[논문 리뷰] Cheaters in the Steam Community Gaming Social Network

Jeremy Blackburn, Ramanuja Simha외 6명|arXiv (Cornell University)|2011. 12. 21.

Digital Games and Media참고 문헌 27인용 수 3

한 줄 요약

이 연구는 1,200만 명이 넘는 사용자와 10,000명 이상의 플레이어의 게임 내 상호작용 데이터를 바탕으로 스팀 커뮤니티 게임 소셜 네트워크에서의 조작 행위를 분석한다. 연구 결과, 조작 행위를 하는 유저들은 사회적 네트워크에 잘 통합되어 있으며, 친구 영향을 통해 조작 행동이 사회적으로 퍼져나가는 것으로 나타났다. 또한 조작 행위를 한 유저들은 활성화되어 있음에도 불구하고 친구 상실 및 프라이버시 설정 강화와 같은 사회적 제재를 받는다.

ABSTRACT

Online gaming is a multi-billion dollar industry that entertains a large, global population. One unfortunate phenomenon, however, poisons the competition and the fun: cheating. The costs of cheating span from industry-supported expenditures to detect and limit cheating, to victims' monetary losses due to cyber crime. This paper studies cheaters in the Steam Community, an online social network built on top of the world's dominant digital game delivery platform. We collected information about more than 12 million gamers connected in a global social network, of which more than 700 thousand have their profiles flagged as cheaters. We also collected in-game interaction data of over 10 thousand players from a popular multiplayer gaming server. We show that cheaters are well embedded in the social and interaction networks: their network position is largely undistinguishable from that of fair players. We observe that the cheating behavior appears to spread through a social mechanism: the presence and the number of cheater friends of a fair player is correlated with the likelihood of her becoming a cheater in the future. Also, we observe that there is a social penalty involved with being labeled as a cheater: cheaters are likely to switch to more restrictive privacy settings once they are tagged and they lose more friends than fair players. Finally, we observe that the number of cheaters is not correlated with the geographical, real-world population density, or with the local popularity of the Steam Community. This analysis can ultimately inform the design of mechanisms to deal with anti-social behavior (e.g., spamming, automated collection of data) in generic online social networks.

연구 동기 및 목표

• 스팀 커뮤니티 게임 플랫폼에서 조작 행위를 하는 유저의 사회적 네트워크 위치를 이해하는 것.
• 플레이어 간 사회적 영향력에 의해 조작 행위가 퍼지는지 조사하는 것.
• 공개적으로 조작 행위자로 표시된 이후의 사회적 결과를 분석하는 것, 프라이버시 및 친구 관계의 변화 포함.
• 지리적 또는 인구 밀도 요소가 조작 행위의 빈도와 상관관계가 있는지 조사하는 것.
• 온라인 소셜 네트워크에서의 반사회적 행동 탐지 및 반조작 메커니즘 개선을 위한 정보 제공.

제안 방법

• 웹 크롤링을 통해 1,200만 명 이상의 스팀 사용자로부터 사회적 연결 및 VAC 밴 상태 데이터를 수집.
• 10,000명 이상의 플레이어를 대상으로 인기 멀티플레이어 서버의 게임 내 상호작용 로그를 확보하여 행동 패턴 분석.
• 대규모 네트워크 지표 처리를 위해 아마존 이(Operation)스케일의 메트릭스를 사용하여 MapReduce를 적용, 차수 중심성 및 중간 중심성 포함.
• 지리적 사회적 지표를 적용하여 조작 행동의 공간 집합 및 지역적 패턴 평가.
• 프로필 및 네트워크 특징 기반으로 플레이어를 조작 행위자로 분류하기 위해 기계학습 모델(로지스틱 회귀, 나이브 베이즈, 결정 트리)을 훈련.
• 시간적 분석을 수행하여 플레이어의 조작 행위자 친구 수와 향후 조작 행위자로 전환할 가능성 간 상관관계 평가.

실험 결과

연구 질문

• RQ1 스팀 커뮤니티의 사회적 네트워크 및 상호작용 네트워크 내에서 조작 행위를 하는 유저는 어떻게 위치해 있는가?
• RQ2 조작 행위자 친구의 존재 및 수가 공정한 플레이어가 향후 조작 행위를 할 가능성을 예측할 수 있는가?
• RQ3 공개적으로 조작 행위자로 표시된 후 플레이어가 겪는 사회적 결과는 무엇인가?
• RQ4 조작 행위자의 분포가 실제 지리적 인구 밀도 또는 지역 스팀 인기와 상관관계가 있는가?
• RQ5 네트워크 기반 특징이 온라인 게임 환경에서 조작 행위자 탐지에 향상 기여를 할 수 있는가?

주요 결과

• 조작 행위자들은 중심성 지표 측면에서 공정한 플레이어와 거의 구별되지 않을 정도로 사회적 네트워크에 잘 통합되어 있다.
• 조작 행위자 친구의 존재 및 수가 공정한 플레이어가 향후 조작 행위를 할 가능성을 유의미하게 예측하며, 이는 조작 행동의 사회적 전파를 시사한다.
• 조작 행위자들은 공개적으로 표시된 후 프라이빗 프로필 설정으로 전환할 가능성이 더 높다. 이는 사회적 부담감이나 불편함을 반영한다.
• 조작 행위자들은 공정한 플레이어보다 시간이 지남에 따라 더 많은 친구 상실을 겪으며, 이는 명백한 사회적 제재임을 시사한다.
• 조작 행위의 빈도는 지리적 인구 밀도 또는 지역 스팀 인기와 상관관계가 없으며, 이는 조작 행위를 이끄는 문화적 또는 공동체 수준의 요소가 존재할 수 있음을 시사한다.
• 프로필 및 네트워크 특징을 기반으로 한 기계학습 모델은 조작 행위자를 65%에서 74%의 정확도로 분류할 수 있다.