게임 산업이 성장하며 게임 콘테츠 결제와 관련된 금융 사기가 증가하고 있다. 이용자에 게 경제적 손실을 입히고 추가적인 정보 유출로 경제 범죄와 연관되어 사회적 문제를 발 생시킬 수 있다. 게임 회사들은 게임 관련 결제 시스템과 관련된 비정상 결제와 같은 금융 사기를 방지하기 위해 금융 업계에서 사용되는 FDS (Fraud Detection System)를 도입하 고 있다. 그러나, 특정 금융산업에서 사용되는 FDS는 게임 내 이용자의 환경, 결제수단, 금액 등 다양한 환경 차이로 인해 게임 결제 시스템에 적용할 수 없다. 또한, ...
게임 산업이 성장하며 게임 콘테츠 결제와 관련된 금융 사기가 증가하고 있다. 이용자에 게 경제적 손실을 입히고 추가적인 정보 유출로 경제 범죄와 연관되어 사회적 문제를 발 생시킬 수 있다. 게임 회사들은 게임 관련 결제 시스템과 관련된 비정상 결제와 같은 금융 사기를 방지하기 위해 금융 업계에서 사용되는 FDS (Fraud Detection System)를 도입하 고 있다. 그러나, 특정 금융산업에서 사용되는 FDS는 게임 내 이용자의 환경, 결제수단, 금액 등 다양한 환경 차이로 인해 게임 결제 시스템에 적용할 수 없다. 또한, 인공지능을 활용한 FDS 모델의 경우 모델 복잡성이 존재하고 결과에 대한 해석을 제공하지 않아 결 과에 대한 신뢰성 문제가 제기되고 있다. 이를 극복하기 위해 본 논문에서는 실제 다양한 게임 결제 로그 데이터 중 비정상적으로 결제된 데이터를 활용한 X-FDS (Explainable FDS)에 대해 다룬다. 게임 콘텐츠 결제와 관련된 비정상 결제의 특성을 도출하여 탐지 모 델을 생성하고 평가한다. 사용된 비지도 학습 모델 Autoencoder는 불균형 데이터에서도 비 정상 거래를 감지하는 모델을 생성했다. 설명 가능한 AI 모듈인 XAI-SHAP을 적용하여 사용자의 IP address, 거래 금액, 지불 방법 및 연령이 탐지에 가장 큰 영향을 미치는 것으 로 설명할 수 있었다. 실험의 최종 단계에서 설명 기반 피드백을 가진 개선된 X-FDS를 미세조정하여 잘못된 분류를 최소화하는데 기여한다.
게임 산업이 성장하며 게임 콘테츠 결제와 관련된 금융 사기가 증가하고 있다. 이용자에 게 경제적 손실을 입히고 추가적인 정보 유출로 경제 범죄와 연관되어 사회적 문제를 발 생시킬 수 있다. 게임 회사들은 게임 관련 결제 시스템과 관련된 비정상 결제와 같은 금융 사기를 방지하기 위해 금융 업계에서 사용되는 FDS (Fraud Detection System)를 도입하 고 있다. 그러나, 특정 금융산업에서 사용되는 FDS는 게임 내 이용자의 환경, 결제수단, 금액 등 다양한 환경 차이로 인해 게임 결제 시스템에 적용할 수 없다. 또한, 인공지능을 활용한 FDS 모델의 경우 모델 복잡성이 존재하고 결과에 대한 해석을 제공하지 않아 결 과에 대한 신뢰성 문제가 제기되고 있다. 이를 극복하기 위해 본 논문에서는 실제 다양한 게임 결제 로그 데이터 중 비정상적으로 결제된 데이터를 활용한 X-FDS (Explainable FDS)에 대해 다룬다. 게임 콘텐츠 결제와 관련된 비정상 결제의 특성을 도출하여 탐지 모 델을 생성하고 평가한다. 사용된 비지도 학습 모델 Autoencoder는 불균형 데이터에서도 비 정상 거래를 감지하는 모델을 생성했다. 설명 가능한 AI 모듈인 XAI-SHAP을 적용하여 사용자의 IP address, 거래 금액, 지불 방법 및 연령이 탐지에 가장 큰 영향을 미치는 것으 로 설명할 수 있었다. 실험의 최종 단계에서 설명 기반 피드백을 가진 개선된 X-FDS를 미세조정하여 잘못된 분류를 최소화하는데 기여한다.
As the game industry grows, the number of financial fraud related to the in-game purchase increases. Game companies are adopting Fraud Detection System (FDS), which is widely used in the financial industry to prevent financial fraud such as payment fraud or money laundering. However, transforming th...
As the game industry grows, the number of financial fraud related to the in-game purchase increases. Game companies are adopting Fraud Detection System (FDS), which is widely used in the financial industry to prevent financial fraud such as payment fraud or money laundering. However, transforming the FDS used in the financial services is hard because a user's payment amount and preferred payment methods are completely different. In addition, machine learning based classifiers' results are hard to understand like a black-box. Thus, a FDS model needs explainability to respond users' claim when a false-positive error happens. To solve this problem, we propose an eXplainable AI (XAI) based FDS named as X-FDS. X-FDS analyzed the fraud cases extracted from real game payment log data provided by an online game company. During the learning phase, we investigated the characteristics of the game content payment frauds; then, we developed the autoencoder based detection model. Also, we use XAI-SHAP to understand the most significant features to classify frauds. As a result, we find out Country (Email), Charge Price, Payment Methods, and Age are the most influential features for detecting the game content payment frauds.
As the game industry grows, the number of financial fraud related to the in-game purchase increases. Game companies are adopting Fraud Detection System (FDS), which is widely used in the financial industry to prevent financial fraud such as payment fraud or money laundering. However, transforming the FDS used in the financial services is hard because a user's payment amount and preferred payment methods are completely different. In addition, machine learning based classifiers' results are hard to understand like a black-box. Thus, a FDS model needs explainability to respond users' claim when a false-positive error happens. To solve this problem, we propose an eXplainable AI (XAI) based FDS named as X-FDS. X-FDS analyzed the fraud cases extracted from real game payment log data provided by an online game company. During the learning phase, we investigated the characteristics of the game content payment frauds; then, we developed the autoencoder based detection model. Also, we use XAI-SHAP to understand the most significant features to classify frauds. As a result, we find out Country (Email), Charge Price, Payment Methods, and Age are the most influential features for detecting the game content payment frauds.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.