선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 게임 플레이어의 성장 유형을 분류하여 게임 봇이 완전히 성장하기 전에 탐지하고, 하드코어 유저와 게임 봇을 분별하는 서버 측면의 탐지 방법을 제안한다.
제안 방법
- 2그룹에 속한 봇 유저와 하드코어 유저를 구별하기 위해서 선정한 피처는 캐릭터의 자산 보유와 거래 횟수, 게임 몰입과 전투적인 측면 관점으로 선택하였다. Table 5는 봇 유저와 하드코어 유저의 구분 피처이다.
- 게임 내 캐릭터가 성장하는 과정을 분석하여 게임봇 탐지 및 게임 봇과 하드코어 유저를 분류하는 프레임워크를 제안하였다. 제안하는 내용은 Fig.
- 두 번째로, 첫 번째 단계에서 선정한 피처를 기반으로 데이터 마이닝 기법인 K-means 알고리즘을 이용한 클러스터링을 수행하여 K개의 그룹으로 성장 유형을 분류하였다. K-means 클러스터링은 객체들의 집합을 K개의 군집으로 분해하는 것으로, 거리에 기반을 둔 클러스터링 기법이며 객체들의 평균값을 측정하여 기점에 가까운 곳의 데이터들을 하나로 군집하는 방법이다.
- 게임 봇의 경우 다량의 게임 재화 수집을 위해 장시간 동안 많은 사냥과 채집, 퀘스트 수행을 보이며, 일반적인 그룹보다 성장 속도(성장효율)가 낮은 특성을 보였기 때문이다. 따라서 플레이 시간이 길며 과몰입 하는 플레이 특징으로 2그룹을 하드코어 유저와 봇 유저의 그룹으로 선택하여 분석 하였다.
- 본 연구는 게임 내 캐릭터의 성장 과정을 분석하여 성장 유형을 5가지로 분류하였고, 하드코어 유저와 게임 봇의 성장 유형 차이를 통해 처음으로 하드 코어 유저와 게임 봇을 분류하였다. 또한, 게임 봇이 완전한 캐릭터로 성장하기 전에 탐지하는 프레임워크를 제안한다.
- 첫 번째로, 게임 내 성장 유형을 분류하기 위해서 특정 게임에 종속적인 요소를 제외하고, 일반적으로 MMORPG(Massive Multiplayer Online Role Playing Game)에 존재하는 사냥, 퀘스트, 파티, PvP(개인 간의 전투) 등의 요소들을 피처로 선정하였다. 또한, 게임 액션로그 데이터를 수집 및 전처리 과정을 수행하여 성장 유저들을 추출하였다.
- 3장에서는 실험에 사용한 실제 온라인 게임의 액션 로그 데이터에 관해 설명 하였다. 또한, 캐릭터의 성장 과정에서 나타나는 플레이 유형을 5가지로 정의하였고, 게임 봇이 성장하여 악의적인 행위를 하기 전에 게임 봇을 사전 탐지하는 방법을 제안하였다. 실제 온라인 게임 로그 데이터 셋에 제시한 방법론을 적용하여 하드코어 유저와 게임 봇을 분류를 수행하였다.
- 마지막으로, 하드코어 유저와 게임 봇의 성장을 분류하는 피처를 선정하여, 기계학습의 분류 알고리즘을 이용하여 게임 봇 탐지 및 하드코어 유저를 구분하였다. 탐지 후 평가는 게임회사 내부에서 탐지한봇 유저 로그와 비교하여 제시한 프레임워크의 봇 탐지 정확도를 분석하였다.
- 본 연구는 2장에서 기존에 게임 봇 탐지 방법에 대한 연구와 해당 탐지 방법들의 장단점을 분석하였다. 3장에서는 실험에 사용한 실제 온라인 게임의 액션 로그 데이터에 관해 설명 하였다.
- 본 연구는 게임 내 캐릭터의 성장 과정을 분석하여 성장 유형을 5가지로 분류하였고, 하드코어 유저와 게임 봇의 성장 유형 차이를 통해 처음으로 하드 코어 유저와 게임 봇을 분류하였다. 또한, 게임 봇이 완전한 캐릭터로 성장하기 전에 탐지하는 프레임워크를 제안한다.
- 본 연구에서는 실제 게임 데이터를 분석하여 게임 캐릭터가 성장하는 서로 다른 패턴이 존재함을 보이며, 처음으로 플레이어의 성장 패턴에 따라 5가지로 게임 플레이어의 성장 유형을 분류하였다. 또한, 성장 유형을 기반으로 성장 과정에서의 일반 유저(하드 코어 유저)와 게임 봇 유저를 탐지할 수 있는 프레임워크를 처음으로 제안하였고, 93% 정확도로 게임봇 탐지 및 게임 봇과 일반 유저(하드코어 유저)를 분류하였다.
- 분류한 성장 유형의 5개 그룹을 세부적으로 분석하였다. 1그룹은 거래 중심의 게임 플레이를 보이며, 성장 기간이 60일로 가장 오래 걸리는 그룹이다.
- 성장 유형을 분류하기 위해서 MMORPG에 공통으로 존재하는 퀘스트, 사냥, 파티, PvP, 개인 거래, 커스터 마이징(맞춤 제작), 인스턴스 던전(특정 유저 개인이나 집단을 위해 별도로 생성한 지역), 아이템 강화행위와 최고레벨까지 성장하는 기간을 Table 2와 같이 피처로 선정하였다.
- 세 번째로, 분류된 성장 유형을 바탕으로 하드코어 유저의 특성과 게임 봇의 특성을 고려하여 둘이 함께 있는 그룹을 선정하였고, 해당 그룹에 대한 세부적인 분석을 진행하였다.
- 첫 번째로, 게임 내 성장 유형을 분류하기 위해서 특정 게임에 종속적인 요소를 제외하고, 일반적으로 MMORPG(Massive Multiplayer Online Role Playing Game)에 존재하는 사냥, 퀘스트, 파티, PvP(개인 간의 전투) 등의 요소들을 피처로 선정하였다. 또한, 게임 액션로그 데이터를 수집 및 전처리 과정을 수행하여 성장 유저들을 추출하였다.
- 캐릭터의 성장 유형을 분석하기 위해서 기존에 생성된 캐릭터가 아닌 새로 캐릭터를 생성하여 시작하는 사용자(성장 유저)를 추출하였다. 성장 유저는 앞서 기술한 83일간의 관측 동안 게임에 접속하여 캐릭터를 새로 생성하고, 생성한 캐릭터로 게임을 진행하여 기간 내에 게임에서 최고레벨을 달성한 사용자로 정의하였다.
- 마지막으로, 하드코어 유저와 게임 봇의 성장을 분류하는 피처를 선정하여, 기계학습의 분류 알고리즘을 이용하여 게임 봇 탐지 및 하드코어 유저를 구분하였다. 탐지 후 평가는 게임회사 내부에서 탐지한봇 유저 로그와 비교하여 제시한 프레임워크의 봇 탐지 정확도를 분석하였다.
대상 데이터
- 2008년 11월에 오픈하여 2015년 6월 현재까지 온라인 게임 상위순위인 7위를 유지하고 있는 NCSoft사의 MMORPG Aion 액션 로그를 분석하였다. 기간은 2010년 4월 9일 ~ 2010년 6월 30일(83일)까지의 약 3개월 로그 데이터를 사용하였다.
- 해당 기간에 1레벨부터 55레벨(최고 레벨)까지 성장한 사용자는 총 239명으로 그중 캐릭터를 신규로 생성한 후 최고레벨을 달성한 사용자는 222명이었다. 222명의 성장 기간은 각각 다르며, 각 유저의 성장 기간에 따른 데이터를 추출하여 분석하였다.
- 2008년 11월에 오픈하여 2015년 6월 현재까지 온라인 게임 상위순위인 7위를 유지하고 있는 NCSoft사의 MMORPG Aion 액션 로그를 분석하였다. 기간은 2010년 4월 9일 ~ 2010년 6월 30일(83일)까지의 약 3개월 로그 데이터를 사용하였다.
- 학습에 사용된 데이터는 2그룹에 속한 63명으로, Table 5에서 선정한 피처를 사용하였다. 검증 및 평가를 위해서 Cross Validation 10 Folds로 하였고, 학습 결과는 Precision, Recall로 평가하였다.
- 성장 유저는 앞서 기술한 83일간의 관측 동안 게임에 접속하여 캐릭터를 새로 생성하고, 생성한 캐릭터로 게임을 진행하여 기간 내에 게임에서 최고레벨을 달성한 사용자로 정의하였다. 해당 기간에 1레벨부터 55레벨(최고 레벨)까지 성장한 사용자는 총 239명으로 그중 캐릭터를 신규로 생성한 후 최고레벨을 달성한 사용자는 222명이었다. 222명의 성장 기간은 각각 다르며, 각 유저의 성장 기간에 따른 데이터를 추출하여 분석하였다.
데이터처리
- 학습에 사용된 데이터는 2그룹에 속한 63명으로, Table 5에서 선정한 피처를 사용하였다. 검증 및 평가를 위해서 Cross Validation 10 Folds로 하였고, 학습 결과는 Precision, Recall로 평가하였다. 게임 봇일 경우 참으로 하고 하드코어 유저일 경우 거짓으로 판단하여, Precision은 봇으로 탐지 한 것 중 실제 봇인 비율, Recall은 실제 게임 봇을 정확하게 탐지할 비율을 의미한다.
이론/모형
- Table 2의 피처를 이용하여 성장 유형을 분류하기 위해 유사한 데이터들을 하나의 그룹으로 묶어서 군집하는 K-means 알고리즘을 사용하였다.
- 하드 코어 유저와 봇 유저를 분류하기 위해서 기계학습 알고리즘을 이용하였다. 학습 및 평가에 사용된 알고리즘은 Multilayer Perceptron과 Random Forest이다.
- 하드 코어 유저와 봇 유저를 분류하기 위해서 기계학습 알고리즘을 이용하였다. 학습 및 평가에 사용된 알고리즘은 Multilayer Perceptron과 Random Forest이다. Multilayer Perceptron은 대표적인 신경망 알고리즘으로 다중 입력과 가중치의 선형 결합에 의한 다중 학습으로 신경망이 구성되어 최적의 결과 값이 결정된다.
성능/효과
- Table 6은 Multilayer Perceptron과 Random Forest의 학습 알고리즘에 대한 결과 이다. Multilayer Perceptron의 Precision과 Recall이 93%로 가장 높은 탐지율을 보였다.
- 게임회사 내부에서 탐지한 봇 유저 로그와 2그룹을 교차 분석 시 2그룹의 전체 인원 63명 중 게임봇 유저는 46명, 하드코어 유저는 17명으로 이루어진 것을 알 수 있었다.
- 본 연구에서는 실제 게임 데이터를 분석하여 게임 캐릭터가 성장하는 서로 다른 패턴이 존재함을 보이며, 처음으로 플레이어의 성장 패턴에 따라 5가지로 게임 플레이어의 성장 유형을 분류하였다. 또한, 성장 유형을 기반으로 성장 과정에서의 일반 유저(하드 코어 유저)와 게임 봇 유저를 탐지할 수 있는 프레임워크를 처음으로 제안하였고, 93% 정확도로 게임봇 탐지 및 게임 봇과 일반 유저(하드코어 유저)를 분류하였다.
- 본 연구에서 제안하는 탐지 방법은 봇 캐릭터가 성장을 완료하기 전, 성장 과정에서 탐지하기 때문에 완전한 성장 후 실질적으로 봇 활동을 하기 전에 사전 탐지 및 제재를 할 수 있고, 정당한 사용자에게 게임 봇의 사용 전파를 방지할 수 있는 이점이 존재한다. 또한, 게임의 충성고객인 하드코어 유저가 봇으로 탐지될 수 있는 문제를 해결하여 고객의 이탈을 방지할 수 있다.
- 2그룹은 거래 및 파티 등의 소셜 활동, 커스터 마이징 등을 거의 수행하지 않고, 퀘스트와 사냥에 중점적으로 플레이하는 것을 보였다. 성장하는 데 중요 요소인 사냥과 퀘스트 중심의 플레이를 보였으나 평균 성장 기간이 55일로 각 그룹의 평균보다 늦은 성장을 보이는 비효율적인 성장 그룹이었다. 3그룹은 파티와 인스턴스 던전을 통한 소셜 플레이 중심으로 수행하며, 아이템 강화 및 커스터 마이징에 성장과정 중 가장 많이 투자하는 그룹이다.
- 클러스터링을 수행한 결과, 성장 유형 중 2그룹(사냥 중심 성장형)은 성장 기간 동안 적게는 1.5배, 많게는 9배 정도 다른 그룹보다 많은 사냥량을 보이며, 하루 평균 플레이 시간이 19시간으로 비정상적인 플레이 패턴을 보였다. 이러한 비정상적인 플레이 패턴은 일반적인 게임 봇 행위 패턴과 유사하다.
후속연구
- 또한, 게임의 충성고객인 하드코어 유저가 봇으로 탐지될 수 있는 문제를 해결하여 고객의 이탈을 방지할 수 있다. 추가로 본 연구에서 분석한 성장 유형은 게임 기획이나 디자인, 플레이어 행위 분석에 다양하게 활용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.