論文の概要: VIC: Evasive Video Game Cheating via Virtual Machine Introspection
- arxiv url: http://arxiv.org/abs/2502.12322v1
- Date: Mon, 17 Feb 2025 20:54:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:15.427514
- Title: VIC: Evasive Video Game Cheating via Virtual Machine Introspection
- Title（参考訳）: VIC:Evasive Video Game Cheating via Virtual Machine Introspection
- Authors: Panicos Karkallis, Jorge Blasco Alis,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Video game cheats modify a video game behaviour to give unfair advantages to some players while bypassing the methods game developers use to detect them. This destroys the experience of online gaming and can result in financial losses for game developers. In this work, we present a new type of game cheat, Virtual machine Introspection Cheat (VIC), that takes advantage of virtual machines to stealthy execute game cheats. VIC employees a hypervisor with introspection enabled to lower the bar of cheating against legacy and modern anti-cheat systems. We demonstrate the feasibility and stealthiness of VIC against three popular games (Fortnite, BlackSquad and Team Fortress 2) that include five different anti-cheats. In particular, we use VIC to implement a cheat radar, a wall-hack cheat and a trigger-bot. To support our claim that this type of cheats can be effectively used, we present the performance impact VICs have on gameplay by monitoring the frames per second (fps) while the cheats are activated. Our experimentation also shows how these cheats are currently undetected by the most popular anti-cheat systems, enabling a new paradigm that can take advantage of cloud infrastructure to offer cheating-as-a-service.
- Abstract（参考訳）: ビデオゲームの不正行為は、ゲーム開発者が検出するために使用する方法をバイパスしながら、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する。
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。
本研究は,バーチャルマシンを利用したゲーム不正行為をステルスする新たなタイプのゲーム不正行為であるVirtual Machine Introspection Cheat(VIC)を提案する。
VICはイントロスペクションを備えたハイパーバイザを雇い、レガシーおよび現代の反チートシステムに対する不正行為の限界を低くすることができる。
我々は,5種類のアンチチートを含む3つの人気ゲーム(Fortnite,BlackSquad,Team Fortress 2)に対して,VICの実現性とステルス性を示す。
特に、VICを使って不正なレーダー、壁ハックの不正、トリガーボットを実装しています。
このような不正行為を効果的に活用できるという我々の主張を支持するため、不正行為がアクティブ化されている間、VICが秒間(fps)のフレームを監視することにより、ゲームプレイにもたらすパフォーマンスへの影響を提示する。
私たちの実験はまた、これらの不正行為が、現在最もポピュラーなアンチチートシステムによって検出されていないことを示し、クラウドインフラストラクチャを活用してサービスとしての不正行為を提供する新しいパラダイムを可能にしています。
関連論文リスト
- Identify As A Human Does: A Pathfinder of Next-Generation Anti-Cheat Framework for First-Person Shooter Games [25.04499987558611]
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。
論文 参考訳（メタデータ） (2024-09-23T09:00:07Z) - Not All Prompts Are Secure: A Switchable Backdoor Attack Against Pre-trained Vision Transformers [51.0477382050976]
この作業でスイッチトークンと呼ばれる追加のプロンプトトークンは、バックドアモードをオンにすることができ、良心的なモデルをバックドアモードに変換することができる。
事前訓練されたモデルを攻撃するため、SWARMと呼ばれる攻撃はトリガを学習し、スイッチトークンを含むトークンをプロンプトする。
多様な視覚認識タスクの実験は、切り替え可能なバックドア攻撃の成功を確認し、95%以上の攻撃成功率を達成した。
論文 参考訳（メタデータ） (2024-05-17T08:19:48Z) - Turn Fake into Real: Adversarial Head Turn Attacks Against Deepfake
Detection [58.1263969438364]
本稿では,3次元対向顔視によるディープフェイク検出器に対する最初の試みとして,対向頭部旋回(AdvHeat)を提案する。
実験では、現実的なブラックボックスシナリオにおいて、様々な検出器のAdvHeatに対する脆弱性を検証する。
さらなる分析により、AdvHeatは、クロス検出器転送性と防御に対する堅牢性の両方に対する従来の攻撃よりも優れていることが示されている。
論文 参考訳（メタデータ） (2023-09-03T07:01:34Z) - VISER: A Tractable Solution Concept for Games with Information Asymmetry [22.29425773648108]
我々はVISER(Victim Is Secure, Exploiter Best-Responds)と呼ばれる新しいソリューション概念を提案する。
VISERは、外部オブザーバがそのようなゲームの結果を予測することを可能にする。
本稿では,各プレイヤーのVISER戦略を線形プログラミングを用いて独立に計算可能であることを示す。
論文 参考訳（メタデータ） (2023-07-18T21:51:47Z) - Inspector: Pixel-Based Automated Game Testing via Exploration,
Detection, and Investigation [116.41186277555386]
Inspectorは、ゲームと深く統合することなく、異なるゲームに容易に適用できるゲームテストエージェントである。
インスペクタは純粋にピクセル入力に基づいており、ゲームスペースエクスプローラー、キーオブジェクト検出器、人間に似たオブジェクトインスペクタの3つの重要なモジュールから構成されている。
実験結果は,ゲーム空間の探索,キーオブジェクトの検出,オブジェクトの調査におけるインスペクタの有効性を示す。
論文 参考訳（メタデータ） (2022-07-18T04:49:07Z) - 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) - An Unsupervised Video Game Playstyle Metric via State Discretization [20.48689549093258]
本稿では,ゲーム観察とアクションから直接,ビデオゲームのプレイスタイルに関する最初の指標を提案する。
提案手法は離散表現を学習する新しい手法に基づいている。
いくつかのゲームプラットフォームにおける実験において,我々の測定値の高精度なプレイスタイルの精度を示す。
論文 参考訳（メタデータ） (2021-10-03T08:30:51Z) - 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) - 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) - Learning by Cheating [72.9701333689606]
この難解な学習問題を2段階に分解することで単純化できることを示す。
提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。
提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
論文 参考訳（メタデータ） (2019-12-27T18:59:04Z)
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。