앙상블 모델을 이용한 MMORPG의 잠재적 봇 탐지 연구 (Ensemble learning for detecting game bot in MMORPG)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 35권 / 4호 / 461 ~ 473페이지
· 저자명 : 정현수, 최정원, 원상준, 김수인, 박종범, 이나연, 정윤서

초록

라인 대규모 다중 사용자 온라인 역할수행 게임 (Massively multiplayer online role-playing game; MMORPG)의 인기가 상승함에 따라, 자동화된 게임 봇을 운영하며 게임 재화 수집을 통해 현금 이득을 취하는 작업장 (Gold farmer group)이 게임 생태계에 더욱 강력한 영향력을 행사하고 있다. 이들이 운영하는 게임 봇들은 일반 게임유저들의 피로도를 증가시키며 인게임 시장에 혼란을 초래하므로 올바른 봇 탐지를 해내는 것이 게임 회사에게 중요한 과제이다. 기존의 게임 회사가 운영하는 봇 탐지 방식은 게임 내 행동분석과 규칙 기반 시스템 (rule-based system)이 대부분이다. 이러한 방식은 게임 봇이 일반 유저의 게임 행동을 모방하는 방향으로 끊임없이 변화하기 때문에 상황에 유연하게 대응하기 어렵다. 본 연구에서는 게임 봇이 일반 게임 유저와 행동 패턴이 유사하더라도 작업장의 목적상 특정 행동을 강제할 수 밖에 없다는 것에 기반하여, 재화 획득 패턴과 비정상적 아이템 거래 변수를 활용한 새로운 봇 탐지 모델을 제시한다. 사용한 변수는 아이템 시세 대비 비정상적인 아이템 거래 관련 변수들과 재화 보유량 상태의 시계열적 패턴을 사용한다. 우리가 제안하는 모형은 딥러닝 모형과 머신러닝 모형 간의 앙상블 (ensemble)로, 재화 보유량 상태의 시계열적 패턴을 학습하기 위해 시계열 데이터를 다룰 수 있는 딥러닝 모형인 Long short term memory (LSTM), 그리고 아이템 거래 관련 설명 변수들을 학습하는 머신러닝 모형들을 결합한다. 국내 게임사의 데이터를 기반으로 유저의 정지 여부를 예측하도록 우리의 모델을 학습한 결과, 봇 탐지에 우수한 성능을 보이는 것으로 나타났다. 또한 우리의 모형이 봇으로 예측한 유저들 중 계정 사용정지를 당하지 않은 유저들의 패턴을 확인한 결과, 해당 유저들을 게임 봇 유저 후보군으로 제시할 근거를 발견하여 이를 최우선 탐색 대상으로 두는 것을 제안한다.

영어초록

As massively multiplayer online role-playing games (MMORPG) grow in popularity, illegal groups, called gold farmer groups, that operate automated game bots to collect in-game goods for cash gain are becoming a more serious problem. These groups are disrupting the in-game marketplace by increasing stress for normal users. Therefore, making proper bot detection is a critical challenge for game managers. The existing bot detection methods are mostly in-game behavioral analysis and rule-based systems. However, these methods has a limitation because game bots are constantly changing to mimic the game behavior of normal users. In this study, we propose a new bot detection model with ensemble learning. Based on the idea that the objective of behaviors of game bots is gaining in-game goods, their cash flow patterns and item transaction patterns does not change. Therefore, we suggest to use the variables that are related to abnormal item transactions and cash flow patterns. Our proposed model is an ensemble of deep learning models and machine learning (ML) models.

참고자료

· 없음