Maskinlärningsmodell utvecklad för att bekämpa fusk i videospel

Varje videospelare vet hur frustrerande det är att tävla mot fuskare, men många inser inte de ekonomiska och andra effekterna på spelet och utvecklaren. Det verkar också som att oavsett vilka åtgärder en utvecklare vidtar, så hittar vissa individer alltid sätt att fusa i spelet. Därför har datavetare vid University of Texas at Dallas 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 first-person-skytesspelet Counter-Strike för att utveckla det nya tillvägagångssättet, men det kan tillämpas på alla massivt multiplayer-online-spel (MMO) där en central server tar emot data-trafik. 

Counter-Strike är ett av de mest populära first-person-skytesspelen på marknaden, vilket innebär att spelare alltid använder mjukvarufusk. Spelet involverar lag av spelare som arbetar tillsammans för att motverka terrorister genom bombdiffusion, gisslanräddning och säkring av anläggningsplatser. Spelare kan köpa kraftfullare 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 bara ett sätt att förstöra roliga 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 årlig omsättning, bestraffas fusk genom sanktioner mot lag och spelare. Dessa kan inkludera diskvalificering, avstående 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 spelets server är krypterad, vilket innebär att fusk ofta bara upptäcks efter att spelets loggar har dekrypterats, och det är för sent. Därför utvecklade teamet vid UT Dallas ett tillvägagångssätt som inte innebär dekryptering, utan analyserar krypterad data-trafik 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 innefattade 20 studenter som använde tre mjukvarufusk i spelet, inklusive en aimbot, speed hack och wallhack. Forskarna analyserade sedan spelflödet till och från servern, vilket ledde till att de upptäckte vissa mönster som identifierade fusk-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 data-trafiken 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 så småningom träna spelmjukvara för sina spel. Efter att denna mjukvara upptäckt fusk-beteende kan det åtgärdas omedelbart.

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

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