論文の概要: Identify As A Human Does: A Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games

• arxiv url: http://arxiv.org/abs/2409.14830v1
• Date: Mon, 23 Sep 2024 09:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 20:50:08.818510
• Title: Identify As A Human Does: A Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games
• Title（参考訳）: Identify as a human do: a Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games
• Authors: Jiayi Zhang, Chenxin Sun, Yue Gu, Qingyu Zhang, Jiayi Lin, Xiaojiang Du, Chenxiong Qian,
• Abstract要約: オンラインゲームでのティーティングは、ゲーム体験の完全性に重大な脅威をもたらす。 本稿では,人気ゲームCS:GOのためのサーバサイドFPSアンチチートフレームワークHAWKを提案する。
• 参考スコア（独自算出の注目度）: 25.04499987558611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The gaming industry has experienced substantial growth, but cheating in online games poses a significant threat to the integrity of the gaming experience. Cheating, particularly in first-person shooter (FPS) games, can lead to substantial losses for the game industry. Existing anti-cheat solutions have limitations, such as client-side hardware constraints, security risks, server-side unreliable methods, and both-sides suffer from a lack of comprehensive real-world datasets. To address these limitations, the paper proposes HAWK, a server-side FPS anti-cheat framework for the popular game CS:GO. HAWK utilizes machine learning techniques to mimic human experts' identification process, leverages novel multi-view features, and it is equipped with a well-defined workflow. The authors evaluate HAWK with the first large and real-world datasets containing multiple cheat types and cheating sophistication, and it exhibits promising efficiency and acceptable overheads, shorter ban times compared to the in-use anti-cheat, a significant reduction in manual labor, and the ability to capture cheaters who evaded official inspections.
• Abstract（参考訳）: ゲーム業界は相当な成長を遂げているが、オンラインゲームにおける不正行為は、ゲーム体験の完全性に重大な脅威をもたらす。 特にファースト・パーソン・シューティング(FPS)ゲームでは、ゲーム業界にかなりの損失をもたらす可能性がある。 既存のアンチチートソリューションには、クライアント側のハードウェア制約、セキュリティリスク、サーバ側の信頼性の低いメソッドなど、制限がある。 これらの制約に対処するため,本研究では,人気ゲームCS:GO用のサーバサイドFPSアンチチートフレームワークであるHAWKを提案する。 HAWKは機械学習技術を用いて人間の専門家の識別プロセスを模倣し、新しいマルチビュー機能を活用し、明確に定義されたワークフローを備えている。 著者らはHAWKを,複数の不正タイプを含む最初の大規模および実世界のデータセットで評価し,有望な効率性と許容可能なオーバーヘッド,使用中のアンチチートよりも短い禁止時間,手作業の大幅な削減,公式検査を回避した不正者を捕獲する能力を示す。

関連論文リスト

• VIC: Evasive Video Game Cheating via Virtual Machine Introspection [0.0]
  ビデオゲームの不正行為は、一部のプレイヤーに不公平なアドバンテージを与えるためにビデオゲームの振る舞いを変更します。 これはオンラインゲーム体験を破壊し、ゲーム開発者にとって経済的損失をもたらす可能性がある。 我々は、仮想マシンを利用してステルスゲームチートを実行する新しいタイプのゲームチート、Virtual Machine Introspection Cheat(VIC)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T20:54:56Z)
• Addressing Network Packet-based Cheats in Multiplayer Games: A Secret Sharing Approach [3.304472814852163]
  マルチプレイヤーゲームにおいて,ネットワークパケットベースの不正行為(偽造やタイミング不正など)を検出する新しい手法を提案する。 我々は,オンラインゲームにおいて広く利用されている攻撃に対処する上で,我々の提案が実用的であることを示す。
  論文  参考訳（メタデータ） (2025-01-18T21:11:38Z)
• Human-like Bots for Tactical Shooters Using Compute-Efficient Sensors [13.743654443419384]
  本稿では、複雑な商用標準の2v2戦術シューティングゲームで遊ぶために、模倣学習を用いてニューラルネットワークを訓練するための新しい手法を提案する。 提案手法は, 空間情報を効率よく取得する小型のレイキャストセンサを用いて, 画期的, 画期的, 画期的, 画期的な知覚アーキテクチャを利用する。 人間の評価テストは、AIエージェントが人間のようなゲームプレイ体験を提供しながら、計算制約下で効率的に操作できることを確認します。
  論文  参考訳（メタデータ） (2024-12-30T12:06:37Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Visual Detection of Personal Protective Equipment and Safety Gear on Industry Workers [49.36909714011171]
  我々は、PPE(Personal Protective Equipment)の使用を検知するカメラを用いて、労働者の安全を向上するシステムを開発した。 我々の焦点は、制限区域へのアクセスを得るために労働者が自らを提示しなければならないエントリーコントロールポイントに我々のシステムを実装することである。 この研究の新たな特徴は、クラス数を5つの対象(ヘルメット、安全ベスト、安全手袋、安全眼鏡、聴覚保護)に増やすことである。
  論文  参考訳（メタデータ） (2022-12-09T11:50:03Z)
• GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters [15.770861074132135]
  ゲーム開発者は不正行為を防止して、ゲームのセキュリティとユーザエクスペリエンスを改善することを目指している。 従来のソフトウェアベースの手法と統計システムは不正行為から保護することに成功している。 画像や音声などのコンテンツの自動生成の最近の進歩は、ビデオゲーム産業を脅かしている。
  論文  参考訳（メタデータ） (2022-05-14T13:33:23Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Robust Vision-Based Cheat Detection in Competitive Gaming [12.124621973070164]
  本稿では,フレームバッファの最終状態をキャプチャし,不正オーバーレイを検出するビジョンベースアプローチを提案する。 以上の結果から,機械学習によるロバストで効果的な解凍は実現可能であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T06:06:52Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-12-07T08:47:25Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• Disentangling Controllable Object through Video Prediction Improves Visual Reinforcement Learning [82.25034245150582]
  多くの視覚に基づく強化学習問題において、エージェントは視野内の可動物体を制御する。 制御可能なオブジェクトを観測信号から切り離すためのエンドツーエンド学習フレームワークを提案する。 不整合表現は、RLがエージェントに追加の観察チャネルとして有用であることが示されている。
  論文  参考訳（メタデータ） (2020-02-21T05:43:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。