Payment fraud in Online game is occurring frequently as real money trading market capable of selling game items in real money has emerged. In the previous research, a statistical based method to detect abnormal transactions was proposed. However, this method continues to misclassify some normal and abnormal users when their transaction statistics are similar with each other. We propose a sequence model that can overcome this problem. We also propose a new sequence model capable of reflecting purchase behavioral pattern between normal and abnormal users, so that it overcomes the problem of misclassification between normal and abnormal users with the same sequence information. In order to do that, we model the sequence of transactions with a recurrent neural network which also combines charge and purchase transaction features in single feature vector. In experiments using real data (a 483,410 transaction log) from a famous online game company in Korea, the proposed method shows a 78% recall rate with a 0.057% false positive rate. This recall rate is 7% better than current methodology utilizing transaction statistics as features.
온라인게임 내 게임아이템을 현금으로 판매 가능한 현금거래시장이 생겨나면서 게임 내 결제 관련 사기가 빈번하게 일어나고 있다. 기존 연구에서는 게임 결제 데이터의 기본적 속성들을 가지고 통계기반의 모델을 제시하여 이상거래를 탐지하는 방법을 제시하였다. 하지만 이 방법은 거래들의 순서정보는 다르지만 통계값은 비슷한 정상과 비정상유저에 대해서는 잘못 탐지를 할 수 있다는 한계점이 있다. 따라서 우리는 순서정보 반영이 가능한 순서모델을 제안하여 앞선 방법의 한계점을 극복한다. 또한 게임 내에서 발생할 수 있는 정상유저와 비정상유저의 구매행위의 패턴차이를 반영한 새로운 순서 모델링을 제안하여 같은 순서정보를 가지는 정상유저와 비정상유저의 오탐문제를 해결한다. 유명한 게임회사의 실제 게임결제데이터를 가지고 실험을 진행하여 비정상거래에 대해 78%의 탐지율과 0.057%의 오탐율을 보였다.
