โมเดล Machine-Learning ที่พัฒนาเพื่อต่อต้านการโกงในการเล่นเกมวิดีโอ

ผู้เล่นวิดีโอเกมทุกคนรู้ว่ามันทำให้พวกเขาเสียสมาธิเมื่อต้องแข่งขันกับผู้ที่โกง แต่หลายคนไม่ทราบถึงผลกระทบทางเศรษฐกิจและผลกระทบอื่นๆ ที่มีต่อเกมและผู้พัฒนา นอกจากนี้ดูเหมือนว่าไม่ว่าผู้พัฒนาจะดำเนินการใดๆ บ้าง ผู้ที่โกงจะพบวิธีโกงเกมเสมอ ซึ่งเป็นเหตุผลที่นักวิทยาศาสตร์คอมพิวเตอร์ที่มหาวิทยาลัยเท็กซัสแห่งดัลลัสได้ใช้แนวทางด้านปัญญาประดิษฐ์ (AI) เพื่อต่อต้านผู้เล่นเหล่านี้

การวิจัยนี้ได้รับการตีพิมพ์ใน IEEE Transactions on Dependable and Secure Computing เมื่อวันที่ 3 สิงหาคม

นักวิจัยได้ใช้เกมยิงมุมมองบุคคลแรกที่ได้รับความนิยมอย่างมากอย่าง Counter-Strike เพื่อพัฒนาแนวทางใหม่นี้ แต่สามารถนำไปใช้กับเกมออนไลน์หลายผู้เล่นขนาดใหญ่ (MMO) ได้โดยที่เซิร์ฟเวอร์กลางรับข้อมูลการจราจร

Counter-Strike เป็นหนึ่งในเกมยิงมุมมองบุคคลแรกที่ได้รับความนิยมมากที่สุดในตลาด ซึ่งหมายความว่าผู้เล่นมักจะใช้ซอฟต์แวร์โกงเกมนี้ เกมดังกล่าวเกี่ยวข้องกับทีมผู้เล่นที่ทำงานร่วมกันเพื่อต่อต้านผู้ก่อการร้ายผ่านการขยายตัวของระเบิด การช่วยชีวิตผู้ถูกจับกุม และการรักษาการปลูกที่ตั้ง ผู้เล่นสามารถซื้ออาวุธที่มีพลังมากขึ้นโดยการหาเงินในเกม

Md Shihabul Islam เป็นนักศึกษาระดับ博士ในคณะวิศวกรรมและวิทยาศาสตร์คอมพิวเตอร์ Erik Jonsson ของ UT Dallas Islam ซึ่งเป็นผู้เล่น Counter-Strike ด้วยตัวเอง เป็นผู้เขียนนำของการศึกษา

“บางครั้งเมื่อคุณเล่นกับผู้เล่นที่ใช้ซอฟต์แวร์โกง คุณจะรู้ แต่บางครั้งอาจจะไม่เห็นได้ชัดเจน” เขากล่าว “มันไม่ยุติธรรมต่อผู้เล่นคนอื่นๆ”

ผลกระทบทางเศรษฐกิจ

ผู้เล่นหลายคนอาจมองว่าการโกงเป็นเพียงวิธีการทำลายความสนุกสนานให้กับผู้อื่น แต่มีผลกระทบอื่นๆ อีกมากมาย ผู้เล่นมักจะออกจากเกมเนื่องจากพฤติกรรมนี้ ซึ่งอาจส่งผลกระทบทางเศรษฐกิจต่อผู้พัฒนา

ในกีฬาอิเล็กทรอนิกส์ ซึ่งเป็นอุตสาหกรรมที่เติบโตอย่างรวดเร็วโดยมีรายได้ประมาณ 1,000 ล้านดอลลาร์ต่อปี การโกงถูกลงโทษผ่านการคว่ำบาตรต่อทีมและผู้เล่น ซึ่งรวมถึงการถูกตัดสิทธิ์ การสูญเสียเงินรางวัล หรือการถูกแบนอย่างสมบูรณ์

ความท้าทายในการตรวจจับการโกง

หนึ่งในความท้าทายที่สำคัญที่เกี่ยวข้องกับการโกงในเกม MMO คือมักจะไม่ถูกตรวจจับ ข้อมูลสำคัญจากคอมพิวเตอร์ของผู้เล่นไปยังเซิร์ฟเวอร์เกมถูกเข้ารหัส ซึ่งหมายความว่าการโกงมักจะถูกตรวจจับหลังจากบันทึกเกมถูกถอดรหัส และมันสายเกินไป ซึ่งเป็นเหตุผลที่ทีม UT Dallas พัฒนาแนวทางที่ไม่เกี่ยวข้องกับการถอดรหัส แต่วิเคราะห์ข้อมูลการจราจรที่เข้ารหัสในเวลาจริง

ดร. Latifur Khan เป็นศาสตราจารย์ด้านวิทยาศาสตร์คอมพิวเตอร์และผู้อำนวยการห้องปฏิบัติการวิเคราะห์และจัดการข้อมูลขนาดใหญ่ของ UT Dallas เขายังเป็นหนึ่งในผู้เขียนการศึกษา

“ผู้เล่นที่โกงส่งการจราจรในลักษณะที่แตกต่าง” ค汗กล่าว “เราพยายามจับลักษณะเหล่านั้น”

การวิเคราะห์ข้อมูลการจราจรเกมเพื่อตรวจจับรูปแบบ

การศึกษาของทีมนี้เกี่ยวข้องกับนักศึกษาที่ใช้ซอฟต์แวร์โกงสามตัวในเกม รวมถึง aimbot, speed hack และ wallhack นักวิจัยวิเคราะห์ข้อมูลการจราจรเกมที่มาถึงและออกจากเซิร์ฟเวอร์ ซึ่งนำไปสู่การค้นพบรูปแบบบางอย่างที่ระบุพฤติกรรมการโกง

นักวิจัยใช้ข้อมูลนี้เพื่อฝึกอัลกอริทึมการเรียนรู้ของเครื่องจักรที่สามารถคาดการณ์การโกงตามรูปแบบและคุณลักษณะเหล่านี้ หลังจากปรับแบบจำลองทางสถิติแล้ว สามารถนำไปใช้กับกลุ่มที่ใหญ่ขึ้นได้ หนึ่งในด้านของแนวทางของพวกเขาคือการจราจรข้อมูลถูกส่งไปยังหน่วยประมวลผลกราฟฟิก ซึ่งเร่งกระบวนการและลดภาระงานของหน่วยประมวลผลกลางในเซิร์ฟเวอร์หลัก

ตามที่ Islam ระบุ บริษัทเกมอื่นๆ สามารถใช้แนวทางใหม่นี้กับข้อมูลของตนเองได้ และฝึกซอฟต์แวร์เกมสำหรับเกมของตนเอง หลังจากซอฟต์แวร์นี้ตรวจจับพฤติกรรมการโกงแล้ว สามารถแก้ไขได้ทันที

“หลังจากการตรวจจับ” ค汗กล่าว “เราสามารถให้คำเตือนและขับไล่ผู้เล่นออกไปอย่างสุภาพหากพวกเขายังคงโกงในช่วงเวลาที่กำหนด

“เป้าหมายของเราคือเพื่อให้แน่ใจว่าเกมอย่าง Counter-Strike ยังคงเป็นเกมที่สนุกและยุติธรรมสำหรับผู้เล่นทุกคน”