联系我们

深度学习

开发了用于对抗视频游戏作弊的机器学习模型

更新

 on

任何视频游戏玩家都知道与作弊者竞争是多么令人沮丧,但许多人’意识到对游戏和开发者的经济和其他影响。似乎无论开发人员采取什么行动,有些人总会找到欺骗游戏的方法。这就是为什么德克萨斯大学达拉斯分校的计算机科学家采用人工智能(AI)对抗这些玩家的原因。 

该研究发表于 IEEE可靠和安全计算交易 on Aug. 3.

研究人员使用了流行的第一人称射击游戏Counter-Strike来开发这种新方法,但是它可以应用于中央服务器接收数据流量的任何大型多人在线(MMO)游戏。 

Counter-Strike是市场上最受欢迎的第一人称射击游戏之一,这意味着玩家一直在使用软件作弊。该游戏由玩家团队共同努力,以通过炸弹扩散,人质营救和保护工厂位置来打击恐怖分子。玩家可以通过赚取游戏币来购买更强大的武器。

Ms Shihabul Islam是Erik Jonsson工程与计算机科学学院的UT达拉斯计算机科学博士学位。伊斯兰本人是反恐精英玩家,是该研究的主要作者。

“Sometimes when you’与使用作弊技巧的玩家进行比赛,但有时可能并不明显,” he said. “It’对其他玩家不公平。”

经济影响

许多玩家可能会认为作弊只是破坏他人乐趣的一种方式,但是还有许多其他含义。由于这种行为,玩家经常离开游戏,这可能会对开发人员造成经济影响。 

在电子竞技这个快速发展的行业中,它每年带来大约10亿美元的收入,对欺诈行为的制裁取决于对球队和球员的制裁。这些可能包括取消参赛资格,没收奖金或全面禁止。 

检测作弊的挑战

围绕MMO游戏作弊的重大挑战之一是它经常未被发现。来自玩家的重要数据’将计算机加密到游戏服务器上,这意味着通常只有在解密游戏日志后才能检测到作弊,并且’太晚了。这就是为什么达拉斯分校的团队开发了一种不涉及解密但可以实时分析加密数据流量的方法的原因。 

Latifur Khan博士是计算机科学教授, 大数据 UT达拉斯的分析和管理实验室。他还是该研究的作者之一。 

“作弊的玩家以不同的方式发送流量,” said Khan. “We’重新尝试捕捉这些特征。”

分析游戏流量以检测模式

团队’的研究涉及20名学生,他们在游戏中使用了三种软件作弊手段,其中包括aimbot,speed hack和wallhack。然后,研究人员分析了往返服务器的游戏流量,从而发现了确定欺诈行为的某些模式。 

研究人员利用这些数据训练了一种机器学习算法,该算法能够根据模式和特征预测作弊行为。调整统计模型后,可以将其应用于较大的群体。他们的方法的一个方面是将数据流量发送到图形处理单元,这可以加快处理速度并减少主服务器中中央处理单元的工作量。

据伊斯兰堡称,其他游戏公司可以将新方法与自己的数据结合使用,最终为他们的游戏训练游戏软件。该软件检测到作弊行为后,可以立即对其进行补救。

“After detection,” Khan said, “如果玩家在固定的时间间隔内继续作弊,我们会发出警告并优雅地将其踢出。

“我们的目标是确保《反恐精英》等游戏对所有玩家保持乐趣和公平。”