Riepilogo Tecnico: Rilevamento di Cheater con Aimbot nei MOG

1. Definizione del Problema

L'ascesa dei Multiplayer Online Games (MOG) ha creato un'industria da miliardi di dollari, ma questa crescita è minacciata dai cheater che compromettono l'integrità competitiva e la ritenzione dei giocatori. Mentre i sistemi anti-cheat tradizionali rilevano efficacemente gli aimbot basati sulla memoria (che accedono alla memoria del processo di gioco per estrarre le coordinate dei giocatori), essi sono fondamentalmente inefficaci contro una nuova classe di minacce: gli aimbot visivi.

Gli aimbot visivi operano interamente al di fuori del processo di gioco. Essi catturano l'output dello schermo del client e utilizzano modelli di computer vision (ad es., YOLO, Faster R-CNN) per rilevare gli avversari, simulando successivamente l'input per mirare e sparare. Poiché non interagiscono con la memoria di gioco, le soluzioni anti-cheat a livello di kernel non possono rilevarli. Inoltre, le difese basate sulla perturbazione esistenti (come l'aggiunta di rumore avversario ai frame di gioco) spesso falliscono perché i cheater possono riaddestrare iterativamente i propri modelli per ignorare tali perturbazioni o perché le perturbazioni alterano il design visivo del gioco.

2. Metodologia: PATCH

Gli autori propongono PATCH, una nuova strategia di difesa proattiva che utilizza patch avversarie come honeytoken. Piuttosto che tentare di degradare le prestazioni del modello del cheater, l'obiettivo è deliberatamente innescare il modello di rilevamento oggetti dell'attaccante, causando l'errata identificazione della patch come un legittimo giocatore.

Flusso di Lavoro Principale

1. Generazione della Patch (Ottimizzazione basata sul Gradiente):

   • Il difensore genera piccole patch d'immagine ottimizzate progettate per massimizzare il punteggio di confidenza del modello di rilevamento oggetti dell'attaccante per la classe "player".
   • Il processo prevede l'inizializzazione di una patch con rumore casuale (campionato da $U(0.25, 0.75)$) e l'aggiornamento iterativo dei valori dei pixel tramite gradiente ascendente per aumentare la confidenza del rilevamento.
   • L'ottimizzazione mantiene i pesi del rilevatore congelati e addestra solo i pixel della patch. Per garantire l'invarianza della posizione, le patch sono posizionate casualmente sulle immagini di addestramento durante l'ottimizzazione.
   • La funzione obiettivo minimizza la media negativa dei punteggi delle classi top $k$ ($L = -\frac{1}{k}\sum S_i$), costringendo la patch a sviluppare caratteristiche fortemente associate alla classe target.

2. Strategia di Distribuzione:

   • Overlay HUD: Per preservare le proprietà avversarie della patch (che sono sensibili alla prospettiva, all'illuminazione e alla compressione), le patch non vengono renderizzate come oggetti 3D di gioco. Invece, vengono distribuite come overlay Heads-Up-Display (HUD) direttamente sullo schermo del client. Ciò garantisce che la patch appaia esattamente come addestrata.
   • Logica Honeytoken:
     • Visual Aimbot + Triggerbot: Se il sistema del cheater mira e spara alla patch, il server riceve la prova definitiva di cheating (colpi sparati a un bersaglio inesistente) e può bannare il giocatore.
     • Solo Visual Aimbot: Se il cheater mira senza sparare, il server non può rilevare lo sparo. In questo scenario, il server può "inondare" la visuale con molteplici patch in diverse posizioni, causando un tremolio incontrollabile del cursore del cheater, rendendo il gioco ingiocabile per lui senza influenzare i giocatori onesti.

3. Modelli di Minaccia:

   • White-Box: Il difensore ha accesso al modello specifico utilizzato dall'attaccante (comune poiché molti cheater acquistano modelli pre-addestrati).
   • Black-Box: Il difensore utilizza un modello surrogato (ad es., YOLO11m) per generare patch, che vengono poi testate contro attaccanti con modelli diversi (ad es., YOLO12m, YOLO26m) per valutarne la trasferibilità.

3. Configurazione Sperimentale

Gli autori hanno valutato PATCH utilizzando un gioco custom in Unreal Engine e un titolo commerciale (Fortnite).

• Modelli: Il modello base primario era YOLO11m (scelto per il suo equilibrio tra velocità e accuratezza nelle applicazioni real-time). La trasferibilità è stata testata contro YOLO12m e YOLO26m.
• Configurazioni:
  • Same-Machine: L'aimbot gira sullo stesso PC del gioco.
  • External-Machine: Il gioco gira su un PC, l'output dello schermo viene catturato tramite HDMI verso un secondo PC che esegue l'aimbot (una tecnica di evasione comune).
• Variabili: I test hanno coperto 5 dimensioni di patch ($10\times10$ fino a $30\times30$), 3 risoluzioni dello schermo ($1440\times1080$, $1920\times1080$, $3440\times1440$) e scenari sia white-box che black-box.

4. Risultati Chiave

Efficacia del Rilevamento

• Prestazioni White-Box: Negli scenari in cui il difensore conosce il modello dell'attaccante, PATCH ha raggiunto tassi di rilevamento superiori al 90% (F1-score) per la maggior parte delle dimensioni delle patch.
• Trasferibilità Black-Box: Quando testata contro modelli non visti (YOLO12m e YOLO26m), le patch più grandi ($25\times25$ e $30\times30$) hanno dimostrato una trasferibilità cross-modello del 60%–90%. Anche il limite inferiore del 60% è considerato sufficiente per un'identificazione affidabile, poiché i colpi ripetuti sui honeytoken forniscono prove conclusive.
• Compromesso Dimensione Patch:
  • Le patch più piccole ($10\times10$) offrivano una migliore furtività ma bassi tassi di rilevamento (circa 57% in white-box, con un calo significativo in black-box).
  • Le patch di dimensione $15\times15$ sono emerse come una soglia critica, raggiungendo il 93,4% di rilevamento negli scenari white-box pur rimanendo relativamente discrete.
  • Le patch più grandi ($30\times30$) fornivano la massima robustezza e trasferibilità, ma erano più visibili all'occhio umano.

Robustezza e Scalabilità

• Risoluzioni dello Schermo: L'approccio si è dimostrato scalabile attraverso diverse risoluzioni. Calcolando il fattore di scala in base alle dimensioni del viewport rispetto all'input di addestramento del modello (640x640), le patch hanno mantenuto F1-score costanti su display standard, piccoli e ultrawide.
• Configurazioni di Cattura: I tassi di rilevamento sono rimasti costanti (~92% F1-score) indipendentemente dal fatto che l'attaccante utilizzasse una cattura same-machine o external-machine.
• Validazione su Fortnite: Una prova di concetto su Fortnite utilizzando un aimbot visivo open-source (YOLO12) ha confermato l'applicabilità nel mondo reale. Le patch $30\times30$ hanno raggiunto un Attack Success Rate medio (ASR@0.5) dell'89,3% e, cosa importante, le patch hanno innescato punteggi di confidenza superiori rispetto ai legittimi avversari ad alte soglie di confidenza (0.75).

5. Contributi e Significato

Il paper rivendica i seguenti contributi:

1. Nuova Difesa Proattiva: Introduzione di una strategia che utilizza patch avversarie non per accecare il cheater, ma per intrappolarlo forzando falsi positivi.
2. Valutazione Completa: Test sistematico dei parametri della patch (dimensione, posizione) e delle impostazioni di esecuzione su un ambiente custom in Unreal Engine.
3. Applicabilità nel Mondo Reale: Validazione del metodo su un titolo commerciale (Fortnite), dimostrando che l'approccio non è limitato a ambienti di ricerca personalizzati.

Significato

Gli autori sostengono che, con l'aumentare della diffusione degli aimbot visivi, il rilevamento reattivo tradizionale sia insufficiente. PATCH offre agli sviluppatori di giochi un nuovo strumento per trasformare l'arma stessa dell'attaccante (il suo modello di rilevamento oggetti) contro di lui. Distribuendo honeytoken, i difensori possono o identificare direttamente i cheater attraverso i log del server relativi ai colpi sparati alle patch, o interrompere l'esperienza di gioco del cheater, mantenendo al contempo l'integrità del gioco per i giocatori onesti. Il paper sottolinea che, anche con una trasferibilità black-box imperfetta, l'alto tasso di rilevamento delle patch più grandi fornisce una via percorribile per mitigare questa emergente minaccia.