Resumo Técnico: Detecção de Trapaceiros de Aimbot em MOGs

1. Declaração do Problema

A ascensão dos Jogos Online Multijogador (MOGs) criou uma indústria de bilhões de dólares, mas esse crescimento é ameaçado por trapaceiros que minam a integridade competitiva e a retenção de jogadores. Embora os sistemas tradicionais de anti-cheat detectem efetivamente aimbots baseados em memória (que acessam a memória do processo do jogo para extrair coordenadas de jogadores), eles são fundamentalmente ineficazes contra uma nova classe de ameaças: aimbots visuais.

Aimbots visuais operam inteiramente fora do processo do jogo. Eles capturam a saída da tela do cliente e utilizam modelos de visão computacional (ex: YOLO, Faster R-CNN) para detectar oponentes, subsequente ao qual simulam entrada para mirar e atirar. Como não interagem com a memória do jogo, soluções de anti-cheat de nível de kernel não conseguem detectá-los. Além disso, as defesas de interrupção existentes (como adicionar ruído adversarial aos quadros do jogo) frequentemente falham porque os trapaceiros podem treinar iterativamente seus modelos para ignorar essas perturbações ou porque as perturbações alteram o design visual do jogo.

2. Metodologia: PATCH

Os autores propõem o PATCH, uma nova estratégia de defesa proativa que utiliza patches adversariais como honeytokens. Em vez de tentar degradar o desempenho do modelo do trapaceiro, o objetivo é deliberadamente disparar o modelo de detecção de objetos do atacante, fazendo com que ele identifique incorretamente o patch como um jogador legítimo.

Fluxo de Trabalho Principal

1. Geração de Patch (Otimização Baseada em Gradiente):

   • O defensor gera pequenos patches de imagem otimizados projetados para maximizar o score de confiança do modelo de detecção de objetos do atacante para a classe "player".
   • O processo envolve inicializar um patch com ruído aleatório (amostrado de $U(0.25, 0.75)$) e atualizar iterativamente os valores dos pixels via ascensão de gradiente para aumentar a confiança na detecção.
   • A otimização mantém os pesos do detector congelados e treina apenas os pixels do patch. Para garantir a invariância de localização, os patches são posicionados aleatoriamente em imagens de treinamento durante a otimização.
   • A função objetivo minimiza a média negativa dos top $k$ scores de classe ($L = -\frac{1}{k}\sum S_i$), forçando o patch a desenvolver características fortemente associadas à classe alvo.

2. Estratégia de Implantação:

   • Sobreposição de HUD: Para preservar as propriedades adversariais do patch (que são sensíveis à perspectiva, iluminação e compressão), os patches não são renderizados como objetos 3D do jogo. Em vez disso, eles são implantados como sobreposições de Heads-Up-Display (HUD) diretamente na tela do cliente. Isso garante que o patch apareça exatamente como treinado.
   • Lógica de Honeytoken:
     • Visual Aimbot + Triggerbot: Se o sistema do trapaceiro mira e atira no patch, o servidor recebe prova definitiva de trapaça (tiros disparados contra um alvo inexistente) e pode banir o jogador.
     • Visual Aimbot Apenas: Se o trapaceiro apenas mira sem disparar, o servidor não consegue detectar o tiro. Neste cenário, o servidor pode "inundar" o viewport com múltiplos patches em diferentes localizações, causando um tremor incontrolável no cursor do trapaceiro, tornando o jogo injogável para ele sem afetar jogadores honestos.

3. Modelos de Ameaça:

   • White-Box: O defensor tem acesso ao modelo específico que o atacante usa (comum, já que muitos trapaceiros compram modelos pré-treinados).
   • Black-Box: O defensor utiliza um modelo substituto (ex: YOLO11m) para gerar patches, que são então testados contra atacantes usando diferentes modelos (ex: YOLO12m, YOLO26m) para avaliar a transferibilidade.

3. Configuração Experimental

Os autores avaliaram o PATCH usando um jogo customizado em Unreal Engine e um título comercial (Fortnite).

• Modelos: O modelo base principal foi o YOLO11m (escolhido pelo seu equilíbrio entre velocidade e precisão em aplicações de tempo real). A transferibilidade foi testada contra YOLO12m e YOLO26m.
• Configurações:
  • Mesma Máquina: O aimbot roda na mesma máquina que o jogo.
  • Máquina Externa: O jogo roda em um PC e a saída da tela é capturada via HDMI para um segundo PC que executa o aimbot (uma técnica comum de evasão).
• Variáveis: Os testes cobriram 5 tamanhos de patch ($10\times10$ a $30\times30$), 3 resoluções de tela ($1440\times1080$, $1920\times1080$, $3440\times1440$) e tanto cenários white-box quanto black-box.

4. Resultados Principais

Eficácia de Detecção

• Desempenho White-Box: Em cenários onde o defensor conhece o modelo do atacante, o PATCH alcançou taxas de detecção superiores a 90% (F1-scores) para a maioria dos tamanhos de patch.
• Transferibilidade Black-Box: Quando testado contra modelos não vistos (YOLO12m e YOLO26m), patches maiores ($25\times25$ e $30\times30$) demonstraram 60%–90% de transferibilidade entre modelos. Mesmo o limite inferior de 60% é considerado suficiente para identificação confiável, pois acertos repetidos em honeytokens fornecem evidência conclusiva.
• Compromisso de Tamanho de Patch:
  • Patches menores ($10\times10$) ofereciam melhor furtividade, mas baixa taxa de detecção (aprox. 57% em white-box, caindo significativamente em black-box).
  • Patches de tamanho $15\times15$ emergiram como um limiar crítico, alcançando 93,4% de detecção em cenários white-box, mantendo-se relativamente sutis.
  • Patches maiores ($30\times30$) forneceram a maior robustez e transferibilidade, mas eram mais perceptíveis ao olho humano.

Robustez e Escalabilidade

• Resoluções de Tela: A abordagem provou ser escalável em diferentes resoluções. Ao calcular o fator de escala baseado nas dimensões do viewport em relação à entrada de treinamento do modelo (640x640), os patches mantiveram F1-scores consistentes em telas padrão, menores e ultrawide.
• Configurações de Captura: As taxas de detecção permaneceram consistentes (~92% F1-score), independentemente de o atacante usar uma captura de mesma máquina ou de máquina externa.
• Validação no Fortnite: Uma prova de conceito no Fortnite usando um visual aimbot de código aberto (YOLO12) confirmou a aplicabilidade no mundo real. Os patches de $30\times30$ alcançaram uma Taxa de Sucesso de Ataque média (ASR@0.5) de 89,3% e, notavelmente, os patches dispararam scores de confiança maiores do que oponentes legítimos em limiares de confiança elevados (0.75).

5. Contribuições e Significância

O artigo afirma as seguintes contribuições:

1. Defesa Proativa Inovadora: Introdução de uma estratégia que utiliza patches adversariais não para cegar o trapaceiro, mas para atraí-lo através de falsos positivos.
2. Avaliação Abrangente: Testes sistemáticos de parâmetros de patch (tamanho, localização) e configurações de execução (resolução, método de captura) em um ambiente customizado de Unreal Engine.
3. Aplicabilidade no Mundo Real: Validação do método no Fortnite, demonstrando que a abordagem não se limita a ambientes de pesquisa customizados.

Significância

Os autores argumentam que, conforme os aimbots visuais se tornam mais prevalentes, a detecção reativa tradicional é insuficiente. O PATCH oferece aos desenvolvedores de jogos uma nova ferramenta para transformar a própria arma do atacante (seu modelo de detecção de objetos) contra ele. Ao implantar honeytokens, os defensores podem identificar diretamente trapaceiros através de logs do servidor de tiros disparados contra patches ou interromper a experiência de jogo do trapaceiro, tudo isso mantendo a integridade do jogo para jogadores honestos. O artigo enfatiza que, mesmo com a transferibilidade imperfeita de black-box, as altas taxas de detecção de patches maiores fornecem um caminho viável para mitigar essa ameaça emergente.