Technische Samenvatting: Detectie van Aimbot-cheaters in MOG's

1. Probleemstelling

De opkomst van Multiplayer Online Games (MOG's) heeft gezorgd voor een miljardenindustrie, maar deze groei wordt bedreigd door cheaters die de competitieve integriteit en spelersretentie ondermijnen. Terwijl traditionele anti-cheat systemen effectief zijn in het detecteren van geheugen-gebaseerde aimbots (die het geheugen van het spelproces gebruiken om spelerscoördinaten te extraheren), zijn ze fundamenteel ineffectief tegen een nieuwe klasse dreigingen: visuele aimbots.

Visuele aimbots opereren volledig buiten het spelproces. Ze leggen de schermoutput van de client vast en gebruiken computer vision-modellen (bijv. YOLO, Faster R-CNN) om tegenstanders te detecteren, om vervolgens input te simuleren om te mikken en te schieten. Omdat ze niet interageren met het spelgeheugen, kunnen kernel-level anti-cheat oplossingen hen niet detecteren. Bovendien zijn bestaande disruptie-gebaseerde verdedigingen (zoals het toevoegen van adversariële ruis aan gameframes) vaak ineffectief, omdat cheaters hun modellen iteratief kunnen hertrainen om deze perturbaties te negeren, of omdat de perturbaties het visuele ontwerp van het spel veranderen.

2. Methodologie: PATCH

De auteurs stellen PATCH voor, een nieuwe proactieve verdedigingsstrategie die gebruikmaakt van adversariële patches als honeytokens. In plaats van te proberen de prestaties van het detectiemodel van de cheater te verslechteren, is het doel om het objectdetectiemodel van de aanvaller doelbewust te triggeren, waardoor het de patch identificeert als een legitieme speler.

Kernworkflow

1. Patch Generatie (Gradient-Based Optimalisatie):

   • De verdediger genereert kleine, geoptimaliseerde beeldpatches die ontworpen zijn om de confidence score van het objectdetectiemodel van de aanvaller voor de "player" class te maximaliseren.
   • Het proces omvat het initialiseren van een patch met willekeurige ruis (gesampled uit $U(0.25, 0.75)$) en het iteratief bijwerken van pixelwaarden via gradient ascent om de detectie-confidence te verhogen.
   • Tijdens de optimalisatie blijven de gewichten van de detector bevroren en worden alleen de patch-pixels getraind. Om locatie-invariantie te garanderen, worden patches tijdens de optimalisatie op willekeurige posities op trainingsafbeeldingen geplaatst.
   • De objectieffunctie minimaliseert de negatieve gemiddelde waarde van de top $k$ class scores ($L = -\frac{1}{k}\sum S_i$), waardoor de patch kenmerken ontwikkelt die sterk geassocieerd zijn met de doelklasse.

2. Implementatiestrategie:

   • HUD Overlay: Om de adversariële eigenschappen van de patch te behouden (die gevoelig zijn voor perspectief, belichting en compressie), worden de patches niet gerenderd als 3D-gameobjecten. In plaats daarvan worden de patches gedeplyoed als Heads-Up-Display (HUD) overlays direct op het scherm van de client. Dit zorgt ervoor dat de patch exact verschijnt zoals getraind.
   • Honeytoken Logica:
     • Visuele Aimbot + Triggerbot: Als het systeem van de cheater mikt en schiet op de patch, ontvangt de server definitief bewijs van valsspelen (schoten afgevuurd op een niet-bestaand doelwit) en kan de speler verbannen worden.
     • Visuele Aimbot Alleen: Als de cheater alleen mikt zonder te schieten, kan de server het schot niet detecteren. In dit scenario kan de server het gezichtsveld "overstromen" met meerdere patches op verschillende locaties, wat de cursor van de cheater ongecontroleerd laat trillen, waardoor het spel onspeelbaar wordt voor hen zonder de eerlijke spelers te beïnvloeden.

3. Threat Models:

   • White-Box: De verdediger heeft toegang tot het specifieke model dat de aanvaller gebruikt (veelgebruikt omdat veel cheaters voorgeprepareerde modellen kopen).
   • Black-Box: De verdediger gebruikt een surrogaatmodel (bijv. YOLO11m) om patches te genereren, die vervolgens worden getest tegen aanvallers met verschillende modellen (bijv. YOLO12m, YOLO26m) om de transfereerbaarheid te beoordelen.

3. Experimentele Opstelling

De auteurs evalueerden PATCH met behulp van een aangepaste Unreal Engine game en een commerciële titel (Fortnite).

• Modellen: Het primaire basismodel was YOLO11m (gekozen vanwege de balans tussen snelheid en nauwkeurigheid in real-time toepassingen). Transfereerbaarheid werd getest tegen YOLO12m en YOLO26m.
• Configuraties:
  • Same-Machine: De aimbot draait op dezelfde PC als het spel.
  • External-Machine: Het spel draait op één PC, de schermoutput wordt via HDMI naar een tweede PC gekapt die de aimbot draait (een veelvoorkomende evasie-techniek).
• Variabelen: Tests omvatten 5 patchgroottes ($10\times10$ tot $30\times30$), 3 schermresoluties ($1440\times1080$, $1920\times1080$, $3440\times1440$), en zowel white-box als black-box scenario's.

4. Belangrijkste Resultaten

Detectie Effectiviteit

• White-Box Prestaties: In scenario's waar de verdediger het model van de aanvaller kent, bereikte PATCH meer dan 90% detectiepercentages (F1-scores) voor de meeste patchgroottes.
• Black-Box Transfereerbaarheid: Wanneer getest tegen onbekende modellen (YOLO12m en YOLO26m), vertoonden grotere patches ($25\times25$ en $30\times30$) een cross-model transfereerbaarheid van 60%–90%. Zelfs de ondergrens van 60% wordt beschouwd als voldoende voor betrouwbare identificatie, aangezien herhaalde hits op honeytokens doorslaggevend bewijs leveren.
• Patch Grootte Afweging:
  • Kleinere patches ($10\times10$) boden betere stealth maar slechte detectiepercentages (ongeveer 57% in white-box, significant lager in black-box).
  • Patches van grootte $15\times15$ bleken een kritieke drempelwaarde te zijn, met een detectie van 93,4% in white-box scenario's terwijl ze relatief subtiel bleven.
  • Grotere patches ($30\times30$) boden de hoogste robuustheid en transfereerbaarheid, maar waren duidelijker zichtbaar voor het menselijk oog.

Robuustheid en Schaalbaarheid

• Schermresoluties: De aanpak bleek schaalbaar over verschillende resoluties. Door de schalingfactor te berekenen op basis van de viewport-dimensies ten opzichte van de trainingsinput van het model (640x640), behielden de patches consistente F1-scores over standaard, kleinere en ultrawide displays.
• Capture Configuraties: De detectiepercentages bleven consistent (~92% F1-score), ongeacht of de aanvaller een same-machine of external-machine capture setup gebruikte.
• Fortnite Validatie: Een proof-of-concept op Fortnite met een open-source visuele aimbot (YOLO12) bevestigde de praktische toepasbaarheid. De $30\times30$ patches bereikten een gemiddelde Attack Success Rate (ASR@0.5) van 89,3%, en opvallend genoeg triggerden de patches hogere confidence scores dan legitieme tegenstanders bij hoge confidence drempels (0.75).

5. Bijdragen en Betekenis

Het artikel claimt de volgende bijdragen:

1. Nieuwe Proactieve Verdediging: Introductie van een strategie die adversariële patches gebruikt, niet om de cheater te verblinden, maar om hen te vangen door valse positieven te forceren.
2. Uitgebreide Evaluatie: Systematische testen van patchparameters (grootte, locatie) en executie-instellingen (resolutie, capture methode) in een aangepaste Unreal Engine omgeving.
3. Real-World Toepasbaarheid: Validatie van de methode op een commerciële titel (Fortnite), wat aantoont dat de aanpak niet beperkt is tot aangepaste onderzoekomgevingen.

Betekenis

De auteurs stellen dat naarmate visuele aimbots prominenter worden, traditionele reactieve detectie onvoldoende is. PATCH biedt game developers een nieuw instrument om het wapen van de aanvaller (hun objectdetectiemodel) tegen henzelf te keren. Door honeytokens te implementeren, kunnen verdedigers ofwel cheaters direct identificeren via server-side logs van schoten op patches, ofwel de gameplay-ervaring van de cheater verstoren, terwijl de integriteit van het spel voor eerlijke spelers behouden blijft. Het artikel benadrukt dat zelfs met imperfecte black-box transfereerbaarheid, de hoge detectiepercentages van grotere patches een levensvatbaar pad bieden voor het mitigeren van deze opkomende dreiging.