KR20210039192A - 게임 데이터 처리 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 게임 데이터 처리를 위한 이하의 동작을 수행하도록 하며, 상기 동작은 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작; 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작; 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작; 및 사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는 동작을 포함할 수 있다.

Description

게임 데이터 처리 방법 {METHOD FOR GAME DATA PROCESSING}

본 개시는 게임 운영에 관한 것으로서, 보다 구체적으로는 게임 데이터를 처리하기 위한 방법에 관한 것이다.

최근 IT기술의 급격한 발달과 함께 게임 산업 또한 급격하게 성장하고 있다. 이러한 게임 산업이 성장함에 따라, 게임 서비스를 제공하는 게임 업체 또한 폭발적으로 증가하고 있다.

또한, 전자 통신 기술의 발달로 게임을 즐기는 사람이 증가하면서 전략 시뮬레이션 게임, 롤플레잉 게임 등 다양한 종류의 게임이 개발되었다. 이러한 게임들은 온라인 및 오프라인 상황에서도 게임을 진행할 수 있고, 특히 온라인 게임은 시공간의 제약이 없어 수많은 유저들이 쉽게 모여 함께 게임을 즐길 수 있다.

일반적으로 플레이어들은 온라인 게임 내에서 캐릭터를 조작하여 게임을 진행하게 되며, 게임 플레이 과정에서 아이템을 획득하거나 게임상의 재화를 지불하여 게임 내의 아이템을 다른 플레이어 또는 NPC(Non Player Character)로부터 구입하기도 한다.

아이템과 게임 내에서 통용되는 게임 상의 재화는 통상 온라인 게임의 진행을 용이하게 해 줄 수 있을 뿐만 아니라 게임의 흥미를 증가시기키는 요소가 될 수 있다. 또한 플레이어들은 게임 내 희소 가치가 있는 아이템이나 게임 상의 재화를 현금으로 거래하기도 한다.

한편, 이러한 아이템이나 게임 상의 재화의 현금 거래가 빈번하게 이루어지면서 아이템이나 게임상의 재화를 자동으로 수집하는 봇 프로그램이 증가하는 추세이다.

이러한 추세에 맞춰서 최근에는 다수의 게임 서버를 구비하여 집단적으로 봇 프로그램을 구동함으로써 대량으로 아이템이나 게임 상의 재화를 수집하여 이를 일반 플레이어들에게 판매함으로써 수익을 올리는 작업장이 등장하였다.

따라서, 게임을 운영함에 있어 작업장을 탐지하고 이에 대한 제재를 가하는 방법에 대한 수요가 당 업계에 존재할 수 있다.

대한민국 공개특허 제 10-2018-0025692호에서는 온라인 게임에서의 위치 기반 그룹 분류를 통한 봇 탐지 방법, 장치, 및 컴퓨터 프로그램을 개시하고 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 게임 데이터를 처리하기 위한 방법을 제공하기 위함이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 상기 동작들은 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작; 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작; 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작; 및 사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습 데이터 세트는, 특징 데이터를 학습 입력 데이터로 하고, 작업장 판정 결과를 라벨로 하는 데이터를 포함할 수 있다.

대안적 실시예에서, 상기 작업장 판정 결과는, 사전 결정된 작업장 판정 기준에 기초하여 입력된 게임 로그 데이터에 대하여 작업장인지 여부를 판단한 결과를 포함할 수 있다.

대안적 실시예에서, 상기 특징 데이터는, 사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트, 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트 또는 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트 중 적어도 하나를 포함할 수 있다.

대안적 실시예에서, 상기 특징 데이터의 제 1 서브 세트는, 상기 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 거래 행동 통계량, 게임 네트워크 통계량, 로그인 정보, 게임 플레이 시간 정보, 또는 전투 패턴 정보 중 적어도 하나에 기초하여 결정된 데이터일 수 있다.

대안적 실시예에서, 상기 작업장 예측 모델은, 상기 게임 로그 데이터에 기초하여 작업장을 예측하는 결정 트리(Decision Tree)를 포함할 수 있다.

대안적 실시예에서, 상기 작업장 예측 모델은, 상기 게임 로그 데이터에 기초하여 상기 작업장을 예측하는 그래디언트 부스팅 결정 트리(Gradient Boosting Decision Tree)를 포함하고, 상기 그래디언트 부스팅 결정 트리는, 상기 게임 로그 데이터에 기초하여 작업장을 예측하는 복수개의 서브 모델-상기 서브 모델은 결정 트리로 구성됨-을 포함할 수 있다.

대안적 실시예에서, 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작은, 상기 작업장 예측 모델에 포함된 제 1 서브 모델의 작업장 예측 오차를 산출하는 동작; 및 상기 제 1 서브 모델의 작업장 예측 오차를 감소시키기 위하여 오분류 학습 데이터에 대하여 가중치를 부여하여 결정 트리를 재구성함으로써 제 2 서브 모델을 생성하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작은, 새로운 작업장 행동 패턴을 감지하기 위하여 일정한 주기로 사전 결정된 기간 동안 획득한 게임 로그 데이터를 기초로 상기 작업장 예측 모델을 업데이트하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은, 타겟 게임 로그 데이터를 상기 학습된 작업장 예측 모델을 이용하여 처리함으로써, 상기 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지 여부를 예측하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은, 타겟 게임 로그 데이터에 대한 상기 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 상기 타겟 게임 로그 데이터에 대한 작업장 예측 유예 기간을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은, 타겟 게임 로그 데이터에 대한 작업장 예측 모델의 작업장 예측 정확도에 기초하여 상기 타겟 게임 로그에 대한 집중 모니터링 기간을 결정하는 동작을 포함할 수 있다.

대안적 실시예에서, 상기 사전 결정된 제재 기준은, 선의의 사용자가 작업장으로 예측되어 제재되는 것을 방지하기 위한 기준을 포함할 수 있다.

대안적 실시예에서, 상기 제재는, 상기 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 수행될 수 있다.

대안적 실시예에서, 상기 제재는, 상기 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 식별되는 사용자 간 상호작용에 대해 수행될 수 있다.

본 개시의 다른 일 실시예에 따라, 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 단계; 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 단계; 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 단계; 및 사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 서버가 개시된다. 상기 서버는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하고, 상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키고, 상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하고, 및 사전 결정된 제재기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정할 수 있다.

본 개시의 일 실시예에 따라, 게임 데이터를 처리하기 위한 방법을 제공할 수 있다.

상기 언급된 본 개시내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 서버의 블록 구성도이다.
도 2은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3는 본 개시의 일 실시예에 따라 작업장 예측 모델의 학습 과정을 설명하기 위한 예시도이다.
도 4은 본 개시의 일 실시예에 따라 학습 데이터 세트를 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 학습된 작업장 예측 모델의 추론 과정을 설명하기 위한 예시도이다.
도 6는 본 개시의 일 실시예에 따라 예측된 작업장에 대한 제재 방법을 설명하기 위한 예시도이다.
도 7는 본 개시의 일 실시예에 게임 데이터를 처리하기 위한 방법의 순서도이다.
도 8는 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.
도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 게임 서버에서 실행되는 애플리케이션 및 게임 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 서버의 블록 구성도이다.

도 1에 도시된 게임 서버(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 게임 서버(100)는 게임 서버(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 게임 서버(100)를 구성할 수도 있다.

게임 서버(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 게임 서버의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 게임 서버의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 게임 서버에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 게임 서버(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따라, 프로세서(110)는 게임 데이터 처리를 수행할 수 있다. 게임 데이터를 처리하기 위하여 프로세서(110)는 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성할 수 있다. 프로세서(110)는 네트워크부(150)를 통해 게임 로그 데이터를 수신할 수 있다. 프로세서(110)는 네트워크부(150)를 통해 수신한 게임 로그 데이터를 메모리(130)에 저장할 수 있다. 프로세서(110)는 게임 로그 데이터를 처리하여 학습 데이터 세트를 생성한 후, 생성된 학습 데이터 세트를 메모리(130)에 저장할 수 있다. 프로세서(110)는 생성된 학습 데이터 세트를 네트워크부(150)를 통해 다른 컴퓨팅 장치 또는 서버로 전송할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 로그 데이터는 게임상의 캐릭터가 게임 상에서 수행한 모든 기록을 포함할 수 있다. 게임 로그 데이터는 액션 로그 데이터 및 히스토리 로그 데이터를 포함할 수 있다. 액션 로그 데이터는 게임 상의 캐릭터 활동에 대해, 그 즉시 남는 기록을 포함할 수 있다. 히스토리 로그 데이터는 게임 변동 내역을 분석하기 위해 일정한 주기로 기록된 현재의 상태에 대한 기록을 포함할 수 있다. 게임 로그 데이터는 예를 들어, 캐릭터 플레이 타임, 계정 플레이 타임, 아이템별 사용빈도, 개인상점 거래품목, 아이템 생성, 아이템 습득, 아이템 드랍, 아이템 소비, 아이템 생성, 아이템 소멸, 아이템 거래, 아이템 강화, 캐릭터 이동, 캐릭터 사망, 캐릭터 레벨업, 캐릭터 생성, 캐릭터 공격, 캐릭터 방어, 서버 시작과 종료시간, 서버 응답시간, 운영자 명령어, 몬스터 생성, 현재 캐릭터가 착용하고 있는 아이템을 포함할 수 있다. 전술한 게임 로그 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장은 영리 목적을 위하여 다수의 계정으로 또는 조직적, 집단적으로 게임을 이용하는 행위를 하는 사용자를 포함할 수 있다. 예를 들어, 작업장은 다수의 계정으로 "불법 프로그램 사용" 또는 "사행행위"를 통하여 부당하게 아이템을 획득하거나 이동 및 현금화하는 행위를 하는 플레이어를 포함할 수 있다. 또한 작업장은 예를 들어, 유사 및 동일한 IP의 다수의 계정으로 부당하게 아이템을 (반복적으로) 획득하거나 이동 및 현금화하는 행위를 하는 사용자를 포함할 수 있다. 불법 프로그램은 게임 서비스의 기술적 보호 조치를 무력화하거나 정상적인 게임 운영을 방해하는 컴퓨터 프로그램이나 기기 또는 장치를 포함할 수 있다. 사행행위는 아이템 등을 걸고 특정인에게 재산상의 이익을 제공하고 다른 사용자에게 손실을 미치게 하는 행위를 포함할 수 있다. 전술한 작업장은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 작업장 예측 모델의 학습에 이용되는 학습 데이터 세트에 대하여 구체적으로 서술하도록 한다.

본 개시의 일 실시예에 따라, 프로세서(110)는 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성할 수 있다. 학습 데이터 세트는 모델에 입력되어 모델을 학습시키기 위하여 사용되는 학습 데이터의 집합을 포함할 수 있다. 구체적으로 학습 데이터 세트는 특징 데이터를 학습 입력 데이터로 하고, 작업장 판정 결과를 라벨로 하는 데이터를 포함할 수 있다. 본 개시의 일 실시예에 따라, 특징 데이터는 작업장 판정 기준을 기초로 결정된 플레이어의 행동 패턴 정보를 포함할 수 있다. 행동 패턴 정보는 반복되는 플레이어 행동의 규칙성에 대한 정보를 포함할 수 있다. 구체적으로 특징 데이터는 사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트, 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트 또는 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트 중 적어도 하나를 포함할 수 있다. 작업장 판정 기준은 플레이어간 이상 거래 행위를 식별하기 위한 기준을 포함할 수 있다. 이상 거래는 게임 상의 플레이어가 비정상적인 거래를 행하는 행위를 포함할 수 있다. 예를 들어, 이상 거래는 비정상 가격으로 아이템 또는 용역을 거래하는 행위를 포함할 수 있다. 또한 이상 거래는 다른 플레이어와 거래하지 않으면서 특정 플레이어와 지속적으로 거래하는 행위를 포함할 수 있다. 그리고 이상 거래는 특정 플레이어가 특정 아이템 또는 용역에 집착하여 거래하는 행위를 포함할 수 있다. 본 개시의 일 실시예에 따라, 작업장 판정 결과는 입력된 게임 로그 데이터에 대하여 작업장 여부를 판단한 결과를 포함할 수 있다. 작업장 판정 결과는 사전 결정된 작업장 판정 기준에 기초하여 프로세서(110) 또는 오퍼레이터가 판정한 결과를 포함할 수 있다. 작업장 판정 결과는 확실한 작업장인 True Label, 확실한 작업장이 아닌 False Label 및 true label 또는 false label 어디에도 포함되지 않는 Unknown을 포함할 수 있다. 예를 들어, 입력된 게임 로그 데이터가 작업장 행동 패턴을 포함하고 있는 경우, 작업장 판정 결과는 "작업장(True Label)"일 수 있다. 작업장 행동 패턴은 반복되는 작업장 행동의 규칙성을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 학습 데이터 세트는 특징 데이터를 포함할 수 있다. 또한 특징 데이터는 사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 제 1 서브 세트를 포함할 수 있다. 특징 데이터의 제 1 서브 세트는 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 거래 행동 통계량, 게임 네트워크 통계량, 로그인 정보, 게임 플레이 시간 정보, 또는 전투 패턴 정보 중 적어도 하나에 기초하여 결정된 데이터를 포함할 수 있다.

본 개시의 일 실시예에 따라, 거래 행동 통계량은 작업장의 게임 로그 데이터로부터 거래 행위 관련 게임 로그 데이터를 추출한 후 추출된 거래 행위 관련 게임 로그 데이터에 대한 통계값을 포함할 수 있다. 거래 행위 관련 게임 로그 데이터는 아이템 명칭, 아이템 거래가, 아이템의 시중 거래가, 아이템 구매 빈도, 아이템 획득 빈도를 포함할 수 있다. 예를 들어, 거래 행동 통계량은 특정 아이템A를 구매하는데 지출한 재화의 평균 비용, 최저 비용 또는 최고 비용, 아이템 시중 거래가의 평균, 표준편차, 분산 등을 포함할 수 있다. 작업장이 복수개의 특정 아이템A를 평균 100골드에 구입한 경우, 거래 행동 통계량은 평균 100골드일 수 있다. 프로세서(110)는 아이템A의 시중 거래가의 평균 200골드이나 작업장A의 아이템A의 거래가의 평균이 100골드인 경우, 아이템A의 거래 행동 통계량을 기초로 제 1 서브 세트를 결정할 수 있다.

본 개시의 일 실시예에 따라, 게임 네트워크 통계량은 작업장의 게임 로그 데이터로부터 네트워크 관련 게임 로그 데이터를 추출한 후 추출된 네트워크 관련 게임 로그 데이터에 대한 통계값을 포함할 수 있다. 구체적으로 네트워크 관련 게임 로그 데이터는 네트워크 응답시간을 포함할 수 있다. 예를 들어, 플레이어A가 부산에서 게임 접속을 하여 네트워크 응답시간의 평균이 1.2ms일 수 있다. 하지만 실제 부산에서 게임 접속을 한 플레이어들의 네트워크 응답시간의 평균은 0.3ms일 수 있다. 이를 통해 플레이어A는 복수개의 라우터를 이용하여 부산으로 우회 접속하였음을 알 수 있다. 따라서 작업장으로 판정된 플레이어A의 네트워크 응답시간의 평균이 실제 네트워크 응답시간의 평균보다 느린 경우, 프로세서(110)는 플레이어A의 게임 네트워크 통계량을 기초로 제 1 서브 세트를 결정할 수 있다.

본 개시의 일 실시예에 따라, 로그인 정보는 사용자가 게임에 접속할 때 발생하는 정보를 포함할 수 있다. 예를 들어 로그인 정보는 사용자 아이디, 사용자 닉네임, 사용자 비밀번호, 사용자 인증 수단, 사용자 로그인 시간, 사용자 로그아웃 시간, 사용자 로그인 횟수를 포함할 수 있다. 예를 들어, 작업장으로 판정된 플레이어A의 로그인 횟수가 일평균 5000회인 경우, 프로세서(110)는 플레이어A의 로그인 정보를 기초로 제 1 서브 세트를 결정할 수 있다. 본 개시의 일 실시예에 따라, 게임 플레이 시간 정보는 사용자가 게임 플레이를 수행한 시간에 대한 정보를 포함할 수 있다. 예를 들어, 작업장으로 판정된 플레이어A의 게임 플레이 일평균이 19시간인 경우, 프로세서(110)는 플레이어A의 게임 플레이 시간 정보를 기초로 제 1 서브 세트를 결정할 수 있다.

본 개시의 일 실시예에 따라, 전투 패턴 정보는 플레이어의 행위 중 전투와 관련된 행동의 규칙성 정보를 포함할 수 있다. 전투 패턴 정보는 플레이어의 행위 중 전투와 관련된 적어도 하나 이상의 행위들의 시퀸스일 수 있다. 예를 들어, 전투 패턴에 포함된 행위들은 플레이어 간 대전, 퀘스트 수행, 몬스터 사냥과 같은 행위를 포함할 수 있다. 또한 전투 패턴은 플레이어간 대전-퀘스트 수행-몬스터 사냥-퀘스트 수행 과 같은 일련의 시퀸스를 포함할 수 있다. 작업장으로 판정된 플레이어A의 전투 패턴이 퀘스트 수행을 반복적으로 수행하여 게임 상의 재화 수집에 집중하는 규칙성을 포함하고 있는 경우, 프로세서(110)는 플레이어A의 전투 패턴을 기초로 제 1 서브 세트를 결정할 수 있다. 전술한 제 1 서브세트는 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 작업장 예측 모델에 대한 학습 과정을 구체적으로 서술하도록 한다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은 머신 러닝 기법을 사용하여 작업장을 예측하는 모델을 포함할 수 있다. 머신 러닝 기법은 결정 트리, SVM, 회귀분석, 클러스터링을 포함할 수 있다. 전술한 작업장 예측 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은, 게임 로그 데이터에 기초하여 작업장을 예측하는 결정 트리를 포함할 수 있다. 결정 트리는 데이터를 분석하여 데이터들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타낸 모델을 포함할 수 있다. 결정 트리는 목표 변수가 이산 값인 분류 트리 및/또는 목표 변수가 연속하는 실수 값인 회귀 트리를 포함할 수 있다. 결정 트리는 예를 들어, 랜덤 포레스트 트리(Random Forest Tree), 그래디언트 부스팅 트리를 포함할 수 있다. 랜덤 포레스트 트리는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로서, 학습 과정에서 구성한 다수의 결정 트리로부터 분류 또는 회귀 분석을 출력함으로써 동작하는 트리를 포함할 수 있다. 구체적으로 랜덤 포레스트 트리는 다수의 결정 트리 각각에 가중치를 부여하거나 다수결의 방법을 통해 최종적인 의사 결정을 수행하는 트리를 포함할 수 있다. 그래디언트 부스팅 트리는 학습 과정에서 구성한 다수의 결정 트리로부터 분류 또는 회귀 분석을 출력하는 것은 랜덤 포레스트 트리와 동일하나, 다수의 결정 트리가 서로 영향을 주고 받으면서 정확도를 향상시켜 최종적으로 하나의 트리를 획득하는 점이 다를 수 있다. 구체적으로 그래디언트 부스팅 트리는 다수의 결정 트리를 약한 학습기로 정의하여, 제 1 약한 학습기가 오분류한 데이터에 대하여 집중적으로 제 2 약한 학습기가 분류한 후, 제 1 약한 학습기와 제 2 약한 학습기를 결합하여 더 정확도 높은 새로운 학습기를 생성한다. 이러한 과정을 반복함으로써 강한 학습기를 생성하는 방법을 통해 만들어진 모델이 그래디언트 부스팅 트리일 수 있다. 전술한 작업장 예측 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은, 게임 로그 데이터에 기초하여 작업장을 예측하는 그래디언트 부스팅 결정 트리를 포함할 수 있다. 그래디언트 부스팅 결정 트리는 회귀 분석 또는 분류 분석을 수행할 수 있는 예측 모델을 포함할 수 있다. 구체적으로 복수개의 모델을 사용하여 모델을 학습시키는 앙상블 학습 방법을 사용하는 결정 트리를 포함할 수 있다. 따라서 그래디언트 부스팅 결정 트리는 게임 로그 데이터에 기초하여 작업장을 예측하는 복수개의 서브 모델(서브 모델은 결정 트리로 구성됨)을 포함할 수 있다. 그래디언트 부스팅 결정 트리는 예측 정확도를 향상시키기 위하여 복수개의 서브모델을 이용하여 하나의 예측 모델을 생성하는 결정 트리를 포함할 수 있다. 예를 들어, 그래디언트 부스팅 결정 트리는 제 1 서브모델, 제 2 서브모델 및 제 3 서브모델을 기초로 생성된 모델일 수 있다. 그리고 각 서브 모델은 결정 트리일 수 있다. 프로세서(110)는 제 2 서브모델을 생성함에 있어, 제 1 서브모델 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리를 재구성함으로서 결정 트리를 생성할 수 있다. 프로세서(110)는 제 3 서브모델을 생성함에 있어, 제 2 서브모델 생성 결과 오분류 학습 데이터에 대해 가중치를 부여하여 결정 트리를 생성할 수 있다. 따라서 제 2 서브모델은 제 1 서브모델에 비해 개선된 모델일 수 있고, 제 3 서브모델은 제 2 서브모델에 비해 개선된 모델일 수 있다. 따라서 그래디언트 부스팅 결정 트리를 생성하는데 기초가 되는 복수개의 서브 모델이 동일한 성능을 가진 것이 아니라 적어도 전의 서브 모델에 비해 개선된 것이어서, 그래디언트 부스팅 결정 트리의 예측 정확도를 향상시킬 수 있다. 그래디언트 부스팅 결정 트리는 예를 들어, 그래디언트 부스팅 결정 트리의 성능(예를 들어, 예측 정확도, 학습 속도)을 개선하기 위한 방법인 LightGBM, Xgboost, CatBoost 등을 포함할 수 있다. 전술한 작업장 예측 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은 LightGBM(A highly efficient gradient boosting decision tree)을 포함할 수 있다. LightGBM은 그래디언트 부스팅 결정 트리의 정확도를 유지하면서 학습 시간을 단축시킨 방법을 포함할 수 있다. LightGBM은 데이터 표본을 추출하기 위한 기울기 기반 단측 표본 추출(Gradient-based one side sampling: GOSS) 및 변수 개수를 효과적으로 줄이기 위한 배타적 변수 묶음(Exclusive Feature Bundling: EFB) 방법을 통하여 그래디언트 부스팅 결정 트리의 정확도를 유지하면서 학습 시간을 단축시킬 수 있다. 기울기 기반 단측 표본 추출은 데이터 표본을 추출하기 위하여 사용되는 가중치를 기울기(Gradient)로 정의한 방법을 포함할 수 있다. 예를 들어, 데이터의 기울기가 작은 경우 해당 데이터데 대한 오차가 작고 잘 훈련된 것을 의미할 수 있다. 반대로 데이터의 기울기가 큰 경우, 해당 데이터에 대한 오차가 크고 잘 훈련되지 않은 것을 의미할 수 있다. 따라서 기울기가 큰 데이터는 모두 표본 집합에 포함시키되, 기존 데이터에 대한 정확도도 유지하기 위하여 기울기가 낮은 데이터에 대해 무작위로 표본 추출을 수행하여 표본 추출된 데이터를 표본 집합에 포함시킬 수 있다. 이를 통해, 오차가 큰 데이터에 대하여 집중적으로 학습을 수행하여 예측 정확도를 높이고, 오차가 작은 데이터 대해서도 높은 정확도를 유지할 수 있다. 배타적 변수 묶음 방법은 정확도는 유지하면서 변수를 효과적으로 줄이기 위한 방법이다. 변수 개수를 줄이기 위해 상호 배타적 변수들(예를 들어, 0이 아닌 값을 동시에 갖는 일이 거의 없는 변수들)을 묶어서 하나의 변수로 만들 수 있다. 결정 트리에서 적절한 분할점을 찾기 위한 정보 획득량 평가의 대상이 되는 변수의 개수를 줄임으로서 정보 획득량 평가에 소요되는 시간을 줄일 수 있다. 종국적으로는 정보 획득량 평가 대상인 변수를 줄임으로서 학습시간을 단축시킬 수 있다.

LightGBM 고효율 그래디언트 부스팅 결정 트리에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로서 통합되는 논문 LightGBM: A highly efficient gradient boosting decision tree (공개일: 2017년, 작성자: Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma1, Qiwei Ye1, Tie-Yan Liu, Microsoft Research, Peking University, Microsoft Redmond)에서 구체적으로 논의된다.

본 개시의 일 실시예에 따라, 프로세서(110)는 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습시킬 수 있다. 프로세서(110)는 작업장 예측 모델에 포함된 제 1 서브 모델의 작업장 예측 오차를 산출할 수 있다. 예측 오차는 손실 함수를 포함할 수 있다. 손실 함수는 예측 값과 실제 값의 차이를 포함할 수 있다. 손실함수는 예를 들어, mean square error를 포함할 수 있다. 프로세서(110)는 제 1 서브 모델의 작업장 예측 오차를 감소시키기 위하여 오분류 학습 데이터에 대하여 가중치를 부여하여 결정 트리를 재구성함으로써 제 2 서브 모델을 생성할 수 있다. 오분류 학습 데이터는 학습 데이터 세트의 적어도 일부 중에서 프로세서(110)가 작업장 예측 모델을 이용하여 잘못된 예측을 출력한 학습 데이터를 포함할 수 있다. 예를 들어, 프로세서(110)가 작업장 예측 모델을 이용하여 학습 데이터A에 대하여 작업장이라는 잘못된 예측을 출력한 경우, 학습 데이터A는 오분류 학습 데이터일 수 있다. 프로세서(110)는 오분류 학습 데이터에 가중치를 부여하여 오분류 학습 데이터에 대한 작업장 예측 정확도를 향상시킨 결정 트리를 생성할 수 있다. 프로세서(110)는 오분류 학습 데이터에 대하여 잘못된 예측을 출력한 제 1 서브모델 및 오분류 학습 데이터에 대한 정확도를 높인 결정 트리를 결합하여 제 2 서브모델을 생성함으로써, 높은 작업장 예측 정확도를 가진 학습 데이터에 대하여 높은 작업장 예측 정확도를 유지할 수 있다. 나아가 프로세서(110)는 오분류 학습 데이터에 대한 작업장 예측 정확도를 향상시킨 제 2 서브모델을 획득할 수 있다. 프로세서(110)는 전술한 학습 과정을 작업장 예측 정확도를 향상시키기 위하여 반복할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습시킬 수 있다. 프로세서(110)는 새로운 작업장 행동 패턴을 감지하기 위하여 일정한 주기로 획득한 게임 로그 데이터를 기초로 작업장 예측 모델을 업데이트할 수 있다. 새로운 작업장 행동 패턴은 작업장 예측 모델의 기존 학습 데이터 세트로부터 추출되지 않은 행동 패턴을 포함할 수 있다. 일정한 주기는 프로세서(110) 또는 운영자의 의사 결정에 따라 결정되는 주기일 수 있다. 예를 들어, 작업장 예측 모델을 업데이트하는 주기는 1주, 3달, 1년으로 결정할 수 있다. 사전 결정된 기간은 작업장 예측 모델의 정확도 및 학습 데이터 세트의 크기에 기초하여 결정될 수 있다. 사전 결정된 기간이 길어질수록 학습 데이터 세트의 크기가 커질 수 있다. 학습 데이터 세트의 크기가 커질수록 작업장 예측 모델의 학습 시간을 늘어날 수 있다. 프로세서(110) 또는 운영자는 예측 정확도를 유지하면서 빠른 시간 내에 작업장 예측 모델을 업데이트할 수 있는 사전 결정된 기간을 정할 수 있다. 이 경우, 작업장 예측 모델의 업데이트시에 학습 시간을 단축하기 위하여, 기존에 학습된 작업장 예측 모델의 최종 가중치를 새롭게 업데이트되는 작업장 예측 모델의 초기 가중치로 활용할 수도 있다. 또한 사전 결정된 기간은 예를 들어, 현재 시점으로부터 과거로 3개월 소급한 기간을 포함할 수 있다. 따라서 프로세서(110)는 최근 획득한 게임 로그 데이터를 이용하여 작업장 예측 모델을 업데이트함으로써, 새로운 작업장 행동 패턴을 감지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 과정을 서술하도록 한다.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습된 작업장 예측 모델을 이용하여 작업장을 예측할 수 있다. 프로세서(110)는 타겟 게임 로그 데이터를 학습된 작업장 예측 모델을 이용하여 처리함으로써, 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지 여부를 예측할 수 있다. 타겟 게임 로그 데이터는 게임 로그 데이터의 일종으로서, 학습된 작업장 예측 모델에 입력되는 데이터를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습된 작업장 예측 모델을 이용하여 작업장을 예측할 수 있다. 프로세서(110)는 타겟 게임 로그 데이터에 대한 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그 데이터에 대한 작업장 예측 유예 기간을 결정할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지에 대한 확률 정보를 포함할 수 있다. 또한 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장이 아닌 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장인지 불분명한 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다 예를 들어, 작업장 예측 정확도는 타겟 게임 로그 데이터A가 작업장에 해당하는 확률이 90%인 정보를 포함할 수 있다. 작업장 예측 유예 기간은 타겟 게임 로그 데이터에 대하여 작업장 예측을 보류하는 기간을 포함할 수 있다. 즉, 프로세서(110)는 작업장 예측 유예 기간 후에 타겟 게임 로그 데이터에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델을 통해 작업장 예측을 다시 한번 더 수행할 수 있다. 작업장 예측 유예 기간은 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 결정될 수 있다. 예를 들어, 작업장의 예측 정확도가 타겟 게임 로그 데이터A에 대하여 작업장일 확률이 98%인 경우, 프로세서(110)는 작업장 예측 유예 기간 없이 바로 작업장으로 결정할 수 있다. 또 다른 실시예에서, 작업장의 예측 정확도가 타겟 게임 로그 데이터A에 대하여 작업장이 아닐 확률이 90%인 경우, 프로세서(110)는 작업장 예측 유예 기간을 3주로 결정할 수 있다. 이 경우, 프로세서(110)는 3주 후에 타겟 게임 로그 데이터A에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델에 입력함으로써 작업장 예측을 수행할 수 있다. 또 다른 실시예에서, 작업장의 예측 정확도가 타겟 게임 데이터A에 대하여 unkown일 확률이 90%인 경우, 프로세서(110)는 작업장 예측 유예기간을 2일로 결정할 수 있다. 이 경우, 프로세서(110)는 2일 후에 타겟 게임 로그 데이터A에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델에 입력함으로써 작업장 예측을 수행할 수 있다. 본 개시에 따라, 프로세서(110)가 작업장 예측 유예 기간을 통해 작업장 예측에 신중을 기함으로써, 선의의 사용자가 작업장으로 섣불리 예측되어 입는 피해를 방지할 수 있다. 또한, 작업장으로 의심가는 사용자에 대하여 추가적으로 판단함으로써, 작업장 계정 감지의 실효성을 높일 수 있다. 그리고 작업장 의심 정도에 따라서 추가 판단에 대한 시간 간격을 설정함으로써 컴퓨팅 자원을 효율적을 활용할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 프로세서(110)는 학습된 작업장 예측 모델을 이용하여 작업장을 예측할 수 있다. 타겟 게임 로그 데이터에 대한 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그에 대한 집중 모니터링 기간을 결정할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지에 대한 확률 정보를 포함할 수 있다. 또한 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장이 아닌 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장인지 불분명한 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다. 집중 모니터링 기간은 타겟 게임 로그 데이터에 대응하는 사용자 식별 정보를 가진 사용자에 대하여, 해당 사용자의 게임 로그 데이터를 집중적으로 모니터링하는 기간을 포함할 수 있다. 사용자 식별 정보는 특정 사용자를 다른 사용자와 식별할 수 있도록 하는 정보를 포함할 수 있다. 예를 들어, 사용자 식별 정보는 사용자의 로그인 정보(사용자 아이디, 닉네임, 사용자 비밀번호), 개인 정보(주민등록번호, 집주소, 전화번호)를 포함할 수 있다. 예를 들어, 작업장 예측 정확도는 타겟 게임 로그 데이터A가 unknown에 해당하는 확률이 90%인 정보를 포함할 수 있다. 타겟 게임 로그 데이터A에 대하여 unknown일 확률이 90%로 매우 높으므로 프로세서(110)는 모니터링 기간을 1달로 결정할 수 있다. 즉 타겟 게임 로그 데이터가 unknown일 확률이 높을수록, 확실한 작업장인지 확실하게 작업장이 아닌지 명확하게 판단할 수 없다는 의미가 강해지므로, 시간을 가지고 집중적으로 모니터링할 필요가 있을 수 있다. 즉, 프로세서(110)는 모니터링 기간 동안 사용자 식별 정보를 기초로 해당 사용자의 게임 로그 데이터를 실시간으로 획득하여 학습된 작업장 예측 모델에 입력한 후, 작업장 예측을 수행할 수 있다. 이를 통해, 프로세서(110)는 선택적으로 실시간 모니터링할 사용자를 선택함으로써, 작업장 검출을 위해 사용되는 서버 또는 컴퓨팅 장치의 연산량 및 메모리 용량을 감소시킬 수 있으며, 나아가 빠른 시간 내에 작업장 검출을 높은 정확도로 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

이하에서는 예측된 작업장에 대한 제재 방법에 대하여 구체적으로 서술하도록 한다.

본 개시의 일 실시예에 따라, 프로세서(110)는 사전 결정된 제재 기준에 기초하여 예측된 작업장에 대한 제재를 결정할 수 있다. 사전 결정된 제재 기준은 선의의 사용자가 작업장으로 예측되어 제재되는 것을 방지하기 위한 기준을 포함할 수 있다. 작업장 예측 모델은 100%의 확률로 작업장을 예측하지 못할 수도 있다. 즉 작업장 예측 모델은 작업장이 아닌 사용자를 작업장으로 예측하는 False positive 결과를 출력할 수 있다. 작업장이 아닌 사용자를 작업장으로 예측하여 제재를 가하는 경우, 해당 사용자는 예기치 못한 피해(예를 들어, 거래 금지, 사냥 금지, 서버 접속 차단 등)를 입게 될 수 있다. 예기치 못한 피해를 입은 사용자는 게임을 원활하게 수행할 수 없으며, 종국적으로는 게임에서 이탈하게 될 수 있다. 사용자의 수가 중요한 요소 중 하나인 온라인 게임에서 사용자 이탈은 치명적일 수 있다. 따라서 이러한 피해를 입는 선의의 사용자가 발생하는 것을 방지하는 것이 중요할 수 있다. 따라서 본 개시는 이하에서 선의의 사용자의 피해가 없도록 하는 방지책을 아래에서 서술하도록 한다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제재는 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 수행될 수 있다. 프로세서(110)는 학습된 작업장 예측 모델을 이용하여 타겟 게임 로그 데이터에 대하여 작업장 예측을 수행할 수 있다. 타겟 게임 로그 데이터가 작업장인 경우, 프로세서(110)는 해당 타겟 게임 로그 데이터에 대응하는 사용자 식별 정보를 획득할 수 있다. 프로세서(110)는 사용자 식별 정보에 기초하여 작업장으로 예측된 사용자를 식별할 수 있다. 프로세서(110)는 작업장으로 예측된 사용자에 대하여 사전 결정된 제재 기준에 기초하여 제재를 가할 수 있다. 사전 결정된 제재 기준은, 상호 작용의 당사자가 예측된 작업장인지 여부에 기초하여 결정된 기준을 포함할 수 있다. 예를 들어, 거래 행위의 당사자 모두가 예측된 작업장인 경우, 프로세서(110)는 거래 행위를 차단시킬 수 있다. 하지만 거래행의 당사자 중 일부만 예측된 작업장인 경우 프로세서(110)는 피해를 입는 선의의 사용자 발생 방지를 위하여 거래 행위를 차단시키지 않을 수 있다. 전술한 제재는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제재는 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 식별되는 사용자 간 상호 작용에 대해 수행될 수 있다. 사용자 간 상호 작용은 특정 사용자가 다른 사용자와 상호 작용을 하면서 일정한 영향을 주고받는 행위를 포함할 수 있다. 예를 들어, 사용자 간 상호 작용은 전투, 거래, 채팅, 길드 가입 및 탈퇴, 동일 채널 접속 등을 포함할 수 있다. 프로세서(110)는 작업장으로 예측된 사용자 간 상호작용에 대하여 제재를 가할 수 있다. 예를 들어, 프로세서(110)는 작업장으로 예측된 사용자 간 거래 행위를 차단하여 작업장 간의 재화 흐름을 막을 수 있다. 거래 행위 차단은 예를 들어, 거래소 또는 경매소에서의 아이템 거래 차단, 게임 상의 재화 이동 차단 등을 포함할 수 있다. 또한 프로세서(110)는 작업장으로 예측된 사용자 간에 동일 길드 가입을 차단할 수 있다. 예를 들어, 거래소가 아니더라도 동일 길드 내에서 아이템 또는 게임 상의 재화를 이동시킬 수 있는 경우 동일 길드 가입 차단을 통해 재화의 이동을 차단할 수 있다. 그리고 프로세서(110)는 작업장으로 예측된 사용자들이 동일 채널에 접속하는 것을 차단할 수도 있다. 이를 통해, 프로세서(110)는 동일 채널 내에서 이루어지는 이상 거래를 방지할 수 있다. 프로세서(110)는 작업장으로 예측된 사용자들 간의 채팅을 차단하여 예측된 작업장 간의 정보 교환을 차단할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시에 따라, 학습 데이터 세트를 구성하여 작업장 예측 모델을 학습시키는 경우, 높은 정확도로 작업장을 예측하는 작업장 예측 모델을 생성할 수 있다. 학습 데이터 세트를 학습 입력 데이터와 라벨로 나누고, 학습 입력 데이터를 각 라벨의 특성 정보를 포함하는 특징 데이터의 제 1 서브 세트, 제 2 서브 세트, 제 3 서브 세트로 구성함으로써, 프로세서(110)는 작업장 예측 모델로 하여금 각 라벨에 대하여 각각의 특징을 체계적으로 학습할 수 있다. 또한 주기적으로 작업장 예측 모델을 새로운 게임 로그 데이터를 통하여 업데이트 함으로써 새로운 작업장 패턴에 대하여 학습을 수행할 수 있다. 이를 통해, 프로세서(110)는 업데이트된 작업장 예측 모델을 통하여 새로운 작업장 패턴을 가진 사용자를 검출할 수 있다. 그리고 업데이트를 위해 사용되는 게임 로그 데이터의 크기를 사전 결정된 기간에 수집된 게임 로그 데이터로 제한함으로써, 학습 시간을 단축시킬 수 있다. 그리고 작업장 예측 모델이 LightGBM을 포함함으로써, 높은 정확도를 유지하면서 많은 양의 학습 데이터를 빠른 시간에 학습할 수 있다. 따라서 본 개시에 따라, 학습 데이터 세트를 구성하는 방법, 작업장 예측 모델 업데이트하는 방법, LightGBM을 사용한 작업장 예측 모델을 통해 학습된 작업장 예측 모델은 높은 정확도로 작업장 예측을 수행할 수 있다.

본 개시에 따라, 작업장으로 예측된 사용자 간 상호 작용에 대해서만 제재를 가함으로써, 선의의 사용자의 피해를 막을 수 있다. 예를 들어, 상호 작용의 일 당사자는 작업장이고 다른 당사자는 선의의 사용자일 수 있다. 작업장이 선의의 사용자와 상호작용(예를 들어, 거래)하는 경우, 작업장은 본래의 목적을 달성할 수 없을 수 있다. 또한 작업장과 거래한다는 이유로 선의의 사용자를 제재하는 경우, 선의의 사용자가 피해를 입을 수도 있다. 따라서, 예측된 작업장과 선의의 사용자 간의 거래에 대해서는 제재를 하지 않고, 예측된 작업장 간의 상호작용에 대하여 제재를 가함으로써, 선의의 사용자 피해를 막을 수 있다.

도 2은 본 개시의 일 실시예에 따른 게임 데이터를 처리하기 위한 신경망을 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3는 본 개시의 일 실시예에 따라 작업장 예측 모델의 학습 과정을 설명하기 위한 예시도이다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 게임 데이터 처리를 수행할 수 있다. 게임 데이터를 처리하기 위하여 게임 서버(100)는 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성할 수 있다. 게임 서버(100)는 네트워크부(150)를 통하여 복수개의 게임 로그 데이터(310, 311, 312)를 수신할 수 있다. 게임 서버(100)는 수신한 게임 로그 데이터에 대하여 작업장 탐지(330)를 수행할 수 있다. 게임 서버(100)는 작업장 탐지(330)를 작업장 판정 기준에 기초하여 수행할 수 있다. 작업장 탐지(330)는 규칙 기반(Rule Base)로 수행될 수 있다. 작업장 판정 기준은 플레이어간 이상 거래 행위를 식별하기 위한 기준을 포함할 수 있다. 이상 거래는 게임 상의 플레이어가 비정상적인 거래를 행하는 행위를 포함할 수 있다. 예를 들어, 이상 거래는 비정상 가격으로 아이템 또는 용역을 거래하는 행위를 포함할 수 있다. 또한 이상 거래는 다른 플레이어와 거래하지 않으면서 특정 플레이어와 지속적으로 거래하는 행위를 포함할 수 있다. 그리고 이상 거래는 특정 플레이어가 특정 아이템 또는 용역에 집착하여 거래하는 행위를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 작업장 탐지(330) 결과를 기초로 학습 데이터 세트(350)를 생성할 수 있다. 학습 데이터 세트(350)는 모델에 입력되어 모델을 학습시키기 위하여 사용되는 학습 데이터의 집합을 포함할 수 있다. 구체적으로 학습 데이터 세트(350)는 특징 데이터(340)를 학습 입력 데이터로 하고, 작업장 판정 결과(341)를 라벨로 하는 데이터를 포함할 수 있다. 특징 데이터(340)는 작업장 판정 기준을 기초로 결정된 플레이어의 행동 패턴 정보를 포함할 수 있다. 작업장 판정 결과(341)는 입력된 게임 로그 데이터에 대하여 작업장 여부를 판단한 결과를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다

본 개시의 일 실시예에 따라, 게임 서버(100)는 작업장 탐지(330) 결과를 기초로 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트를 생성할 수 있다. 게임 서버(100)는 작업장 탐지(330) 결과를 기초로 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트를 생성할 수 있다. 게임 서버(100)는 작업장 탐지(330) 결과를 기초로 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트를 생성할 수 있다. 게임 서버(100)는 각각의 특징 데이터의 서브 세트에 대응하여 작업장 판정 결과(341)를 라벨링할 수 있다. 학습 데이터의 구체적인 구성에 대해서는 도 4를 참조하여 후술하도록 한다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장 예측 모델(370)은, 게임 로그 데이터에 기초하여 작업장을 예측하는 결정 트리를 포함할 수 있다. 결정 트리는 데이터를 분석하여 데이터들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타낸 모델을 포함할 수 있다.

본 개시의 일 실시예에 따라, 작업장 예측 모델(370)은, 게임 로그 데이터에 기초하여 작업장을 예측하는 그래디언트 부스팅 결정 트리를 포함할 수 있다. 그래디언트 부스팅 결정 트리는 회귀 분석 또는 분류 분석을 수행할 수 있는 예측 모델을 포함할 수 있다. 구체적으로 복수개의 모델을 사용하여 모델을 학습시키는 앙상블 학습 방법을 사용하는 결정 트리를 포함할 수 있다.

본 개시의 일 실시예에 따라, 작업장 예측 모델(370)은 LightGBM(A highly efficient gradient boosting decision tree)을 포함할 수 있다. LightGBM은 그래디언트 부스팅 결정 트리의 정확도를 유지하면서 학습 시간을 단축시킨 방법을 포함할 수 있다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 생성된 학습 데이터 세트를 작업장 예측 모델(370)에 입력시켜, 작업장 예측 모델을 학습시킬 수 있다. 게임 서버(100)는 작업장 예측 모델(370)에 포함된 제 1 서브 모델의 작업장 예측 오차를 산출할 수 있다. 예측 오차는 손실 함수를 포함할 수 있다. 손실 함수는 예측 값과 실제 값의 차이를 포함할 수 있다. 손실함수는 예를 들어, mean square error를 포함할 수 있다. 게임 서버(100)는 제 1 서브 모델의 작업장 예측 오차를 감소시키기 위하여 오분류 학습 데이터에 대하여 가중치를 부여하여 결정 트리를 재구성함으로써 제 2 서브 모델을 생성할 수 있다. 오분류 학습 데이터는 학습 데이터 세트의 적어도 일부 중에서 게임 서버(100)가 작업장 예측 모델(370)을 이용하여 잘못된 예측을 출력한 학습 데이터를 포함할 수 있다. 예를 들어, 게임 서버(100)가 작업장 예측 모델(370)을 이용하여 학습 데이터A에 대하여 작업장이라는 잘못된 예측을 출력한 경우, 학습 데이터A는 오분류 학습 데이터일 수 있다. 게임 서버(100)는 오분류 학습 데이터에 가중치(구체적으로 가중치는 예측값과 실제값의 오차 정도를 나타내는 기울기를 포함할 수 있다.)를 부여하여 오분류 학습 데이터에 대한 작업장 예측 정확도를 향상시킨 결정 트리를 생성할 수 있다. 게임 서버(100)는 오분류 학습 데이터에 대하여 잘못된 예측을 출력한 제 1 서브모델 및 오분류 학습 데이터에 대한 정확도를 높인 결정 트리를 결합하여 제 2 서브모델을 생성함으로써, 높은 작업장 예측 정확도를 가진 학습 데이터에 대하여 높은 작업장 예측 정확도를 유지할 뿐만 아니라, 오분류 학습 데이터에 대한 작업장 예측 정확도를 향상시킨 제 2 서브모델을 획득할 수 있다. 게임 서버(100)는 전술한 학습 과정을 작업장 예측 정확도를 향상시키기 위하여 반복할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 생성된 학습 데이터 세트를 작업장 예측 모델(370)에 입력시켜, 작업장 예측 모델(370)을 학습시킬 수 있다. 게임 서버(100)는 새로운 작업장 행동 패턴을 감지하기 위하여 일정한 주기로 사전 결정된 기간 동안 획득한 게임 로그 데이터를 기초로 작업장 예측 모델을 업데이트할 수 있다. 새로운 작업장 행동 패턴은 작업장 예측 모델의 기존 학습 데이터 세트로부터 추출되지 않은 행동 패턴을 포함할 수 있다. 일정한 주기는 게임 서버(100) 또는 운영자의 의사 결정에 따라 결정되는 주기일 수 있다. 예를 들어, 작업장 예측 모델을 업데이트하는 주기는 1주, 3달, 1년으로 결정할 수 있다. 사전 결정된 기간은 작업장 예측 모델의 정확도 및 학습 데이터 세트의 크기에 기초하여 결정될 수 있다. 사전 결정된 기간이 길어질수록 학습 데이터 세트의 크기가 커질 수 있다. 학습 데이터 세트의 크기가 커질수록 작업장 예측 모델의 학습 시간을 늘어날 수 있다. 게임 서버(100) 또는 운영자는 예측 정확도를 유지하면서 빠른 시간 내에 작업장 예측 모델을 업데이트하는 사전 결정된 기간을 정할 수 있다. 또한 사전 결정된 기간은 예를 들어, 현재 시점으로부터 과거로 3개월 소급한 기간을 포함할 수 있다. 따라서 게임 서버(100)는 최근 획득한 게임 로그 데이터를 이용하여 작업장 예측 모델을 업데이트함으로써, 새로운 작업장 행동 패턴을 감지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 4은 본 개시의 일 실시예에 따라 학습 데이터 세트를 설명하기 위한 예시도이다.

도 4에서는 학습 데이터 세트(350)의 구성인 학습 입력 데이터(410) 및 라벨(430)이 도시되어 있다. 학습 데이터 세트(350)는 특징 데이터(340)를 학습 입력 데이터(410)로 하고, 작업장 판정 결과(341)를 라벨(430)로 할 수 있다. 전술한 학습 데이터 세트는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 특징 데이터(340)는 작업장 판정 기준을 기초로 결정된 플레이어의 행동 패턴 정보를 포함할 수 있다. 행동 패턴 정보는 반복되는 플레이어 행동의 규칙성에 대한 정보를 포함할 수 있다. 구체적으로 특징 데이터는 사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트, 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트 또는 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트 중 적어도 하나를 포함할 수 있다. 전술한 특징 데이터는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 작업장 판정 결과(341)는 입력된 게임 로그 데이터에 대하여 작업장 여부를 판단한 결과를 포함할 수 있다. 작업장 판정 결과는 사전 결정된 작업장 판정 기준에 기초하여 게임 서버(100) 또는 오퍼레이터가 판정한 결과를 포함할 수 있다. 작업장 판정 결과는 확실한 작업장인 True Label, 확실한 작업장이 아닌 False Label 및 true label 또는 false label 어디에도 포함되지 않는 Unknown을 포함할 수 있다. 예를 들어, 입력된 게임 로그 데이터가 작업장 행동 패턴을 포함하고 있는 경우, 작업장 판정 결과는 "작업장(True Label)"일 수 있다. 작업장 행동 패턴은 반복되는 작업장 행동의 규칙성을 포함할 수 있다. 전술한 라벨은 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 4에 도시된 바와 같이 제 1 서브 세트1(411), 제 1 서브 세트2(413) 및 제 1 서브 세트5(419)는 작업장으로 판정된 게임 로그 데이터의 특징 데이터일 수 있다. 따라서 제 1 서브 세트1(411), 제 1 서브 세트2(413) 및 제 1 서브 세트5(419)는 각각 True Label(431, 433, 439)을 라벨(430)로 가질 수 있다. 제 2 서브 세트3(415)은 작업장이 아닌 것으로 판정된 게임 로그 데이터의 특징 데이터일 수 있다. 따라서 제 2 서브 세트3(415)은 False Label(435)을 라벨(430)로 가질 수 있다. 제 3 서브 세트4(417)은 작업장인지 불분명한 것으로 판정된 게임 로그 데이터의 특징 데이터일 수 있다. 따라서 제 3 서브 세트4(417)는 Unknown(437)을 라벨(430)로 가질 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시에 따라, 학습 데이터 세트를 구성할 경우, 확실한 작업장에 대응하는 게임 로그 데이터의 특징, 확실하게 작업장이 아닌 것으로 판정된 게임 로그 데이터의 특징 및 작업장인지 불분명한 것으로 판정된 게임 로그 데이터의 특징을 확실하게 구분하여 작업장 예측 모델(370)이 학습함으로써, 작업장 예측 정확도를 향상시킬 수 있다. 작업장 예측 정확도가 향상되는 경우, 작업장으로 예측되어 제재를 받는 선의의 피해자를 줄일 수 있으므로, 선의의 피해자 발생 감소로 인한 온라인 게임의 사용자 이탈 방지 목적도 달성할 수 있다.

도 5는 본 개시의 일 실시예에 따라 학습된 작업장 예측 모델의 추론 과정을 설명하기 위한 예시도이다.

도 5는 학습된 작업장 예측 모델(530)이 타겟 게임 로그 데이터(510)를 입력 받아 작업장을 예측하고, 예측에 기초하여 예측된 작업장에 대하여 제재(570)를 가하는 과정을 도시하고 있다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 학습된 작업장 예측 모델(530)을 이용하여 작업장을 예측할 수 있다. 게임 서버(100)는 타겟 게임 로그 데이터(510)를 학습된 작업장 예측 모델(530)을 이용하여 처리함으로써, 타겟 게임 로그 데이터(510)의 패턴이 작업장에 해당하는지 여부를 예측할 수 있다. 타겟 게임 로그 데이터(510)는 게임 로그 데이터의 일종으로서, 학습된 작업장 예측 모델에 입력되는 데이터를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 학습된 작업장 예측 모델을 이용하여 작업장을 예측할 수 있다. 게임 서버(100)는 타겟 게임 로그 데이터(510)에 대한 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그 데이터(510)에 대한 작업장 예측 유예 기간을 결정할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터(510)의 패턴이 작업장에 해당하는지에 대한 확률 정보를 포함할 수 있다. 또한 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장이 아닌 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다. 예를 들어, 작업장 예측 정확도는 타겟 게임 로그 데이터A가 작업장에 해당하는 확률이 90%인 정보를 포함할 수 있다. 작업장 예측 유예 기간은 타겟 게임 로그 데이터에 대하여 작업장 예측을 보류하는 기간을 포함할 수 있다. 즉, 게임 서버(100)는 작업장 예측 유예 기간 후에 타겟 게임 로그 데이터에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델(530)을 통해 작업장 예측을 다시 한번 더 수행할 수 있다. 작업장 예측 유예 기간은 학습된 작업장 예측 모델(530)의 작업장 예측 정확도에 기초하여 결정될 수 있다. 예를 들어, 작업장의 예측 정확도가 타겟 게임 로그 데이터A에 대하여 작업장일 확률이 98%인 경우, 게임 서버(100)는 작업장 예측 유예 기간 없이 바로 작업장으로 예측할 수 있다. 또 다른 실시예에서, 작업장의 예측 정확도가 타겟 게임 로그 데이터A에 대하여 작업장이 아닐 확률이 90%인 경우, 게임 서버(100)는 작업장 예측 유예 기간을 3주로 결정할 수 있다. 이 경우, 게임 서버(100)는 3주 후에 타겟 게임 로그 데이터A에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델에 입력함으로써 작업장 예측을 수행할 수 있다. 또 다른 실시예에서, 작업장의 예측 정확도가 타겟 게임 데이터A에 대하여 unkown일 확률이 90%인 경우, 게임 서버(100)는 작업장 예측 유예기간을 2일로 결정할 수 있다. 이 경우, 게임 서버(100)는 2일 후에 타겟 게임 로그 데이터A에 대응하는 사용자의 게임 로그 데이터를 획득하여 학습된 작업장 예측 모델에 입력함으로써 작업장 예측을 수행할 수 있다. 본 개시에 따라, 게임 서버(100)가 작업장 예측 유예 기간을 통해 작업장 예측에 신중을 기함으로써, 선의의 사용자가 작업장으로 섣불리 예측되어 입는 피해를 방지할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 학습된 작업장 예측 모델(530)을 이용하여 작업장을 예측할 수 있다. 타겟 게임 로그 데이터에 대한 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그에 대한 집중 모니터링 기간을 결정할 수 있다. 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지에 대한 확률 정보를 포함할 수 있다. 또한 작업장 예측 정확도는 타겟 게임 로그 데이터의 패턴이 작업장이 아닌 경우에 해당하는지에 대한 확률 정보를 포함할 수 있다. 집중 모니터링 기간은 타겟 게임 로그 데이터에 대응하는 사용자 식별 정보를 가진 사용자에 대하여, 해당 사용자의 게임 로그 데이터를 집중적으로 모니터링하는 기간을 포함할 수 있다. 사용자 식별 정보는 특정 사용자를 다른 사용자와 식별할 수 있도록 하는 정보를 포함할 수 있다. 예를 들어, 사용자 식별 정보는 사용자의 로그인 정보(사용자 아이디, 닉네임, 사용자 비밀번호), 개인 정보(주민등록번호, 집주소, 전화번호)를 포함할 수 있다. 예를 들어, 작업장 예측 정확도는 타겟 게임 로그 데이터A가 unknown에 해당하는 확률이 90%인 정보를 포함할 수 있다. 타겟 게임 로그 데이터A에 대하여 unknown일 확률이 90%로 매우 높으므로 게임 서버(100)는 모니터링 기간을 1달로 결정할 수 있다. 즉 타겟 게임 로그 데이터가 unknown일 확률이 높을수록, 확실한 작업장인지 확실하게 작업장이 아닌지 명확하게 판단할 수 없다는 의미가 강해지므로, 시간을 가지고 집중적으로 모니터링할 필요가 있을 수 있다. 즉, 게임 서버(100)는 모니터링 기간 동안 사용자 식별 정보를 기초로 해당 사용자의 게임 로그 데이터를 실시간으로 획득하여 학습된 작업장 예측 모델에 입력한 후, 작업장 예측을 수행할 수 있다. 이를 통해, 게임 서버(100)는 선택적으로 실시간 모니터링할 사용자를 선택함으로써, 작업장 검출을 위해 사용되는 서버 또는 컴퓨팅 장치의 연산량 및 메모리 용량을 감소시킬 수 있으며, 나아가 빠른 시간 내에 작업장 검출을 높은 정확도로 수행할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

제재(570)에 대한 구체적인 설명은 도 6을 참조하여 후술하도록 한다.

도 6는 본 개시의 일 실시예에 따라 예측된 작업장에 대한 제재 방법을 설명하기 위한 예시도이다.

도 6에는 선의의 사용자, 예측된 작업장, 예측된 작업장 간의 거래인 거래1(620), 예측된 작업장과 선의의 사용자 간의 거래인 거래2(640) 및 선의의 사용자 간의 거래인 거래3(660)이 도시되어 있다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 사전 결정된 제재 기준에 기초하여 예측된 작업장에 대한 제재를 결정할 수 있다. 사전 결정된 제재 기준은 선의의 사용자가 작업장으로 예측되어 제재되는 것을 방지하기 위한 기준을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제재(570)는 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 수행될 수 있다. 게임 서버(100)는 학습된 작업장 예측 모델을 이용하여 타겟 게임 로그 데이터에 대하여 작업장 예측을 수행할 수 있다. 타겟 게임 로그 데이터가 작업장인 경우, 게임 서버(100)는 해당 타겟 게임 로그 데이터에 대응하는 사용자 식별 정보를 획득할 수 있다. 게임 서버(100)는 사용자 식별 정보에 기초하여 작업장으로 예측된 사용자를 식별할 수 있다. 게임 서버(100)는 작업장으로 예측된 사용자에 대하여 사전 결정된 제재 기준에 기초하여 제재를 가할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 제재(570)는 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 식별되는 사용자 간 상호 작용에 대해 수행될 수 있다. 사용자 간 상호 작용은 특정 사용자가 다른 사용자와 상호 작용을 하면서 일정한 영향을 주고받는 행위를 포함할 수 있다. 예를 들어, 사용자 간 상호 작용은 전투, 거래, 채팅, 길드 가입 및 탈퇴, 동일 채널 접속을 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 사용자 간 상호 작용을 사용자 간의 거래를 포함할 수 있다. 게임 서버(100)는 학습된 작업장 예측 모델(530)을 이용하여 예측된 작업장1(610) 및 예측된 작업장2(630)를 획득할 수 있다. 게임 서버(100)는 예측된 작업장1(610) 및 예측된 작업장2(630) 각각의 사용자 식별 정보에 기초하여 예측된 작업장1(610) 및 예측된 작업장2(630)에 대하여 제재를 가할 수 있다. 구체적으로 게임 서버(100)는 예측된 작업장1(610)과 예측된 작업장2(630)의 거래인 거래1(620)을 차단할 수 있다. 예를 들어, 게임 서버(100)는 예측된 작업장1(610)이 판매하는 아이템을 예측된 작업장2(630)가 구매할 수 없도록 할 수 있다. 또 다른 실시예에서, 게임 서버(100)는 예측된 작업장1(610)과 예측된 작업장2(630)의 거래를 전부 차단하는 것이 아니라 일정 확률로 차단할 수 있다. 예측된 작업장1(610) 중 예측된 작업장2(630) 적어도 하나가 선의의 사용자일 가능성이 존재할 수 있으므로 전부 차단이라는 제재보다 완화된 제재를 통하여 선의의 사용자의 피해를 최소화할 수도 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라, 게임 서버(100)는 예측된 작업장2(630)와 선의의 사용자(650)의 거래인 거래2(640) 및 선의의 사용자간 거래인 거래3(670)에 대해서는 제재를 가하지 않을 수 있다. 거래2(640) 및 거래3(660)에 대하여 제재를 가하지 않음으로써, 선의의 사용자가 피해를 입는 것을 방지할 수 있다.

도 7는 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 방법의 순서도이다.

게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성(710)할 수 있다.

본 개시의 일 실시예에 따라, 학습 데이터 세트는, 특징 데이터를 학습 입력 데이터로 하고, 작업장 판정 결과를 라벨로 하는 데이터를 포함할 수 있다.

본 개시의 일 실시예에 따라, 작업장 판정 결과는, 사전 결정된 작업장 판정 기준에 기초하여 입력된 게임 로그 데이터에 대하여 작업장인지 여부를 판단한 결과를 포함할 수 있다.

본 개시의 일 실시예에 따라, 특징 데이터는, 사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트, 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트 또는 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따라, 특징 데이터의 제 1 서브 세트는, 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 거래 행동 통계량, 게임 네트워크 통계량, 로그인 정보, 게임 플레이 시간 정보, 또는 전투 패턴 정보 중 적어도 하나에 기초하여 결정된 데이터일 수 있다.

본 개시의 일 실시예에 따라, 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습(720)시킬 수 있다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은, 게임 로그 데이터에 기초하여 작업장을 예측하는 결정 트리를 포함할 수 있다.

본 개시의 일 실시예에 따라, 작업장 예측 모델은, 게임 로그 데이터에 기초하여 작업장을 예측하는 그래디언트 부스팅 결정 트리를 포함하고, 그래디언트 부스팅 결정 트리는, 게임 로그 데이터에 기초하여 작업장을 예측하는 복수개의 서브 모델- 서브 모델은 결정 트리로 구성됨-을 포함할 수 있다.

본 개시의 일 실시예에 따라, 학습된 작업장 예측 모델을 이용하여 작업장을 예측(730)할 수 있다.

본 개시의 일 실시예에 따라, 사전 결정된 제재 기준에 기초하여 예측된 작업장에 대한 제재를 결정(740)할 수 있다.

본 개시의 일 실시예에 따라, 사전 결정된 제재 기준은, 선의의 사용자가 작업장으로 예측되어 제재되는 것을 방지하기 위한 기준을 포함할 수 있다.

본 개시의 일 실시예에 따라, 제재는, 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 수행될 수 있다.

본 개시의 일 실시예에 따라, 제재는, 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 식별되는 사용자 간 상호작용에 대해 수행될 수 있다.

도 8는 본 개시의 일 실시예에 따라 게임 데이터를 처리하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 게임 데이터 처리는 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따라, 게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하기 위한 모듈(810); 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습시키기 위한 모듈(820); 학습된 작업장 예측 모델을 이용하여 작업장을 예측하기 위한 모듈(830); 및 사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하기 위한 모듈(840)에 의하여 구현될 수 있다.

게임 데이터를 처리하기 위한 대안적 실시예에서, 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습시키기 위한 모듈(820)은 작업장 예측 모델에 포함된 제 1 서브 모델의 작업장 예측 오차를 산출하기 위한 모듈; 및 제 1 서브 모델의 작업장 예측 오차를 감소시키기 위하여 오분류 학습 데이터에 대하여 가중치를 부여하여 결정 트리를 재구성함으로써 제 2 서브 모델을 생성하기 위한 모듈에 의하여 구현될 수 있다.

게임 데이터를 처리하기 위한 대안적 실시예에서, 생성된 학습 데이터 세트를 작업장 예측 모델에 입력시켜, 작업장 예측 모델을 학습시키기 위한 모듈(820)은 새로운 작업장 행동 패턴을 감지하기 위하여 일정한 주기로 사전 결정된 기간 동안 획득한 게임 로그 데이터를 기초로 상기 작업장 예측 모델을 업데이트하기 위한 모듈을 포함할 수 있다.

게임 데이터를 처리하기 위한 대안적 실시예에서, 학습된 작업장 예측 모델을 이용하여 작업장을 예측하기 위한 모듈(830)은 타겟 게임 로그 데이터를 상기 학습된 작업장 예측 모델을 이용하여 처리함으로써, 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지 여부를 예측하기 위한 모듈을 포함할 수 있다.

게임 데이터를 처리하기 위한 대안적 실시예에서, 학습된 작업장 예측 모델을 이용하여 작업장을 예측하기 위한 모듈(830)은 타겟 게임 로그 데이터에 대한 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그 데이터에 대한 작업장 예측 유예 기간을 결정하기 위한 모듈을 포함할 수 있다.

게임 데이터를 처리하기 위한 대안적 실시예에서, 학습된 작업장 예측 모델을 이용하여 작업장을 예측하기 위한 모듈(830)은 타겟 게임 로그 데이터에 대한 작업장 예측 모델의 작업장 예측 정확도에 기초하여 타겟 게임 로그에 대한 집중 모니터링 기간을 결정하기 위한 모듈을 포함할 수 있다.

본 개시의 일 실시예에 따르면 게임 데이터를 처리하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 9은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (17)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 게임 데이터 처리를 수행하기 위한 이하의 동작을 수행하도록 하며, 상기 동작은:
   게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 동작;
   상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작;
   상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작; 및
   사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1 항에 있어서,
   상기 학습 데이터 세트는,
   특징 데이터를 학습 입력 데이터로 하고, 작업장 판정 결과를 라벨로 하는 데이터를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 2 항에 있어서,
   상기 작업장 판정 결과는,
   사전 결정된 작업장 판정 기준에 기초하여 입력된 게임 로그 데이터에 대하여 작업장인지 여부를 판단한 결과를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 2 항에 있어서,
   상기 특징 데이터는,
   사전 결정된 작업장 판정 기준에 기초하여 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 1 서브 세트, 작업장이 아닌 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 2 서브 세트 또는 작업장인지 불분명한 플레이어의 게임 로그 데이터를 기초로 산출된 특징 데이터의 제 3 서브 세트 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 4 항에 있어서,
   상기 특징 데이터의 제 1 서브 세트는,
   상기 작업장으로 결정된 플레이어의 게임 로그 데이터를 기초로 산출된 거래 행동 통계량, 게임 네트워크 통계량, 로그인 정보, 게임 플레이 시간 정보, 또는 전투 패턴 정보 중 적어도 하나에 기초하여 결정된 데이터인,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 1 항에 있어서,
   상기 작업장 예측 모델은,
   상기 게임 로그 데이터에 기초하여 작업장을 예측하는 결정 트리(Decision Tree)를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 작업장 예측 모델은,
   상기 게임 로그 데이터에 기초하여 상기 작업장을 예측하는 그래디언트 부스팅 결정 트리(Gradient Boosting Decision Tree)를 포함하고,
   상기 그래디언트 부스팅 결정 트리는,
   상기 게임 로그 데이터에 기초하여 작업장을 예측하는 복수개의 서브 모델-상기 서브 모델은 결정 트리로 구성됨-을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작은,
   상기 작업장 예측 모델에 포함된 제 1 서브 모델의 작업장 예측 오차를 산출하는 동작; 및
   상기 제 1 서브 모델의 작업장 예측 오차를 감소시키기 위하여 오분류 학습 데이터에 대하여 가중치를 부여하여 결정 트리를 재구성함으로써 제 2 서브 모델을 생성하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 동작은,
   새로운 작업장 행동 패턴을 감지하기 위하여 일정한 주기로 사전 결정된 기간 동안 획득한 게임 로그 데이터를 기초로 상기 작업장 예측 모델을 업데이트하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은,
    타겟 게임 로그 데이터를 상기 학습된 작업장 예측 모델을 이용하여 처리함으로써, 상기 타겟 게임 로그 데이터의 패턴이 작업장에 해당하는지 여부를 예측하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은,
    타겟 게임 로그 데이터에 대한 상기 학습된 작업장 예측 모델의 작업장 예측 정확도에 기초하여 상기 타겟 게임 로그 데이터에 대한 작업장 예측 유예 기간을 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 동작은,
    타겟 게임 로그 데이터에 대한 작업장 예측 모델의 작업장 예측 정확도에 기초하여 상기 타겟 게임 로그에 대한 집중 모니터링 기간을 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 사전 결정된 제재 기준은,
    선의의 사용자가 작업장으로 예측되어 제재되는 것을 방지하기 위한 기준을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 제 1 항에 있어서,
    상기 제재는,
    상기 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 수행되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
15. 제 14 항에 있어서,
    상기 제재는,
    상기 학습된 작업장 예측 모델을 이용하여 작업장으로 판단된 게임 로그 데이터에 대응하는 사용자 식별 정보에 기초하여 식별되는 사용자 간 상호작용에 대해 수행되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
16. 게임 데이터를 처리하기 위한 방법에 있어서,
    게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하는 단계;
    상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키는 단계;
    상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하는 단계; 및
    사전 결정된 제재 기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는 단계;
    를 포함하는,
    게임 데이터를 처리하기 위한 방법.
    
17. 게임 데이터를 처리하기 위한 게임 서버로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    게임 로그 데이터를 기초로 작업장 예측 모델을 학습시키기 위한 학습 데이터 세트를 생성하고,
    상기 생성된 학습 데이터 세트를 상기 작업장 예측 모델에 입력시켜, 상기 작업장 예측 모델을 학습시키고,
    상기 학습된 작업장 예측 모델을 이용하여 작업장을 예측하고, 그리고
    사전 결정된 제재기준에 기초하여 상기 예측된 작업장에 대한 제재를 결정하는,
    게임 데이터를 처리하기 위한 게임 서버.
    
    

Images