Maskinlæringsmodel udviklet til at bekæmpe snyd i videospil

Enhver videospiller ved, hvor frustrerende det er at konkurrere med snydere, men mange glemmer de økonomiske og andre konsekvenser for spillet og udvikleren. Det ser ud til, at uanset hvilke handlinger en udvikler tager, finder nogle personer altid måder at snyde på. Det er derfor, dataloger på University of Texas at Dallas har taget en kunstig intelligens (AI)-tilgang for at bekæmpe disse spillere.

Forskningen blev offentliggjort i IEEE Transactions on Dependable and Secure Computing den 3. august.

Forskerne brugte det populære first-person shooter-spil Counter-Strike til at udvikle den nye tilgang, men den kan anvendes på ethvert stort multiplayer online-spil (MMO), hvor en central server modtager data-trafik.

Counter-Strike er et af de mest populære first-person shooter-spil på markedet, hvilket betyder, at spillere altid bruger software-snyd. Spillet indebærer, at hold af spillere arbejder sammen for at modvirke terrorister gennem bombenedsættelse, gidseltagning og sikring af anlægslokationer. Spillere kan købe mere kraftfulde våben ved at tjene indenfor spillet.

Md Shihabul Islam er en ph.d.-studerende i datalogi på Erik Jonsson School of Engineering and Computer Science på UT Dallas. Islam, der selv er en Counter-Strike-spiller, var hovedforfatter på studiet.

“Nogle gange, når du spiller mod spillere, der bruger snyd, kan du se det, men nogle gange kan det ikke være åbenlyst,” sagde han. “Det er ikke retfærdigt over for de andre spillere.”

Den økonomiske impact

Mange spillere ser snyd som en måde at ødelægge sjovet for andre, men der er mange flere konsekvenser. Spillere forlader ofte et spil på grund af dette adfærd, hvilket kan have en økonomisk impact på udvikleren.

I e-sport, der er en hurtigt voksende industri, der indtjener omkring 1 milliard dollars om året, straffes snyd gennem sanktioner mod hold og spillere. Disse kan inkludere diskvalifikation, fratagelse af gevinster eller en total forbud.

Udfordringerne ved at opdage snyd

En af de betydelige udfordringer omkring snyd i MMO-spil er, at det ofte ikke opdages. Vigtig data fra en spillers computer til spilserveren er krypteret, hvilket betyder, at snyd ofte kun opdages efter spilloggene er dekrypteret, og det er for sent. Det er derfor, teamet på UT Dallas udviklede en tilgang, der ikke involverer dekryptering, men analyserer krypteret data-trafik i realtid.

Dr. Latifur Khan er en professor i datalogi og direktør for Big Data Analytics and Management Lab på UT Dallas. Han er også en af forfatterne på studiet.

“Spillere, der snyder, sender trafik på en anden måde,” sagde Khan. “Vi prøver at fange disse karakteristika.”

At analysere spil-trafik for at opdage mønstre

Teamets studie omfattede 20 studerende, der brugte tre software-snyd i spillet, herunder en aimbot, speed hack og wallhack. Forskerne analyserede derefter spil-trafikken til og fra serveren, hvilket ledte til opdagelsen af visse mønstre, der identificerede snydende adfærd.

Forskerne brugte data til at træne en maskinlæringsalgoritme, der kan forudsige snyd baseret på mønstre og funktioner. Efter at have justeret den statistiske model, kunne den anvendes på større grupper. En aspekt af deres tilgang er, at data-trafikken sendes til en grafikprocessor, der hurtiger processen og reducerer arbejdsbyrden for den centrale processor i hovedserveren.

Ifølge Islam kan andre spilfirmaer bruge den nye tilgang med deres egne data, og derefter træne spilsoftware til deres spillere. Når denne software opdager snydende adfærd, kan det afhjælpes med det samme.

“Efter opdaging,” sagde Khan, “kan vi give en advarsel og smukt smide spilleren ud, hvis de fortsætter med snyd under en fast tidsinterval.

“Vores mål er at sikre, at spillene som Counter-Strike forbliver sjove og retfærdige for alle spillere.”