KR102258078B1 - 비정상 사용자 결정 방법 및 장치 - Google Patents

비정상 사용자 결정 방법 및 장치 Download PDF

Info

Publication number
KR102258078B1
KR102258078B1 KR1020190071291A KR20190071291A KR102258078B1 KR 102258078 B1 KR102258078 B1 KR 102258078B1 KR 1020190071291 A KR1020190071291 A KR 1020190071291A KR 20190071291 A KR20190071291 A KR 20190071291A KR 102258078 B1 KR102258078 B1 KR 102258078B1
Authority
KR
South Korea
Prior art keywords
user
pattern
generating
image
class
Prior art date
Application number
KR1020190071291A
Other languages
English (en)
Other versions
KR20200143803A (ko
Inventor
김명주
이웅규
Original Assignee
넷마블 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 넷마블 주식회사 filed Critical 넷마블 주식회사
Priority to KR1020190071291A priority Critical patent/KR102258078B1/ko
Publication of KR20200143803A publication Critical patent/KR20200143803A/ko
Application granted granted Critical
Publication of KR102258078B1 publication Critical patent/KR102258078B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/71—Game security or game management aspects using secure communication between game devices and game servers, e.g. by encrypting game data or authenticating players
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • G06K9/46—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/40—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterised by details of platform network
    • A63F2300/401—Secure communication, e.g. using encryption or authentication

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

비정상 사용자를 결정하기 위해, 타겟 사용자에 대한 복수의 로그들을 획득하고, 복수의 로그들을 이용하여 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하며, 패턴에 기초하여 사용자 행동 이미지를 생성하고, 미리 훈련된 이미지 분석 알고리즘을 통해 사용자 행동 이미지의 클래스를 결정하고, 결정된 클래스가 비정상 클래스에 대응하는 경우, 타겟 사용자를 비정상 사용자로 결정한다.

Description

비정상 사용자 결정 방법 및 장치{METHOD AND APPARATUS FOR DETERMINING ABNORMAL USER}
아래의 실시예들은 컨텐츠들을 비정상적으로 이용하는 사용자를 결정하는 기술에 관한 것이다.
온라인 게임 내에서 사용자는 자신이 소유하고 있는 아이템 또는 재화를 이용하여 다른 아이템 또는 재화를 구매할 수 있다. 최근 특정한 아이템 또는 대량의 재화를 확보하기 위해, 다수의 사용자 계정들을 이용하여 아이템 또는 재화를 취득하고, 취득된 아이템 또는 재화를 특정 사용자 계정으로 몰아주는 거래가 발생하고 있다. 상기와 같은 거래를 수행하기 위해 이용되는 시스템은 작업장으로 명명될 수 있다. 게임 제공자는 작업장이 운영되지 못하도록, 작업장에 이용된 사용자 계정들을 검출할 필요가 있다.
일 실시예는 비정상 사용자를 결정하는 방법 및 장치를 제공할 수 있다.
다른 일 실시예는 게임 내에서 제공되는 복수의 컨텐츠들을 비정상적으로 이용하는 사용자를 결정하는 방법 및 장치를 제공할 수 있다.
일 측면에 따른, 서버에 의해 수행되는 비정상 사용자 결정 방법은, 타겟 사용자에 대한 복수의 로그들을 획득하는 단계, 상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계, 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계, 및 상기 결정된 클래스가 비정상 클래스에 대응하는 경우, 상기 타겟 사용자를 비정상 사용자로 결정하는 단계를 포함한다.
상기 복수의 컨텐츠들은 동일한 게임 내에서 제공될 수 있다.
상기 복수의 로그들의 각각은 상기 타겟 사용자가 이용하고 있는 복수의 컨텐츠들 중 어느 하나를 나타내는 인덱스를 포함할 수 있다.
상기 패턴은, 상기 타겟 사용자가 복수의 컨텐츠들 중 제1 컨텐츠에서 제2 컨텐츠로의 이동한 순서를 나타낼 수 있다.
상기 패턴은 테이블의 형태일 수 있다.
상기 사용자 행동 이미지는, 상기 테이블의 빈도에 기초하여 생성될 수 있다.
상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 패턴으로서의 테이블 내의 빈도를 정규화하는 단계, 정규화된 타겟 빈도에 대응하는 타겟 픽셀 값을 결정하는 단계, 및 상기 타겟 픽셀 값에 기초하여 상기 사용자 행동 이미지를 생성하는 단계를 포함할 수 있다.
상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는, 상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계를 포함하고, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 3차원의 사용자 행동 이미지를 생성하는 단계를 포함하고, 상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는, 상기 3차원의 사용자 행동 이미지의 클래스를 결정하는 단계를 포함할 수 있다.
상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는, 상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계를 포함하고, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 병합 사용자 행동 이미지를 생성하는 단계를 포함하고, 상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는, 상기 병합 사용자 행동 이미지의 클래스를 결정하는 단계를 포함할 수 있다.
상기 비정상 사용자 결정 방법은, 상기 이미지 분석 알고리즘을 훈련하는 단계를 더 포함하고, 상기 이미지 분석 알고리즘을 훈련하는 단계는, 비정상 사용자로 미리 결정된 샘플 사용자의 샘플 로그들을 획득하는 단계, 상기 샘플 로그들을 이용하여 상기 샘플 사용자가 상기 복수의 컨텐츠들을 이용하는 샘플 패턴을 생성하는 단계, 상기 샘플 패턴에 기초하여 샘플 사용자 행동 이미지를 생성하는 단계, 및 상기 이미지 분석 알고리즘이 상기 샘플 사용자 행동 이미지에 대한 클래스를 비정상 클래스로 결정하도록 상기 이미지 분석 알고리즘을 조정하는 단계를 포함할 수 있다.
다른 일 측면에 따른, 비정상 사용자를 결정하는 서버는, 비정상 사용자를 결정하는 프로그램이 기록된 메모리, 및 상기 프로그램을 수행하는 프로세서를 포함하고, 상기 프로그램은, 타겟 사용자에 대한 복수의 로그들을 획득하는 단계, 상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계, 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계, 및 상기 결정된 클래스가 비정상 클래스에 대응하는 경우, 상기 타겟 사용자를 비정상 사용자로 결정하는 단계를 수행한다.
상기 복수의 컨텐츠들은 동일한 게임 내에서 제공될 수 있다.
상기 복수의 로그들의 각각은 상기 타겟 사용자가 이용하고 있는 복수의 컨텐츠들 중 어느 하나를 나타내는 인덱스를 포함할 수 있다.
상기 패턴은, 상기 타겟 사용자가 복수의 컨텐츠들 중 제1 컨텐츠에서 제2 컨텐츠로의 이동한 순서를 나타낼 수 있다.
상기 패턴은 테이블의 형태일 수 있다.
상기 사용자 행동 이미지는, 상기 테이블의 빈도에 기초하여 생성될 수 있다.
상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 패턴으로서의 테이블 내의 빈도를 정규화하는 단계, 정규화된 타겟 빈도에 대응하는 타겟 픽셀 값을 결정하는 단계, 및 상기 타겟 픽셀 값에 기초하여 상기 사용자 행동 이미지를 생성하는 단계를 포함할 수 있다.
상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는, 상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계를 포함하고, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 3차원의 사용자 행동 이미지를 생성하는 단계를 포함하고, 상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는, 상기 3차원의 사용자 행동 이미지의 클래스를 결정하는 단계를 포함할 수 있다.
상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는, 상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계를 포함하고, 상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는, 상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 병합 사용자 행동 이미지를 생성하는 단계를 포함하고, 상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는, 상기 병합 사용자 행동 이미지의 클래스를 결정하는 단계를 포함할 수 있다.
상기 프로그램은, 상기 이미지 분석 알고리즘을 훈련하는 단계를 더 수행하고, 상기 이미지 분석 알고리즘을 훈련하는 단계는, 비정상 사용자로 미리 결정된 샘플 사용자의 샘플 로그들을 획득하는 단계, 상기 샘플 로그들을 이용하여 상기 샘플 사용자가 상기 복수의 컨텐츠들을 이용하는 샘플 패턴을 생성하는 단계, 상기 샘플 패턴에 기초하여 샘플 사용자 행동 이미지를 생성하는 단계, 및 상기 이미지 분석 알고리즘이 상기 샘플 사용자 행동 이미지에 대한 클래스를 비정상 클래스로 결정하도록 상기 이미지 분석 알고리즘을 조정하는 단계를 포함할 수 있다.
비정상 사용자를 결정하는 방법 및 장치가 제공될 수 있다.
게임 내에서 제공되는 복수의 컨텐츠들을 비정상적으로 이용하는 사용자를 결정하는 방법 및 장치가 제공될 수 있다.
도 1은 일 예에 따른 서버가 제공하는 거래소를 통한 사용자들의 아이템 또는 재화의 거래 방법을 도시한다.
도 2는 일 실시예에 따른 비정상 사용자를 결정하는 서버의 구성도이다.
도 3은 일 실시예에 따른 비정상 사용자를 결정하는 방법의 흐름도이다.
도 4는 일 예에 따른 사용자가 복수의 컨텐츠들을 이용하는 패턴을 도시한다.
도 5는 일 예에 따른 패턴에 기초하여 사용자 행동 이미지를 생성하는 방법의 흐름도이다.
도 6은 일 예에 따른 사용자 행동 이미지이다.
도 7은 일 예에 따른 병합 사용자 행동 이미지이다
도 8은 일 예에 따른 3차원의 사용자 행동 이미지이다.
도 9는 일 예에 따른 이미지 분석 알고리즘을 훈련하는 방법의 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일 예에 따른 서버가 제공하는 거래소를 통한 사용자들의 아이템 또는 재화의 거래 방법을 도시한다.
게임을 제공하는 서버(110)는 게임의 사용자들에게 게임 내에서 거래소(112)를 제공한다. 사용자는 사용자 계정을 통해 서버(110)에 접속할 수 있다. 이하에서, 사용자 계정이 수행하는 동작은 사용자가 사용자 단말을 통해 수행되는 동작으로 이해될 수 있다.
제1 사용자(120)는 거래소(112)를 통해 사용자 계정이 보유한 게임 아이템 또는 재화를 다른 사용자들(130, 140, 150)과 교환할 수 있다. 예를 들어, 제1 사용자 계정이 보유한 타겟 아이템과 제2 사용자 계정이 보유한 재화가 교환될 수 있다. 제1 사용자(120)가 작업장의 바이어(buyer)이고, 제2 사용자(130), 제3 사용자(140) 및 제4 사용자(150)가 작업장의 셀러(seller)인 경우, 제1 사용자(120)는 아이템을 제2 사용자(130), 제3 사용자(140) 및 제4 사용자(150)에게 판매함으로써 재화를 축적할 수 있다.
사용자들(120 내지 150) 간의 거래 기록은 로그 정보로서 생성될 수 있다. 서버(110)는 거래 기록을 분석함으로써 제1 사용자(120)의 사용자 계정을 부정 사용자 계정으로 결정할 수 있다. 서버(110)는 부정 사용자 계정으로 결정된 사용자에게 페널티를 부여할 수 있다. 추가적으로, 부정 사용자 계정과 밀접한 연관성이 있는 것으로 결정된 사용자 계정(예를 들어, 제2 사용자(130))에게도 페널티를 부여할 수 있다. 예를 들어, 페널티는 부정 사용자 계정의 게임 이용 정지 등일 수 있다.
상기의 방법 이외에, 작업장의 사용자(비정상 사용자)를 검출하기 위한 조건으로 사용자의 행동 패턴이 고려될 수 있다. 예를 들어, 작업장의 사용자는 미리 정해진 스케쥴에 따라 게임 내의 컨텐츠들을 이용할 수 있다. 작업장의 이익을 극대화하기 위해, 작업장의 사용자는 컨텐츠들 중의 일부의 컨텐츠 만을 반복적으로 이용할 수 있다. 사용자의 행동 패턴을 이용하여 비정상 사용자를 결정하는 방법이 아래에서 도 2 내지 도 9를 참조하여 상세히 설명된다.
도 2는 일 실시예에 따른 비정상 사용자를 결정하는 서버의 구성도이다.
비정상 사용자를 결정하는 서버(200)는 통신부(210), 프로세서(220) 및 메모리(230)를 포함한다. 예를 들어, 서버(200)는 도 1을 참조하여 전술된 서버(110)에 대응할 수 있다. 다른 예로, 서버(200)는 서버(110)와 물리적으로 분리되어 있는 별도의 서버 또는 전자 장치일 수 있다.
통신부(210)는 프로세서(220) 및 메모리(230)와 연결되어 데이터를 송수신한다. 통신부(210)는 외부의 다른 장치와 연결되어 데이터를 송수신할 수 있다. 이하에서 "A"를 송수신한다라는 표현은 "A를 나타내는 정보(information) 또는 데이터"를 송수신하는 것을 나타낼 수 있다.
통신부(210)는 서버(200) 내의 회로망(circuitry)으로 구현될 수 있다. 예를 들어, 통신부(210)는 내부 버스(internal bus) 및 외부 버스(external bus)를 포함할 수 있다. 다른 예로, 통신부(210)는 서버(200)와 외부의 장치를 연결하는 요소일 수 있다. 통신부(210)는 인터페이스(interface)일 수 있다. 통신부(210)는 외부의 장치로부터 데이터를 수신하여, 프로세서(220) 및 메모리(230)에 데이터를 전송할 수 있다.
프로세서(220)는 통신부(210)가 수신한 데이터 및 메모리(230)에 저장된 데이터를 처리한다. "프로세서"는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
프로세서(220)는 메모리(예를 들어, 메모리(230))에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(220)에 의해 유발된 인스트럭션들을 실행한다.
메모리(230)는 통신부(210)가 수신한 데이터 및 프로세서(220)가 처리한 데이터를 저장한다. 예를 들어, 메모리(230)는 프로그램(또는 어플리케이션, 소프트웨어)을 저장할 수 있다. 저장되는 프로그램은 비정상 사용자를 결정할 수 있도록 코딩되어 프로세서(220)에 의해 실행 가능한 신텍스(syntax)들의 집합일 수 있다.
일 측면에 따르면, 메모리(230)는 하나 이상의 휘발성 메모리, 비휘발성 메모리 및 RAM(Random Access Memory), 플래시 메모리, 하드 디스크 드라이브 및 광학 디스크 드라이브를 포함할 수 있다.
메모리(230)는 서버(200)를 동작 시키는 명령어 세트(예를 들어, 소프트웨어)를 저장한다. 서버(200)를 동작 시키는 명령어 세트는 프로세서(220)에 의해 실행된다.
통신부(210), 프로세서(220) 및 메모리(230)에 대해, 아래에서 도 3 내지 9를 참조하여 상세히 설명된다.
도 3은 일 실시예에 따른 비정상 사용자를 결정하는 방법의 흐름도이다.
아래의 단계들(310 내지 350)은 도 2를 참조하여 전술된 서버(200)에 의해 수행된다.
단계(310)에서, 서버(200)는 타겟 사용자(또는 타겟 사용자의 사용자 계정)에 대한 복수의 로그들을 획득한다. 복수의 로그들의 각각은 타겟 사용자가 이용하고 있는 복수의 컨텐츠들 중 어느 하나를 나타내는 인덱스를 포함할 수 있다. 예를 들어, 복수의 컨텐츠들은 동일한 게임 내에서 제공될 수 있고, 복수의 컨텐츠들은 던전, 상점, 및 거래소 등을 포함할 수 있고, 기재된 실시예로 한정되지 않는다.
단계(320)에서, 서버(200)는 복수의 로그들을 이용하여 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성한다. 서버(200)는 복수의 로그들을 시간순으로 배열하고, 타겟 사용자가 이용한 컨텐츠들을 순차적으로 나열할 수 있다. 예를 들어, 타겟 사용자가 어떠한 컨텐츠를 이용하다가 어떠한 컨텐츠로 이동하였는지가 검출될 수 있다. 패턴은 타겟 사용자가 복수의 컨텐츠들 중 제1 컨텐츠에서 제2 컨텐츠로의 이동한 순서를 나타낼 수 있다. 예를 들어, 패턴은 테이블의 형태일 수 있고, 패턴에 대해 아래에서 도 4를 참조하여 상세히 설명된다.
단계(330)에서, 서버(200)는 패턴에 기초하여 사용자 행동 이미지를 생성한다. 예를 들어, 테이블은 컨텐츠들 간의 이동 빈도를 나타내고, 이동 빈도가 사용자 행동 이미지의 픽셀 값으로 변환될 수 있다. 변환된 픽셀 값은 테이블 내의 컨텐츠들의 목록 순서에 기초하여 결정된 이미지 내의 좌표 상에 배치될 수 있다. 사용자 행동 이미지에 대해 아래에서 도 5 내지 8을 참조하여 상세히 설명된다.
단계(340)에서, 서버(200)는 미리 훈련된 이미지 분석 알고리즘을 통해 사용자 행동 이미지의 클래스를 결정한다. 예를 들어, 이미지 분석 알고리즘은 입력된 이미지가 정상 클래스에 대응하는지 또는 비정상 클래스에 대응하는지 여부를 결정할 수 있다. 이미지 분석 알고리즘의 동작은 입력된 이미지가 고양이에 대응하는지 또는 개에 대응하는지 여부를 결정하는 알고리즘의 동작에 비유될 수 있다.
일 측면에 따르면, 이미지 분석 알고리즘이 단계(310)가 수행되기 전에, 미리 훈련될 수 있다. 이미지 분석 알고리즘을 훈련하는 방법에 대해, 아래에서 도 9를 참조하여 상세히 설명된다.
단계(350)에서, 서버(200)는 결정된 클래스가 비정상 클래스에 대응하는 경우 타겟 사용자를 비정상 사용자로 결정한다.
일 측면에 따르면, 비정상 사용자로 결정된 타겟 사용자는 게임 이용에 제한이 있을 수 있다. 예를 들어, 타겟 사용자의 게임 이용이 중지 되거나, 게임 내의 특정 컨텐츠의 이용이 중지될 수 있다.
도 4는 일 예에 따른 사용자가 복수의 컨텐츠들을 이용하는 패턴을 도시한다.
일 측면에 따르면, 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴은 테이블(400)의 형태로 생성될 수 있다. 테이블(400)은 타겟 사용자가 이용한 컨텐츠들 간에 이동 관계가 나타낼 수 있다. 테이블(400)의 최-좌측 열(410) 및 최-상단 행(420)은 각각 복수의 컨텐츠들의 목록일 수 있다. 최-좌측 열(410) 및 최-상단 행(420)에 포함되는 복수의 컨텐츠들은 게임 내에서 제공되는 전체의 컨텐츠들일 수 있다. 예를 들어, 제1 컨텐츠에서 제1 컨텐츠로 이동한 빈도(430)는 64회이고, 제1 컨텐츠에서 제2 컨텐츠로 이동한 빈도는 42일 수 있다.
타겟 사용자가 비정상 사용자인 경우, 특정한 컨텐츠들 간의 관계에서 높은 빈도가 나타날 수 있다. 예를 들어, 고가의 아이템이 제공되는 컨텐츠에 대해 높은 빈도가 나타날 수 있다.
도 5는 일 예에 따른 패턴에 기초하여 사용자 행동 이미지를 생성하는 방법의 흐름도이다.
일 측면에 따르면, 도 3을 참조하여 전술된 단계(330)는 아래의 단계들(510 내지 530)을 포함할 수 있다.
단계(510)에서, 서버(200)는 패턴으로서의 테이블 내의 빈도를 정규화한다. 예를 들어, 정규화된 값의 범위는 0 내지 1일 수 있다. 다른 예로, 정규화된 값의 범위는 0 내지 255일 수 있다.
단계(520)에서, 서버(200)는 정규화된 타겟 빈도에 대응하는 타겟 픽셀 값을 결정한다. 픽셀 값은 그레이 값일 수 있고, 픽셀 값은 정규화된 값에 대응할 수 있다. 예를 들어, 정규화된 값의 범위가 0 내지 255이고, 타겟 픽셀 값이 255인 경우, 타겟 픽셀 값도 255일 수 있다. 타겟 픽셀 값이 0인 것은 흰색이고, 타겟 픽셀 값이 255인 것은 검정색일 수 있다.
단계(530)에서, 서버(200)는 타겟 픽셀 값에 기초하여 사용자 행동 이미지를 생성한다. 예를 들어, 복수의 컨텐츠들의 개수가 50개인 경우, 사용자 행동 이미지는 50 x 50의 크기일 수 있다. 사용자 행동 이미지 내의 타겟 픽셀의 좌표는 테이블에 기초하여 결정될 수 있다.
도 4를 참조하여 설명된 테이블(400)에 대한 일 예에 따르면, 생성되는 사용자 행동 이미지의 크기는 5 x 5일 수 있고, 빈도(430)에 대응하는 타겟 픽셀의 좌표는 사용자 행동 이미지의 최-좌측 상단인 (0, 4)일 수 있다.
도 6은 일 예에 따른 사용자 행동 이미지이다.
일 측면에 따른, 사용자 행동 이미지(600)는 복수의 타겟 픽셀들(601 내지 605)을 포함할 수 있다. 복수의 타겟 픽셀들(601 내지 605)의 각각의 좌표는 컨텐츠들 간의 이동 관계를 나타내고, 복수의 타겟 픽셀들(601 내지 605)의 각각의 픽셀 값은 빈도를 나타낸다. 빈도가 높을수록 픽셀 값이 커지고, 사용자 행동 이미지(600) 내에서 진하게 나타난다.
비정상 사용자들은 특정한 컨텐츠들만을 이용하므로, 사용자가 비정상 사용자인 경우 생성된 사용자 행동 이미지(600)는 다른 비정상 사용자와 유사한 형태를 나타낼 수 있다. 다만, 사용자 행동 이미지들 간에 유사한 정도는 사람이 육안으로 판독할 수 없으므로, 알고리즘을 통해 타겟 사용자의 사용자 행동 이미지(600)가 비정상 사용자의 사용자 행동 이미지에 대응하는지가 결정될 수 있다.
일 측면에 따르면, 도 3을 참조하여 전술된 단계(320)는, 타겟 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계를 포함할 수 있다. 예를 들어, 제1 레벨 구간은 저 레벨 구간이고, 제2 레벨 구간은 고 레벨 구간일 수 있고, 각각의 구간에 대해 제1 패턴 및 제2 패턴이 생성될 수 있다.
일 측면에 따르면, 도 3을 참조하여 전술된 단계(330)는, 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 병합 사용자 행동 이미지를 생성하는 단계를 포함할 수 있다. 병합 사용자 행동 이미지에 대해, 아래에서 도 7을 참조하여 상세히 설명된다.
다른 일 측면에 따르면, 도 3을 참조하여 전술된 단계(330)는, 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 3차원의 사용자 행동 이미지를 생성하는 단계를 포함할 수 있다. 3차원의 사용자 행동 이미지에 대해, 아래에서 도 8을 참조하여 상세히 설명된다.
일 측면에 따르면, 도 3을 참조하여 전술된 단계(340)는, 병합 사용자 행동 이미지 또는 3차원의 사용자 행동 이미지의 클래스를 결정하는 단계를 포함할 수 있다.
도 7은 일 예에 따른 병합 사용자 행동 이미지이다
예를 들어, 레벨 구간이 4개로 나누어진 경우, 각각의 레벨 구간에 대해 4개의 패턴이 생성되고, 4개의 패턴에 대한 사용자 행동 이미지들(710 내지 740)이 생성될 수 있다.
사용자 행동 이미지들(710 내지 740)이 병합됨으로써 병합 사용자 행동 이미지(700)가 생성될 수 있다. 병합 사용자 행동 이미지(700)는 하나의 이미지로서 취급된다.
이미지 분석 알고리즘은 비정상 사용자들에 대한 병합 사용자 행동 이미지들을 이용하여 미리 훈련될 수 있고, 병합 사용자 행동 이미지(700)의 클래스를 결정할 수 있다.
도 8은 일 예에 따른 3차원의 사용자 행동 이미지이다.
예를 들어, 레벨 구간이 4개로 나누어진 경우, 각각의 레벨 구간에 대해 4개의 패턴이 생성되고, 4개의 패턴에 대한 사용자 행동 이미지들(810 내지 840)이 생성될 수 있다.
사용자 행동 이미지들(810 내지 840)을 쌓음으로써 3차원의 사용자 행동 이미지(800)가 생성될 수 있다. 3차원의 사용자 행동 이미지(800)의 z축은 레벨 구간일 수 있다. 3차원의 사용자 행동 이미지(800)는 하나의 이미지로서 취급된다.
이미지 분석 알고리즘은 비정상 사용자들에 대한 3차원의 사용자 행동 이미지들을 이용하여 미리 훈련될 수 있고, 3차원의 사용자 행동 이미지(800)의 클래스를 결정할 수 있다.
도 9는 일 예에 따른 이미지 분석 알고리즘을 훈련하는 방법의 흐름도이다.
도 3을 참조하여, 전술된 단계(310)가 수행되기 전에 아래의 단계(900)가 먼저 수행될 수 있다. 단계(900)는 이미지 분석 알고리즘을 훈련하는 단계일 수 있다. 단계(900)는 단계들(910 내지 940)을 포함한다
단계(910)에서, 서버(200)는 비정상 사용자로 미리 결정된 샘플 사용자의 샘플 로그들을 획득한다. 샘플 사용자는 다른 방식을 통해 비정상 사용자로 결정된 사용자일 수 있다.
단계(920)에서, 서버(200)는 샘플 로그들을 이용하여 샘플 사용자가 복수의 컨텐츠들을 이용하는 샘플 패턴을 생성한다.
단계(930)에서, 서버(200)는 샘플 패턴에 기초하여 샘플 사용자 행동 이미지를 생성한다.
단계(940)에서, 서버(200)는 이미지 분석 알고리즘이 샘플 사용자 행동 이미지에 대한 클래스를 비정상 클래스로 결정하도록 이미지 분석 알고리즘을 조정한다. 예를 들어, 이미지 분석 알고리즘이 신경망인 경우, 신경망 내의 레이어의 연결 관계를 조정함으로써 이미지 분석 알고리즘이 조정될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
200: 서버
210: 통신부
220: 프로세서
230: 메모리

Claims (21)

  1. 서버에 의해 수행되는, 비정상 사용자 결정 방법은,
    타겟 사용자에 대한 복수의 로그들을 획득하는 단계;
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계;
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계;
    미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계; 및
    상기 결정된 클래스가 비정상 클래스에 대응하는 경우, 상기 타겟 사용자를 비정상 사용자로 결정하는 단계
    를 포함하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 패턴으로서의 테이블 내의 빈도를 정규화하는 단계;
    정규화된 타겟 빈도에 대응하는 타겟 픽셀 값을 결정하는 단계; 및
    상기 타겟 픽셀 값에 기초하여 상기 사용자 행동 이미지를 생성하는 단계
    를 포함하는,
    비정상 사용자 결정 방법.
  2. 제1항에 있어서,
    상기 복수의 컨텐츠들은 동일한 게임 내에서 제공되는,
    비정상 사용자 결정 방법.
  3. 제1항에 있어서,
    상기 복수의 로그들의 각각은 상기 타겟 사용자가 이용하고 있는 복수의 컨텐츠들 중 어느 하나를 나타내는 인덱스를 포함하는,
    비정상 사용자 결정 방법.
  4. 제1항에 있어서,
    상기 패턴은, 상기 타겟 사용자가 복수의 컨텐츠들 중 제1 컨텐츠에서 제2 컨텐츠로의 이동한 순서를 나타내는,
    비정상 사용자 결정 방법.
  5. 제4항에 있어서
    상기 패턴은 테이블의 형태인,
    비정상 사용자 결정 방법.
  6. 제5항에 있어서,
    상기 사용자 행동 이미지는, 상기 테이블의 빈도에 기초하여 생성되는,
    비정상 사용자 결정 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는,
    상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계
    를 포함하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 3차원의 사용자 행동 이미지를 생성하는 단계
    를 포함하고,
    상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는,
    상기 3차원의 사용자 행동 이미지의 클래스를 결정하는 단계
    를 포함하는,
    비정상 사용자 결정 방법.
  9. 제1항에 있어서,
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는,
    상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계
    를 포함하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 병합 사용자 행동 이미지를 생성하는 단계
    를 포함하고,
    상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는,
    상기 병합 사용자 행동 이미지의 클래스를 결정하는 단계
    를 포함하는,
    비정상 사용자 결정 방법.
  10. 제1항에 있어서,
    상기 이미지 분석 알고리즘을 훈련하는 단계
    를 더 포함하고,
    상기 이미지 분석 알고리즘을 훈련하는 단계는,
    비정상 사용자로 미리 결정된 샘플 사용자의 샘플 로그들을 획득하는 단계;
    상기 샘플 로그들을 이용하여 상기 샘플 사용자가 상기 복수의 컨텐츠들을 이용하는 샘플 패턴을 생성하는 단계;
    상기 샘플 패턴에 기초하여 샘플 사용자 행동 이미지를 생성하는 단계; 및
    상기 이미지 분석 알고리즘이 상기 샘플 사용자 행동 이미지에 대한 클래스를 비정상 클래스로 결정하도록 상기 이미지 분석 알고리즘을 조정하는 단계
    를 포함하는,
    비정상 사용자 결정 방법.
  11. 제1항 내지 제6항, 제8항, 제9항 및 제10항 중 어느 한 항의 방법을 수행하는 프로그램을 수록한 컴퓨터 판독 가능 기록 매체.
  12. 비정상 사용자를 결정하는 서버는,
    비정상 사용자를 결정하는 프로그램이 기록된 메모리; 및
    상기 프로그램을 수행하는 프로세서
    를 포함하고,
    상기 프로그램은,
    타겟 사용자에 대한 복수의 로그들을 획득하는 단계;
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계;
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계;
    미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계; 및
    상기 결정된 클래스가 비정상 클래스에 대응하는 경우, 상기 타겟 사용자를 비정상 사용자로 결정하는 단계
    를 수행하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 패턴으로서의 테이블 내의 빈도를 정규화하는 단계;
    정규화된 타겟 빈도에 대응하는 타겟 픽셀 값을 결정하는 단계; 및
    상기 타겟 픽셀 값에 기초하여 상기 사용자 행동 이미지를 생성하는 단계
    를 포함하는,
    서버.
  13. 제12항에 있어서,
    상기 복수의 컨텐츠들은 동일한 게임 내에서 제공되는,
    서버.
  14. 제12항에 있어서,
    상기 복수의 로그들의 각각은 상기 타겟 사용자가 이용하고 있는 복수의 컨텐츠들 중 어느 하나를 나타내는 인덱스를 포함하는,
    서버.
  15. 제12항에 있어서,
    상기 패턴은, 상기 타겟 사용자가 복수의 컨텐츠들 중 제1 컨텐츠에서 제2 컨텐츠로의 이동한 순서를 나타내는,
    서버.
  16. 제15항에 있어서
    상기 패턴은 테이블의 형태인,
    서버.
  17. 제16항에 있어서,
    상기 사용자 행동 이미지는, 상기 테이블의 빈도에 기초하여 생성되는,
    서버.
  18. 삭제
  19. 제12항에 있어서,
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는,
    상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계
    를 포함하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 3차원의 사용자 행동 이미지를 생성하는 단계
    를 포함하고,
    상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는,
    상기 3차원의 사용자 행동 이미지의 클래스를 결정하는 단계
    를 포함하는,
    서버.
  20. 제12항에 있어서,
    상기 복수의 로그들을 이용하여 상기 타겟 사용자가 복수의 컨텐츠들을 이용하는 패턴을 생성하는 단계는,
    상기 사용자의 사용자 캐릭터의 미리 설정된 제1 레벨 구간에 대한 제1 패턴을 생성하는 단계
    를 포함하고,
    상기 패턴에 기초하여 사용자 행동 이미지를 생성하는 단계는,
    상기 제1 패턴 및 제2 레벨 구간에 대한 제2 패턴에 기초하여 병합 사용자 행동 이미지를 생성하는 단계
    를 포함하고,
    상기 미리 훈련된 이미지 분석 알고리즘을 통해 상기 사용자 행동 이미지의 클래스를 결정하는 단계는,
    상기 병합 사용자 행동 이미지의 클래스를 결정하는 단계
    를 포함하는,
    서버.
  21. 제12항에 있어서,
    상기 프로그램은,
    상기 이미지 분석 알고리즘을 훈련하는 단계
    를 더 수행하고,
    상기 이미지 분석 알고리즘을 훈련하는 단계는,
    비정상 사용자로 미리 결정된 샘플 사용자의 샘플 로그들을 획득하는 단계;
    상기 샘플 로그들을 이용하여 상기 샘플 사용자가 상기 복수의 컨텐츠들을 이용하는 샘플 패턴을 생성하는 단계;
    상기 샘플 패턴에 기초하여 샘플 사용자 행동 이미지를 생성하는 단계; 및
    상기 이미지 분석 알고리즘이 상기 샘플 사용자 행동 이미지에 대한 클래스를 비정상 클래스로 결정하도록 상기 이미지 분석 알고리즘을 조정하는 단계
    를 포함하는,
    서버.
KR1020190071291A 2019-06-17 2019-06-17 비정상 사용자 결정 방법 및 장치 KR102258078B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190071291A KR102258078B1 (ko) 2019-06-17 2019-06-17 비정상 사용자 결정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190071291A KR102258078B1 (ko) 2019-06-17 2019-06-17 비정상 사용자 결정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200143803A KR20200143803A (ko) 2020-12-28
KR102258078B1 true KR102258078B1 (ko) 2021-05-28

Family

ID=74087182

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190071291A KR102258078B1 (ko) 2019-06-17 2019-06-17 비정상 사용자 결정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102258078B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113440856B (zh) * 2021-07-15 2024-02-02 网易（杭州）网络有限公司 游戏中异常账号的识别方法、装置、电子设备及存储介质
CN115779445B (zh) * 2022-10-19 2023-06-23 广州易幻网络科技有限公司 一种游戏数据异常预警系统、方法、计算机设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101596191B1 (ko) * 2015-01-05 2016-02-19 주식회사 엔씨소프트 온라인 게임 내 개별 캐릭터의 거래 속성 분석 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150100993A (ko) * 2014-02-24 2015-09-03 주식회사 엔씨소프트 자기유사도 값을 이용한 봇 검출시스템 및 그 방법
KR101872345B1 (ko) * 2016-10-13 2018-06-28 주식회사 엔씨소프트 온라인 게임 내 위치 특성 분석을 이용한 비정상 캐릭터 검출 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101596191B1 (ko) * 2015-01-05 2016-02-19 주식회사 엔씨소프트 온라인 게임 내 개별 캐릭터의 거래 속성 분석 방법 및 장치

Also Published As

Publication number Publication date
KR20200143803A (ko) 2020-12-28

Similar Documents

Publication Publication Date Title
US10860742B2 (en) Privacy risk information display
US20200090077A1 (en) Method for determining risk preference of user, information recommendation method, and apparatus
US20200090268A1 (en) Method and apparatus for determining level of risk of user, and computer device
US10430727B1 (en) Systems and methods for privacy-preserving generation of models for estimating consumer behavior
KR102258078B1 (ko) 비정상 사용자 결정 방법 및 장치
KR102198339B1 (ko) 이상 케이스 탐지 방법 및 장치
JP5939596B2 (ja) 異常アカウント検出装置及び方法
CN106326248A (zh) 数据库数据的存储方法和装置
Grohmann et al. Platform scams: Brazilian workers’ experiences of dishonest and uncertain algorithmic management
US20230120054A1 (en) Key point detection method, model training method, electronic device and storage medium
JP5771929B2 (ja) リーダ・ライタ制御装置
US20210183015A1 (en) Image processing apparatus and operation method thereof
KR102038957B1 (ko) 게임 어뷰저 검출 방법 및 장치
Gopalakrishnan et al. A conceptual framework for using videogrammetry in blockchain platforms for food supply chain traceability
CN109948736A (zh) 商品识别模型主动训练方法、系统、设备及存储介质
KR20230005711A (ko) 멀티 메타버스의 연계시스템 및 방법
CN108734366B (zh) 用户识别方法及其系统、非易失性存储介质和计算机系统
US11928682B2 (en) Methods and systems for generating a unique signature based on user movements in a three-dimensional space
CN114917590B (zh) 一种虚拟现实的游戏系统
KR102017481B1 (ko) 비정상 유저 탐지 장치 및 방법
CN106388833A (zh) 一种虚拟现实心理素质评估方法及评估系统
US20220036219A1 (en) Systems and methods for fraud detection using game theory
KR102242623B1 (ko) 유무선 통신망을 통해 구매 요청을 처리하는 방법 및 그 장치
CN112200711B (zh) 一种水印分类模型的训练方法及系统
KR102187941B1 (ko) 게임 내의 부정 사용자 결정 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant