跳转至

文献综述：有关在线电子游戏外挂领域的研究

引言

在当今的电子游戏行业中，通过外挂的外挂手段和相关行为已经变得非常普遍。玩家们利用各种手段来获取不公平的优势，这不仅会严重影响游戏的公平性，也损害了游戏的声誉和受欢迎程度。因此，对于外挂行为的检测和控制成为了游戏开发者们亟需解决的问题。

近年来，许多研究都致力于使用各类技术（包括深度学习，基于行为分析，基于硬件安全，基于网络安全等等）来检测和预防游戏外挂行为。然而，由于客户端信息有限、外挂技术的复杂性与更迭性、外挂行为的隐蔽性与多样性等等因素，外挂检测一直面临着巨大的挑战。

通过对一篇文献综述和十篇论文的阅读，笔者尝试总结整理出这些方法、理论的内容和要点，以便后续对反外挂技术的研究，进而为游戏开发者提供一种可行的外挂检测解决方案，为游戏玩家们提供一个公平公正的游戏环境。笔者相信，本研究的成果将对游戏行业产生积极的影响，并为未来的外挂检测研究提供借鉴和参考。

目前研究方向概述

基于机器学习并兼以显卡加速的迁移学习检测

本论文提出了一种基于机器学习并利用显卡加速的迁移学习方法，用于检测大型网络游戏（后文简称MMOG）中的外挂行为。在MMOG的运行过程中，玩家和服务器之间会传输数据包以同步游戏状态。游戏开发者利用这些数据来检测外挂行为。但这种检测外挂行为由于客户端信息受限以及外挂手段复杂而具有挑战性。

而研究人员利用基于机器学习的模型来预测游戏过程中加密数据包种是否有外挂。因为MMOG对数据传输实时性的要求，对数据包的分析和是否有外挂的判断等一系列操作必须在极短的时间内实现，这个时候研究人员就想到利用GPU加速这一计算过程，通过将计算任务分配给显卡进行并行计算，我们能够更快地处理大量的游戏数据，从而实现更准确和高效的外挂检测。显卡的高性能计算能力使得我们能够更好地利用有限的标记数据来训练机器学习模型，并取得更好的预测结果。

而开发这个模型的主要挑战源于是否能够获得足够的训练数据，为了克服这个问题，研究团队采用了迁移学习的方法。迁移学习是一种利用已有知识来改善模型性能的技术。研究团队通过自动学习模型参数来适应数据，提高模型的准确性和泛化能力。

为了验证方法的可行性，研究团队使用了CS的游戏数据进行实验。实验结果表明，研究团队的方法在检测游戏外挂方面表现出色，准确率可以达到80%，优于其他基准方法至少5%~30%不等的幅度。除此之外，所用的时间也相对于同水平准确率的检测手段提速近3倍。

这篇论文提出的关键技术在于自动确定参数以用较少数据训练更精确的模型的手段，并利用高内存带宽与GPU加速运算的方法拓展了技术的效率。

基于游戏时间建模的检测手段

另一个研究团队提出了一种基于游戏时间建模的外挂检测方案。现在大多数的在线游戏采用的都是分布式游戏系统，也就是不同的服务器承担不同的任务，一般采用对等网络（Peer to Peer，P2P）的技术来实现玩家之间的通信和数据交换。在P2P网络中，玩家可以直接与其他玩家进行通信，而不需要经过中心服务器的中转。这样可以减少网络延迟，并提供更快速和实时的游戏体验。常规的外挂预防方案会给这样的分布式游戏系统带来高度的复杂性和极大的开销，可能会严重影响在线游戏体验。因此认为检测外挂比预防外挂更可行，特别是对于修改时间的外挂来说。

该论文提出了一个通用的框架，可以对P2P在线游戏中的游戏时间进行建模，通过使用模拟时间来描述特定游戏世界的时间推进，结合墙上挂钟时间的使用，防止外挂者自由篡改模拟时间而不影响挂钟时间，从而轻松地检测出时间外挂。这些方案监控对等节点之间的通信数据，不会影响游戏系统的性能。

论文还介绍了两种不同的时间外挂检测方式，即快速生成外挂检测和预知外挂检测。对于快速速率外挂检测，该方法基于观察网络延迟来检测外挂行为。正常情况下，游戏事件的平均接收速率应该与通过游戏事件时间戳测量的事件生成速率相一致。如果通过观察网络延迟发现接收速率明显高于生成速率，就可以怀疑存在快速速率外挂。对于预测外挂，该方法提出了一种检测方案。当一个节点怀疑另一个节点进行预测外挂时，它会延迟向该节点发送消息一段时间。这样可以观察到该节点是否在等待延迟的游戏事件后才生成自己的（外挂的）事件。通过测量与时间戳相关的网络延迟，可以检测到外挂者，因为后续从该节点接收到的外挂事件会有不断增加的网络延迟。最后的模拟结果也证实了所提出方法的可行性。

基于视觉的FPS类游戏反外挂框架

论文提出了一个基于视觉的综合外挂检测框架，结合了监督学习和无监督学习的解决方案。该框架考虑了业务特性和工业应用，并设计了一个双重审计的人机交互系统用于工业游戏反外挂应用。通过多个在线和离线实验评估了该框架的性能和实际意义。论文提出的基于视觉的反外挂框架通过综合应用监督学习、无监督学习和双重审计的方法，实现了在线FPS游戏中的全面外挂检测，具有较高的准确性和实用性。

具体而言，该框架的检测步骤如下：

  1. 数据收集和预处理：收集在线FPS游戏的游戏数据，并进行预处理和匿名化处理，以确保数据的安全和可靠性。
  2. 特征提取：利用计算机视觉技术提取游戏画面中的特征，包括玩家位置、血量、装备等信息。
  3. 监督学习检测：使用监督学习算法训练模型，将外挂玩家和正常玩家进行分类。监督学习的训练数据来自于已知的外挂行为和正常行为。
  4. 无监督学习检测：利用无监督学习方法，检测画面中的异常行为或模式，以识别潜在的外挂行为。
  5. 双重审计：引入人工参与的双重审计机制，通过模型初步审计和人工再审计来确保检测结果的准确性和公平性。

该框架的原理是基于视觉特征的外挂检测。通过分析游戏画面中的特征信息，可以区分出正常玩家和外挂玩家之间的差异。监督学习和无监督学习相结合的方法可以实现全面的外挂检测，既能够对已知外挂进行检测，也能对未知潜在外挂进行检测。双重审计机制则保证了检测结果的可靠性和公正性。

可解释AI驱动多视图游戏外挂检测

研究人员提出了一种一种名为EMGCD（Explainable Multi-view Game Cheating Detection）的，基于解释性人工智能（XAI）的多视图游戏作弊检测框架。这个框架主要分为以下几个步骤：

  1. 收集游戏数据：通过记录玩家的活动和客户端的状态变化，收集游戏数据。这些数据包括玩家的角色画像、行为序列、图形数据和图像数据，生成结构化的游戏日志。
  2. 构建角色画像：从实时游戏日志中提取玩家的角色画像，角色画像包括玩家的账户信息（如账号ID、等级）、设备信息（如IP地址、操作系统）、任务信息（如已完成的任务数）等多个方面的特征。
  3. 构建行为序列：将每个玩家的行为按照时间顺序组成序列，这些行为序列记录了玩家在游戏中的各种操作和行为，包括移动、攻击、使用道具等。通过分析这些行为序列，可以判断玩家是作弊还是正常玩家。
  4. 多视图检测：将不同视图的数据，如角色画像、行为序列、图形数据等，通过训练模型，可以判断玩家的行为是否属于作弊行为。例如，模型可以通过比对玩家的行为序列与正常玩家的行为模式，来判断玩家是否使用了自动化插件进行作弊。
  5. 解释性分析：在检测过程中，通过解释性算法生成个体、局部和全局的解释，个体解释可以说明每个玩家被判断为作弊或正常的原因，局部解释可以说明模型在特定情况下的决策过程，全局解释可以给出整体的作弊检测结果和证据。这些解释可以帮助游戏行业的相关人员理解模型的决策过程，验证模型的准确性，并且在需要时进行模型调试和优化。

这个检测方法基于人工智能技术，利用多视图数据源，通过训练模型来判断玩家是作弊还是正常。不同的视图包括角色画像、行为序列、图形数据和图像数据。通过分析这些数据，可以发现作弊行为，并提供解释性的证据和推理。

基于游戏行为的检测

这篇论文主要介绍了在线游戏中检测作弊行为的基于行为的方法。这个方法的关键在于三个模型，分别是作弊行为建模模型和玩家行为建模模型和决策器模型。

作弊行为模型主要是为了检测第一人称射击游戏中的"自瞄"作弊行为。为了构建这个模型，研究团队进行了一系列的实验。他们收集了大量不同玩家的游戏数据，包括他们的行为记录、游戏状态和其他相关信息。然后，通过分析这些数据，作者确定了一些特征，例如普遍意义上来看，一般玩家所具有的准确度、反应时间和目标选择模式等。最后会得出一个对于当前玩家是否存在作弊嫌疑的概率数值。作弊行为模型也就是从广泛的行为模式看特殊的行为模式来做出判断。

玩家行为模型则是通过相同的方法将当前一个特定玩家的行为模式和特征，以及他们在游戏中的互动方式建立一个模型。通过前后对比修正针对这个玩家的游戏数据，包括他们的行为记录、游戏状态和其他相关信息等等，具体过程基本一致，不再赘述。最后也是得出一个对于当前玩家是否存在左斌嫌疑的概率数值。为玩家行为模型是在同一个玩家的角度上从长时间的行为模式看当前的行为模式来做出判断。文中还特地对新老玩家做了区分，最后的检测结果成功率都能达到80%及以上。

最后的决策器模型的目的是综合作弊行为建模和玩家行为建模的结果，以做出最终的判定。作者使用一套含有规则和算法的决策其模型来综合这两个模型的结果，并设定一个阈值来判断当前玩家是否存在作弊行为。

基于深度学习和多元时间序列的检测

本文指出，传统的作弊检测系统在面对新的作弊手段或复杂的作弊者时往往效果不佳。相比之下，基于机器学习的高级解决方案更具适应性，但是需要依赖游戏内部的数据，这意味着每个游戏都需要开发自己的作弊检测系统。

在意识到这个之后，该论文提出了一种新颖的作弊检测方法，它不需要依赖游戏内部的数据。首先，将玩家与平台之间的多模态交互视为多元时间序列。然后使用卷积神经网络对这些时间序列进行分类，判断它们是合法的游戏行为还是作弊行为。在一个实验中，验证了该系统对于从未见过的作弊玩家的已知的作弊行为的检测能力，其中触发脚本和瞄准辅助（两种常见的作弊方式）的平均准确率分别达到了99.2%和98.9%。由于这种方法仅基于玩家的行为，因此可以应用于任何游戏或输入方式，甚至与建模人类活动相关的各种任务。

该方法的基本原理是通过多元时间序列来表示作弊者的行为模式，并使用深度学习模型成功地识别这些模式。与传统的作弊检测系统相比，该方法不需要游戏内部数据，而是通过分析玩家与计算机之间的交互行为来进行作弊检测。这种方法和前文提到 2.4 可解释AI驱动多视图游戏外挂检测 有些像，但区别是此处使用到了卷积神经网络的分类手段，有助于提高对已知外挂的检测成功率。这种方法具有很大的价值，因为它可以应用于多个游戏而无需修改，并且可以适应新的作弊方式。

基于动态贝叶斯网络的检测

为了解决外挂现象，一些在线游戏发布软件补丁或采用反作弊软件来阻止已知的作弊行为。然而，因为部署的个性化特点和迭代快特点，这种方法要求开发商针对游戏开发以及持续地针对最新外挂手段开发，这显然在部署上存在困难。因此本文提出了一种基于动态贝叶斯网络的方法来检测玩家是否作弊。这种方法只依赖游戏状态并在游戏服务器中运行，因此不易受到攻击，也更易部署。为了验证该方法的有效性，作者实现了一个原型多人游戏系统来检测玩家是否使用“瞄准机器人”进行作弊。实验证明，该方法可以有效地检测作弊行为，并具有极低的误报率。

论文中的检测方法基于动态贝叶斯网络的思想。首先，作者通过分析游戏状态，确定了可能与作弊行为相关的特征，并将这些特征作为输入。然后，作者构建了一个动态贝叶斯网络模型，该模型可以根据输入的特征进行推理和预测。在训练阶段，作者使用已知的作弊行为样本和正常行为样本来训练模型，使其能够区分作弊行为和正常行为。在运行阶段，当有新的输入特征时，模型会根据先前的训练结果计算出作弊的概率，并根据设定的阈值来判断是否存在作弊行为。通过这种方式，作者能够在游戏服务器中实时地检测作弊行为，而不会影响玩家的游戏体验。

个人感受

在阅读了这么多关于作弊检测的论文后，笔者产生了几点感想和思考，在这一章节中做简单讨论与分享。

  1. 作弊在在线游戏中已经成为一个相当严重的问题，不仅对游戏的声誉和用户体验造成了负面影响，还给游戏开发者带来了巨大的挑战。这也就是为什么有那么多的研究人员和开发者都在努力寻找有效的作弊检测方法和技术。

  2. 随着人工智能的发展，机器学习乃至深度学习逐渐成为在作弊检测领域中的风向标。通过构建训练一个专业集成度较高的模型，让这个特制的模型分析游戏过程中的数据，进而利用这些算法来预测和识别作弊行为。例如，使用动态贝叶斯检测、深度学习和多元时间序列等方法，在游戏过程中检测作弊行为的准确性和效果得到了显著提升。

  3. 此外，数据的可用性和标记的问题是作弊检测中的一个挑战。由于可用的标记数据非常有限，如何利用有限的数据进行训练和建模是一个重要问题。一些研究采用了迁移学习技术，通过在不同数据分布之间进行转移，来提高模型的泛化能力和准确性。

  4. 硬件加速技术的应用对作弊检测也具有重要意义。通过利用图形处理单元（GPU）等硬件加速器，可以加快作弊检测过程的速度和效率，提高检测的准确性和实用性。

  5. 原先检测机制所存在的很多部署困难，迭代需求高等等问题，在近几年的科研中都逐渐被解决，尤其是在人工智能的加持下，除了先前提到的准确性显著提升以外，由检测速度决定的实时性也获得了提升，还有能够在多种多样的游戏中同时适用的泛用性也被科研人员发掘与开发。

进一步研究方向

虽然当前对外挂的检测手段已经有了很大的进步，但是依然面对着不少挑战，在以下方面有待进一步研究：

  1. 模型解释和可解释性研究：在作弊检测中，模型的可解释性是一个重要的问题。尽管深度学习等模型可以提供高准确性的预测结果，但其黑盒性质使得很难解释模型是如何得出预测结果的。因此，研究人员可以探索如何在作弊检测模型中引入可解释性，以便更好地理解和解释模型的决策过程，增强模型的可信度和可接受性。
  2. 多模态数据融合的研究：在作弊检测中，不仅可以使用游戏数据进行作弊行为的检测，还可以结合其他模态的数据，如声音、图像和视频等，进行综合分析和检测。因此，研究人员可以进一步研究多模态数据的融合方法，以提高作弊检测的全面性和鲁棒性。

所选论文列表

[1] J. Yan and B. Randell, "An Investigation of Cheating in Online Games," in IEEE Security & Privacy, vol. 7, no. 3, pp. 37-44, May-June 2009, doi: 10.1109/MSP.2009.60.

[2] M. S. Islam, B. Dong, S. Chandra, L. Khan and B. Thuraisingham, "GCI: A GPU-Based Transfer Learning Approach for Detecting Cheats of Computer Game," in IEEE Transactions on Dependable and Secure Computing, vol. 19, no. 2, pp. 804-816, 1 March-April 2022, doi: 10.1109/TDSC.2020.3013817.

[3] Ferretti, S, "Cheating detection through game time modeling: A better way to avoid time cheats in P2P MOGs?",in MULTIMEDIA TOOLS AND APPLICATIONS, 37 (3) , pp.339-363, May 2008, DOI

10.1007/s11042-007-0163-2.

[4] S. Zhao et al., "VESPA: A General System for Vision-Based Extrasensory Perception Anti-Cheating in Online FPS Games," in IEEE Transactions on Games, doi: 10.1109/TG.2023.3327115.

[5] R. V. Yampolskiy, "Detecting and Controlling Cheating in Online Poker," 2008 5th IEEE Consumer Communications and Networking Conference, Las Vegas, NV, USA, 2008, pp. 848-853, doi: 10.1109/ccnc08.2007.198.

[6] J. Tao et al., "XAI-Driven Explainable Multi-view Game Cheating Detection," 2020 IEEE Conference on Games (CoG), Osaka, Japan, 2020, pp. 144-151, doi: 10.1109/CoG47356.2020.9231843.

[7] Karkallis, P, Blasco, J, Pastrana, S, "Detecting Video-Game Injectors Exchanged in Game Cheating Communities", LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, 2021, pp.305-324, DOI

10.1007/978-3-030-88418-5_15

[8] Alayed, Hashem A, "Behavior-Based Approaches for Detecting Cheating in Online Games",

University of Southern California, 2015

[9] J. P. Pinto, A. Pimenta and P. Novais, "Deep Learning and Multivariate Time Series for Cheat Detection in Video Games," 2021 IEEE 8th International Conference on Data Science and Advanced Analytics (DSAA), Porto, Portugal, 2021, pp. 1-2, doi: 10.1109/DSAA53316.2021.9564219.

[10] Yeung, SF Lui, JCS，"Dynamic Bayesian approach for detecting cheats in multi-player online games", MULTIMEDIA SYSTEMS, Sep 2008 , pp.221-236, DOI

10.1007/s00530-008-0113-5

[11] Duh, HBL and Chen, VHH, "Cheating Behaviors in Online Gaming", LECTURE NOTES IN ARTIFICIAL INTELLIGENCE, 2009, pp.567-+,