VACNET 反作弊
VACNET Anti-cheat
频道:3kliksphilip · 时长:13:03 · 发布:2018-04-10 · 播放:573853
简介
3kliksphilip 总结了 Valve 在 GDC 上关于 VACNet 的演讲,这是一个深度学习系统,用于标记 CS:GO 作弊者并输入 Overwatch 审查队列。它涵盖了 Trust Factor、VAC 以及数据如何收集和分析。
HN 为什么推荐
HN 引用它作为 Valve 如何使用机器学习分析玩家行为来检测作弊的来源。
Valve 使用名为 VACnet 的深度学习模型来“监视”他们服务器上的每个玩家 — HN, 2020
机器学习与深度学习 · 游戏文化与分析 · 速通、漏洞与游戏破解
中文字幕节选
在2018年的GDC上,Valve做了一场关于深度学习的演讲,介绍了他们如何利用它来 打击作弊者。我强烈建议大家去看看——整个演讲非常精彩。 演讲时长45分钟,之后是问答环节。 但如果你没时间,那么我已经 尝试在这个视频中浓缩了内容,同时还包括 他们透露的其他有趣信息。 该项目始于2016年,当时Valve研究了社区最想要什么。 但他们什么都听不到,因为作弊问题太吵了。 它淹没了所有其他建议! 但作弊是问题所在,还是人们只是认为它是问题? 显然,VAC的结果表明确实存在作弊问题。 部分原因是CS:GO的引擎老旧。 它与《半条命2》的引擎有75-80%相同,任何为任何 Source游戏制作的作弊程序此后可能都可以相当 容易地移植过来,不过他们强调 他们会留意这些,并封禁任何公开发布的作弊程序。 CS:GO也是作弊的好目标,因为 它的战斗短促而精确,使得作弊非常有效。 主要有两类:瞄准辅助和‘信息’ 辅助,比如透视和 关于敌人位置、生命值 或武器的信息,这些本不该被知道。 Valve用这张方便的幻灯片强调了作弊的影响。 即使只有1%的玩家作弊,每 10场比赛中就有1场会被毁掉,而且如果你不作弊, 他们更可能在敌方队伍中,因为 你已经占据了你队伍的一个位置。 如果7%的人作弊,那么几乎一半的比赛都会有作弊者。 瞄准外挂尤其具有破坏性,因为它在很多方面帮助作弊者。 他们不必识别目标是友方还是敌方。 他们不必移动鼠标、把握开火时机或控制弹道。 所有这些都简化为只需按一个按钮。 John还提到了作弊的范围,从 微妙的技能提升到超级明显的狂暴外挂。 他指出,微妙的作弊很难检测, 而狂暴外挂似乎是解决作弊者的一个良好起点。 这时演讲转向了信任因子。 他们在2016年推出了这个,比宣布早了6个月。 这个目标不是封禁作弊者,而是 减少他们骚扰的玩家群体, 通过将所有可疑玩家放在一起 游戏——这表现为红点全部聚集在一起。 这让友好的、蓝色的诚实玩家 与那些不太可能作弊的人一起玩。 Valve对于用什么来确定玩家的可信度保持模糊,但 作为一个例子,他说一个与50个 账户关联的人,其中49个有VAC封禁,很可能再次作弊。 所以尽管他们不能封禁他,直到VAC在他的第50个账户上抓住他,但通过给 他一个低信任分数,他们减少了他破坏受信任玩家 游戏的可能性。然后他们转向讨论现有的反作弊方法。 在打击作弊者时,Valve会谈到‘工作跑步机’。 也就是说,需要不断努力改进 并应对新类型的作弊,以领先作弊制作者一步。 他举例说加速外挂和RNG预测是容易 修复的,通过调整客户端和服务器之间的 通信和信息。 另一方面,VAC会直接封禁作弊者。 Valve表示,玩家群体对这个系统有信心很重要。 这并不意味着它会封禁所有 作弊的人,而是它检测到的人确实作弊了。 VAC 封禁是一件严肃的事情,因为它会阻止用户使用他们
HN 上的讨论
如果你感兴趣,Valve 使用一个名为 VACnet 的深度学习模型来“监视”他们服务器上的每个玩家[0][1]。如果检测到任何可疑的游戏行为,它会被提交到一个名为 Overwatch[2] 的审核队列,这基本上是将封禁作弊者的决定委托给社区。他们将其游戏化真的很酷。[0] [LINK] [1] [VIDEO] [2] [LINK] — cameronbrown, 2020-07
那不是我的意思——我的观点是,那些安全基线较宽松的公司(即没有专门团队负责调查作弊并改进反作弊系统)往往会让更多作弊者涌入他们的游戏,我用真实事件来支持这一点。- 这些公司会向作弊制作者发送停止侵权函,而不是努力检测他们的作弊行为(Joduska.me 因 Riot 的停止侵权函而停止运营,Bossland GmbH 实际上被起诉并败诉)。如果这些作弊行为被持续检测并封禁用户,就不需要诉讼了。- CS:GO 在(差不多十年前)实施了“Overwatch”审查系统,允许玩家审查潜在的作弊者,并就作弊可能性达成共识。Valve 在 VAC 上以非常宽松著称——考虑到 Valve 的公司文化,这些封禁浪潮可能只有在 Valve 的某位资深员工在游戏中被作弊者击杀后,才会指派某人向 VAC 添加检测机制。直到最近(约 4 年前),Valve 才据称开始整合更先进的自动检测和惩罚系统[0],但当时… — judge2020, 2023-04
值得注意的是,列表中的 VAC 游戏,CS:GO、TF2 和 Dota 2,实际上已经放弃了真正检测和防止作弊者,现在依赖基于服务器或社区共识的方法来发现和惩罚作弊者(TF2 是个例外,因为 Valve 对它维护很少)。CS:GO 和 Dota 2 都有报告+overwatch 系统,用户观看回放以确定某人是否表现出可疑的作弊行为。服务器端是 VACnet,它使用启发式方法,如鼠标移动或[在 Dota 中]点击超出常规相机边界来检测这些作弊者,并加速将他们送入 Overwatch 队列。你可以轻松下载 Dota 2 最大的脚本客户端,而因使用它而引发的 VAC 封禁浪潮已经多年闻所未闻(只有当足够多的其他玩家通过 Overwatch 验证作弊时,你才会在游戏内被封禁)。[VIDEO] [LINK] — judge2020, 2021-09
[VIDEO] Valve 已经在使用机器学习分析所有游戏中玩家的鼠标移动,以寻找“非人类”模式,并将这些直接发送到由社区人员手动审查的名为 overwatch 的流程中。 — kllrnohj, 2021-07
> 他们还有一个神经网络设置,不断扫描比赛日志以查找作弊者 对于那些想知道这是指什么的人,这是一个名为 VACNet[0] 的系统,去年在 GDC 上展示过。[0] [LINK] [1] [VIDEO] — cameronbrown, 2019-07
相关视频
- 神经网络和反向传播的详细入门:构建micrograd · Andrej Karpathy · 2:25:52
- 寻找平坦地球 · Folding Ideas · 1:16:16
- 但什么是神经网络?| 深度学习第一章 · 3Blue1Brown · 18:40
- SM64 - Watch for Rolling Rocks - 0.5x A 键(带解说)[已过时] · pannenkoek2012 · 24:38
- 反向模拟 NES,赋予它超级能力! · suckerpinch · 22:21
- 这就是 Phil Fish · Innuendo Studios · 19:05
- AlphaGo - 电影 | 完整获奖纪录片 · Google DeepMind · 1:30:28
- Transformer,LLM 背后的技术 | 深度学习第 5 章 · 3Blue1Brown · 27:14
- USENIX Security '18-Q:为什么主题演讲者不断建议改进安全性是可能的? · USENIX · 51:22
- 第一讲 | 机器学习(斯坦福) · Stanford · 1:08:40
- MarI/O - 视频游戏机器学习 · SethBling · 5:57
- 深入探讨 ChatGPT 等 LLM · Andrej Karpathy · 3:31:23
- 《无人深空》的救赎 · Internet Historian · 53:51
- 学会玩经典 NES 游戏的计算机程序 · suckerpinch · 16:17
- David Silver 强化学习课程 - 第一讲:强化学习导论 · Google DeepMind · 1:28:12
- 让我们从头构建 GPT:用代码,详细解释。 · Andrej Karpathy · 1:56:20