[논문]행위 시간 간격 기반 게임 봇 탐지 기법

강용구; 김휘강

doi:10.13089/jkiisc.2018.28.5.1153

행위 시간 간격 기반 게임 봇 탐지 기법
Game Bot Detection Based on Action Time Interval 원문보기

情報保護學會論文誌 = Journal of the Korea Institute of Information Security and Cryptology, v.28 no.5, 2018년, pp.1153 - 1160

강용구 (고려대학교 정보보호대학원) , 김휘강 (고려대학교 정보보호대학원)

초록
AI-Helper

온라인 게임 이용자가 증가하고 시장 규모가 커지면서 여러 가지 부정행위가 발생하고 있다. 게임 봇은 플레이 시간을 확보하고, 계정 레벨업과 각종 재화 획득을 용이하게 해주는 대표적인 불법 프로그램이다. 본 연구에서는 이용자의 행위 시간 간격(ATI)을 기반으로 게임 봇을 탐지하는 기법을 제안한다. 이 기법은 게임에서 봇의 행위를 관찰하여 빈도수가 많은 행위를 선별한다. 선별된 행위별로 빈도수, ATI 평균, ATI 표준편차를 feature로 Machine Learning을 적용하여 정상 사용자와 게임 봇을 구분한다. 제안한 기법의 유효성을 검증하기 위해 '아이온' 게임의 실제 로그를 이용하여 성능을 측정하였고, 97%의 정확도를 보였다. 이 방법은 캐릭터의 움직임, 소셜 행위 뿐 아니라 이용자의 모든 행위를 이용할 수 있으므로 다양한 게임에 적용할 수 있다.

Abstract ▼ AI-Helper

As the number of online game users increases and the market size grows, various kinds of cheating are occurring. Game bots are a typical illegal program that ensures playtime and facilitates account leveling and acquisition of various goods. In this study, we propose a method to detect game bots based on user action time interval (ATI). This technique observes the behavior of the bot in the game and selects the most frequent actions. We distinguish between normal users and game bots by applying Machine Learning to feature frequency, ATI average, and ATI standard deviation for each selected action. In order to verify the effectiveness of the proposed technique, we measured the performance using the actual log of the 'Aion' game and showed an accuracy of 97%. This method can be applied to various games because it can utilize all actions of users as well as character movements and social actions.

주제어

표/그림 (5)

표 Table 1. Number of cases matrix
그림 Fig. 1. Occurrence ratio of action
그림 Fig. 2. Action frequency per hour
그림 Fig. 3. Average and Standard Deviation of ATI for each Action
그림 Fig. 4. Performances

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 ATI(Action Time Interval) 기반의 게임 봇 탐지 기법을 제안한다.
본 논문에서는 행위 시간 간격 기반의 게임 봇 탐지 기법을 제안하였다. 이 방법은 캐릭터의 움직임 등 특정 행위에 한정되지 않고 이용자의 모든 행위 이벤트를 기반으로 대상 행위를 설정한다.

가설 설정

게임 봇의 이러한 행동은 다른 이용자들에게 부당함을 느끼게 하고 게임을 이탈하게 하는 원인이 될 수 있다[4,5]. 게임 봇이 성행하면 게임 회사 입장에서도 피해가 발생한다. 게임 봇을 사용하는 이용자는 과금을 할 필요가 없기 때문에 유료 모델의 예상 수익을 도달하지 못하게 된다.

제안 방법

각 게임별로 대상 행위만 다를 뿐, feature 와 model을 그대로 사용하여도 본 논문과 유사한 성능을 예상할 수 있다. 그리고 시간 흐름에 따른 대상 행위의 변화와 그에 따른 모델 재학습 프로세스를 정의하여 Model Maintenance Framework를 연구하고 실제로 구현하여 게임 회사에 적용할 수 있는 수준으로 구체화하고자 한다.
본 연구에서는 위에 선정한 5가지 행위에 대해 24시간 동안의 빈도수, ATI 평균, ATI 표준편차를 feature로 사용하여 게임 봇을 탐지한다.

대상 데이터

이용자가 직접 플레이 하는 것보다 효율적인 이득을 취하기 위해 불필요한 행위를 최소화한다. 따라서 로그를 통해 게임 봇이 많이 수행하는 행위를 추출하여 분석 대상 행위로 선정한다. 게임마다 게임 봇의 특성이 다르고 하나의 게임 안에 서도 여러 가지 종류의 게임 봇이 존재하기 때문에 로그 분석을 통해 대상 행위를 선정하면 다양한 게임 봇을 탐지할 수 있다.
본 논문에서는 대상 행위로 143(경험치 획득), 201(아이템 생성), 202(아이템 획득), 205(아이템 채집), 260(아이템 삭제)을 선정하여 feature로 사용하였다.
본 연구에서는 ‘아이온’ 게임의 실제 로그 데이터를 사용하여 제안하는 방법을 검증하였다. 분석에 사용된 로그는 일주일 데이터 5억 개이고, 해당 기간에 발생한 액션 종류의 개수는 총 146 개다. 이 중 실제로 게임사가 게임 봇으로 제재한 계정을 게임 봇으로 판단하였다.

데이터처리

게임 봇이 많이 수행하는 행위를 선정한 후, 각 행위의 Time Interval을 추출하고 그 평균과 표준편차를 계산한다. 게임 봇과 정상 이용자의 데이터를 벡터로 구성한다.
온라인 게임에서는 존재하는 게임 봇을 모두 탐지하는 것보다 정상 이용자를 게임 봇으로 오인하는 False Positives를 최소화 하는 것이 중요하다. 따라서 가중치를 부여하는 weighted f-measure (F_α)를 사용하고, recall 보다 precision 에 가중치를 부여하기 위해 α = 0.9로 적용하여 제안하는 모델의 성능을 평가하였다.
본 연구에서는 ‘아이온’ 게임의 실제 로그 데이터를 사용하여 제안하는 방법을 검증하였다. 분석에 사용된 로그는 일주일 데이터 5억 개이고, 해당 기간에 발생한 액션 종류의 개수는 총 146 개다.
본 연구에서는 대표적인 Classification 기법인 Logistic Regression, K-nearest neighbor(KNN), Gaussian Naïve Bayes, Random Forest를 적용하였다. 제안한 모델의 성능을 평가하기 위하여 실험을 통해 Accuracy, Precision, Recall, F-measure를 측정하였다.

이론/모형

게임 봇을 탐지하기 위해 위에서 선정한 feature를 게임 로그로부터 추출하고, Machine Learning의 Classification 기법을 사용한다. 본 연구에서는 대표적인 Classification 기법인 Logistic Regression, K-nearest neighbor(KNN), Gaussian Naïve Bayes, Random Forest를 적용하였다.
게임 봇을 탐지하기 위해 위에서 선정한 feature를 게임 로그로부터 추출하고, Machine Learning의 Classification 기법을 사용한다. 본 연구에서는 대표적인 Classification 기법인 Logistic Regression, K-nearest neighbor(KNN), Gaussian Naïve Bayes, Random Forest를 적용하였다. 제안한 모델의 성능을 평가하기 위하여 실험을 통해 Accuracy, Precision, Recall, F-measure를 측정하였다.

성능/효과

이는 게임 봇과 정상 이용자를 구분할 수 있는 중요한 특성이며, 게임 봇이 정상 이용자보다 시간 대비 효율적인 플레 이를 하고 있음을 실제 데이터를 통해 확인할 수 있다. 게임 봇의 아이템 삭제 행위가 40회 이하로 적게 나타났으나, 정상 이용자는 20회 이하로 더 적게 나타나면서 구분 기준으로 사용할 수 있음을 확인하였다. 또한 정상 이용자의 경우 2시부터 9시보다 10시부터 다음 날 새벽 1시까지의 시간대에 더 많은 플레이를 하고 있다는 자연스러운 결과를 관찰할 수 있다.
9% 로 모두 일주일 데이터를 사용했을 때와 유사한 성능을 보였으며 오히려 다소 높은 수치가 나타났다. 이는 본 연구에서 제안하는 방법은 하루 데이터만으로 장기간에 걸쳐 수집한 로그를 이용하는 것과 유사한 성능으로 게임 봇을 탐지할 수 있음을 의미한다.
하루 데이터를 사용했을 때 가장 성능이 좋은 Random Forest 모델의 경우 accuracy 97.7%, precision 100%, recall 50%, f-measure 90.9% 로 모두 일주일 데이터를 사용했을 때와 유사한 성능을 보였으며 오히려 다소 높은 수치가 나타났다. 이는 본 연구에서 제안하는 방법은 하루 데이터만으로 장기간에 걸쳐 수집한 로그를 이용하는 것과 유사한 성능으로 게임 봇을 탐지할 수 있음을 의미한다.

후속연구

향후에는 이 기법을 리니지2, B&S 등 다양한 게임에 적용하여 제안하는 방법의 효용성을 검증하고자 한다. 또한 게임 봇을 유형별로 구분하고 대상 행위를 각각 선정하여 탐지하는 복합 모델로 확장할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	게임 봇이란?	온라인 게임 이용자가 증가하고 시장 규모가 커지면서 여러 가지 부정행위가 발생하고 있다. 게임 봇은 플레이 시간을 확보하고, 계정 레벨업과 각종 재화 획득을 용이하게 해주는 대표적인 불법 프로그램이다. 본 연구에서는 이용자의 행위 시간 간격(ATI)을 기반으로 게임 봇을 탐지하는 기법을 제안한다.
	최근 온라인 게임 트렌드는?	최근 온라인 게임 트렌드는 게임을 유료로 배포하는 대신 무료로 게임을 플레이할 수 있도록 허용하고, 유료 아이템을 통해 더 많은 서비스나 편의 기능을 제공하고 있다. 이것을 ‘부분 유료화(free-to-play)’ 모델이라고 한다.
	부분 유료화(free-to-play) 모델이란 무엇인가?	최근 온라인 게임 트렌드는 게임을 유료로 배포하는 대신 무료로 게임을 플레이할 수 있도록 허용하고, 유료 아이템을 통해 더 많은 서비스나 편의 기능을 제공하고 있다. 이것을 ‘부분 유료화(free-to-play)’ 모델이라고 한다.

참고문헌 (22)

https://venturebeat.com/2013/11/25/more-than-1-2-billion-people-are-playing-games
https://www.statista.com/statistics/267190/traffic-forecast-for-internet-gaming
https://www.statista.com/statistics/308454/gaming-revenue-countries
A. Fujita, H. Itsuki, and H. Matsubara, "Detecting Real Money Traders in MMORPG by Using Trading Network," AIIDE'11, pp. 26-31, Oct. 2011.
E. CASTRONOVA. Effects of botting on world of warcraft. http://virtuallyblind.com/files/mdy/blizzard_msj_exhibit_7.pdf, 2007.
Jiyoung Woo and Huy Kang Kim. "Research Trend of Detection of Cheating in Online games," REVIEW OF KIISC, 27(4), pp. 14-21, 2017.
R. Thawonmas, Y. Kashifuji, and K.-T. Chen, "Detection of MMORPG Bots based on Behavior Analysis," ACE'08, pp. 91-94, Dec. 2008.
K.-T. Chen, A. Liao, H.-K. K. Pao, and H.-H. Chu, "Game Bot Detection Based on Avatar Trajectory," ICEC'08, vol. 5309, pp. 94-105, Sep. 2009.
M. van Kesteren, J. Langevoort, and F. Grootjen, "A Step in the Right Detecting: Bot Detection in MMORPG using Movement Analysis," The 21st Benelux Conference on Artificial Intelligence, 2009.
S. Mitterhofer, C. Kruegel, E. Kirda, and C. Platzer, "Server-side Bot Detection in Massively Multiplayer Online Games," IEEE Security & Privacy, vol. 7, no.3, pp. 29-36, May 2009.

상세보기
Kuan-Ta Chen, Li-Wen Hong. "User identification based on game-play activity patterns," ACM SIGCOMM workshop on Network and system support for games, pp. 7-12, Sep. 2007.
Jina Lee, Jiyoun Lim, Wonjun Cho, Huy Kang Kim, "I know what the BOTs did yesterday: Full action sequence analysis using Naive Bayesian algorithm," Annual Workshop on Network and Systems Support for Games, pp. 1-2, Dec. 2013.
Eunjo Lee, Jiyoung Woo, Hyoungshick Kim, Aziz Mohaisen, and Huy Kang Kim, "You are a Game Bot!: Uncovering Game Bots in MMORPGs via Self-similarity in the Wild." NDSS. 2016.
M. A. Ahmad, B. Keegan, J. Strivastava, D. Williams, and N. Contractor, "Mining for Gold Farmers: Automatic Detection of Deviant Players in MMOGs," International Conference on Computational Science and Engineering, vol. 4. pp. 340-345, Aug. 2009.
Ah Reum Kang, Jiyoung Woo, Juyong Park, and Huy Kang Kim, "Online game bot detection based on party-play log analysis," Computers & Mathematics with Applications, vol. 65, no. 9, pp. 1384-1395, May 2013.

상세보기
Y. Chung, C. yong. Park, N. ri, Kim, H. Cho, T. Yoon, H. Lee, and J. -H. Lee, "Game Bot Detection Approach Based on Behavior Analysis and Consideration of Various Play Style," in Journal of ETRI, vol. 35, no. 6, pp. 1058-1067, Dec. 2013.

원문보기 상세보기
B. Keegan, M. A. Ahmad, J. Srivastava, D. Williams, and N. Contractor, "Dark Gold: Statistical Properties of Clandestine Networks in Massively Multiplayer Online Games," IEEE Second International Conference on Social Computing, pp. 201-208, Aug. 2010.
J. Woo, A. Kang, and H. K. Kim, "The Contagion of Malicious Behaviors in Online Game," Computer Communication Review, vol. 43, pp. 543-544, 2013.

상세보기
H. Kwon, A. Mohaisen, J. Woo, Y. Kim, and H. K. Kim, "Crime Scene Reconstruction: Online Gold Farming Network Analysis," IEEE Transactions on Information Forensics and Security, vol. 12, no. 3, pp. 544-556, Nov. 2016.
A. R. Kang, H. K. Kim, and J. Woo, "Chatting Pattern Based Game Bot Detection: Do They Talk Like Us?," KSII Transactions on Internet and Information Systems, vol. 6, no. 11, pp. 2866-2879, Nov. 2012.

원문보기 상세보기
Jae-hyuk Lee, Sung Wook Kang, and Huy Kang Kim, "Detecting malicious behaviors in MMORPG by applying motivation theory," Journal of Korea Game Society, vol. 15, no. 4, pp. 69-78, Aug. 2015.

원문보기 상세보기
Ah Reum Kang, Seong Hoon Jeong, Aziz Mohaisen, and Huy Kang Kim, "Multimodal game bot detection using user behavioral characteristics." SpringerPlus, 5(1), 523, 2016.

상세보기

저자의 다른 논문 :

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