불법저작물 유포자 행위분석 프로파일링 기술 연구

Research on illegal copyright distributor tracking and profiling technology

Abstract

IT 산업의 발달과 문화 활동의 증가로 저작물에 대한 수요가 증가하고 온라인 환경에서 쉽고 편리하게 이용할 수 있다. 이에 따른 저작물 복제 및 유통이 용이하여 저작권 침해가 심각하게 일어나고 있다. 일부 특수한 유형의 온라인 서비스 제공업체(OSP)는 저작권을 보호하기 위해 필터링 기반 기술을 사용하기만 쉽게 우회할 수 있으며, 모든 불법 저작물을 차단하기에는 한계가 있어 저작권을 보호하기는 갈수록 힘들어지고 있다. 최근 불법저작물 유포자 대부분은 특정 소수이며, 다수 OSP와 다수 ID를 통해 불법저작물을 유포하여 이득을 취한다. 본 논문에는 불법저작물을 바탕으로 주요 분석대상인 대량의 불법저작물 유포자인 대량 유포자(Heavy Uploader) 프로파일링 기술을 제안한다. 이 프로파일링 기술은 불법저작물 전반에 대한 정보가 담긴 특징(Feature)을 생성하고 주요대량 유포자를 식별한다. 이 중 동일인으로 추정되는 대량 유포자를 식별하기 위해 클러스터링 기술을 사용한다. 또한, 불법저작물 유포자 추적과 행위분석을 통해 우선순위가 높은 대량 유포자를 분석할 수 있다. 향후, 대량의 불법저작물을 유포하는 대량 유포자를 식별하고 차단한다면 저작권 피해를 최소화할 것으로 기대한다.

With the development of the IT industry and the increase of cultural activities, the demand for works increases, and they can be used easily and conveniently in an online environment. Accordingly, copyright infringement is seriously occurring due to the ease of copying and distribution of works. Some special types of Online Service Providers (OSP) use filtering-based technology to protect copyrights, but they can easily bypass them, and there are limits to blocking all illegal works, making it increasingly difficult to protect copyrights. Recently, most of the distributors of illegal works are a certain minority, and profits are obtained by distributing illegal works through many OSP and majority ID. In this paper, we propose a profiling technique for heavy uploader, which is a major analysis target based on illegal works. Creates a feature containing information on overall illegal works and identifies major heavy uploader. Among these, clustering technology is used to identify heavy uploader that are presumed to be the same person. In addition, heavy uploaders with high priority can be analyzed through illegal work Distributor tracking and behavior analysis. In the future, it is expected that copyright damage will be minimized by identifying and blocking heavy uploader that distribute a large amount of illegal works.

1. 서론

콘텐츠의 시장이 과거 오프라인에서 온라인 시장으로 급격하게 변화했고, 최근에는 모두 온라인 시장으로 봐도 무방하다. 또한, 스마트폰, 태블릿 PC 등 모바일 기기는 휴대성이 좋으며 무선으로 인터넷에 접속하여 콘텐츠를 활용하고 있어 모바일 환경이 급증했다. 이에 따라 저작물 유통이 기존 P2P, 웹하드에서 모바일 환경의 비트토렌트, 모바일 웹하드로 이동하고 있다. 한국저작권보호원 통계에 따르면 온라인 불법 복제 이용량은 18억 7천 7백만 개로 전체 불법 복제 이용량의 90%를 차지한 것으로 조사된다. 콘텐츠별 저작권 침해율은 영화가 22.9% 음악이 20.3%로 가장 높았다[1]. 최근에는 인공지능이 창작물을 제작하는 경우도 존재한다. 인공지능이 학습하여 창작한 저작물에 대해 권리 부여는 어렵고 인공지능을 설계한 자에게 묻기도 명확하지 않기 때문이다. 그렇기에 인공지능이 창작한 저작물은 인간이 만들지 않아 불법 저작물 유포행위에 더욱 취약하다[2].

과거 불법저작물 유포자들은 불특정 다수로 저작물을 복제 및 유통하여 저작권을 침해했다. 따라서, 저작권 보호를 위해 불특정 다수가 적용되는 검색어 기반 필터링, 해시 기반 필터링, 특징기반 필터링 등 필터링 기반의 저작권 보호 기술을 사용하였다. 저작물을 식별할 수 있는 특징 데이터베이스를 확보함으로 웹하드와 같은 특수 유형의 OSP에서 저작물의 불법유통을 검색하여 차단하는 데 유용하게 활용할 수 있다[3-5]. 그림 1은 필터링 기술별 특징들을 보여준다. 이러한 저작권 보호를 위한 필터링 기술들은 제목 변경, 단어의 조합, 띄어쓰기 등으로 쉽게 우회가 가능한 단점이 존재한다. 최근 불법저작물 유포자들은 불특정 다수에서 특정 소수로 변화하고 있어 특정 소수가 다수의 OSP와 다수의 ID를 사용하여 동일한 불법저작물을 유포하고 있다. 따라서, OSP의 기술적 조치를 의무화하여 저작물 필터링에 이용되고 있었으나 불법유통을 근절하는 데는 역부족이다[6].

(그림 1) 필터링 기술별 특징

(Figure 1) Features by filtering technology

불법저작물을 유포하는 특정 소수는 대량 유포자 (Heavy Uploader)로 지칭한다. 대량 유포자란 저작권자의 허락 없이 저작물을 웹하드 등 인터넷 사이트에 대량으로 유포하는 사람을 뜻한다. 본 논문의 기여도로는 다음과 같은 내용이 있다.

● 불법저작물을 바탕으로 주요 분석대상인 대량 유포자 프로파일링 기술을 제안

● Heavy Uploader 유사도 분석을 위한 OSP/ID 별 Feature Engineering 특징 추출

● 단일/동일 대량 유포자 탐지 및 불법저작물 대량 유포자 이동현황 분석

해당 기술들을 통해 대량 유포자를 추적하여 더 이상의 유포를 막는다면 저작권이 존재하는 수많은 저작물이 보호될 것이다. 본 논문에서는 온라인 환경에서의 불법저작물 유통 환경을 분석한 후 2장에서는 저작권 보호를 위한 관련 기술들과 동향을 살펴보고, 3장에서는 제안하는 불법저작물 유포자 프로파일링 기술에 대하여 언급하고, 4장에서는 불법저작물 유포자 추적 및 프로파일링 분석 결과에 대해 살펴보고, 5장에서 결론으로 마친다.

2. 관련연구

1990년에 등장한 디지털 저작권 보호 기술로 디지털워커마킹(digital watermarking)과 DRM(Digital Rights Management)이 있다. 디지털 워터마킹은 핑거프린팅 (fingerprinting)과 같이 자신임을 증명할만한 유일한 마크를 콘텐츠에 삽입하여 콘텐츠가 배포되어도 불법 복제한 사람들의 콘텐츠에도 삽입되어있는 마크를 통해 소유권을 증명할 수 있게 한다[7]. 디지털 권리 관리의 경우 콘텐츠가 의도한 용도로만 사용되도록 제한을 걸어 디지털콘텐츠에 대해 사용을 제어하는 기술이 존재한다. 또는 저작권 보호를 위해 블록체인 기술을 결합한 연구가 진행되고 있다. 체인 링크를 이용하여 콘텐츠를 시스템에 등록하고 체인 링크는 블록을 생성 및 검증을 한다[8].

블록체인과 네트워크를 연결하여 인가된 사용자 간의 콘텐츠 거래가 가능하며 등록된 콘텐츠는 체인 링크로 주기적으로 블록이 생성되며 이를 통한 블록체인 저작권 보호 연구가 진행 중이다[9]. 그러나 블록체인 기술에는 현실적으로 적용하기에 몇 가지 문제가 존재한다. 첫 번째 블록체인은 이미 블록에 기록된 거래 내역을 바꿀 수 없지만, 기록되기 전의 기록 대상인 저작물의 진위에 대해서는 위변조 여부를 확인 불가능하다. 두 번째 영상과 같은 대용량 콘텐츠의 경우 그 데이터 용량이 블록에 담을 수 없는 정도로 크기 때문에 거래 내역과 내용만 블록에 기록하고 실제 데이터는 서버를 이용할 수밖에 없다. 따라서 블록체인 기술은 기술적 한계에 의해 미뤄지고 필터링 기술을 사용하고 있다[10-13].

대표적으로 저작권보호센터의 불법저작물 추적시스템(Illegal Content Obstruction Program, ICOP)이 존재하며 불법 복제물 모니터링 정보와 긴급대응 저작물과의 검색기술을 결합하여 포털, 웹하드, P2P 사이트 등에서 콘텐츠를 업로드할 때 저작권이 존재하는 데이터베이스와 문자열 비교를 통해 불법저작물로 판단하고 이를 차단한다. PC 환경뿐만 아니라 모바일 웹을 통한 콘텐츠 서비스가 늘어나고 있어 이에 대한 모니터링도 진행하고 있다[14].

그 외에도 핑거프린팅 기반 필터링도 존재하며 OSP 가 온라인을 통한 저작물의 불법적인 복제 및 전송을 차단하기 위한 기술로 저작물 인식조치, 검색 제한조치, 송신 제한조치 및 경고문구 발송 등이 포함된다. 그림 2는 핑거프린팅 기반 필터링 개념도를 보여준다.

(그림 2) 기술적 조치 개념도(핑거프린팅 기반 필터링)

(Figure 2) Technical action conceptual diagram (Filtering based on fingerprinting)

프로파일링 기술로는 IP를 통한 토렌트 다운로드 내역으로 uploader를 특정하는 기술이 있다. 웹상에 있는 토렌트 다운로드 내역은 지워지지 않으며 불법 업로더로 의심되는 IP를 통해 해당 토렌트 다운로드 내역을 확인한다. 토렌트의 경우 업로드와 다운로드가 동시에 되는 점으로 수집된 내역을 이용해 법적 대응에 필요한 증거자료로 활용될 수 있다. 그러나 해당 IP를 알고 있어야 한다는 단점이 존재한다.

3. 제안 모델

3.1 개요

현재 불법저작물을 분류하는 기술들인 필터링을 우회하는 것도 탐지 가능한 점과 IP가 존재하지 않더라고 프로파일링을 통해 대량 유포자를 탐지할 수 있는 점에서 차별성이 존재한다. 본 논문에서 제안하는 불법저작물유포자 프로파일링 기술은 그림 3과 같다. 웹하드에서 크롤링한 데이터가 저작권이 존재하는 공공데이터와의 유사도 기반 불법저작물을 탐지한다. 탐지된 불법저작물을 통해 불법저작물 유포자 프로파일링을 진행한다. 제안하는 불법저작물 유포자 프로파일링을 위해서는 각각의 OSP/ID별 불법저작물 전반에 대한 정보가 담긴 특징을 생성한다. 생성된 특징들을 사용하여 대량 유포자를 식별한다. 또한, clustering 기반 유포자를 자동 추적하여 동일한 대량 유포자를 유추할 수 있으며, 불법저작물 유포자의 행위분석을 통해 대량 유포자의 주차 별 업로드 수와 함께 이동현황을 분석할 수 있다. 따라서, 불법저작물유포 흐름에 따라 불특정 다수가 아닌 대량의 불법저작물 유포자를 식별하고, 이를 대상으로 불법저작물을 분석 및 차단하면 저작권 피해를 최소화할 수 있을 것으로 예상한다.

(그림 3) 기술 구조도

(Figure 3) Technology Structure Chart

3.2 유사도 기반 불법저작물 자동탐지

제안하는 불법저작물 유포자 프로파일링 기술은 불법저작물로 식별된 데이터를 사용한다. 저자는 불법저작물로 식별된 데이터를 사용하기 위해 웹하드에서 크롤링한 데이터와 저작권이 존재하는 공공데이터를 사용하였다. 웹하드에서 수집한 크롤링 데이터는 유포되고 있는 저작물 제목에 특수문자, 띄어쓰기 및 한글 자음과 모음 분리 및 조합으로 노이즈가 존재하여 기존 필터링 방식을 우회하기 때문에 정규화 과정이 필수적이다. 텍스트 정규화는 필요 없는 단어 제거, 공백 제거, 한글 변환, 영어변환 등을 패턴을 생성하여 정규화한다[15]. 또한, 효과적인 필터링을 위해 공공데이터도 정규화한다. 노이즈가 제거된 각각의 데이터를 2-gram으로 2개의 문자별로 나눠 단어들을 생성한다. 데이터별 생성된 단어들을 해시값 비교를 통해 공공데이터와 유사한 저작물 저작권이 보호되어야 하는 데이터지만 웹하드에 유포되고 있는 데이터이므로 불법저작물로 간주하고, 유사하지 않은 데이터는 유포저작물로 간주한다[16-17].

3.3 불법저작물 유포자 프로파일링

3.3.1 유포저작물 기반 특징 추출

불법저작물 유포자 프로파일링을 위해 3.2.장의 결과로 저작물기반 특징(Feature)을 추출한다. 불법저작물과 유포저작물로 간주된 데이터의 메타데이터를 활용하여 유포 사이트(OSP)/유포게시자(ID)별 feature engineering을 통해 유포저작물 기반의 특징들을 추출하고, 유포저작물 개수와 불법저작물 개수를 측정한다. feature engineering 은 정규화된 저작물 제목 기반 해시 함수를 통해 해시값을 계산하고 모듈러 연산 결과에 대한 인덱스 1을 더하여 N개의 특징값을 생성할 수 있다. 그림 4는 feature engineering의 의사 코드를 보여준다. 따라서, OSP/ID별 N 개의 특징을 추출한 feature set과 유포저작물 개수 및 불법저작물 개수 결과를 얻는다. 저작물 기반 특징 추출을 통해 OSP/ID별 같은 저작물을 유포했다면 동일한 feature set들이 생성되기 때문에 유사한 저작물을 유포했다면 서로 유사한 feature set 생성되는 것이 핵심이다.

(그림 4) Feature Engineering 의사코드

(Figure 4) Feature Engineering Pseudo-Code

3.3.2 단일/동일 Heavy Uploader 탐지

이번 장에서는 3.3.1장에서 추출한 OSP/ID별 feature set을 통해 인터넷 웹하드에 대량으로 저작물을 유포하고 영리적 목적 이익을 취하는 단일/동일 대량 유포자를 식별한다. OSP/ID별 유포저작물 개수 및 불법저작물 개수가 담긴 데이터들을 통해 해당 OSP/ID 중 유포저작물 개수 대비 불법저작물 개수가 10% 이상일 경우 단일 대량유포자로 간주한다. 이와 달리 클러스터링 기반 동일 대량 유포자 탐지 방법은 유사한 저작물을 유사하게 유포한 OSP/ID를 동일 대량 유포자로 간주한다. 클러스터링은 거리 기반의 K-means 알고리즘을 사용하여 그룹화한다. K-means 알고리즘은 k개의 그룹 중심을 임의로 지정하고, 그룹 중심과 데이터 간의 거리가 최소화될 때까지 그룹 중심을 이동하며, 더 이상 변하지 않을 때까지 반복함으로써 그룹화한다. 클러스터 개수가 적으면 많은 OSP/ID를 동일 대량 유포자로 판단할 것이고, 클러스터 개수가 높다면 동일 대량 유포자를 다른 인물로 보게 된다. 이 부분에 유의하여 클러스터 개수를 적절히 선정하여 OSP/ID별 클러스터 결과를 얻는다.

OSP/ID별 유포한 저작물이 유사할수록 feature set은 유사하기 때문에 동일 클러스터에 속하는 것이 핵심이다. 다시 말해, 동일 클러스터에 속한 OSP/ID는 유포한 저작물이 유사하다는 의미이다. 실제로 동일인으로 추정되는 OSP/ID가 유포한 저작물을 검증하면 제목이 동일하거나 특정 문자나 단어만 변형하여 유포한다. 다른 인물로 추정되는 경우는 동일한 저작물이라도 전혀 다른 유형의 제목으로 유포한다.

3.3.3 불법저작물 유포자 이동현황 분석

불법저작물 유포자 이동현황 분석을 위해 OSP/ID 별 저작물 유포날짜를 기준으로 주차별 유포저작물 개수를 산출했다. 분석 기간은 저작물 유포날짜를 기준으로 자동 산출되며 2020년도 3월 1주 차부터 2020년도 7월 5주 차까지로 기록했다. 이를 통해 불법저작물 유포자의 유포 시간대와 유포저작물 양, 유포하지 않은 휴식기간, 언제부터 다시 유포가 진행했는지를 파악할 수 있어 유의미한 결과들을 도출하였다. 그림 5는 불법저작물 유포자 이동현황 예시를 보여준다. 대부분 실제 분류된 동일 클러스터의 OSP/ID들은 육안으로 약간 변형된 ID들을 볼 수 있으며, 유포저작물 개수와 불법저작물 개수가 유사하고 유포 시기도 유사하다. 또한, 동일 OSP에서 전혀 다른 ID로 동일한 저작물을 유사한 시기에 유포하여 동일 인물로 추정할 수 있다.

(그림 5) 불법저작물 유포자 이동현황 분석 예시

(Figure 5) Example of analysis of illegal work movement status

3.3.4 불법저작물 유포자 행위분석

불법저작물 유포자 프로파일링은 전체 유포저작물에서 feature engineeering을 통해 OSP/ID별 특징들을 추출하고 단일/동일 대량 유포자를 식별하여 이에 따른 이동현황 분석 결과를 제공한다. 이후, 모든 분석결과를 종합하여 불법저작물 유포자 행위분석을 실시한다. 불법저작물유포자 프로파일링을 통해 불법저작물 유포자 행위분석유형은 총 3가지로 그림 6과 같다.

(그림 6) 불법저작물 유포자 행위 분석 유형

(Figure 6) Types of illegal work distributor behavior analysis

최근 불법저작물 유포자는 대부분 대량 유포자로 동일한 OSP에서 다른 ID로 유포하거나, 다른 OSP에서 동일한 ID로 유포하거나, 다른 OSP에서 다른 ID로 유포하여 대량의 불법저작물을 유포하여 이득을 취한다. 예를 들어, 동일 OSP에서 특정 ID에 숫자를 추가하고 반복하여 대량 불법저작물을 유포한다. 이는 육안으로도 동일인으로 추정할 수 있으며, 동일 클러스터로 식별할 수 있다. 지금까지 제안한 불법저작물 유포자 프로파일링을 통해 대량 유포자 식별 및 불법저작물 유포자 이동현황분석 결과로 불법저작물 유포자 행위 유형에 따라 불법저작물 유포자를 탐지한다.

(표 1) Feature engineering 결과 예시

(Table 1) Example of the feature engineering results

4. 실험 결과

4.1 데이터셋

실험에 사용된 데이터셋은 모바일 포함 47개 웹하드에서 수집한 164, 382개의 크롤링 데이터와 저작권이 존재하는 17, 605개의 공공데이터를 사용하였다. 크롤링 데이터의 필드는 제목, OSP, ID, URL, 유포날짜, 고유번호등이 있다. 비교할 저작권이 존재하는 공공데이터에는 다양한 필드들이 존재하지만, 저작물 제목만을 사용하였다. 크롤링 데이터의 노이즈가 섞여 있고 공공데이터와 비교하기 위해 정규화하여 사용했다. 표 2에는 저작물 제목에 대한 정규화된 예시를 보여준다. 또한, 공공데이터도 동일한 정규화를 통해 크롤링 데이터와 공공 데이터의 유사도 비교를 통해 유사한 공공 데이터가 존재하면 이를 불법저작물로 간주하였다.

(표 2) 동일 Heavy Uploader 유포저작물 비교

(Table 2) Comparison of distributed works of the same Heavy Uploader

4.2 불법저작물 유포자 프로파일링 결과

불법저작물로 판단된 데이터를 기준으로 9, 819개의 OSP/ID를 생성했고, feature engineering을 통해 OSP/ID 별 저작물 전반에 대한 정보가 담긴 feature set과 불법저작물 개수와 유포저작물 개수를 생성한다. feature engineering 결과는 표 1과 같다. 이 중에서 단일 대량 유포자를 식별하기 위해 유포저작물 대비 불법저작물 개수로 10% 이상일 경우 단일 대량 유포자로 간주하였다. 실험 결과 총 225개의 단일 대량 유포자를 확인할 수 있었다. 동일 대량 유포자 식별은 OSP/ID별 생성된 feature set을 사용하여 클러스터링하였다. 동일 클러스터에 속한 OSP/ID는 동일 대량 유포자로 추정하며, 이는 유포한 저작물이 유사하다는 의미이다. 이를 증명하기 위해 동일 대량 유포자로 추정되는 OSP/ID가 유포한 저작물을 확인하였다. 표 2는 동일 대량 유포자로 추정되는 동일한 클러스터별 유포한 저작물 정보에 대한 예시를 보여준다. 실제로 동일 클러스터에 속한 OSP/ID는 동일한 제목을 유포하고 있다. 결과적으로, 동일한 저작물을 동일한 OSP에서 다수 ID 로 유포하는 대량 유포자를 나타낸다. 또한, 단일/동일 대량유포자를 위한 feature engineering이 효과적이라고 증명한다.

4.3 불법저작물 유포자 행위분석

4.3.1 동일 OSP(유포사이트)에서 다른 ID(게시자)

불법저작물 유포자 행위분석 유형에서 동일한 OSP 에서 다른 ID를 사용하는 경우의 예시는 표 3과 같다. 동일 클러스터로 분류한 OSP/ID는 대부분 유포저작물 개수와 불법저작물 개수가 유사하다. 3-1은 동일한 31번 클러스터로 이동현황도 유사한 결과가 도출되었다. 이외에도 3-2는 동일한 109번 클러스터로 마찬가지로 이동현황도 유사할 뿐 아니라 공백 기간이 유사하며 같은 시기에 재유포를 시작하였다. 다른 예시인 3-3은 142번 클러스터로 동일하다.

(표 3) 동일 OSP에서 다른 ID 결과 예시

(Table 3) Example of different ID result in same OSP

4.3.2 다른 OSP(유포사이트)에서 동일 ID(게시자)

불법저작물 유포자 행위분석 유형에서 다른 OSP에 유포하며 동일 ID인 경우의 예시로 표 4와 같다. 해당 동일 클러스터로 분류한 OSP/ID는 대부분 유포저작물 개수와 불법저작물 개수가 유사하고, 이동현황도 유사하다. 공백 기간도 동일하며 4-1은 동일한 48번 클러스터로 분류되었다. 다른 유형으로 4-2는 동일한 37번 클러스터로 분류되었으며 유사한 ID로 동일인으로 추정할 수 있다. 유포저작물 와 불법저작물 개수는 다르지만, 이동현황이 유사한 것이 보이며 공백 기간에는 다른 유사 ID로 유포한 것이 보인다. 4-3 동일한 130번 클러스터에 포함되어 유포한 저작물의 종류가 동일하고, 유사한 ID를 사용하여 동일 대량 유포자로 추정한다.

(표 4) 다른 OSP 에서 동일 ID 결과 예시

(Table 4) Example of same ID result in different OSP

4.3.3 다른 OSP(유포사이트)에서 다른 ID(게시자)

불법저작물 유포자 행위분석 유형에서 다른 OSP에 유포하며 다른 ID인 경우의 예시로 표5와 같다. 표5도 마찬가지로 동일 클러스터들로 유포저작물과 불법저작물 개수가 유사하며 유포현황이 반대로 동일 저작물 유포할 OSP와 ID를 이동하였다. 이는 다른 ID를 사용하지만, 육안으로는 규칙적이며, 동일인으로 추정할 수 있다. 5-1의 경우 동일한 34번 클러스터로 분류되었다. 다른 예시로 5-2는 동일한 81번 클러스터로 분류하였으며, 유포저작물 개수와 불법저작물 개수가 유사하고, 이동현황이 유사하며 동일하게 일정 시기 이후로 모두 저작물의 유포를 중단하였다. 또다른 예시로 5-3은 동일한 60번 클러스터로 분류하였으며, 유포저작물, 불법저작물 개수가 유사하며 저작물을 유포한 기간이 유사하며 공백 기간 또한 유사한 결과가 나왔다. 60이라는 클러스터로 분류가 되었다.

(표 5) 다른 OSP 에서 다른 ID 결과 예시

(Table 5) Example of different ID results in different OSP

5. 결론

인터넷의 발달로 PC뿐만 아니라 모바일 환경에서도 온라인으로 저작물을 간편하고 빠르게 이용할 수 있지만, 이에 따른 웹하드, P2P, 토렌트 등에서 불법저작물 유포수도 증가하였다. 현재 불법저작물 유포를 모니터링하고 대응하는 불법복제물 추적관리시스템이 존재하고 있으나, 대부분의 대량 유포자들은 기존 필터링 시스템을 우회하기 위해 띄어쓰기, 문자 변형, 특수문자 삽입 등의 노이즈를 삽입한다. 과거 불특정 다수가 불법저작물을 유포하였으나, 최근 특정 소수가 대량으로 유포하여 이득을 챙기는 영리적인 목적을 가지는 대량 유포자가 증가하였다. 본 논문에서는 식별된 불법저작물과 유포저작물을 사용하여 대량 유포자를 식별 및 추적하여 해당 OSP/ID를 탐지하는 것이 목표이다. 제안하는 불법저작물 유포자 프로파일링을 통해 식별된 단일/동일 대량 유포자의 OSP/ID로 차단한다면 저작권 피해가 대폭 감소할 것으로 예상된다. 향후, 제안 방법 이외에 대량 유포자를 대상으로 저작권 보호를 위한 연구를 이어 나아갈 것이다.