기술 요약: MOG에서 에임봇(Aimbot) 부정행위자 탐지

1. 문제 정의

멀티플레이어 온라인 게임(MOG)의 부상은 수십억 달러 규모의 산업을 창출했지만, 경쟁적 무결성과 플레이어 유지율을 저해하는 부정행위자들이 이 성장을 위협하고 있습니다. 전통적인 안티치트 시스템은 메모리 기반 에임봇(게임 프로세스 메모리에 접근하여 플레이어 좌표를 추출하는 방식)을 효과적으로 탐지하지만, 새로운 유형의 위협인 비주얼 에임봇(Visual Aimbots) 앞에서는 근본적으로 무력합니다.

비주얼 에임봇은 게임 프로세스 외부에서 완전히 작동합니다. 이들은 클라이언트의 화면 출력을 캡처하고 컴퓨터 비전 모델(예: YOLO, Faster R-CNN)을 사용하여 적을 탐지한 뒤, 조준 및 사격을 위해 입력을 시뮬레이션합니다. 이들은 게임 메모리와 상호작용하지 않기 때문에 커널 수준의 안티치트 솔루션으로 탐지할 수 없습니다. 또한, 기존의 방해 기반 방어 기법(예: 게임 프레임에 적대적 노이즈를 추가하는 방식)은 부정행위자가 이러한 섭동(perturbation)을 무시하도록 모델을 반복적으로 재학습시키거나, 해당 섭동이 게임의 시각적 디자인을 해칠 수 있기 때문에 효과가 떨어지는 경우가 많습니다.

2. 방법론: PATCH

저자들은 적대적 패치(Adversarial Patches)를 허니토큰(Honeytokens)으로 활용하는 새로운 선제적 방어 전략인 PATCH를 제안합니다. 부정행위자의 모델 성능을 저하시키는 것이 목적이 아니라, 의도적으로 공격자의 객체 탐지 모델을 자극하여 패치를 합법적인 플레이어로 오인하게 만드는 것이 목표입니다.

핵심 워크플로우

1. 패치 생성 (그래디언트 기반 최적화):

   • 방어자는 공격자의 객체 탐지 모델에서 "플레이어" 클래스에 대한 신뢰도 점수(Confidence Score)를 극대화하도록 설계된 작은 최적화 이미지 패치를 생성합니다.
   • 이 과정은 무작위 노이즈($U(0.25, 0.75)$에서 샘플링됨)로 패치를 초기화하고, 탐지 신뢰도를 높이기 위해 그래디언트 상승법(Gradient Ascent)을 통해 픽셀 값을 반복적으로 업데이트하는 과정을 포함합니다.
   • 최적화 과정에서 디텍터의 가중치는 고정(Frozen)한 채 패치 픽셀만을 학습시킵니다. 위치 불변성(Location Invariance)을 보장하기 위해, 최적화 중 학습 이미지 내에 패치를 무작위로 배치합니다.
   • 목적 함수는 상위 $k$개 클래스 점수의 음의 평균($L = -\frac{1}{k}\sum S_i$)을 최소화하여, 패치가 타겟 클래스와 강력하게 연관된 특징을 발달시키도록 강제합니다.

2. 배포 전략:

   • HUD 오버레이: 패치의 적대적 특성(원근법, 조명, 압축에 민감함)을 보존하기 위해, 패치를 3D 게임 오브젝트로 렌더링하지 않습니다. 대신, 패치를 클라이언트 화면에 직접 HUD(Heads-Up-Display) 오버레이 형태로 배포합니다. 이를 통해 패치가 훈련된 것과 정확히 일치하는 모습으로 나타나게 합니다.
   • 허니토큰 로직:
     • 비주얼 에임봇 + 트리거봇(Triggerbot): 만약 부정행위자의 시스템이 패치를 향해 조준하고 발사한다면, 서버는 존재하지 않는 대상을 향해 발사되었다는 결정적인 부정행위 증거를 수신하게 되며, 해당 플레이어를 차단할 수 있습니다.
     • 비주얼 에임봇 전용: 만약 부정행위자가 발사 없이 조준만 한다면, 서버는 발사 여부를 감지할 수 없습니다. 이 시나리오에서 서버는 뷰포트에 여러 개의 패치를 다양한 위치에 "플러딩(Flooding)"하여, 정직한 플레이어에게는 영향을 주지 않으면서 부정행위자의 커서가 통제 불능으로 떨리게 만들어 게임을 플레이 불가능한 상태로 만듭니다.

3. 위협 모델:

   • 화이트박스(White-Box): 방어자가 공격자가 사용하는 특정 모델에 접근할 수 있는 경우입니다 (많은 부정행위자가 사전 학습된 모델을 구매하므로 흔한 상황임).
   • 블랙박스(Black-Box): 방어자가 대리 모델(예: YOLO11m)을 사용하여 패치를 생성한 후, 이를 다른 모델(예: YOLO12m, YOLO26m)을 사용하는 공격자에게 테스트하여 전이성(Transferability)을 평가합니다.

3. 실험 설정

저자들은 커스텀 언리얼 엔진 게임과 상용 타이틀인 포트나이트(Fortnite)를 사용하여 PATCH를 평가했습니다.

• 모델: 주요 베이스 모델은 YOLO11m입니다 (실시간 애플리케이션에서의 속도와 정확도의 균형을 고려하여 선택됨). 전이성은 YOLO12m 및 YOLO26m를 대상으로 테스트되었습니다.
• 구성:
  • 동일 머신(Same-Machine): 에임봇이 게임과 동일한 PC에서 실행되는 경우.
  • 외부 머신(External-Machine): 게임은 한 대의 PC에서 실행되고, 화면 출력은 HDMI를 통해 에임봇이 실행 중인 두 번째 PC로 캡처되는 경우 (흔한 회피 기법).
• 변수: 테스트는 패치 크기 5종 ($10\times10$부터 $30\times30$까지), 화면 해상도 3종 ($1440\times1080$, $1920\times1080$, $3440\times1440$), 그리고 화이트박스 및 블랙박스 시나리오를 모두 포함했습니다.

4. 주요 결과

탐지 효과성

• 화이트박스 성능: 방어자가 공격자의 모델을 알고 있는 시나리오에서, PATCH는 대부분의 패치 크기에 대해 **90% 이상의 탐지율(F1-score)**을 달성했습니다.
• 블랙박스 전이성: 보지 못한 모델(YOLO12m 및 YOLO26m)을 대상으로 테스트했을 때, 큰 패치($25\times25$ 및 $30\times30$)는 60%~90%의 교차 모델 전이성을 보여주었습니다. 60%라는 하한선조차도 신뢰할 수 있는 식별을 위한 충분한 수치로 간주되는데, 이는 허니토큰에 대한 반복적인 적중이 결정적인 증거를 제공하기 때문입니다.
• 패치 크기 트레이드오프:
  • 더 작은 패치($10\times10$)는 은밀함은 뛰어나지만 탐지율이 낮았습니다 (화이트박스에서 약 57%, 블랙박스에서는 크게 하락).
  • $15\times15$ 크기의 패치가 임계점으로 나타났으며, 화이트박스 시나리오에서 **93.4%**의 탐지율을 달성하면서도 상대적으로 눈에 덜 띄었습니다.
  • 더 큰 패치($30\times30$)는 가장 높은 견고성과 전이성을 제공했지만, 인간의 눈에는 더 잘 띄었습니다.

견고성 및 확장성

• 화解상도: 이 접근 방식은 다양한 해상도에 걸쳐 확장 가능함을 입증했습니다. 모델의 훈련 입력(640x640) 대비 뷰포트 크기에 따른 스케일링 인자를 계산함으로써, 패치는 표준, 소형, 울트라와이드 디스플레이 전반에서 일관된 F1-score를 유지했습니다.
• 캡처 구성: 공격자가 동일 머신 캡처 방식을 사용하든 외부 머신 캡처 방식을 사용하든 탐지율은 일관되게 유지되었습니다 (~92% F1-score).
• 포트나이트 검증: 오픈 소스 비주얼 에임봇(YOLO12)을 사용한 포트나이트에서의 개념 증명(PoC)은 실제 적용 가능성을 확인시켜 주었습니다. $30\times30$ 패치는 **89.3%**의 평균 공격 성공률(ASR@0.5)을 달성했으며, 특히 높은 신뢰도 임계값(0.75)에서도 실제 플레이어보다 더 높은 신뢰도 점수를 유도했습니다.

5. 기여 및 의의

본 논문은 다음과 같은 기여를 주장합니다:

1. 새로운 선제적 방어: 부정행위자를 눈멀게 하는 것이 아니라, 거짓 양성(False Positive)을 유도하여 그들을 함정에 빠뜨리는 전략을 도입했습니다.
2. 포괄적인 평가: 커스텀 언리얼 엔진 환경에서 패치 파라미터(크기, 위치) 및 실행 설정(해상도, 캡처 방법)에 대한 체계적인 테스트를 수행했습니다.
3. 실제 적용 가능성: 상용 타이틀인 포트나이트에서의 검증을 통해, 이 방법이 커스텀 연구 환경에 국한되지 않음을 입증했습니다.

의의

저자들은 비주얼 에임봇이 점점 더 많아짐에 따라 전통적인 사후 대응형 탐지는 불충분하다고 주장합니다. PATCH는 게임 개발자들에게 공격자의 무기(객체 탐지 모델)를 역으로 이용할 수 있는 새로운 도구를 제공합니다. 허니토큰을 배치함으로써, 방어자는 패치를 향해 발사된 사격 로그를 통해 직접적으로 부정행위자를 식별하거나, 정직한 플레이어에게는 영향을 주지 않으면서 부정행위자의 게임 플레이 경험을 방해할 수 있습니다. 본 논문은 완벽하지 않은 블랙박스 전이성에도 불구하고, 큰 패치의 높은 탐지율이 이 새로운 위협을 완화할 수 있는 실행 가능한 경로를 제공한다는 점을 강조합니다.