게임 밸런싱을 위한 Monte Carlo 시뮬레이션: 확률 검증과 드롭률 설계 방법

게임 밸런싱에서 Monte Carlo 시뮬레이션은 실제 플레이를 수만~수백만 회 가상 실행해 승률, 드롭률, 재화 소모량의 분포를 추정하는 방법이다. 단일 평균만 보지 말고 분위수와 신뢰구간을 함께 확인하면 ‘평균적으로는 괜찮지만 일부 플레이어에게 지나치게 가혹한’ 설계를 발견할 수 있다.

Monte Carlo 시뮬레이션은 게임 밸런싱에 왜 필요한가?

게임 시스템에는 확률이 연속해서 얽힌다. 명중 판정 뒤 치명타가 발생하고 방어력으로 피해가 감소하며 전투 종료 뒤에는 보상 테이블이 굴러간다. 이 과정을 기대값 수식만으로 모두 계산할 수는 있지만 조건부 효과와 누적 규칙이 늘어나면 구현 모델을 반복 실행하는 편이 더 안전하고 이해하기 쉽다.

Monte Carlo 시뮬레이션은 난수를 사용해 같은 규칙을 여러 번 실행한 뒤 결과의 빈도와 분포를 집계한다. 예를 들어 ‘권장 전투력에서 보스 승률 60%’라는 목표를 검증할 때 1회 전투 결과가 아니라 100,000회의 전투 결과를 본다.

검증 대상	평균만 볼 때의 한계	Monte Carlo로 추가 확인할 값
보스 전투	평균 DPS가 비슷해도 승률이 다를 수 있다	승률, 전투 시간, 패배 원인, 남은 HP
아이템 드롭	기댓값은 목표치에 도달하지만 유저의 체감 만족도는 낮을 수 있다.	미획득 연속 횟수, 50·90·99 분위수
강화 시스템	평균 비용은 낮아도 일부 비용이 폭증할 수 있다	목표 단계 도달 비용의 중앙값과 상위 분위수
게임 경제	일일 기대 수입만으로 인플레이션을 판단하기 어렵다	계정별 누적 재화 분포, 싱크 대비 소스 비율

전투 결과와 드롭 횟수 분포를 히스토그램으로 비교하는 게임 밸런싱 대시보드

게임 확률 검증은 어떻게 구현할까?

Step 1. 검증할 플레이어 상태와 성공 조건을 고정한다

먼저 질문을 하나의 측정 가능한 문장으로 바꾼다. 예를 들면 다음과 같다.

레벨 20, 권장 장비 점수의 플레이어가 보스에게 승리할 확률은 55~65%인가?
희귀 장비를 10회 처치 안에 하나 이상 얻을 확률은 70% 이상인가?
강화 +10까지 필요한 골드의 90% 분위수는 보유 골드 50,000 이하인가?

‘적당히 어렵다’처럼 해석이 갈리는 목표는 시뮬레이션으로 판정할 수 없다. 전투력, 스킬 사용 규칙, 회복 아이템 사용 시점, 전투 제한 시간처럼 결과에 영향을 주는 입력값도 명시해야 한다.

Step 2. 실제 규칙과 같은 최소 모델을 만든다

시뮬레이터는 게임 클라이언트를 통째로 재현할 필요가 없다. 대신 밸런스에 영향을 주는 규칙을 실제와 동일한 순서와 단위로 구현한다. 특히 반올림, 최소 피해, 치명타 적용 순서, 천장 규칙은 작은 차이도 결과를 크게 바꿀 수 있다.

피해의 단순화된 예시는 다음과 같다.

damage = max(1, floor(attack \times skillMultiplier \times criticalMultiplier - defense))

난수 피해 범위까지 포함한다면 다음처럼 정의할 수 있다.

finalDamage = floor(damage \times U(0.9, 1.1))

여기서 $U(0.9, 1.1)$ 은 0.9 이상 1.1 이하의 균등분포 난수다. 실제 프로젝트에서 사용 중인 난수 분포와 다르게 구현하면 검증 결과도 실제와 달라진다.

Step 3. 충분한 횟수를 실행하고 분포를 저장한다

성공/실패처럼 이진 결과는 시행 횟수 $N$ 에서 성공 횟수 $k$ 를 집계해 추정 승률을 구한다.

\hat{p} = \frac{k}{N}

표본 수가 충분히 클 때 95% 신뢰구간의 근사식은 다음과 같다.

\hat{p} \pm 1.96 \times \sqrt{\frac{\hat{p}(1-\hat{p})}{N}}

예를 들어 100,000회 중 60,200회 승리했다면 추정 승률은 60.2%다. 이 값만 보고 결론 내리지 말고 신뢰구간이 목표 범위를 벗어나는지도 확인한다. 희귀 드롭이나 낮은 확률 강화처럼 사건이 드문 시스템은 훨씬 많은 시행 횟수가 필요하다.

Unity C# 예제: 보스 승률과 전투 시간 시뮬레이션

아래 예제는 공격, 명중, 치명타, 피해 난수만 포함한 간단한 턴제 전투 모델이다. System.Random(seed)를 사용해 같은 시드에서 같은 결과를 재현할 수 있게 했다.

using System;
using System.Collections.Generic;
using System.Linq;

public readonly record struct Fighter(
    int MaxHp,
    int Attack,
    int Defense,
    double Accuracy,
    double CritChance,
    double CritMultiplier);

public readonly record struct BattleResult(bool IsWin, int Turns, int PlayerHp);

public static class BattleMonteCarlo
{
    public static BattleResult Simulate(
        Fighter player,
        Fighter boss,
        int maxTurns,
        Random rng)
    {
        int playerHp = player.MaxHp;
        int bossHp = boss.MaxHp;

        for (int turn = 1; turn <= maxTurns; turn++)
        {
            bossHp -= RollDamage(player, boss, rng);
            if (bossHp <= 0)
                return new BattleResult(true, turn, playerHp);

            playerHp -= RollDamage(boss, player, rng);
            if (playerHp <= 0)
                return new BattleResult(false, turn, 0);
        }

        return new BattleResult(false, maxTurns, Math.Max(0, playerHp));
    }

    public static void Run(int trials, int seed)
    {
        var player = new Fighter(1200, 160, 45, 0.92, 0.25, 1.5);
        var boss = new Fighter(1800, 130, 35, 0.88, 0.10, 1.4);
        var rng = new Random(seed);
        var results = new List<BattleResult>(trials);

        for (int i = 0; i < trials; i++)
            results.Add(Simulate(player, boss, maxTurns: 30, rng));

        int wins = results.Count(x => x.IsWin);
        double winRate = (double)wins / trials;
        double standardError = Math.Sqrt(winRate * (1.0 - winRate) / trials);
        double ciLow = winRate - 1.96 * standardError;
        double ciHigh = winRate + 1.96 * standardError;
        double medianTurns = results
            .Select(x => x.Turns)
            .OrderBy(x => x)
            .ElementAt(trials / 2);

        Console.WriteLine($"Trials: {trials:N0}");
        Console.WriteLine($"Win rate: {winRate:P2}");
        Console.WriteLine($"95% CI: {ciLow:P2} ~ {ciHigh:P2}");
        Console.WriteLine($"Median turns: {medianTurns}");
    }

    private static int RollDamage(Fighter attacker, Fighter defender, Random rng)
    {
        if (rng.NextDouble() > attacker.Accuracy)
            return 0;

        double crit = rng.NextDouble() < attacker.CritChance
            ? attacker.CritMultiplier
            : 1.0;
        double variance = 0.9 + rng.NextDouble() * 0.2;
        double rawDamage = (attacker.Attack - defender.Defense) * crit * variance;
        return Math.Max(1, (int)Math.Floor(rawDamage));
    }
}

이 코드는 밸런스의 최종 답이 아니라 검증용 실험대다. 실제 게임에 쿨다운, 스킬 우선순위, 상태 이상, 힐러 AI가 있다면 해당 규칙을 모듈로 분리해 추가해야 한다. 클라이언트 로직을 복제하기보다 서버나 공용 전투 계산 모듈을 호출할 수 있다면 규칙 불일치 위험이 더 낮아진다.

드롭률과 강화 확률에서 어떤 지표를 봐야 하는가?

드롭률 10%는 평균 10회마다 한 번 획득한다는 뜻이지만 모든 플레이어가 정확히 10회째에 얻는다는 뜻은 아니다. 독립 시행에서 $n$ 회 안에 한 번 이상 획득할 확률은 다음과 같다.

P(X \geq 1) = 1 - (1-p)^n

예를 들어 드롭률이 10%일 때 10회 안에 한 번 이상 얻을 확률은 약 65.1%다. 반대로 약 34.9%는 10회 동안 아무것도 얻지 못한다. 목표가 ‘대부분의 플레이어가 10회 안에 보상을 경험한다’라면 10%라는 직관적 수치만으로는 부족하다.

지표	확인할 질문	권장 사용처
평균	시스템이 장기 경제 목표에 맞는가?	일일 재화 생산량, 기대 피해량
중앙값	전형적인 플레이어 경험은 어떤가?	강화 비용, 목표 보상 도달 횟수
90% 분위수	상위 10%의 불운이 감당 가능한가?	파밍 횟수, 소모 재화
99% 분위수	극단적 불운이 서비스 이탈을 부르는가?	가챠, 강화 실패, 희귀 보상
연속 실패 길이	체감상 ‘안 나온다’가 발생하는가?	드롭, 회피, 상태 이상 적중

천장 시스템은 평균을 조정하는 장치이면서 분산을 제한하는 장치이기도 하다. 희귀 아이템을 일정 횟수 안에 보장해야 한다면 독립 확률을 계속 굴리는 방식보다 실패 횟수를 상태로 보유하고 정해진 횟수에서 확정 지급하는 규칙을 시뮬레이터에 그대로 넣어 비교해야 한다.

flowchart TD
    A[밸런스 목표 정의] --> B[규칙과 플레이어 상태 모델링]
    B --> C[시드 고정 시뮬레이션 실행]
    C --> D[승률·분위수·신뢰구간 집계]
    D --> E{목표 범위 충족?}
    E -- 예 --> F[다른 플레이 스타일과 경계 조건 검증]
    E -- 아니오 --> G[파라미터 조정]
    G --> C

시뮬레이션 결과가 실제 플레이와 다른 이유는 무엇인가?

가장 흔한 원인은 모델이 실제 플레이어의 의사결정을 충분히 표현하지 못하는 것이다. 자동 전투 AI만으로 검증한 승률은 수동 회피와 스킬 캔슬을 사용하는 숙련 플레이어의 승률과 다를 수 있다. 따라서 하나의 ‘평균 플레이어’ 모델 대신 최소한 다음 구간을 나누는 편이 좋다.

초보 플레이어: 반응 지연, 낮은 스킬 활용도, 안전 위주 행동을 반영한다.
기준 플레이어: 기획상 권장하는 장비와 기본 공략을 따른다.
숙련 플레이어: 효율적인 스킬 순서와 위험 감수 행동을 반영한다.

또한 시뮬레이션은 구현 오류를 자동으로 찾아주지 않는다. 모든 시행에서 같은 잘못된 수식을 사용하면 결과는 정밀하지만 틀릴 수 있다. 소수의 사례는 손계산 또는 결정적 테스트로 기대 결과를 먼저 고정하고 그 뒤 대량 난수 실행으로 분포를 검증하는 순서가 안전하다.

강화 시도 횟수별 누적 성공 확률과 천장 규칙 적용 전후를 비교한 그래프

신뢰할 수 있는 게임 확률 검증 체크리스트

난수 시드를 기록해 이상 결과를 재현할 수 있는가?
실제와 동일한 반올림, 최소값, 확률 판정 순서를 사용했는가?
평균 외에 중앙값, 90% 분위수, 99% 분위수를 저장했는가?
목표 수치와 결과의 95% 신뢰구간을 비교했는가?
장비 하한·권장·상한, 초보·숙련 플레이어처럼 경계 조건을 나눴는가?
독립 시행 가정이 맞는가? 천장, 누적 보정, 계정 상태가 있다면 상태를 모델링했는가?
릴리스 전 실제 플레이 로그 또는 QA 재현 결과와 시뮬레이션 결과를 대조했는가?

자주 묻는 질문 (FAQ)

Monte Carlo 시뮬레이션은 몇 회 실행해야 하나?

일반적인 승률 검증은 우선 100,000회부터 시작할 수 있다. 다만 0.1%처럼 희귀한 사건, 99% 분위수, 매우 좁은 허용 오차를 검증하려면 수백만 회 이상이 필요할 수 있다. 필요한 횟수는 목표 오차와 측정하려는 확률에 따라 정해야 한다.

난수 시드를 고정하면 확률 검증이 왜곡되지 않나?

한 시드만으로 결론을 내리면 위험하지만 고정 시드는 버그 재현에 필수적이다. 개발 중에는 시드를 기록해 동일 결과를 재현하고 최종 보고에서는 여러 시드 또는 충분한 시행 횟수의 통합 결과를 사용하면 된다.

기대값이 맞으면 드롭률 밸런스도 맞는가?

아니다. 기대값은 장기 평균만 설명한다. 플레이어 경험에는 연속 실패, 목표 보상까지의 시간, 극단적 불운이 더 크게 작용할 수 있으므로 분위수와 누적 획득 확률을 함께 검토해야 한다.

마무리

Monte Carlo 시뮬레이션의 목적은 밸런스 판단을 숫자 하나로 자동화하는 것이 아니다. 같은 규칙에서 어떤 플레이어가 얼마나 자주 실패하고 어느 정도의 불운까지 시스템이 허용하는지 드러내는 데 있다. 목표 승률과 경제 목표를 먼저 수치로 정의하고 실제 규칙을 반영한 모델에서 평균·분포·신뢰구간을 함께 검증하면 감에 의존하던 밸런싱을 반복 가능한 설계 과정으로 바꿀 수 있다.