$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

대규모 웹 기록물의 원격수집을 위한 콘텐츠 중복 필터링 개선 연구
A study on the enhanced filtering method of the deduplication for bulk harvest of web records 원문보기

기록학연구 = The Korean Journal of Archival Studies, no.35, 2013년, pp.133 - 160  

이연수 (국가기록원 기록관리R&D센터) ,  남성운 (국가기록원) ,  윤대현 (한국정보화진흥원)

초록
AI-Helper 아이콘AI-Helper

네트워크 및 정보통신기기가 발전함에 따라 웹이 우리 일상에 미치는 영향력은 점점 더 증가하고 있다. 또한 웹 공간에서 생성되는 정보도 각 시대를 반영하는 중요한 기록물로서 그 중요성이 나날이 커지고 있다. 이에 따라 웹 정보들을 아카이빙 할 수 있는 표준화된 방법이 요구되고 있으며, 그중 한 가지가 자동화된 수집도구를 사용하여 주기적으로 수집하는 스냅샷 전략이다. 하지만 스냅샷 전략은 주기적으로 웹 콘텐츠를 수집하기 때문에 동일한 웹 콘텐츠가 중복 수집되는 문제가 있다. 또한 웹 환경에서 구현되는 복잡한 기술로 인하여 의미 없는 웹 콘텐츠가 수집될 가능성도 배제할 수 없는 실정이다. 본 논문에서는 공공기관 홈페이지 웹 콘텐츠를 스냅샷 전략으로 수집한 사례 분석을 통해서 원격 수집할 때 발생할 수 있는 콘텐츠 중복 문제들을 살펴보고, 기술 측면에 해결책을 제시하고자 한다.

Abstract AI-Helper 아이콘AI-Helper

As the network and electronic devices have been developed rapidly, the influences the web exerts on our daily lives have been increasing. Information created on the web has been playing more and more essential role as the important records which reflect each era. So there is a strong demand to archi...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 하지만 애플리케이션 단계에서 구현된 필터링을 적용하지 않고 웹 콘텐츠를 수집할 경우 이를 처리하기 위해서는 추가적인 필터링이 요구된다. 본 논문에서는 애플리케이션 단계에서 처리되지 않고 저장된 웹 아카이빙 WARC 포맷에 존재하는 웹 콘텐츠 중복을 제거하고자 한다. 공공기관 웹 기록물 수집 사례에서 발생했던 웹 콘텐츠 중복을 대상으로 하였으며, 중복되어 저장된 로그인 페이지, 접근제한 페이지와 같은 의미 없는 웹 콘텐츠를 효율적으로 제거하는 방안도 같이 제시하였다.
  • 그러나 이 방식은 URI 중심의 필터링으로 인해 무작위로 발생하는 의미 없는 웹 콘텐츠를 필터링 하는데 한계가 있다. 본 장에서는 이를 해결하기 위해 웹 콘텐츠 중심의 필터링을 제시하고자 한다.
  • 이를 개선하기 위해 웹 콘텐츠의 해시 값을 비교하여 중복여부를 판단하는 방안을 제시하고자 한다. 이 경우에도 이미 저장되어 있는 모든웹 콘텐츠를 비교 대상으로 한다면 강력한 컴퓨팅 파워를 필요로 할 것이다.
  • 현재는 웹 크롤러의 필터링이 URI 중심의 필터링 방식이기 때문에 주기적으로 수집하는 웹 사이트에 의미 없는 웹 콘텐츠들이 있어서 이들이 자동 수집될 경우 이들을 필터링하는데 문제가 발생한다. 이와 같은 문제들이 공공기관 웹 기록물 수집 사례에서 발견되었으며 이를 해결하고자 WARC 저장포맷 중심의 기술 측면에 개선 방안을 다루고자 한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
스냅샷 방법은 어떤 방법인가? 즉, 매우 다양한 환경에서 웹 콘텐츠가 존재하기 때문에 이들을 표준화하여 아카이빙하는 것을 더 어렵게 만들고 있는 것이다. 한가지 대안 중 하나가 스냅샷(Snapshot) 방법을 이용하는 것으로 웹 서버가 가지고 있는 웹 콘텐츠를 웹 페이지의 링크 형태로 접근하여 저장하는 것이다.
수집도구를 사용하여 웹에 연결된 콘텐츠를 수집할 때 수집주기를 결정해야 할 필요가 있는데 그 이유는 무엇인가? 그런데 수집도구를 사용하여 웹에 연결된 콘텐츠를 수집할 때에는 정책적으로 수집주기를 결정해할 필요가 있다. 왜냐하면 웹에서는 기존의 콘텐츠가 삭제되거나 또는 새로운 콘텐츠의 생성이 계속해서 발생하기 때문이다. 즉 웹의 일정 영역을 수집하여 저장하는 바로 이 순간에도 기존의 콘텐츠가 삭제될 수 있으며, 동시에 새로운 콘텐츠가 생성될 수 있다는 의미이다. 만약에 어떤 웹 사이트를 지속적으로 수집하지 않는다면, 이와 같은 변화를 반영하지 못할 것이다.
표면 웹이란 무엇인가? • 표면 웹 : 표면 웹은 웹 브라우저를 통해 접근할 수 있는 웹사이트 표면에 링크 형식으로 연결된 자원을 말한다. 이렇게 연결된 표면 웹의 유형으로는 텍스트, 사무용 전자파일, 영상, 이미지 등과 같은 다양한 포맷들이 존재한다.
질의응답 정보가 도움이 되었나요?

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로