불법 프로그램을 이용한 게임 내 봇은 개인에서 조직으로 확장되고 있으며, 불량조직인 작업장을 통해 온라인 게임 산업에 심각한 문제를 야기하고 있다. 게임 봇을 효율적으로 관리하고 많은 게임머니를 취득하기 위해, 게임 봇들을 온라인 게임 내 소셜 커뮤니티인 길드로 구성하여 봇 길드 활동을 하는 작업장이 존재한다. 게임 사업자들은 게임 봇 탐지 알고리즘을 이용해 봇을 탐지하고 있지만, 이러한 탐지 알고리즘은 작업장의 일부만 탐지가 가능하다. 본 논문에서는 일반 길드와 봇 길드의 특징을 추출하여 분석하고, 봇 길드로 활동하는 작업장을 탐지 할 수 있는 방법을 제안한다. 봇 길드와 일반 길드를 구분하기 위해 개인거래와 경매장 거래, 채팅 패턴을 분석하고, 분석한 결과를 중심으로 봇 길드를 탐지할 수 있었다. 본 논문에서 제시한 기법을 국내 유명 온라인 게임의 실제 데이터 샘플에 적용한 결과, 효율적으로 봇 길드를 탐지해 낼 수 있음을 확인 할 수 있었다.
불법 프로그램을 이용한 게임 내 봇은 개인에서 조직으로 확장되고 있으며, 불량조직인 작업장을 통해 온라인 게임 산업에 심각한 문제를 야기하고 있다. 게임 봇을 효율적으로 관리하고 많은 게임머니를 취득하기 위해, 게임 봇들을 온라인 게임 내 소셜 커뮤니티인 길드로 구성하여 봇 길드 활동을 하는 작업장이 존재한다. 게임 사업자들은 게임 봇 탐지 알고리즘을 이용해 봇을 탐지하고 있지만, 이러한 탐지 알고리즘은 작업장의 일부만 탐지가 가능하다. 본 논문에서는 일반 길드와 봇 길드의 특징을 추출하여 분석하고, 봇 길드로 활동하는 작업장을 탐지 할 수 있는 방법을 제안한다. 봇 길드와 일반 길드를 구분하기 위해 개인거래와 경매장 거래, 채팅 패턴을 분석하고, 분석한 결과를 중심으로 봇 길드를 탐지할 수 있었다. 본 논문에서 제시한 기법을 국내 유명 온라인 게임의 실제 데이터 샘플에 적용한 결과, 효율적으로 봇 길드를 탐지해 낼 수 있음을 확인 할 수 있었다.
In recent years, the use of game bots by illegal programs has been expanded from individual to group scale; this brings about serious problems in online game industry. The gold farmers group creates an in-game social community so-called "guild" to obtain a large amount of game money and manage game ...
In recent years, the use of game bots by illegal programs has been expanded from individual to group scale; this brings about serious problems in online game industry. The gold farmers group creates an in-game social community so-called "guild" to obtain a large amount of game money and manage game bots efficiently. Although game developers detect game bots by detection algorithms, the algorithms can detect only part of the gold farmers group. In this paper, we propose a detection method for the gold farmers group on a basis of normal and bot guilds characteristic analysis. In order to differentiate normal and bots guild, we analyze transaction patterns for individuals, auction house and chatting. With the analyzed results, we can detect game bot guilds. We demonstrate the feasibility of the proposed methods with real datasets from one of the popular online games named AION in Korea.
In recent years, the use of game bots by illegal programs has been expanded from individual to group scale; this brings about serious problems in online game industry. The gold farmers group creates an in-game social community so-called "guild" to obtain a large amount of game money and manage game bots efficiently. Although game developers detect game bots by detection algorithms, the algorithms can detect only part of the gold farmers group. In this paper, we propose a detection method for the gold farmers group on a basis of normal and bot guilds characteristic analysis. In order to differentiate normal and bots guild, we analyze transaction patterns for individuals, auction house and chatting. With the analyzed results, we can detect game bot guilds. We demonstrate the feasibility of the proposed methods with real datasets from one of the popular online games named AION in Korea.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 작업장의 활동을 제재하기 위해 봇 길드를 이루는 작업장을 탐지하는 방법을 제안한다. 봇 길드 탐지를 위한 방법으로, 일반 길드와 봇 길드의 소셜 행위 패턴을 기반으로 국내 유명 온라인 게임 AION의 실제 데이터 샘플에 적용하여 분석하였다.
가설 설정
현금거래는 온라인 게임 내의 게임머니를 수집하여 이를 현실 세계의 재화로 바꾸는 행위이다. 게임 봇을 이용한 불량사용자의 현금거래는 게임 내 경제 균형을 깨뜨리며, 이는 온라인 게임 사업에 큰 영향을 미친다.
제안 방법
국내 유명 온라인 게임인 AION의 거래, 경매장, 채팅 패턴 분석을 통하여 봇 길드를 탐지할 수 있는 피쳐를 선정하였고, 제안한 탐지 시스템에 적용하였다. 또한, 다양한 분류기로 성능 비교를 하였으며, 봇길드 탐지에 있어서 99% 이상의 정확도를 보였다.
그러나 일반 길드의 게임 플레이어들은 길드 내, 외 구분 없이 자유롭게 거래를 한다. 따라서 봇 길드와 일반 길드를 구분하기 위해 길드 내 거래비율, 길드 내 거래횟수, 길드 외 거래횟수를 피쳐로 사용하였다. 길드 내 거래비율은 길드 내 거래횟수 / 전체 거래횟수이다.
본 논문에서 제안하는 봇 길드 탐지 모델을 국내 유명 온라인게임인 AION의 실제 데이터에 적용하여 그 효용성을 평가하였다. 게임 데이터로부터 수집한 길드 로그를 통해 길드 멤버의 구성이 10명 이상인 417개의 길드 데이터셋을 얻었으며, 이 중 401 개는 일반 길드, 16개는 봇 길드이다.
본 논문에서는 소셜 네트워크 기반인 길드를 중점으로 일반 길드와 봇 길드의 다양한 소셜 패턴의 차이를 이용한 봇 길드 탐지 분석 모델을 제안한다.
본 논문은 온라인 게임에서의 일반 길드와 봇 길드를 구분하는 다양한 소셜 행위로부터 피쳐를 추출하여 높은 성능의 봇 길드 탐지 모델을 제안하였으며, 온라인 게임 내 작업장을 봇 길드를 통해 탐지하는 첫 번째 시도이다.
본 연구에서는 작업장의 활동을 제재하기 위해 봇 길드를 이루는 작업장을 탐지하는 방법을 제안한다. 봇 길드 탐지를 위한 방법으로, 일반 길드와 봇 길드의 소셜 행위 패턴을 기반으로 국내 유명 온라인 게임 AION의 실제 데이터 샘플에 적용하여 분석하였다.
온라인 게임 내 봇 길드를 탐지하기 위해, 일반 길드와 봇 길드를 구분 할 수 있는 피쳐들이 필요하다. 봇 길드는 일반 길드와 달리 현금거래를 위한 게임 내 재화 수집만을 목적으로 삼기 때문에, 각 길드에 대해서 소셜 요소인 유저 간 거래 로그, 경매장 거래 로그, 채팅 로그를 분석하여 차이점을 살펴보았다. 세 가지 종류의 로그를 분석을 통해 일반 길드와 봇 길드를 구분할 수 있는 피쳐들을 선별하고자 하였으며, 최종적으로 16개의 피쳐를 선정하였다.
온라인 게임의 봇 길드 탐지를 위한 분석 모델을 제안한다. 제안하는 모델은 Fig.
대상 데이터
본 논문에서 제안하는 봇 길드 탐지 모델을 국내 유명 온라인게임인 AION의 실제 데이터에 적용하여 그 효용성을 평가하였다. 게임 데이터로부터 수집한 길드 로그를 통해 길드 멤버의 구성이 10명 이상인 417개의 길드 데이터셋을 얻었으며, 이 중 401 개는 일반 길드, 16개는 봇 길드이다.
반면에, 봇 길드는 게임 봇으로만 이루어져 있기 때문에, 주로 자동사냥과 채집 등의 활동만 할 뿐, 길드 채팅을 거의 하지 않는다[13]. 따라서 봇 길드와 일반 길드를 구분하기 위해 각각의 길드의 구성원에 대한 길드 채팅과 일반 채팅에 관련된 8개의 피쳐를 선정하였다. Fig.
봇 길드는 게임 봇을 이용하여 획득한 대량의 아이템을 경매장 판매를 통해 많은 수익을 얻는 반면, 경매장을 통한 구매가 적다. 따라서 봇 길드와 일반 길드를 구분하기 위해 경매장에 등록, 경매장 정산, 경매장 구입과 관련된 5개를 피쳐로 사용하였다. Fig.
봇 길드는 일반 길드와 달리 현금거래를 위한 게임 내 재화 수집만을 목적으로 삼기 때문에, 각 길드에 대해서 소셜 요소인 유저 간 거래 로그, 경매장 거래 로그, 채팅 로그를 분석하여 차이점을 살펴보았다. 세 가지 종류의 로그를 분석을 통해 일반 길드와 봇 길드를 구분할 수 있는 피쳐들을 선별하고자 하였으며, 최종적으로 16개의 피쳐를 선정하였다. 선정된 피쳐는 Table 2.
첫 단계는 데이터 수집으로 게임 로그로부터 길드 가입/탈퇴 로그, 유저 간 거래 로그, 경매장을 통한 거래 로그, 채팅로그를 수집하였다.
데이터처리
SVM은 서로 다른 분류에 속한 데이터 간에 간격이 최대가 되는 평면을 기준으로 데이터를 분류하는 모델이다. Naive bayesian과 SVM은 기존의 기계학습에서 많이 사용하는 모델이며, 의사결정트리(decision tree)를 사용하는 random forest와 회귀 선형 분석을 통해 분류하는 logistic regression을 이용하여 봇 길드 탐지 성능을 비교하였다.
과 같이 나타난다. 각 분류기에 대하여 봇 길드 탐지에 대한 precision, recall, F-measure, 을 측정하였다. Precision은 분류된 봇 길드 중 실제 봇 길드의 비율을 의미하며, 이 값이 1에 가까울수록 오탐이 적다고 할 수 있다.
게임 데이터에서 수집한 거래, 경매장, 채팅 로그로부터 피쳐를 추출하여 417개의 길드 데이터셋에 random forest, naive bayesian, logistic regression, SVM의 분류기를 이용하였으며, 데이터셋을 랜덤하게 10등분하여 9개의 서브셋으로 학습하고 나머지 1개 서브셋으로 평가를 수행하는 10-fold cross validation 기법을 사용하여 봇 길드를 탐지하였다.
Logistic regression은 예측기의 선형 함수를 이용하여 이진 종속 변수의 결과를 예측하기 위해 사용된다. 일반 길드와 봇 길드를 구분하는 선형함수의 생성이 잘 이루어지는지 확인하기 위해 분류 알고리즘으로 선정하였다. SVM은 서로 다른 분류에 속한 데이터 간에 간격이 최대가 되는 평면을 기준으로 데이터를 분류하는 모델이다.
이론/모형
마지막으로, 봇 길드 탐지 모델의 성능을 평가하기 위해 random forest, naive bayesian, logistic regression, SVM (Support Vector Machine)의 네 가지 분류 알고리즘을 사용하여 봇길드를 탐지하였다. Random forest는 앙상블(ensemble) 학습 기법을 사용하는 모델이다.
성능/효과
결과적으로, 본 연구의 봇 길드 탐지 모델은 99.7%의 정확도를 나타내었으며, 봇 길드 탐지에 사용된 피쳐들은 대부분의 온라인 게임에서 추출할 수 있기 때문에 다른 온라인 게임에도 적용 할 수 있을 것으로 보인다.
기존 연구는 온라인 게임 내 사냥 봇, 채집 봇 등의 하나의 게임 봇을 다양한 방법을 이용하여 탐지하였으나, 본 논문에서 제안한 봇 길드 탐지 모델은 하나의 봇이 아닌 길드 단위로 탐지할 수 있다. 이를 통해 다수의 게임 봇을 제재 및 관리 할 수 있으며, 탐지한 봇 길드를 통해 작업장의 일부 계정뿐만 아니라 전체적인 계정 리스트를 확보할 수 있다.
국내 유명 온라인 게임인 AION의 거래, 경매장, 채팅 패턴 분석을 통하여 봇 길드를 탐지할 수 있는 피쳐를 선정하였고, 제안한 탐지 시스템에 적용하였다. 또한, 다양한 분류기로 성능 비교를 하였으며, 봇길드 탐지에 있어서 99% 이상의 정확도를 보였다.
질의응답
핵심어
질문
논문에서 추출한 답변
게임 봇이란 무엇인가?
게임 봇은 자동화된 불법 프로그램을 사용하여 사람 없이 게임을 플레이 할 수 있도록 하는 프로그램이다. 게임 봇은 일반사용자에 비해 많은 시간을 플레이하기 때문에 게임머니를 얻는데 더욱 효율적이다.
보안 이슈의 가장 큰 문제는 무엇인가?
온라인 게임 산업의 보안 이슈가 점점 확대되고 있으며 보안 이슈의 가장 큰 문제로는 게임 봇을 이용한 불량사용자의 현금거래를 들 수 있다. 현금거래는 온라인 게임 내의 게임머니를 수집하여 이를 현실 세계의 재화로 바꾸는 행위이다.
게임 봇을 탐지하기 위한 방법론에는 무엇이 있는가?
게임 봇을 탐지하기 위해 많은 연구들이 이루어지고 있었으며, 사용된 방법론을 기반으로 여섯 가지로 분류하고 내용을 분석하였다. 분류된 방법론은 오랜 기간 연구된 사용자 행동기반, 이동경로 기반, 트래픽 기반, HOP (Human Observation Proofs) 기반, CAPTCHA (Completely Automated Public Test to tell Computers and Humans Apart) 기반의 다섯 가지 방법론과 최근 활발하게 연구 중인 소셜 네트워크 기반으로 나뉜다.
참고문헌 (15)
Thawonmas, Ruck, Yoshitaka Kashifuji, and Kuan-Ta Chen, "Detection of MMORPG bots based on behavior analysis," Proceedings of the 2008 International Conference on Advances in Computer Entertainment Technology. ACM, pp. 91-94, Dec. 2008.
M. Varvello and G.M. Voelker, "Second life: a social network of humans and bots," Network and Operating Systems Support for Digital Audio and Video. ACM, pp. 9-14, June. 2010.
Hyukmin Kwon and Huy Kang Kim, "Self-similarity based Bot Detection System in MMORPG," Proceedings of the 3th International Conference on Internet. pp. 477-481, May. 2011.
Jina Lee, Jiyoun Lim, Wonjun Cho and Huy Kang Kim, "In-game action sequence analysis for game BOT detection on the big data analysis platform," the 18th Asia Pacific Symposium on Intelligent and Evolutionary System, pp. 1-13, Nov. 2014.
van Kesteren, Marlieke, Jurriaan Langevoort, and Franc Grootjen. "A step in the right direction: Botdetection in MMORPGs using movement analysis." Proc. of the 21st Belgian-Dutch Conference on Artificial Intelligence (BNAIC 2009), pp. 129-136, Oct. 2009.
S. Mitterhofer, C. Platzer, C. Kruegel and E. Kirda, "Server-side bot detection in massively multiplayer online games," IEEE Security & Privacy, vol. 7, no. 3, pp. 29-36, June. 2009.
S. Hilaire, H. Kim, C. Kim, "How to deal with bot scum in MMORPGs?," Communications Quality and Reliability, pp. 1-6, June. 2010.
R.V. Yampolskiy, V. Govindaraju, "Embedded noninteractive continuous bot detection," Computers in Entertainment, vol. 5, no. 4, pp. 1-11, Mar. 2008.
P. Golle, N. Ducheneaut, "Preventing bots from playing online games", Computers in Entertainment, Vol.3, No.3, pp. 3-3, July. 2005.
B Keegan, MA Ahmed and D Williams, "Sic Transit Gloria Mundi Virtuali? Promise and Peril in the Computational Social Science of Clandestine Organizing," WebSci Conference, pp. 1-8, June. 2011.
K. Woo, H. Kwon, H. Kim, C. Kim and H.K. Kim, "What Can Free Money Tell Us on the Virtual Black Market," ACM SIGCOMM Computer Communication Review 41.4, pp. 392-393, Aug. 2011.
Kang, Ah Reum, Huy Kang Kim, and Jiyoung Woo. "Chatting pattern based game BOT detection: do they talk like us?," KSII Transactions on Internet and Information Systems (TIIS) 6.11, pp. 2866-2879, Nov. 2012.
AR Kang, J Woo, J Park and HK Kim. "Online game bot detection based on party-play log analysis," Computers & Mathematics with Applications 65.9, pp. 1384-1395, May. 2013.
Hyukmin Kwon, Kyungmoon Woo, Hyun-chul Kim, Chong-kwon Kim and Huy Kang Kim, "Surgical strike: A novel approach to minimize collateral damage to game BOT detection," Proceedings of Annual Workshop on Network and Systems Support for Games. IEEE Press, pp. 1-2, Dec. 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.