游戏安全-反作弊分析分类

每一个游戏都要面临的一个问题，就是玩家作弊，通过不正当手段修改游戏数据或者读取游戏数据达到作弊效果，影响游戏公平性

所以每一个游戏也有自己的“反作弊”系统，主要是检测玩家是否作弊，如果检测到玩家作弊就会立即采取措施，例如3650 禁止模式等等

那这些“反作弊”是怎么工作的呢？

当前主流的检测外挂方法包括签名检测、特征检测、内存扫描等，举报审核查验以人工进行的方式为主。

签名检测可以快速辨识已知外挂程序，但无法有效应对新型或修改后的外挂。

特征检测监测游戏行为和操作，虽然能识别异常模式，但由于游戏的多样性和玩家行为的复杂性，依靠单一的阈值等数值进行决断，很容易产生误报，并且会有一定的遗漏。

内存扫描虽然能够通过检测内存中的外挂代码或数据结构来发现外挂，但外挂制作者可以采取一些对抗措施来规避此方法，例如使用加密算法、随机化内存地址等手段。因此，内存扫描并非完全可靠的外挂检测方法，需要结合其他检测手段来提高检测的准确性和可靠性。

人工举报审核可及时发现外挂行为，但由于举报者的主观性和游戏玩法的复杂性，可能存在误报和恶意举报的情况。

传统解决方案的优点是效果明显，但缺陷在于对抗程度高且存在严重的滞后性，外挂更新频繁且善于隐藏进程，传统方案很容易失效，迭代升级后才能扫描到外挂进程，如此一来便容易陷入到无止境的对抗中，消耗大量的人力和物力，最终失效。

这种都是普遍的检测方法，但是一些读写数据思路隐藏性高到植入手机内核，比如rwProcMem，使用安卓内核驱动进行内存读写隐藏性比一般的作弊程序隐藏性更高

可以参考之前发的文章：万字长文了解游戏外挂

所以引进了AI进行反作弊检测

引入 AI 技术，革新反外挂系统

• 在第一阶段，通过对历史玩家对局数据进行对比构造样本，将上述信息输入到模型中进行学习，该模型能够自主学习游戏玩家的行为模式和数据特征。
• 在第二阶段，使用少量有标签的历史玩家数据进行监督学习，从而更好的学习到数据的潜在表示。
• 在第三阶段，模型对游戏玩家每场行为数据进行处理，以检测其是否存在透视或自瞄外挂行为。

基于时序行为数据的透视外挂检测方案

作弊玩家使用透视外挂，获取了正常玩家不具备的视野和整体宏观信息优势，也正因为如此，他们的行为表现的与正常玩家有所不同，例如能在视野信息未知的情况下进行走位和瞄准，从而获取对枪时的优势，在目标掩体后暴露瞬间会有超出正常水平的瞄准击杀表现，落在数据上有诸多特征维度可以进行区分，该方案选取了 2 个最为明显的维度进行展示：关键时刻目标相对偏向角的变化，以及综合多个击杀/多回合的瞄准击杀表现。

1. 关键时刻目标相对偏向角的变化

作弊玩家使用透视后，一般会有很多有意识或无意识的“预瞄准”现象，使得目标相对偏向角的变化曲线与正常玩家不同。

可以看到，在关键时刻例如击杀前目标在墙后移动的时候，透视作弊玩家的目标相对偏向角比正常玩家总体偏低，且变化较为稳定。

2. 综合多击杀、多回合的瞄准击杀表现

作弊玩家在目标遮挡到“视野暴露”的瞬间，能够在很短的时间内完成瞄准与击杀，与普通玩家的正常反应时间呈现出较大的差距，该差距在综合多次击杀、多回合表现的情况下尤为明显。