루션 필터는 n*n 형태의 행렬로 구성될 수 있으며, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨볼루션 레이어(예를 들어, 컨볼루션 필터의 사이즈가 n*n인 컨볼루션 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨볼루션 필터와 성분곱(즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨볼루션 필터와의 곱에 의하여 이미지에서 컨볼루션 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨볼루션 필터는 [[0,1,0],[0,1,0],[0,1,0]] 와 같이 구성될 수 있으며, 이러한 컨볼루션 필터가 입력 이미지에 적용되면 이미지에서 컨볼루션 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨볼루션 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨볼루션 필터를 적용할 수 있다. 컨볼루션 레이어는 입력 이미지에 컨볼루션 필터를 적용하여 입력 이미지에서 컨볼루션 필터와 매칭되는 특징 데이터를 추출할 수 있다. 컨볼루션 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨볼루션 뉴럴 네트워크의 학습 과정에서 역전파(back propagation)에 의하여 업데이트 될 수 있다.

컨볼루션 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨볼루션 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨볼루션 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

컨볼루션 뉴럴 네트워크는 하나 이상의 컨볼루션 레이어, 서브샘플링 레이어를 포함할 수 있다. 컨볼루션 뉴럴 네트워크는 컨볼루션 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 특징 데이터를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 특징 데이터를 추출할 수 있다.

컨볼루션 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.

본 개시의 일 실시예에서 이미지 데이터의 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨볼루션 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨볼루션 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행하며, 컨볼루션 뉴럴 네트워크에서 추출된 특징 데이터를 원본 데이터와 관련된 피처 맵으로 출력할 수 있다.

도 8은 본 개시의 일 실시예와 관련된 오토 인코더를 예시적으로 나타낸 예시도이다.

본 개시의 일 실시예에서 네트워크 함수는 오토인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 8의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

도 12는 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델을 훈련시키는 방법을 나타낸 개략도이다.

본 개시의 드로잉 스타일 평가 서브 모델(410)은 해공간(700)상에서 유사한 데이터들끼리 클러스터를 형성하도록 학습된다. 보다 구체적으로 드로잉 스타일 평가 서브 모델(410)은 타겟 데이터(701)와 타겟 유사 데이터(702)가 하나의 클러스터(710)에 포함되고, 타겟 비유사 데이터(703)는 타겟 데이터(701)와 타겟 유사 데이터(702)와는 상이한 클러스터에 포함되도록 학습된다.

학습된 드로잉 스타일 평가 서브 모델(410)의 해공간 상에서 각각의 클러스터는 일정 거리 마진(720)을 가지도록 위치할 수 있다.

드로잉 스타일 평가 서브 모델(410)은 타겟 데이터(701), 타겟 시밀러 데이터(702), 타겟 디스시밀러 데이터(703)를 포함하는 학습 데이터 서브 세트를 입력 받아 각각의 데이터들을 해공간에 매핑하고 해공간 상에서 라벨링 된 클러스터 정보에 따라 클러스터링 될 수 있도록 드로잉 스타일 평가 서브 모델(410)이 포함한 하나 이상의 네트워크 함수의 가중치를 업데이트 할 수 있다. 즉, 드로잉 스타일 평가 서브 모델(410)은 타겟 데이터(701)와 타겟 시밀러 데이터(702)의 해공간 상에서의 거리가 서로 가까워지도록, 타겟 데이터(701) 및 타겟 시밀러 데이터(702)와 타겟 디스시밀러 데이터(703) 사이의 해공간 상에서의 거리가 서로 멀어지도록 학습시킬 수 있다. 드로잉 스타일 평가 서브 모델(410)은 예를 들어 트리플렛(triplet) 기반 비용 함수를 사용하여 학습될 수 있다. 트리플렛 기반 비용 함수는 동일한 분류인 입력 데이터들의 쌍을 다른 분류의 제 3 입력 데이터로부터 분리하는 것을 목표로 하며, 동일한 분류인 입력 데이터들의 쌍 사이의 제 1 거리(즉, 클러스터 710의 크기)와, 동일한 분류인 입력 데이터들의 쌍 중 하나와 제 3 의 입력 데이터 사이의 제 2 거리(즉, 701 또는 702와 703 사이의 거리) 사이의 차이 값이 적어도 거리 마진(720)로 하며, 드로잉 스타일 평가 서브 모델(410)을 학습시키는 방법은 제 1 거리를 거리 마진의 일정 비율 이하로 감소시키는 단계를 포함한다. 여기서 거리 마진(720)은 항상 양수일 수 있다. 거리 마진(720)에 도달하도록 하기 위하여 드로잉 스타일 평가 서브 모델(410)에 포함된 하나 이상의 네트워크 함수의 가중치가 업데이트 될 수 있으며, 가중치 업데이트는 반복(iteration) 마다 또는 1 에포크 마다 수행될 수 있다. 이러한 거리 마진에 관하여 상세한 내용은 전체가 본 명세서에 참조로서 통합되는 Schroff 등의 "FaceNet: A Unified Embedding for Face Recognition and Clustering" 및 대한민국 공개특허 10-2018-0068292에서 개시된다.

또한 드로잉 스타일 평가 서브 모델(410)은 비유사한 데이터의 클러스터 분류뿐 아니라, 하나의 클러스터 또는 다른 클러스터 사이에도 각각의 데이터들 사이의 시멘틱(semantic) 한 관계를 고려할 수 있는 마그넷 로스(magnet loss) 기반의 모델로 학습될 수도 있다. 드로잉 스타일 평가 서브 모델(410)의 해공간 상에서 각각의 클러스터의 중심점 사이의 초기 거리가 학습 과정에서 수정될 수 있다. 드로잉 스타일 평가 서브 모델(410)은 해공간 상에 데이터들을 매핑한 후, 각각의 데이터의 해공간 상에서의 위치를 각각의 데이터가 속하는 클러스터 및 클러스터 내부 및 클러스터 외부의 데이터와 유사성에 기초하여 조정할 수 있다. 마그넷 로스에 기반한 드로잉 스타일 평가 서브 모델(410)의 학습에 관련한 상세한 내용은 전체가 본 명세서에서 참조로서 통합되는 O. Rippel 등의 "METRIC LEARNING WITH ADAPTIVE DENSITY DISCRIMINATION"에서 개시된다.

도 13은 본 개시의 일 실시예와 관련된 드로잉 스타일 평가 서브 모델의 해공간을 나타낸 개략도이다.

도 13은 학습된 드로잉 스타일 평가 서브 모델의 해공간(700)을 나타낸 개략도이다. 도 13에 도시된 해공간(700)은 예시일 뿐이며, 드로잉 스타일 평가 서브 모델(410)은 임의의 개수의 클러스터 및 각 클러스터 당 임의의 개수의 데이터를 포함할 수 있다.

도 13에 도시된 클러스터에 포함된 데이터들(731, 733, 741, 743 등)의 모양은 유사한 데이터임을 나타내기 위한 예시일 뿐이다.

본 개시에서 해공간은 1차원 이상의 공간으로 구성되며 하나 이상의 클러스터를 포함하고, 각각의 클러스터는 각각의 타겟 데이터에 기초한 특징 데이터 및 타겟 유사 데이터에 기초한 특징 데이터의 해공간 상에서의 위치에 기초하여 구성될 수 있다.

해공간에서 제 1 클러스터(730)와 제 2 클러스터(740)는 비유사한 데이터에 대한 클러스터 일 수 있다. 또한, 제 3 클러스터(750)는 제 1 및 제 2 클러스터와 비유사한 데이터에 대한 클러스터 일 수 있다. 클러스터 사이의 거리(745, 735)는 각각의 클러스터에 속하는 데이터들의 차이를 나타내는 척도일 수 있다.

제 1 클러스터(730)와 제 2 클러스터(740) 사이의 제 12 거리(745)는 제 1 클러스터(730)에 속하는 데이터와 제 2 클러스터(740)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 또한, 제 1 클러스터(730)와 제 2 클러스터(740)사이의 제 13 거리(735)는 제 1 클러스터(730)에 속하는 데이터와 제 3 클러스터(750)에 속하는 데이터의 차이를 나타내는 척도일 수 있다. 도 13에 도시된 예시에서, 제 1 클러스터(730)에 속하는 데이터는 제 3 클러스터(750)에 속하는 데이터 보다 제 2 클러스터(740)에 속하는 데이터에 더 비유사 할 수 있다. 즉, 클러스터 사이의 거리가 먼 경우 각각의 클러스터에 속하는 데이터는 보다 많이 비유사한 것이며, 클러스터 사이의 거리가 가까운 경우 각각의 클러스터에 속하는 데이터는 보다 적게 비유사한 것일 수 있다. 클러스터 사이의 거리(735, 745)는 클러스터의 반경 보다 사전 결정된 비율 이상 클 수 있다. 프로세서(130)는 입력 데이터를 드로잉 스타일 평가 서브 모델(410)을 이용하여 연산함으로써, 드로잉 스타일 평가 서브 모델(410)의 해공간에 입력 데이터의 특징 데이터가 매핑되는 위치에 기초하여 입력 데이터를 분류할 수 있다.

프로세서(130)는 입력 데이터를 사전 학습된 드로잉 스타일 평가 서브 모델(410)을 이용하여 처리함으로써, 입력 데이터의 특징 데이터를 사전 학습된 드로잉 스타일 평가 서브 모델(410)의 해공간에 매핑할 수 있다. 프로세서(130)는 입력 데이터의 해공간 상에서의 위치에 기초하여 상기 입력 데이터가 해공간 상의 하나 이상의 클러스터 중 어느 클러스터에 속하는지 여부에 기초하여 입력 데이터를 분류할 수 있다.

즉, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)의 입력 데이터에 대한 분류 결과에 적어도 부분적으로 기초하여 드로잉 입력 정보(즉, 입력 데이터)가 어느 사용자의 스타일과 유사한지에 관한 최종 평가 결과를 결정할 수 있다. 구체적으로, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)이 입력 데이터를 특정 클러스터에 속하는 것으로 분류한 경우, 특정 클러스터에 매칭된 평가 결과를 2차 평가 결과로 생성하고, 2차 평가 결과에 기초하여 최종 평가 결과를 결정할 수 있다. 또한, 프로세서(130)는 드로잉 스타일 평가 서브 모델(410)이 입력 데이터에 대한 분류에 실패한 경우, 1차 평가 결과를 최종 평가 결과로 결정할 수 있다.

따라서, 프로세서(130)는 트리플렛 로스 방식을 통해 학습된 모델인 드로잉 스타일 평가 서브 모델(410)의 입력 데이터를 클러스터로 분류함에 따라, 인증하고자 하는 드로잉 입력 정보에 관한 드로잉 스타일이 특정 사용자의 드로잉 스타일과 일치하는지 여부를 판별할 수 있다.

도 14는 본 개시의 일 실시예와 관련된 사용자의 드로잉 기반 보안 인증을 수행하기 위한 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 서버(100)는 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정할 수 있다(810).

본 개시의 일 실시예에 따르면, 서버(100)는 사용자 단말(200)로부터 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신할 수 있다(820).

본 개시의 일 실시예에 따르면, 서버(100)는 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말(200)의 잠금 화면 해제 여부를 결정할 수 있다(830).

전술한 도 14의 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 15는 본 개시의 일 실시예 관련된 사용자의 드로잉 기반 보안 인증을 수행하는 방법을 구현하기 위한 모듈을 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨터 프로그램은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 상기 컴퓨터 프로그램은, 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하기 위한 모듈(910), 상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하기 위한 모듈(920) 및 상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하기 위한 모듈(930)을 포함할 수 있다.

대안적으로, 상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하기 위한 모듈 및 상기 식별된 유휴 상태에 기초하여 상기 사용자 단말로 하여금 제 2 드로잉 입력 화면이 출력되도록 하는 제 2 제어 신호를 전송할 것을 결정하기 위한 모듈을 더 포함할 수 있다.

대안적으로, 상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하기 위한 모듈은, 상기 사용자 단말에서 게임이 로딩되는 시점부터 사전 설정된 제 1 시간 동안을 상기 유휴 상태로 식별하기 위한 모듈 및 상기 사용자 단말에서 실행되는 게임에 대한 입력 신호가 사전 설정된 제 2 시간 동안 입력되지 않는 경우, 상기 유휴 상태로 식별하기 위한 모듈 중 적어도 하나의 동작을 포함할 수 있다.

대안적으로, 상기 드로잉 스타일 평가 서브 모델은, 제 1 사용자의 드로잉 입력 정보를 타겟 이미지, 제 1 사용자의 다른 드로잉 입력 정보를 타겟 시밀러 이미지 및 제 2 사용자의 드로잉 입력 정보를 타겟 디스시밀러 이미지로 포함하는 제 2 학습 데이터를 이용하여 트리플렛 로스(triplet loss) 방식으로 학습될 수 있다.

대안적으로, 상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하기 위한 모듈은, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하기 위한 모듈, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 인식 서브 모델을 통해 상기 하나 이상의 주제와 부합하는지 여부에 대한 제 2 판별을 수행하기 위한 모듈 및 상기 제 1 판별 결과 및 제 2 판별 결과에 기초하여 상기 사용자 단말의 잠금 화면 해제 여부를 결정하기 위한 모듈을 포함할 수 있다.

대안적으로, 상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하기 위한 모듈은, 상기 제 1 드로잉 입력 정보에 대응하는 사용자 정보를 식별하기 위한 모듈, 상기 제 1 드로잉 입력 정보를 상기 드로잉 스타일 평가 서브 모델의 입력으로 하여 제 1 드로잉 입력 정보에 대한 제 1 드로잉 특징 정보를 획득하기 위한 모듈 및 상기 제 1 드로잉 특징 정보의 벡터 공간 상의 위치와 상기 사용자 정보에 대응하여 저장된 하나 이상의 특징 데이터의 벡터 공간 상의 위치에 기초하여 제 1 판별을 수행하기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 사용자의 드로잉 기반 보안 인증을 수행하는 방법을 구현하기 위한 모듈은 컴퓨팅 프로그램을 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 16은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 사용자의 드로잉 기반 보안 인증을 위한 동작들을 수행하도록 하며, 상기 동작들은:
사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하는 동작;
상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하는 동작;
상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작;
상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 동작;
상기 식별된 유휴 상태에 기초하여 상기 사용자 단말로 하여금 제 2 드로잉 입력 화면이 출력되도록 하는 제 2 제어 신호를 전송할 것을 결정하는 동작;
상기 사용자 단말로부터 상기 제 2 드로잉 입력 화면에 대한 제 2 드로잉 입력 정보를 수신하는 동작; 및
상기 제 2 드로잉 입력 정보가 상기 제2 드로잉 입력 화면에 포함된 하나 이상의 주제와 부합되는지 여부에 기초하여 상기 제 2 드로잉 입력 정보를 상기 드로잉 평가 모델의 학습 데이터로 사용할지 여부를 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
삭제
제 1 항에 있어서,
상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 동작은,
상기 사용자 단말에서 게임이 로딩되는 시점부터 사전 설정된 제 1 시간 동안을 상기 유휴 상태로 식별하는 동작; 및
상기 사용자 단말에서 실행되는 게임에 대한 입력 신호가 사전 설정된 제 2 시간 동안 입력되지 않는 경우, 상기 유휴 상태로 식별하는 동작;
중 적어도 하나의 동작을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 사용자 단말로부터 수신한 하나 이상의 드로잉 입력 정보에 기초하여 상기 드로잉 평가 모델을 학습시키는 동작;
을 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 드로잉 평가 모델은,
상기 사용자의 고유한 드로잉 스타일 정보를 학습하기 위한 드로잉 스타일 평가 서브 모델 및 상기 제 1 드로잉 입력 정보가 상기 하나 이상의 주제에 부합하는지 여부를 판별하기 위한 드로잉 인식 서브 모델 중 적어도 하나의 모델을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 5 항에 있어서,
상기 드로잉 스타일 평가 서브 모델은,
입력 데이터와 유사한 출력 데이터를 출력하도록 학습된 차원 감소 네트워크 함수 및 차원 복원 네트워크 함수에서 상기 학습된 차원 감소 네트워크 함수로 구성되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 5 항에 있어서,
상기 드로잉 스타일 평가 서브 모델은,
사용자 정보가 각각 태깅된 상기 학습 데이터를 포함하는 학습 데이터 세트를 차원 감소 네트워크의 입력으로 하여 출력된 사용자 별 특징 데이터를 태깅된 상기 사용자 정보와 매칭하여 저장하고,
제 1 드로잉 입력 정보를 상기 학습된 차원 감소 네트워크 함수를 이용하여 연산함으로써 출력된 제 1 드로잉 특징 정보와 상기 사용자 별 특징 데이터의 비교 결과에 기초하여 드로잉 스타일 유사성을 평가하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 드로잉 스타일 평가 서브 모델은,
제 1 드로잉 특징 정보와 상기 사용자 별 특징 데이터의 벡터 공간 상의 거리 비교를 통해 드로잉 스타일 유사성을 평가하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 7 항에 있어서,
상기 드로잉 스타일 평가 서브 모델은,
상기 제 1 드로잉 특징 정보의 사용자 정보와 매칭되는 사용자의 특징 데이터와 비교 결과에 기초하여 드로잉 스타일 유사성을 평가하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 5 항에 있어서,
상기 드로잉 스타일 평가 서브 모델은,
제 1 사용자의 드로잉 입력 정보를 타겟 이미지, 제 1 사용자의 다른 드로잉 입력 정보를 타겟 시밀러(similar) 이미지 및 제 2 사용자의 드로잉 입력 정보를 타겟 디스시밀러(dissimilar) 이미지로 포함하는 제 2 학습 데이터를 이용하여 트리플렛 로스(triplet loss) 방식으로 학습되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 5 항에 있어서,
상기 드로잉 인식 서브 모델은,
하나 이상의 이미지 데이터와 상기 하나 이상의 이미지 데이터 각각에 대응하는 주제를 라벨링하여 생성된 제 3 학습 데이터를 통한 교사 학습을 통해 학습되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 1 항에 있어서,
상기 수신한 제 1 드로잉 입력 정보를 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작은,
상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하는 동작;
상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 인식 서브 모델을 통해 상기 하나 이상의 주제와 부합하는지 여부에 대한 제 2 판별을 수행하는 동작; 및
상기 제 1 판별 결과 및 제 2 판별 결과에 기초하여 상기 사용자 단말의 잠금 화면 해제 여부를 결정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
제 12 항에 있어서,
상기 제 1 드로잉 입력 정보를 상기 드로잉 평가 모델에 포함된 드로잉 스타일 평가 서브 모델을 이용하여 상기 사용자의 고유한 드로잉 스타일과 일치하는지 여부에 대한 제 1 판별을 수행하는 동작은,
상기 제 1 드로잉 입력 정보에 대응하는 사용자 정보를 식별하는 동작;
상기 제 1 드로잉 입력 정보를 상기 드로잉 스타일 평가 서브 모델의 입력으로 하여 제 1 드로잉 입력 정보에 대한 제 1 드로잉 특징 정보를 획득하는 동작; 및
상기 제 1 드로잉 특징 정보의 벡터 공간 상의 위치와 상기 사용자 정보에 대응하여 저장된 하나 이상의 특징 데이터의 벡터 공간 상의 위치에 기초하여 제 1 판별을 수행하는 동작;
을 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
사용자의 드로잉 기반 보안 인증 방법으로,
사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하는 단계;
상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하는 단계;
상기 수신한 제 1 드로잉 입력 정보를 학습된 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하는 단계;
상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하는 단계;
상기 식별된 유휴 상태에 기초하여 상기 사용자 단말로 하여금 제 2 드로잉 입력 화면이 출력되도록 하는 제 2 제어 신호를 전송할 것을 결정하는 단계;
상기 사용자 단말로부터 상기 제 2 드로잉 입력 화면에 대한 제 2 드로잉 입력 정보를 수신하는 단계; 및
상기 제 2 드로잉 입력 정보가 상기 제2 드로잉 입력 화면에 포함된 하나 이상의 주제와 부합되는지 여부에 기초하여 상기 제 2 드로잉 입력 정보를 상기 드로잉 평가 모델의 학습 데이터로 사용할지 여부를 결정하는 단계;
를 포함하는,
사용자의 드로잉 기반 보안 인증 방법.
사용자의 드로잉 기반 보안 인증 서버로서,
하나 이상의 코어를 포함하는 프로세서;
상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
사용자 단말과 데이터를 송수신하는 네트워크부;
를 포함하고, 그리고
상기 사용자 단말로부터 잠금 화면 해제 신호를 수신하는 경우, 상기 사용자 단말로 하여금 하나 이상의 주제를 포함하는 제 1 드로잉 입력 화면을 표시하도록 하는 제 1 제어 신호를 전송할 것을 결정하고,
상기 사용자 단말로부터 상기 제 1 드로잉 입력 화면에 대응하여 입력된 제 1 드로잉 입력 정보를 수신하고,
상기 수신한 제 1 드로잉 입력 정보를 학습된 드로잉 평가 모델의 입력으로 하여 사용자 단말의 잠금 화면 해제 여부를 결정하고,
상기 사용자 단말에서 실행되는 게임의 유휴 상태를 식별하고,
상기 식별된 유휴 상태에 기초하여 상기 사용자 단말로 하여금 제 2 드로잉 입력 화면이 출력되도록 하는 제 2 제어 신호를 전송할 것을 결정하고,
상기 사용자 단말로부터 상기 제 2 드로잉 입력 화면에 대한 제 2 드로잉 입력 정보를 수신하고, 그리고
상기 제 2 드로잉 입력 정보가 상기 제2 드로잉 입력 화면에 포함된 하나 이상의 주제와 부합되는지 여부에 기초하여 상기 제 2 드로잉 입력 정보를 상기 드로잉 평가 모델의 학습 데이터로 사용할지 여부를 결정하는,
사용자의 드로잉 기반 보안 인증 서버.