Résumé Technique : Détecter les tricheurs utilisant des Aimbots dans les MOG

1. Énoncé du Problème

L'essor des jeux en ligne multijoueurs (MOG) a créé une industrie de plusieurs milliards de dollars, mais cette croissance est menacée par des tricheurs qui sapent l'intégrité compétitive et la rétention des joueurs. Bien que les systèmes anti-triche traditionnels détectent efficacement les aimbots basés sur la mémoire (qui accèdent à la mémoire du processus de jeu pour extraire les coordonnées des joueurs), ils sont fondamentalement inefficaces contre une nouvelle classe de menaces : les aimbots visuels.

Les aimbots visuels opèrent entièrement en dehors du processus de jeu. Ils capturent la sortie de l'écran du client et utilisent des modèles de vision par ordinateur (par exemple, YOLO, Faster R-CNN) pour détecter les adversaires, puis simulent ensuite l'entrée pour viser et tirer. Comme ils n'interagissent pas avec la mémoire du jeu, les solutions anti-triche au niveau du noyau (kernel-level) ne peuvent pas les détecter. De plus, les défenses existantes basées sur la perturbation (telles que l'ajout de bruit adversaire aux images du jeu) échouent souvent car les tricheurs peuvent réentraîner de manière itérative leurs modèles pour ignorer ces perturbations ou parce que les perturbations modifient le design visuel du jeu.

2. Méthodologie : PATCH

Les auteurs proposent PATCH, une nouvelle stratégie de défense proactive qui utilise des patchs adverses comme honeytokens (jetons de miel). Plut man que de tenter de dégrader la performance du modèle du tricheur, l'objectif est de déclencher délibérément le modèle de détection d'objets de l'attaquant, provoquant ainsi l'identification erronée du patch comme étant un joueur légitime.

Flux de Travail Central

1. Génération de Patch (Optimisation basée sur le Gradient) :

   • Le défenseur génère de petits patchs d'image optimisés conçus pour maximiser le score de confiance du modèle de détection d'objets de l'attaquant pour la classe « joueur ».
   • Le processus implique l'initialisation d'un patch avec un bruit aléatoire (échantillonné de $U(0.25, 0.75)$) et la mise à jour itérative des valeurs de pixels via l'ascension de gradient pour augmenter la confiance de détection.
   • L'optimisation maintient les poids du détecteur gelés et n'entraîne que les pixels du patch. Pour garantir l'invariance de localisation, les patchs sont positionnés de manière aléatoire sur les images d'entraînement lors de l'optimisation.
   • La fonction objectif minimise la moyenne négative des scores de classe des $k$ meilleurs résultats ($L = -\frac{1}{k}\sum S_i$), forçant le patch à développer des caractéristiques fortement associées à la classe cible.

2. Stratégie de Déploiement :

   • Superposition HUD (Heads-Up-Display) : Pour préserver les propriétés adverses du patch (qui sont sensibles à la perspective, à l'éclairage et à la compression), les patchs ne sont pas rendus comme des objets de jeu en 3D. Au lieu de cela, ils sont déployés comme des superpositions d'affichage tête haute (HUD) directement sur l'écran du client. Cela garantit que le patch apparaît exactement tel qu'entraîné.
   • Logique de Honeytoken :
     • Aimbot Visuel + Triggerbot : Si le système du tricheur vise et tire sur le patch, le serveur reçoit la preuve définitive de la triche (des tirs effectués sur une cible inexistante) et peut bannir le joueur.
     • Aimbot Visuel Uniquement : Si le tricheur ne fait que viser sans tirer, le serveur ne peut pas détecter le tir. Dans ce scénario, le serveur peut « inonder » le viewport de multiples patchs à différents emplacements, provoquant un tremblement incontrôlable du curseur du tricheur, rendant le jeu injouable pour lui sans affecter les joueurs honnêtes.

3. Modèles de Menace :

   • Boîte Blanche (White-Box) : Le défenseur a accès au modèle spécifique utilisé par l'attaquant (ce qui est courant car de nombreux tricheurs achètent des modèles pré-entraînés).
   • Boîte Noire (Black-Box) : Le défenseur utilise un modèle de substitution (par exemple, YOLO11m) pour générer des patchs, qui sont ensuite testés contre des attaquants utilisant différents modèles (par exemple, YOLO12m, YOLO26m) pour évaluer la transférabilité.

3. Configuration Expérimentale

Les auteurs ont évalué PATCH en utilisant un jeu Unreal Engine personnalisé et un titre commercial (Fortnite).

• Modèles : Le modèle de base principal était YOLO11m (choisi pour son équilibre entre vitesse et précision pour les applications en temps réel). La transférabilité a été testée contre YOLO12m et YOLO26m.
• Configurations :
  • Même Machine : L'aimbot s'exécute sur le même PC que le jeu.
  • Machine Externe : Le jeu s'exécute sur un PC et la sortie de l'écran est capturée via HDMI vers un second PC exécutant l'aimbot (une technique d'évasion courante).
• Variables : Les tests ont couvert 5 tailles de patch ($10\times10$ à $30\times30$), 3 résolutions d'écran ($1440\times1080$, $1920\times1080$, $3440\times1440$), et les scénarios de boîte blanche et de boîte noire.

4. Résultats Clés

Efficacité de Détection

• Performance en Boîte Blanche : Dans les scénarios où le défenseur connaît le modèle de l'attaquant, PATCH a atteint des taux de détection de plus de 90 % (F1-scores) pour la plupart des tailles de patch.
• Transférabilité en Boîte Noire : Testés contre des modèles non vus (YOLO12m et YOLO26m), les patchs plus grands ($25\times25$ et $30\times30$) ont démontré une transférabilité inter-modèles de 60 % à 90 %. Même la limite inférieure de 60 % est considérée comme suffisante pour une identification fiable, car les impacts répétés sur les honeytokens fournissent une preuve concluante.
• Compromis de Taille de Patch :
  • Les patchs plus petits ($10\times10$) offraient une meilleure furtivité mais une faible détection (environ 57 % en boîte blanche, chutant considérablement en boîte noire).
  • Les patchs de taille $15\times15$ sont apparus comme un seuil critique, atteignant 93,4 % de détection en boîte blanche tout en restant relativement subtils.
  • Les patchs plus grands ($30\times30$) offraient la plus grande robustesse et transférabilité, mais étaient plus visibles à l'œil humain.

Robustesse et Scalabilité

• Résolutions d'Écran : L'approche s'est avérée évolutive à travers différentes résolutions. En calculant le facteur d'échelle basé sur les dimensions du viewport par rapport à l'entrée d'entraînement du modèle (640x640), les patchs ont maintenu des F1-scores cohérents sur les écrans standards, plus petits et ultra-larges.
• Configurations de Capture : Les taux de détection sont restés constants (~92 % de F1-score), quel que soit le fait que l'attaquant utilise une capture sur la même machine ou sur une machine externe.
• Validation sur Fortnite : Une preuve de concept sur Fortnite utilisant un aimbot visuel open-source (YOLO12) a confirmé l'applicabilité réelle. Les patchs $30\times30$ ont atteint un taux de succès d'attaque moyen (ASR@0.5) de 89,3 %, et notablement, les patchs ont déclenché des scores de confiance plus élevés que les adversaires légitimes à des seuils de confiance élevés (0,75).

5. Contributions et Signification

Le papier revendique les contributions suivantes :

1. Nouvelle Défense Proactive : Introduction d'une stratégie qui utilise des patchs adverses non pas pour aveugler le tricheur, mais pour le piéger en forçant des faux positifs.
2. Évaluation Complète : Test systématique des paramètres de patch (taille, emplacement) et des paramètres d'exécution (résolution, méthode de capture) dans un environnement Unreal Engine personnalisé.
3. Applicabilité dans le Monde Réel : Validation de la méthode sur un titre commercial (Fortnite), démontrant que l'approche n'est pas limitée aux environaux de recherche personnalisés.

Signification

Les auteurs soutiennent qu'à mesure que les aimbots visuels deviennent plus prévalents, la détection réactive traditionnelle est insuffisante. PATCH offre aux développeurs de jeux un nouvel outil pour retourner l'arme de l'attaquant (son modèle de détection d'objets) contre lui. En déployant des honeytokens, les défenseurs peuvent soit identifier directement les tricheurs via les journaux de tirs sur les patchs, soit perturber l'expérience de jeu du tricheur, tout en maintenant l'intégrité du jeu pour les joueurs honnêtes. Le papier souligne que même avec une transférabilité imparfaite en boîte noire, les taux de détection élevés des patchs plus grands offrent une voie viable pour atténuer cette menace émergente.