論文の概要: You Are Not My Teammate: Behavioral Fingerprint-based Detection of Suspicious Account Misuse
- arxiv url: http://arxiv.org/abs/2608.09132v1
- Date: Mon, 10 Aug 2026 05:23:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.091212
- Title: You Are Not My Teammate: Behavioral Fingerprint-based Detection of Suspicious Account Misuse
- Title（参考訳）: あなたが私のチームメイトではない:行動的フィンガープリントによる不注意なアカウントの誤検知
- Authors: Dong Hwan Lee, Huy Kang Kim,
- Abstract要約: マルチプレイヤーオンラインバトルアリーナゲームにおけるアカウント誤用に対する行動指紋に基づく検出手法を提案する。
本手法は,プレーヤーの歴史的行動と最近のゲーム内行動の変化を分析し,定量化する。
実験の結果、同一アカウント内の行動指紋は、異なるアカウントにまたがる指紋と区別可能であることが示された。
- 参考スコア（独自算出の注目度）: 9.307876997471292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online games have been continuously affected by cyber threats such as game bots and gold farming. Game bots, which are automated programs that play on behalf of human users, significantly accelerate character progression and reduce the engagement of legitimate players, potentially leading to user churn. In addition, gold farming enables the monetization of in-game currency into real-world money, resulting in unfair profits. For these reasons, prior studies have primarily focused on detecting game bots and gold farming. However, in competitive Multiplayer Online Battle Arena (MOBA) games such as League of Legends, match outcomes and rankings are the primary objectives, where individual performance is more critical than in-game economic factors. Accordingly, account misuse such as account sharing and boosting has emerged as a major threat to fair competition. In this study, we propose a behavioral fingerprint-based detection method. Our approach analyzes and quantifies changes between a player's historical and recent in-game behaviors. Consequently, it enables the robust identification of suspicious account sharing and boosting, even in label-scarce environments. Experimental results show that behavioral fingerprints within the same account are distinguishable from those across different accounts, supporting rapid detection of suspicious account misuse even with limited labeled data.
- Abstract（参考訳）: オンラインゲームは、ゲームボットや金の農業といったサイバー脅威によって継続的に影響を受ける。
ゲームボットは、人間のユーザーのために動く自動化プログラムであり、キャラクターの進行を著しく加速し、正当なプレイヤーのエンゲージメントを減少させ、ユーザーを混乱させる可能性がある。
さらに、金の農業はゲーム内通貨を現実世界の通貨に収益化することを可能にし、不公平な利益をもたらす。
これらの理由から、先行研究は主にゲームボットと金の農業の発見に焦点が当てられている。
しかし、リーグ・オブ・レジェンドのような競合するマルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームでは、対戦結果とランキングが主な目的であり、個々のパフォーマンスはゲーム内経済要因よりも重要である。
そのため、アカウント共有や促進といったアカウント誤用が公正競争の大きな脅威として浮上している。
本研究では,行動指紋に基づく検出法を提案する。
本手法は,プレーヤーの歴史的行動と最近のゲーム内行動の変化を分析し,定量化する。
これにより、ラベルスカース環境であっても、不審なアカウント共有とブースティングの堅牢な識別が可能になる。
実験の結果,同一アカウント内の行動指紋は異なるアカウント間で識別可能であり,ラベル付きデータに制限がある場合でも不審なアカウント誤用を迅速に検出できることがわかった。
関連論文リスト
- Adversarial Reward Auditing for Active Detection and Mitigation of Reward Hacking [69.06218054848803]
本稿では,報酬ハッキングを動的かつ競争的なゲームとして再認識するフレームワークであるAdrial Reward Auditing(ARA)を提案する。
まず、ハッカーポリシーは報酬モデルの脆弱性を発見し、監査人は潜伏表現からのエクスプロイトを検出することを学習する。
ARAはすべてのベースラインの中で最高のアライメントユーティリティトレードオフを実現しています。
論文 参考訳（メタデータ） (2026-02-02T07:34:57Z) - How Far Are LLMs from Professional Poker Players? Revisiting Game-Theoretic Reasoning with Agentic Tool Use [52.394999779049606]
大規模言語モデル(LLMs)は、ハイテイクなドメインにますます適用されています。
LLMは従来のアルゴリズムと競合しない。
ツール統合推論フレームワークであるToolPokerを提案する。
論文 参考訳（メタデータ） (2026-01-31T05:45:25Z) - A Framework for Mining Collectively-Behaving Bots in MMORPGs [1.2709237540689517]
MMORPG(Massively Multiplayer Online Role-Playing Games)では、異常プレイヤー(ボット)が一般的に見られる。
トラジェクティブ表現学習とクラスタリングを組み合わせたフレームワークBotTRepを開発した。
本モデルは,ゲーム内トラジェクトリシーケンスの表現を学習し,文脈的に類似したトラジェクトリを持つプレイヤーがより密接な埋め込みを実現することを目的としている。
論文 参考訳（メタデータ） (2025-01-15T10:11:26Z) - Exploring and Mitigating Adversarial Manipulation of Voting-Based Leaderboards [93.16294577018482]
このタイプの最も人気のあるベンチマークであるArenaは、ランダムに選択された2つのモデル間のより良いレスポンスを選択するようユーザに求めることで、モデルをランク付けする。
攻撃者は、約1000票の費用で、リーダーボードを変更できる(お気に入りのモデルを宣伝したり、ライバルを降格させる)。
私たちの攻撃は2つのステップで構成されている。まず、攻撃者が95%以上の精度で特定の応答を生成するためにどのモデルを使用したかを決定する方法を示し、次に、攻撃者はこの情報を使ってターゲットモデルに対して一貫して投票することができる。
論文 参考訳（メタデータ） (2025-01-13T17:12:38Z) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は,競争行動の社会的影響に基づく新しい強化学習機構を提案する。
提案モデルでは, 人工エージェントの学習を調節するための競合スコアを導出するために, 客観的, 社会的認知的メカニズムを集約する。
論文 参考訳（メタデータ） (2022-08-22T14:06:06Z) - 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) - Incorporating Rivalry in Reinforcement Learning for a Competitive Game [65.2200847818153]
本研究は、競合する社会的影響に基づく新しい学習メカニズムの提供に焦点を当てる。
本研究は,競争競合の概念に基づいて,これらのエージェントの評価を人的視点から変えられるかを検討することを目的とする。
論文 参考訳（メタデータ） (2020-11-02T21:54:18Z) - Automatic Player Identification in Dota 2 [0.0]
Dota 2のプレイヤーを識別するための機械学習手法を提案する。
我々は,マッチリプレイから抽出したマウスの動き,ゲーム内統計,ゲーム戦略に関するデータを利用する。
2つの異なる試合が同じプレイヤーによってプレイされたかどうかを予測する問題に対して,95%の予測精度が得られる。
論文 参考訳（メタデータ） (2020-08-27T22:58:01Z) - Cheating in online gaming spreads through observation and victimization [2.7739004171676904]
オンラインマルチプレイヤーファーストパーソンシューティングゲームの100万試合以上における不正行為の拡散について検討した。
我々は、不正行為を観察し経験している人々にとって、社会的伝染は存在する可能性が高いことに気付きました。
論文 参考訳（メタデータ） (2020-03-24T22:38:07Z)
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。