Maskinlärningsmodell utvecklad för att bekämpa fusk i videospel

Varje videospelare vet hur frustrerande det är att tävla mot fuskare, men många förstår inte de ekonomiska och andra effekterna på spelet och utvecklaren. Det verkar också som om oavsett vilka åtgärder en utvecklare vidtar, så hittar vissa individer alltid sätt att fuska i spelet. Det är därför datavetare vid University of Texas at Dallas har tagit en artificiell intelligens-tillvägagångssätt för att bekämpa dessa spelare.

Forskningen publicerades i IEEE Transactions on Dependable and Secure Computing den 3 augusti.

Forskarna använde det populära förstapersonsskjutarspelet Counter-Strike för att utveckla det nya tillvägagångssättet, men det kan tillämpas på alla massivt multiplayer-online-spel där en central server tar emot datatrafik.

Counter-Strike är ett av de mest populära förstapersonsskjutarspelen på marknaden, vilket innebär att spelare alltid använder programvarufusk. Spelet involverar lag av spelare som arbetar tillsammans för att motverka terrorister genom bombdiffusion, gisslanräddning och säkra anläggningsplatser. Spelare kan köpa mer kraftfulla vapen genom att tjäna in-spelet-valuta.

Md Shihabul Islam är en doktorand i datavetenskap vid Erik Jonsson School of Engineering and Computer Science vid UT Dallas. Islam, som själv är en Counter-Strike-spelare, var huvudförfattare till studien.

“Ibland när du spelar mot spelare som använder fusk kan du se det, men ibland kan det inte vara uppenbart”, sa han. “Det är inte rättvist mot de andra spelarna.”

Den ekonomiska påverkan

Många spelare ser fusk som ett sätt att förstöra roligt för andra, men det finns många fler implikationer. Spelare lämnar ofta ett spel på grund av detta beteende, vilket kan orsaka en ekonomisk påverkan för utvecklaren.

Inom e-sport, som är en snabbt växande industri som genererar cirka 1 miljard dollar i årliga intäkter, bestraffas fusk genom sanktioner mot lag och spelare. Dessa kan inkludera diskvalificering, förlust av vinster eller ett totalt förbud.

Utmaningar med att upptäcka fusk

En av de betydande utmaningarna kring fusk i MMO-spel är att det ofta går obemärkt förbi. Viktig data från en spelares dator till spelservern är krypterad, vilket innebär att fusk ofta bara upptäcks efter att spellograr har avkrypterats, och det är för sent. Det är därför teamet vid UT Dallas utvecklade ett tillvägagångssätt som inte involverar avkryptering, men analyserar krypterad datatrafik i realtid.

Dr. Latifur Khan är en professor i datavetenskap och chef för Big Data Analytics and Management Lab vid UT Dallas. Han är också en av författarna till studien.

“Spelare som fusk skickar trafik på ett annat sätt”, sa Khan. “Vi försöker fånga dessa egenskaper.”

Att analysera spelflöde för att upptäcka mönster

Teamets studie involverade 20 studenter som använde tre programvarufusk i spelet, inklusive en aimbot, speed hack och wallhack. Forskarna analyserade sedan spelflöde till och från servern, vilket ledde till att de upptäckte vissa mönster som identifierade fuskande beteende.

Forskarna använde data för att träna en maskinlärningsalgoritm som kunde förutsäga fusk baserat på mönster och funktioner. Efter att ha justerat den statistiska modellen kunde den tillämpas på större grupper. En aspekt av deras tillvägagångssätt är att dataflödet skickas till en grafikprocessorenhet, vilket snabbar upp processen och minskar arbetsbelastningen på den centrala processoren i huvudservern.

Enligt Islam kan andra spelföretag använda det nya tillvägagångssättet med sina egna data, och till slut träna spelmjukvara för sina spel. När denna mjukvara upptäcker fuskande beteende kan det åtgärdas omedelbart.

“Efter upptäckt”, sa Khan, “kan vi ge en varning och vänligt sparka ut spelaren om de fortsätter med fusk under en fast tidintervall.

“Vårt mål är att se till att spel som Counter-Strike förblir roliga och rättvist för alla spelare.”