[논문]온라인 게임 환경에서 사용자 행위 정보에 기반한 봇 프로그램 탐지 기법 연구

윤태복

doi:10.5762/kais.2012.13.9.4200

온라인 게임 환경에서 사용자 행위 정보에 기반한 봇 프로그램 탐지 기법 연구
The Study of Bot Program Detection based on User Behavior in Online Game Environment 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.13 no.9, 2012년, pp.4200 - 4206

윤태복 (서일대학교 컴퓨터소프트웨어과)

초록
AI-Helper

최근 온라인 게임 산업이 급속도로 확장되었다. 하지만, 온라인 게임에서 봇 프로그램으로 인하여 다양한 게임 서비스 피해사례가 발생하고 있다. 특히, 게임 머니 및 아이템의 비정상적인 수집은 게임이 가지는 본연의 재미를 잃어버리게 하고, 궁극적으로 게임의 생명주기에 결정적으로 악영향을 미치게 된다. 본 논문은 게임 로그 데이터의 플레이 패턴을 이용한 봇 탐지 방법을 제안한다. 인간 플레이어로부터 봇과 차별화된 모델을 만들기 위해 인간 플레이어의 행동뿐만 아니라 봇 데이터도 분석에 활용한다. 실험에서는 서비스 중인 온라인 게임을 이용하여 사용자와 봇의 모델을 생성하고 유효한 결과를 확인하였다.

Abstract ▼ AI-Helper

Recently, online-game industry has been rapidly expanding in these days. But, the various game service victimized cases are generated by the bots program. Particularly, the abnormal collection of the game money and item loses the inherent fun of a game. It reaches ultimately the definite bad effect to the game life cycle. In this paper, we propose a Bots detection method by observing the playing patterns of game characters with game log data. It analyzed behaviors of human players as well as bots and identified features to build the model to differentiate bots from human players. In an experiment, by using the served online-game, the model of a user and bots were generated was distinguished. And the reasonable result was confirmed.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 지정한 마을에서 체류하는 시간의 변화량을 통해, 봇과 게이머와의 차이를 비교할 수 있다. 따라서 본 논문에서는 각종 활동의 준비 공간인 마을에서의 체류 시간을 추출하여 변화량을 측정한다.
하지만 사람의 경우 자신의 캐릭터가 위험한 경우 같이 게임 내부적으로 나타나는 다양한 상황에 맞춰 공격적인 상태 변화가 다양하게 나타나므로 몬스터를 공격하기 시작한 시점으로부터 죽이는 시간까지 걸리는 시간 변화가 다양하게 나타난다. 따라서 본 논문에서는 게임 속에서 사냥하는 몬스터를 공격한 시점부터 죽이는데 까지 소요된 시간을 추출한 후 이 측정값들의 변화 정도를 분석한다.
본 논문은 온라인 게임에서 비정상적인 게임 운영을 위한 게임 봇 프로그램을 탐지하는 방법을 소개하였다. 온라인 게임에서 발생 할 수 있는 게임 행위를 크게 대기, 전투, 그리고 이동으로 나누고 각각의 세부 행위로 다시 나누어 전체 14가지 속성을 정의하였다.
본 연구에서는 기존 국내외 연구들의 특징을 개선하고, 게임의 내부 일반적인 요소를 추출하여 게임 봇 프로그램을 검출할 수 있는 방법을 소개한다. 이를 위해 프로그램 데이터 분석 및 사용자와 게임 봇 프로그램 모델을 구축하고 비교하여 효과적으로 게임 봇 프로그램을 검출하기 위한 연구를 수행한다.
본 연구에서는 기존 국내외 연구들의 특징을 개선하고, 게임의 내부 일반적인 요소를 추출하여 게임 봇 프로그램을 검출할 수 있는 방법을 소개한다. 이를 위해 프로그램 데이터 분석 및 사용자와 게임 봇 프로그램 모델을 구축하고 비교하여 효과적으로 게임 봇 프로그램을 검출하기 위한 연구를 수행한다.

제안 방법

본 논문에서는 온라인 게임에서 발생 할 수 있는 사용자의 행위를 대기, 전투 그리고 이동으로 분류하고, 각 행위를 다시 상황에 따른 세부행위로 나누었다. 각각의 세부행위는 인간 게임 플레이어와 악의적 봇 프로그램에서 얻은 데이터를 이용하여 분석하였다. 실험에서는 각 행위에 대한 인간 집단과 봇 집단을 비교 분석하였고, 봇 검출률을 통하여 제안하는 방법이 유효함을 입증하였다.
게임 내에서 게임 봇과 사람의 행동 차이를 속성으로 정의하기 위하여 행동의 변화를 측정하였다. 사전에 정의된 매크로를 기반으로 행동하는 게임 봇은 행동의 변화가 많지 않다.
온라인 게임에서 수집된 데이터를 기반으로 현재 캐릭터가 봇인지 인간인지 여부를 판단하는 과정은 그림 2와 같다. 먼저 인간 게이머의 로그 데이터와 봇 로그를 수집하고, 앞서 정의한 속성을 기반으로 전처리 과정을 거처 변화량을 계산한다. 게임 로그 데이터는 게임 이벤트가 발생 할 때마다 그 정보가 기록되는데, 시간 정보와 게이머 행위 그리고 게임 캐릭터 속성(HP, MP, 경험치, 전투력 등)값을 포함한다.
하지만 사람의 경우 본인의 의도, 성향에 따른 판단하며, 각종 게임 내 상황을 모두 고려한 불특정 요소에 의하여 게임 내 캐릭터를 제어하게 된다. 본 논문에서는 게임 봇이 가지는 행동 변화의 한계성과 사람이 가지는 불특정 요소에 따른 다양한 변화의 차이를 기준으로 모델링 하여 14가지 속성을 정의하고 있다. 이와 같은 행동 변화 정도의 측정은 다음 수식으로 나타내었다[11-14].
본 논문에서는 온라인 게임에서 발생 할 수 있는 사용자의 행위를 대기, 전투 그리고 이동으로 분류하고, 각 행위를 다시 상황에 따른 세부행위로 나누었다. 각각의 세부행위는 인간 게임 플레이어와 악의적 봇 프로그램에서 얻은 데이터를 이용하여 분석하였다.
대부분 온라인 게임에서는 사냥과 같은 게임 속 특정 행위를 통해 경험치를 획득하고 자신의 캐릭터를 성장시킨다. 본 논문에서는 이 경험치의 단위시간당 획득 변화량을 측정하여 게임 봇과 사람의 행동 차이를 구분한다. 경험치의 단위시간당 획득 변화량은 사람의 기분 및 상황 변화에 영향을 받아 변화하기 때문에 감정을 지닌 사람과 기계적으로 행동하는 게임 봇을 구분하는 좋은 속성이다.
이동 경로 속성은 관련 연구에서도 언급한 속성으로 게임 내의 이동 가능한 지역을 임의의 구간으로 나누고 이 구간을 기반으로 게임 캐릭터의 구간 이동 순서를 관찰하는 속성이다. 수집된 구간 이동 순서 정보를 순서 분석 방법인 Suffix array알고리즘을 통해 LCP(Longest Common Prefix)를 구하였으며, 단위 시간당 LCP의 거리 변화를 구하여 유사한 구간을 반복적으로 이동하는 게임 봇과 변화하는 구간 이동 경로를 가지는 일반 사람의 차이를 구분하였다.
본 연구에서는 R게임에서 OpenCore 게임 봇 설정을 이용하여 총 120시간의 데이터를 수집하였으며 비교를 위해 총 132시간의 데이터를 사람으로부터 수집하였다. 실험에는 게임 봇 및 사람 데이터를 각각 3시간씩 나누어 40개의 봇 데이터 집합을, 43개의 사람 데이터 집합을 사용하였으며, 게임 봇과 사람의 행동 차이를 통한 정확도 높은 속성 선택 실험과 선택된 속성을 사용한 최종 봇 검출 방법에 사용하였다. 전체 83개 데이터 중 56개는 훈련 데이터(Training)로 하고 나머지 27개는 테스트 데이터(Test)로 하여 2-폴드 교차검증 방법을 사용하였다.
분류된 속성은 봇 탐지 모델 생성을 위한 중요한 요소로 사용된다. 실험에서는 앞서 정의한 속성을 기반으로 실제 게임에서 데이터를 수집하여 분석하였고 인간 플레이어와 봇을 구분하는 변화량을 표 3과 같이 측정하였다. 위 결과에서 도시체류, 아이템사용 상태, 이동거리, 이동거리시간, 이동회전각도 속성은 다른 속성에 비하여 봇과 인간을 구분하는 변화량의 차이가 크게 나타났다.
본 논문은 온라인 게임에서 비정상적인 게임 운영을 위한 게임 봇 프로그램을 탐지하는 방법을 소개하였다. 온라인 게임에서 발생 할 수 있는 게임 행위를 크게 대기, 전투, 그리고 이동으로 나누고 각각의 세부 행위로 다시 나누어 전체 14가지 속성을 정의하였다. 분류된 속성은 봇 탐지 모델 생성을 위한 중요한 요소로 사용된다.
위의 수식은 특정 행동속성에서 단위시간마다 측정한 값들의 표준 편차를 측정한 값들의 중간 값으로 나눈 수치로 행동 측정값에 대한 변동비를 나타내어 행동 변화 수치를 산출하였다. 위의 수식을 통하여 얻은 행동 변화 수치는 게임 봇과 사람의 시간에 따른 변화를 관찰함으로서 행동 정보의 차이를 좀 더 거시적으로 확인할 수 있다.
전처리 과정에서는 이러한 속성 값들을 이용하여 앞에서 정의한 14가지 행위에 대하여 Behavior of Variance를 이용하여 변화량을 측정한다. 인간 또는 봇을 종속 변인으로 하고 정의된 14가지 행위를 독립변인으로 의사결정나무 방법을 이용하여 모델을 생성한다. 생성된 모델은 새로운 게임 로그 데이터를 입력하였을 때, 사람인지 봇인지 여부를 진단하는 역할을 한다.
게임 로그 데이터는 게임 이벤트가 발생 할 때마다 그 정보가 기록되는데, 시간 정보와 게이머 행위 그리고 게임 캐릭터 속성(HP, MP, 경험치, 전투력 등)값을 포함한다. 전처리 과정에서는 이러한 속성 값들을 이용하여 앞에서 정의한 14가지 행위에 대하여 Behavior of Variance를 이용하여 변화량을 측정한다. 인간 또는 봇을 종속 변인으로 하고 정의된 14가지 행위를 독립변인으로 의사결정나무 방법을 이용하여 모델을 생성한다.
추적 시간 패턴은 게이머가 몬스터를 죽인 이후부터 새로운 몬스터를 찾는 데까지 소비한 시간을 측정한 후 이의 변화량을 분석한 것이다. 이 속성은 게임 플레이어가 가지는 사냥 혹은 게임 플레이의 몰입도 변화 정도를 나타낸다.
공격 다양성은 공격 행동 속성으로 단위 시간마다 얼마나 다양한 패턴의 변화를 보였는가를 측정한다. 측정 방법으로는 게이머가 몬스터를 죽이는데 행동한 공격 혹은 스킬과 공격 행동 사이에 소요된 시간 순서의 전체 횟수에서 중복 및 교집합이 없는 순서의 횟수로 나눈다. 이렇게 측정된 값은 단위 시간마다 행동 변화 수치를 구하여 게임 봇과 사람을 비교하게 된다.
이동 회전각도 속성은 이동 중에 발생하는 각도 변화를 이용하여 게임 봇과 사람을 차이를 정의한 것이다. 현재 게임 캐릭터의 위치 좌표를 p_n라고 하면 p_n의 바로 전 위치좌표 p_n-1과 p_n의 바로 다음 위치 좌표 p_n+1등 이 세 좌표의 사이 각을 구하고 이들의 빈도수를 단위시간 당 각도 변화를 통해 게임 봇과 사람의 행동 차이를 정의하였다.

대상 데이터

‘OpenCore’ 봇 프로그램은 완성도 높으며 사용자가 거의 대부분의 봇 행동을 설정할 수 있어 R게임 속의 환경에 맞춰 다양한 설정 변화가 가능하다는 장점을 가지고 있다. 본 연구에서는 R게임에서 OpenCore 게임 봇 설정을 이용하여 총 120시간의 데이터를 수집하였으며 비교를 위해 총 132시간의 데이터를 사람으로부터 수집하였다. 실험에는 게임 봇 및 사람 데이터를 각각 3시간씩 나누어 40개의 봇 데이터 집합을, 43개의 사람 데이터 집합을 사용하였으며, 게임 봇과 사람의 행동 차이를 통한 정확도 높은 속성 선택 실험과 선택된 속성을 사용한 최종 봇 검출 방법에 사용하였다.
실험에는 게임 봇 및 사람 데이터를 각각 3시간씩 나누어 40개의 봇 데이터 집합을, 43개의 사람 데이터 집합을 사용하였으며, 게임 봇과 사람의 행동 차이를 통한 정확도 높은 속성 선택 실험과 선택된 속성을 사용한 최종 봇 검출 방법에 사용하였다. 전체 83개 데이터 중 56개는 훈련 데이터(Training)로 하고 나머지 27개는 테스트 데이터(Test)로 하여 2-폴드 교차검증 방법을 사용하였다. 교차검증은 5회 실시하였으며, 표 3의 실험결과에 봇 검출률은 평균값을 나타낸 것이다.

데이터처리

전체 83개 데이터 중 56개는 훈련 데이터(Training)로 하고 나머지 27개는 테스트 데이터(Test)로 하여 2-폴드 교차검증 방법을 사용하였다. 교차검증은 5회 실시하였으며, 표 3의 실험결과에 봇 검출률은 평균값을 나타낸 것이다.
본 논문에서 제안하는 행동 패턴 모델의 검증을 위해 G게임사의 R게임 기반 게임 봇 프로그램 ‘OpenCore’를 사용하였다.

성능/효과

산출 방법은 일반 공격 순서의 중앙 순서 값과 스킬 사용의 중앙 순서 값을 산출하여 두 값 사이의 거리를 측정한다. 두 값의 차이가 크면 클수록 일반 공격 및 스킬 공격의 순서가 양쪽으로 편중되어 있다는 것을 의미한다.
둘째, 게임 행위에 기반을 두어 판단하기 때문에 특정 온라인 게임에 의존적이지 않고, 범용적으로 적용이 가능하다.
셋째, 게임 봇 프로그램의 사용을 억제함으로써 게임 문화의 정착이 가능하고, 게임 산업을 보호하는 역할을 한다.
각각의 세부행위는 인간 게임 플레이어와 악의적 봇 프로그램에서 얻은 데이터를 이용하여 분석하였다. 실험에서는 각 행위에 대한 인간 집단과 봇 집단을 비교 분석하였고, 봇 검출률을 통하여 제안하는 방법이 유효함을 입증하였다.
실험에서는 앞서 정의한 속성을 기반으로 실제 게임에서 데이터를 수집하여 분석하였고 인간 플레이어와 봇을 구분하는 변화량을 표 3과 같이 측정하였다. 위 결과에서 도시체류, 아이템사용 상태, 이동거리, 이동거리시간, 이동회전각도 속성은 다른 속성에 비하여 봇과 인간을 구분하는 변화량의 차이가 크게 나타났다. 이 속성들을 봇 진단 모델 생성에 선별하여 사용한다면 봇 진단기의 성능이 향상될 것이다.
첫째, 빠른 속도로 변화하는 새로운 게임 봇 프로그램에 대한 검출이 용이하다.

후속연구

향후 연구로는 다양한 게임행위에 대응 할 수 있도록, 다양한 게임의 종류에서 보다 많은 사용자로부터 게임 데이터를 수집하고 분석하는 작업이 필요하겠다.

질의응답

핵심어	질문	논문에서 추출한 답변
	온라인 게임 산업의 봇 프로그램 사용의 피해로 인한 악영향은 무엇이 있는가?	하지만, 온라인 게임에서 봇 프로그램으로 인하여 다양한 게임 서비스 피해사례가 발생하고 있다. 특히, 게임 머니 및 아이템의 비정상적인 수집은 게임이 가지는 본연의 재미를 잃어버리게 하고, 궁극적으로 게임의 생명주기에 결정적으로 악영향을 미치게 된다. 본 논문은 게임 로그 데이터의 플레이 패턴을 이용한 봇 탐지 방법을 제안한다.
	게임의 인식은 어떻게 변화되었는가?	정보통신 기술의 발달과 함께 게임시장이 급속도로 성장하고 있다. 과거의 게임은 단순히 오락과 재미를 위한 도구로 인식되었으나, 현재에는 디지털 컨텐츠 기반의 고부가가치 산업으로 여겨지고 있다. 국내 게임 시장은 2010년 7조 4,312억 원으로 전년대비 12.
	국내 게임 시장은 얼마나 성장하였는가?	과거의 게임은 단순히 오락과 재미를 위한 도구로 인식되었으나, 현재에는 디지털 컨텐츠 기반의 고부가가치 산업으로 여겨지고 있다. 국내 게임 시장은 2010년 7조 4,312억 원으로 전년대비 12.9% 성장하였다[1]. 특히 온라인 게임시장은 4조 7,673억 원으로 전체 게임 시장의 64.

참고문헌 (14)

Korea Creative Content Agency (KOCCA), "2011 White paper on Korean Games," 2011.
H. B. Chang, K. K. Kim, and S. J. Lee,"The Study of Information Security Technologies for Security Incidents in Online Game Service," Information Systems Review, Vol.9, No.3, 2007.
Korea Internet and Security Agency (KISA), "Guide of Online game hacking," 2006.
Inca Internet Inc., "www.inca.co.kr"
Anlab Inc., "www.ahnlab.co.kr"
H. Kim, S. Hong, and J. Kim, "Detection of Auto Programs for MMORPGs," Springer, AI 2005: Advances in Artificial Intelligence, pp.1281-1284, 2005.
K. T. Chen, J. W. Jiang, P. Huang, H. H. Chu, C. L. Lei, and W. C. Chen, "Identifying MMORPG bots: A traffic analysis approach," Proceedings of the ACM SIGCHI Conference, 2006.
P. Golle, and N. Ducheneaut, "Preventing Bots from Playing Online Games," Computers in Entertainment (CIE), vol. 3, 2005.
W. Feng, E.d. Kaiser, and T. Schluessler, "Stealth Measurements for Cheat Detection in On-line Games," Proceedings of the 7th ACM SIGCOMM Workshop on Network and System Support for Games, pp.15-20, 2008.
P. Laurens, R. F. Paige, P. J. Brooke, and H. Chivers, "A Novel Approach to the Detection of Cheating in Multiplayer Online Games," 12th IEEE International Conference on Engineering Complex Computer Systems, pp.97-106, 2007.
S. H. Park, H. W. Jung, T. B. Yoon, and J. H. Lee, "Behavior Pattern Modeling based Game Bot detection," Journal of Fuzzy Logic and Intelligent Systems, Vol. 20, No. 3, pp. 422-427, 2010.

원문보기 상세보기
Nho-KyungPark, Sang-BongPark, Min-HyeongPark, "The Implementation of Motion Vector Detection Algorithm for the Optical-Sensor", Journal of The Institute of Webcasting, Internet and Telecommunication, VOL.10, No.5, October2010.
Su-HyunKim, Sang-IlChoi, Sung-HanBae, Young-DaeLee, Gu-MinJeong, "Pattern Recognition using Feature Feedback : Performance Evaluation for Feature Mask", Journal of The Institute of Webcasting, Internet and Telecommunication, VOL.10, No.5, October2010.
Young-SubKim, Jong-YoungAhn, Sang-BumKim, Kang-InHur, "Astudy on Robust Feature Imagefor Text ure ClassificationandDetection", Journal of The Institute of Webcasting, Internet and Telecommunication, VOL.10, No.5, October2010.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증