최준영
(Jun-Young Choi)
1iD
서창진
(Chang-Jin Seo)
†iD
-
(Dept. of Information Security Engineering Sangmyung University, Korea.)
Copyright © The Korean Institute of Electrical Engineers(KIEE)
Key words
Machine learning, Game bot, Log data cumulative, XgBoost
1. 서 론
정보 통신 기술로 인한 온라인 게임 시장이 지속해서 성장하고 있다. 2020년 게임 전문 시장조사기관 “New Zoo”의 조사에서는 애플 앱스토어에서
발생한 게임 매출이 335억 달러(40조 660억원), 구글 플레이스토어에서 발생한 매출이 245억 달러(29조 3천억원)이다(1). 이에 따르는 직업 또한 지속해서 창출되고 있으며, 한국 콘텐츠 진흥원과 문화체육관광부가 게임 산업에 관한 현상을 분석한 게임 백서의 시장조사에
따르면 2020년 국내 게임 시장 규모를 약 5조 3,210억원으로 예상하고, 이는 전년 대비 2.5%의 성장률을 예측한다(2).
현재 게임 시장은 단순한 오락뿐만 아니라 디지털 콘텐츠 기반의 고부가 가치 산업으로 성장하고 있다. 그중 RPG 게임은 국내 온라인 게임 산업의 대표적인
장르이며, 수천, 수만 명이 동시에 게임에 접속하여 같은 공간에서 게임을 즐길 수 있는 형태의 게임을 말한다. RPG 게임인 리니지, AION, 메이플스토리,
블레이드&소울 에서는 사용자의 캐릭터가 임무를 수행하여 경험치를 획득하고, 캐릭터의 레벨을 성장시키는 형태로 게임이 진행된다. 하지만 이런 형태의
게임을 정당한 방법이 아닌 게임봇을 이용해 남들보다 더 쉽고 빠르게 아이템 및 경험치를 획득하는 부정 사용자들이 지속해서 증가하고 있다(3). 2011년 3월 게임 봇 규제를 위한 법률이 국회를 통과하였으나 실질적인 제재 수단이 미비하고, 처벌 또한 어렵다는 문제점을 가지고 있다(4).
게임 봇은 사람의 관여 없이 게임의 승리나 아이템 또는 경험치 성장을 목표로 두고 활동하고 있으며, 결과적으로 일반 사용자에게 피해를 주고 있다.
이를 방지하기 위한 관련 연구들이 진행에 있다(5,6).
본 연구는 온라인 게임에서 비정상적인 편취행위를 하는 RPG에서의 게임 봇 프로그램을 누적 로그 기반 머신러닝 학습을 이용하여 탐지하는 기법을 소개한다.
제안하는 연구 방법에는 AION 온라인 게임에서 게임 캐릭터의 누적 로그를 분석하고 머신러닝 기법으로 게임 봇과 실제 사용자를 구분하는 방법을 제안한다.
구성은 다음과 같다. 2장에서는 관련 연구, 3장에서는 제안하는 시스템 구성, 4장에서는 실험 결과, 5장에서는 결론으로 구성되어 있다.
2. 관련 작업
게임 회사는 게임 봇 탐지를 위하여 게임 사용자의 행동 로그를 기록하고 있으며 매일 빅데이터의 정보가 저장되고 있다. 그러나 이러한 빅데이터는 사람의
판단으로 일일이 게임 봇을 탐지하는 데 한계가 있다. 이러한 문제로 온라인 게임 로그 정보를 이용한 게임 봇 탐지 시스템 개발에 관한 연구가 현재
활발히 진행되고 있다.
강성욱 등은(7) 작업장(타인의 개인정보로 자동으로 아이템 습득프로그램을 이용하거나, 사업상 목적으로 획득한 아이템이나 게임 머니를 거래하는 집단 혹은 개인)이 “무료
게임의 보편화로 인해 게임 봇 계정이 수행하는 플레이 수준을 낮추는 대신 수만 개의 계정을 번갈아 가며 운영하는 방식으로 변하고 있다.” 라고 분석하고
있다. 이로 인해 플레이 활동 패턴에 기반을 둔 기존의 탐지 모델들이 점차 무력화되고 있고, 게임 진입 초기에 게임 봇을 빠르게 탐지하고 제재하는
방안이 점차 중요하다고 제안하고 있다. 제안하는 방법에서는 게임 봇 유효성을 검증하기 위해 북미에서 서비스 중인 엔씨 소프트의 블레이드 앤 소울의
약 20만 개 계정 정보를 이용해 게임 봇 탐지성능을 측정하였으며, 실험에 의하면 캐릭터 이름에 대해 기계학습 분야 중 하나인 ‘나이브 베이즈 분류기를
적용하는 방법을 적용하였다(8). 이 방법은 일반 사용자와 게임 봇 계정이 갖는 캐릭터 이름을 학습하여 캐릭터의 이름만으로 게임 진입 전에 차단하는 것이 목표이다. 작업장이 계정
관리함으로써 갖는 이 캐릭터 이름의 연속성이 있다는 부분을 고려했을 때, 캐릭터의 이름이 갖는 특성을 활용한 탐지기법이 갖는 강점은 미리 예방한다는
점이다. 하지만 캐릭터 이름은 사용자의 간섭이 커 그만큼 우회가 쉽다는 단점이 있고, 실질적으로 이런 캐릭터 이름에 대한 연속성만으로 제재를 가할
수 없다. 따라서 로그를 기반으로 수집한 불법행위에 대한 증거를 바탕으로 제재를 가하지 않는 한 작업장은 또다시 게임 봇을 사용할 가능성이 크다.
김휘강(9) 등의 “데이터 분석 기반 게임 봇과 작업장 탐지” 기법은 장르를 불문한 게임 봇의 등장이 사람을 대신하여 자동으로 게임플레이를 진행해, 빠른 캐릭터
성장과 재화 취득을 통한 이득으로 공정한 경쟁의 결여와 콘텐츠의 빠른 고갈을 소개하고 있다. 이로 인한 탐지기법은 게임의 행위 로그를 기반으로 데이터를
선별하여 게임 봇의 이동 패턴, 채팅 패턴, 거래 패턴, 전투/사냥 패턴, 로그인 패턴, Action Sequence 패턴 등 사람과 로봇의 행위의
차이점을 구분하여 탐지하는 기법이다. 이 연구에서 제안하는 방법은 기존 연구들과 다르게 표본이 없어도 탐지할 수 있다는 장점이 있다. 하지만, 24시간
이상의 축적된 데이터를 사용하기 때문에 FPS 장르의 게임과 같이 단시간에 한 게임이 끝나는 경우 적용하기 어렵고, MMORPG 장르 같은 지속적인
게임에서 게임 봇이 일정 시간 이하로 동작하는 경우 탐지하기가 쉽지 않다.
본 연구에서는 게임 사용자의 누적 로그 정보를 이용하여 정상 게임 사용자와 게임봇을 머신러닝 기법을 이용하여 탐지하는 방법을 제안한다.
3. 제안된 모델
본 연구에서 제안하는 누적 로그 기반 게임 봇 탐지를 위하여 KISA에서 주관하는 “K-사이버 시큐리티 챌린지”에서 제공하는 RPG, AION 게임의
빅데이터 파일(CSV)을 사용하여 실험에 사용한다. 해당 CSV 파일은 일반 사용자와 게임 봇의 Action Sequence, 즉 행동을 모두 기록한
것이며, 약 84GB의 빅데이터이다. 게임 봇은 비효율적인 행동을 최소화한다. 이때 특정 행동의 로그가 반복적으로 DB에 저장된다. 연구 방법은 일반
사용자와 게임 봇을 분리하고 기계학습을 하는 과정에서 탐지 결과에 유의미한 값을 주게 되는 행동 기록을 학습 데이터로 선정하여 게임봇 탐지에 사용한다.
시스템 구성은 그림 1과 같이 데이터 습득(Data Acquisition), 데이터 전처리(Data Pre-Processing), 데이터 증명(Data Verification),
데이터 성능 확인(Data Performance) 단계를 거친다.
Fig. 1. System Configuration
3.1 Data Preprocessing
게임 사용자 로그는 게임 운영에 사용한 모든 정보가 저장되어 있어 모든 데이터를 학습에 적용할 수 없으며 이를 직접 머신러닝에 적용하는 것은 비효율적이다.
제안하는 연구 방법은 AION의 모든 데이터를 학습에 사용하지 않고 게임 봇과 일반 사용자의 탐지에 필요한 데이터만 전처리하여 학습에 적용한다. 실험에
사용한 학습 데이터는 표 1과 같이 표본을 구성하여 실험에 사용한다. 표본 파일의 구성은 Account-예측을 원하는 값, 주체, X data-계측하기 위한 주체의 정보, Y
data-계측값(계정들의 표본)으로 구성하였다.
Table 1. The Structure of Sample Data
|
Account
|
X data
|
Y data
|
|
Subject
|
Learning Data
|
Instrumentation Values
|
데이터 전처리 없이 표본으로 생성된 데이터 값을 기계학습 모델에 적용한다 해도 현재 제공된 CSV 파일에는 표본과 계측값(Y data)이 따로 나뉘어
있고 X data도 전처리 과정을 거치지 않아 좋은 결과를 내지 못한다.
제안하는 연구 방법은 게임 봇과 일반 사용자의 행동 로그가 기계학습의 유의미한 결과를 도출할 수 있을 것으로 판단하여 게임 봇과 일반 사용자의 로그를
그림 2, 표 2와 같이 시각화하여 분석하였다.
그림 2와 표 2는 게임 봇 사용자와 일반 사용자의 데이터를 추출하여 각 로그 아이디별로 게임 행위 비율을 조사한 결과이다. 로그 전체를 놓고 봤을 때 RPG에서
게임봇의 목적이 행동 로그의 전반적인 행태에서 차이가 있으며 두 계정의 차이점을 시각화하여 게임 행위 차이가 있는 필드를 학습에 사용한다. 로그 정보는
게임에 접속한 계정이 일정한 행동을 취하면 그 계정을 기준으로 다음 표 3과 같이 로그가 생성되게 된다.
표 1과 같이 필요한 데이터만 있으면 학습 측면에서 훨씬 편하겠지만 그렇지 않다. 본 연구를 진행하기 위해 로그 파일을 사용하였다고 설명하였다. 로그 파일이란
사용자의 누가, 언제, 어떻게 시스템에 접근했는지 광범위하게 기록된 파일이다. AION이라는 게임의 로그는 복잡한 형태로 로그 데이터 시트가 구성되어
있으며, 그중에는 숫자열이 아닌 문자열로 저장된 로그도 갈무리할 필요가 있었다. AION 게임 로그 데이터는 표 2에서 AI로 표현한 추가정보에는 캐릭터의 좌표, 습득한 게임 자산의 양, 습득한 경험치의 양, 습득한 아이템의 번호, 문자열 등의 칼럼을 포함해 총
19개의 칼럼이 구성되어 있다. 학습에 필요한 정보는 계정별 누적 로그의 횟수와 계측 값만 필요로 하므로 나머지 칼럼은 삭제하여 학습 데이터로 구성한다.
학습에 필요한 데이터는 Pandas를 사용하여 84GB의 CSV 파일을 표 3와 같이 가공하여 학습에 적용한다. 불필요한 로그 정보를 사용하지 않기 때문에 제안하는 연구 방법은 전처리 및 학습 시간을 단축할 수 있으며, 게임
봇 사용자와 일반 사용자의 로그를 누적하여 시각화하는 과정에서 그림 2와 같이 표본의 우수함을 미리 확인할 수 있다.
Fig. 2. Left-Normal User, Right-GameBot Action Log
전처리하는 과정에서 게임 봇과 일반 사용자들의 각 상위 20개, 30개, 40개, 50개의 표본을 구성하였으며, 총 3,761개의 계측 값을 보유하고
있는 계정의 누적 로그를 확보할 수 있었다.
Table 2. Action Record Information
|
time
|
id
|
log
|
AI
|
etc 12
|
|
00:00:01
|
a
|
Get Experience
|
*
|
411919598
|
|
00:00:01
|
b
|
Item Gathering
|
*
|
0
|
|
00:00:02
|
a
|
Get Experience
|
*
|
413269266
|
|
00:00:02
|
b
|
Item Gathering
|
*
|
0
|
|
00:00:02
|
c
|
etc
|
*
|
0
|
|
00:00:03
|
a
|
Get Experience
|
*
|
0
|
*AI-Additional Information
Table 3. Final Example
|
AC
|
X data
|
Y data
|
|
AC\BH
|
GE
|
IG
|
IA
|
logs
|
Bot
|
|
a
|
23
|
34
|
100
|
*
|
1
|
|
b
|
14
|
15
|
34
|
*
|
0
|
|
c
|
23
|
34
|
24
|
*
|
0
|
|
d
|
55
|
25
|
52
|
*
|
1
|
|
e
|
43
|
52
|
66
|
*
|
1
|
|
f
|
23
|
67
|
7
|
*
|
1
|
* AC-Account, *BH-Behavior, *GE-Get Experience
* IG-Item Gathering *IA-Item Acquisition
3.2 Data Verification
학습 데이터의 유의미한 특징 정보와 키워드 간의 관계를 분석하기 위해 누적시킨 로그의 양이 많은 상위 20개부터 50개까지 판다스 모듈을 이용하여
전처리한 표본을 그림 3과 같이 시각화하였다.
Fig. 3. Heat map by Number based on Cumulative Log
시각화한 결과, 일정한 패턴을 보여줌으로 상관관계가 우수함을 확인할 수 있었으며, 본 연구에서는 그림 3의 표본을 전처리한 데이터를 학습에 이용하였다.
4. 실험 결과
4.1 Data Selection
본 절에서는 준비한 5개의 표본과 탐지율 향상을 목적으로 준비한 1개의 표본 중 하나의 표본을 선정하고, 분류, 회귀분석 등에 사용되는 앙상블 학습법인
Random Forest(10), XgBoost(11), Logistic Regression 머신러닝 알고리즘을 이용하여 실험을 진행하였다. 실험은 총 3,761개의 표본 중 30%인 1,128개의 표본을
테스트 데이터로, 나머지 70%를 학습 데이터로 진행하였다. 학습을 진행한 알고리즘은 RandomForest, XGBoost, Logistic Regression
세 가지를 사용하였다. 테스트한 결과는 혼동 행렬로 정렬하여 분석하였고, 결과는 다음 표 4와 같다.
∙ TP(True Positive)-실제 사용자와 분류한 사용자의 예측 결과
∙ TN(True Negative)-실제 게임 봇 사용자와 분류한 게임 봇 사용자의 예측 결과
∙ FP(False Positive)-실제 사용자는 정상 사용자이지만 게임 봇으로 예측 실패(오탐)하였을 경우
∙ FN(False Negative)-실제 사용자는 게임 봇 사용자이지만 일반 사용자로 예측 실패(오탐)하였을 경우
∙ ACC(Accuracy)-실제 사용자와 게임 봇을 분류 정확도
Table 4. Confusion matrix by model
|
Count
|
Model
|
TP
|
TN
|
FP
|
FN
|
ACC
|
|
58
|
RF
|
1,015
|
83
|
28
|
2
|
0.9725
|
|
XgB
|
1,014
|
88
|
23
|
3
|
0.9760
|
|
LR
|
1,011
|
6
|
105
|
6
|
0.9015
|
|
50
|
RF
|
1,014
|
83
|
28
|
2
|
0.9725
|
|
XgB
|
1,014
|
88
|
23
|
3
|
0.9760
|
|
LR
|
1,011
|
6
|
105
|
6
|
0.9015
|
|
40
|
RF
|
1,014
|
81
|
30
|
3
|
0.9760
|
|
XgB
|
1,014
|
87
|
24
|
3
|
0.9760
|
|
LR
|
1,011
|
6
|
105
|
6
|
0.9015
|
|
30
|
RF
|
1,015
|
82
|
29
|
2
|
0.9742
|
|
XgB
|
1,014
|
83
|
28
|
2
|
0.9760
|
|
LR
|
1,011
|
6
|
105
|
6
|
0.9015
|
|
20
|
RF
|
1,013
|
82
|
29
|
4
|
0.9725
|
|
XgB
|
1,014
|
86
|
25
|
3
|
0.9760
|
|
LR
|
1,010
|
6
|
105
|
7
|
0.9015
|
표본을 선별하기 전 탐지 결과, 대부분 높은 성능을 가졌으며, 눈에 띄는 큰 차이가 없지만 미세하게 계측된 표본들의 양이 다른 것을 볼 수 있었다.
LR 모델은 표본의 과적합에 의한 오류로 인해 다른 모델과 비교해 보았을 때 성능이 매우 떨어졌다. RF 모델은 Count_40에서 탐지율이 우수했으나,
FP가 다른 표본에 비해 큰 수치로 높았다. 반면 XgBoost는 꾸준히 좋은 성능을 유지하였으며, Count_50에서 FP가 가장 낮은 수치를 기록하였다.
이 과정에서 누적된 로그의 양이 많은 순서로 58개의 표본까지 실험하였으나, 50개 이후로는 표본의 양이 적어 탐지 결과에 영향을 주지 못하였다.
본 연구에서 표본을 선별하는 과정 중 가장 중요하게 고려하였던 것은 “억울하게 제재받는 일반 사용자가 없어야 한다”였다. 따라서 표본을 선정하는 기준은
“FP” 즉, 정상 사용자를 게임 봇으로 잘못 탐지하였을 경우를 우선 하였으며, 세 개의 모델과 6개의 표본 중(6*3) 탐지율이 가장 높고, FP가
가장 낮은 Count_50의 표본을 사용하여 최적화하였다.
4.2 Experimental Result
본 절에서는 제안하는 연구 방법의 성능 평가를 위한 척도로 정밀도 PRE(Precision), TPR(True Positive Rate), FPR(False
Positive Rate), 분류 정확도(ACC)를 비교한다. 정밀도는 게임 봇이라고 판단한 로그 중 실제 계측 값의 해당하는 비율을 말한다(식 (1)). 탐지율은 실제 게임 봇 로그를 게임 봇으로 정확하게 판단한 비율을 말하며 큰 값을 가질수록 좋은 시스템이고(식 (2)), 오답 탐지율을 실제 정상적인 사용자의 로그를 게임 봇으로 분류한 비율을 말하며 다른 평가 점수와 달리 낮은 값을 가질수록 좋은 시스템이다(식 (3)). 탐지율과 오답 탐지율은 일반적으로 양의 상관관계를 가진다. 또한, 혼돈 행렬에서 실제 클래스별로 계산하기 때문에 클래스 비율에 영향을 받지 않으므로
클래스 비율이 다른 경우 유용한 성능 지표로 사용된다. 분류 정확도는 전체 탐지 결과 중 게임 봇과 일반 사용자 모두 정확하게 판단한 비율을 말하며
값이 클수록 좋은 시스템이다(식 (4)). 마지막으로 F 점수는 모델의 정확도에 대한 척도로 정밀도와 탐지율의 상층 관계를 평가에 반영하여 실제 분류기를 비교하는 데 사용되는 지표이다(식 (5)). 탐지율과 정밀도가 균형을 이룰 때 F 점수의 값이 커진다.
본 연구에서 사용한 모델인 Random Forest 및 XgBoost 단일 모델의 실험 결과와 성능 평가지표 결과를 제시한다. 준비한 3,761개의
표본에서 나눈 “일반 사용자”와 “게임 봇 사용자”의 로그를 누적하여 분류하였으며, 시각화하여 상관관계를 확인한 데이터로 사용하였다. 사용한 모델은
Logistic regression, Random Forest, XgBoost를 사용하였고, 실습 환경은 Anaconda3 (64bit) 환경에서
수행되었으며, Python3 을 사용하여 진행하였다. 자세한 실험 환경은 표 5와 같으며, 실험 결과는 표 6과 같다.
Table 5. Experimental environment
|
Name
|
Specification
|
|
OS
|
Window 10 (64bit)
|
|
CPU
|
Intel Xeon E5-2687w 2-CPU
|
|
RAM
|
64GB
|
|
GPU
|
GeForce GTX-1080TI 2-GPU
|
∙ 정밀도(Precision) : 게임 봇으로 예측한 파일 중에서 실제 게임 봇에 해당하는 비율로 식 (1)로 측정하였다.
∙ 재현율(Recall) : 게임 봇 중에서 모델이 게임 봇으로 예측한 비율로 식 (2)로 측정하였다.
∙ 정확도(Accuracy) : 입력된 데이터를 얼마나 정확하게 예측하는지에 대한 비율로 식 (3)으로 측정하였다.
∙ F1 점수(F1-score) : 정밀도와 재현율의 조화평균으로 식 (5)로 측정하였다.
Table 6. Performance Evaluation Indicators Results
|
Model
|
PRE
|
TPR
|
FPR
|
ACC
|
F-score
|
|
Random Forest
|
97.3
|
99.8
|
93.3
|
97.3
|
98.5
|
|
XgBoost Model
|
97.7
|
99.7
|
88.4
|
97.6
|
99.7
|
|
LR Model
|
90.5
|
99.4
|
94.5
|
90.1
|
94.7
|
일반 사용자와 게임 봇에 대해 정밀도, 재현율, F1 점수, 정확도 평가 결과를 나타낸다. Logistic regression 모델은 과적합(Over
Fitting)에 의한 오류로 탐지율이 현저히 낮은 것을 확인할 수 있다. XgBoost 모델의 게임 봇 재현율은 99.7%, 정밀도는 97.7%,
F1 점수는 99.7%, 분류 정확도는 97.7%의 성능을 보인다. Random forest 모델의 정밀도는 97.7%, 재현율은 99.8%, F1
점수는 98.5%, 분류 정확도는 97.3%의 성능을 보인다. 성능 평가지표 결과로 보아 XgBoost모델이 Random Forest 모델보다 우수한
성능을 보이는 것을 확인할 수 있었다. 게임 봇은 특정 로그를 계속해서 호출하고, 그 로그들은 반복해서 누적되는 모습을 본 연구에서 확인하였다. 본
연구에서 전처리한 “누적 로그의 분포” 데이터와 데이터를 학습한 모델들이 일반 사용자와 게임 봇 사용자를 구분하는 데 있어 높은 성능을 보여주었다.
5. 결 론
본 연구는 온라인 게임에서 비정상적인 편취행위를 하는 RPG에서의 게임 봇 프로그램을 누적 로그 기반 머신러닝 학습을 이용하여 탐지하는 기법을 소개하였다.
제안하는 방법은 데이터 시트의 분석 없이도 계측 값만 존재한다면 게임 봇 프로그램의 특성인 “특정 행위 반복”을 이용한 탐지 방법을 제안하였고, 연구한
특성을 이용하여 검출해 내는 것이 가능하다는 것을 보여주었다. RPG 시장 내에서 게임 봇은 문제의 핵심이다. 향후 연구는 누적 로그의 특성에 관한
연구, 장르를 불문한 타 게임에 적용 가능한지에 관한 연구, 그 밖에 티켓팅 봇, 쇼핑몰 봇, 메일 봇 등 적용 여부를 연구하고자 한다. 본 연구를
통해 게임보안, 기타 산업보안 등에 사용하기 위한 활발한 연구 활동이 이뤄질 것이라 기대한다.
Acknowledgements
본 연구는 2021년도 상명대학교 교내연구비를 지원받아 수행하였음.
References
Tom Wijman, 2020.05.08, The World’s 2.7 Billion Gamers Will Spend $159.3 Billion on
Games in 2020; The Marjet Will Surpass $200 Billon by 2023, Newzoo
The Korea Creative Content Agency, 2019.08.01, 2019 Game User Status Survey, https://www.kocca.kr/cop/bbs/view/B0000147/1840157.do?menuNo=201825#
Eun Jo Lee, Sung Wook Kang, Aug 2017, MMORPG bot detection technique using character
name, KOREA INSTITUTE OF INFORMATION SECURITY & CRYPTOLOGY, Vol. 27, No. 4
G. I. Webb, J. Boughton, Z. Wang, 2005, Not So Naive Bayes: Aggregating One-Dependence
Estimators, Machine Learning, Vol. 58, No. 1, pp. 5-24
Yong Goo Kang, Huy Kang Kim, Oct 2018, Game Bot Detection Based on Action Time Interval,
Korea Institute Of Information Security And Cryptology, Vol. , No. , pp. 1153-1160
Juyoung Kim, Hunjoo Lee, 201412, Gamebot Detecting Rule Verification and Gamebot Detection
using Online Game Log Data, The Korean Institute of Information Scientists and Engineers,
pp. 835-837
Subong Choi, Youngki Chung, Donghoon Lee, Jongsub Moon, Sep 2020, An Analysis Techniques
for Detecting Game Bot using a Deep Learning Model, THE JOURNAL OF KOREAN INSTITUTE
OF NEXT GENERATION COM- PUTING, Vol. 16, No. 3
L. Breiman, 2001, Random Forests, Machine Learning 45, pp. 5-32
T. Chen, C. Guestrin, 2016, XGBoost: A Scalable Tree Boosting System, In Proceedings
of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,
pp. 785-794
저자소개
상명대학교 정보보안공학과 재학
관심분야: 빅데이터, 웹 보안, 정보보호
이메일: asgsdg3@naver.com
부산대학교 멀티미디어 공학박사
경력: 센서기술연구소 연구원, 상명대학교 정보보안공학과 교수
관심분야: 인공지능, 보안시스템, 악성코드, 딥러닝
이메일: cjseo@smu.ac.kr