💻 computer science

Detecting Aimbot Cheaters in MOGs

本文介绍了 PATCH，这是一种主动防御策略，通过将对抗性补丁作为游戏内的诱饵令牌（honeytokens）进行部署，利用视觉瞄准辅助（aimbot）作弊器所使用的计算机视觉模型，从而有效地检测并干扰多人在线游戏中的视觉瞄准辅助作弊者，并在自定义及商业游戏环境中实现了高检测率和跨模型的迁移性。

原作者： Salman Shaikh, Tao Ni, Marc Dacier

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Salman Shaikh, Tao Ni, Marc Dacier

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

问题所在：“幽灵”作弊者

想象一场规模宏大、赌注极高的电子游戏锦标赛（比如《堡垒之夜》或《使命召唤》）。多年来，游戏开发者一直在与作弊者进行一场猫鼠游戏。

旧式作弊者（内存瞄准辅助/Memory Aimbots）： 这些人就像闯入游戏“后勤办公室”（计算机内存）的黑客，窃取每个敌人的精确位置。游戏的安全警卫（反作弊软件）很容易发现他们，因为他们在非法区域进行窥探。
新式作弊者（视觉瞄准辅助/Visual Aimbots）： 他们是“幽灵”。他们不闯入后勤办公室，而是站在窗外观察你屏幕上的画面。他们使用特殊的摄像头（一种像 YOLO 这样的计算机视觉模型）来识别敌人并自动瞄准枪支。因为他们从未触碰游戏的内部代码，所以游戏的安保人员无法察觉。他们对传统的防御手段来说是隐形的。

解决方案：“蜜罐令牌”陷阱

作者 Salman Shaikh、Tao Ni 和 Marc Dacier 提出了一种被称为 PATCH 的巧妙陷阱。他们不再试图通过检查玩家的电脑来抓捕作弊者，而是通过改变游戏世界来欺骗作弊者的“摄像头”。

这就像是在蜂巢里设置了一个蜜罐（Honeypot），只不过对象是电子游戏。

诱饵（对抗性补丁/Adversarial Patches）： 游戏开发者创建了一些看起来像随机噪声的微小、奇怪的图案（补丁），对于人类玩家来说这些图案毫无意义。然而，对于作弊者的“摄像头”（AI 模型）来说，这些图案看起来完全就是一个敌方玩家。
陷阱： 游戏会在屏幕各处秘密放置这些对人类几乎不可见或几乎难以察觉的图案。
触发机制：
- 如果作弊者使用的是“视觉瞄准辅助”，他们的 AI 会看到补丁，认为：“那是一个敌人！”然后立即瞄准它。
- 如果作弊者还开启了“自动射击”功能，他们就会对着补丁开火。
- 游戏服务器会观察到这一点：“等等，为什么你刚才对着一个根本没有玩家的随机位置开火？”抓到了。 服务器由此判定你在作弊。

如果作弊者不射击而只是瞄准补丁，游戏可以向他们的屏幕上投放数百个这样的补丁。作弊者的 AI 会陷入混乱，试图同时瞄准数十个虚假的敌人，导致游戏对他们来说变得无法进行。

他们是如何测试的

研究人员使用 Unreal Engine（一种流行的游戏开发工具）构建了一个自定义视频游戏来测试这个想法。

设置： 他们创建了一个“作弊者”AI，该 AI 使用一种名为 YOLO（You Only Look Once）的流行目标检测模型来寻找玩家。
实验： 他们生成了 100 个不同尺寸的“诱饵”补丁（从微小的 10x10 像素到较大的 30x30 像素），并将它们放置在屏幕上。
结果：
- 白盒测试（已知作弊器的模型）： 当游戏完全了解作弊者所使用的 AI 时，补丁的效果非常好。他们成功抓获作弊者的概率超过 90%。
- 黑盒测试（不知道作弊器的模型）： 即使作弊者使用的是稍微不同或更新版本的 AI，补丁仍然能起到 60% 到 90% 的作用，尤其是当补丁稍大一些时。
- 现实世界测试： 他们甚至在实际游戏 《堡垒之夜》 上进行了测试。他们成功创建了能够欺骗现实世界视觉瞄准辅助的补丁，证明这不仅仅是一个理论——它是行之有效的，且适用于商业游戏。

权衡：尺寸与隐蔽性

研究人员发现了一个平衡问题，就像试图隐藏一个陷阱一样：

微小补丁 (10x10)： 对作弊者来说更难被察觉，但往往无法成功欺骗 AI。
较大补丁 (30x30)： 能非常有效地欺骗 AI（几乎每次都能抓到），但它们可能大到足以被人类玩家注意到。
黄金分割点： 中等尺寸的补丁（约 15x15 或 20x20）提供了一个极佳的平衡，既能以超过 90% 的概率抓获作弊者，又足够小到难以被察觉。

为什么这很重要

这篇论文引入了一种全新的对抗作弊的方法，它不依赖于扫描作弊者的计算机。相反，它利用作弊者自身的武器（他们的 AI 视觉）来对付他们。通过在屏幕上放置“假敌人”，游戏可以在玩家对不存在的事物做出反应的那一刻识别出作弊者。

简而言之： 游戏开发者正在布下“海市蜃楼”般的敌人。如果你瞄准海市蜃楼，你就会被抓。如果你瞄准一切，你就无法玩游戏。这是一种主动防御，将作弊者的超能力变成了他们的败笔。

技术摘要：检测多人在线游戏（MOGs）中的视觉自瞄（Aimbot）作弊

1. 问题陈述

多人在线游戏（MOGs）的兴起创造了一个价值数十亿美元的产业，但这一增长正受到作弊者的威胁，他们破坏了竞技公平性和玩家留存率。虽然传统的反作弊系统能有效检测基于内存的自瞄（即通过访问游戏进程内存来提取玩家坐标），但面对一类新的威胁——**视觉自瞄（Visual Aimbots）**时，这些系统在根本上是无效的。

视觉自瞄完全在游戏进程之外运行。它们捕获客户端的屏幕输出，并使用计算机视觉模型（如 YOLO、Faster R-CNN）来检测对手，随后模拟输入以进行瞄准和射击。由于它们不与游戏内存交互，因此内核级反作弊解决方案无法检测到它们。此外，现有的基于干扰的防御手段（例如向游戏帧中添加对抗性噪声）通常效果不佳，因为作弊者可以迭代地重新训练其模型以忽略这些扰动，或者因为这些扰动改变了游戏的视觉设计。

2. 方法论：PATCH

作者提出了 PATCH，一种新颖的主动防御策略，它利用对抗性补丁作为蜜罐令牌（Honeytokens）。该目标并非试图降低作弊者模型的性能，而是故意触发攻击者的目标检测模型，使其将补丁误认为合法的玩家。

核心工作流

补丁生成（基于梯度的优化）：
- 防御者生成微小的、经过优化的图像补丁，旨在最大化攻击者目标检测模型对“玩家（Player）”类别的置信度得分。
- 该过程通过使用随机噪声（采样自 $U(0.25, 0.75)$ ）初始化补丁，并通过梯度上升迭代更新像素值，以增加检测置信度。
- 优化过程中保持检测器的权重冻结，仅训练补丁像素。为了确保位置不变性，在优化期间补丁会被随机放置在训练图像上。
- 目标函数最小化前 $k$ 个类别得分的负平均值（ $L = -\frac{1}{k}\sum S_i$ ），从而迫使补丁产生与目标类别强相关的特征。
部署策略：
- HUD 叠加层： 为了保留补丁的对抗特性（这些特性对透视、光照和压缩非常敏感），补丁不是作为 3D 游戏对象渲染的。相反，它们被部署为直接在客户端屏幕上的抬头显示（HUD）叠加层。这确保了补丁呈现出的效果与训练时完全一致。
- 蜜罐逻辑：
  - 视觉自瞄 + 自动扳机（Triggerbot）： 如果作弊者的系统对着补丁进行瞄准并开火，服务器将收到作弊的确定性证据（向不存在的目标射击），并可以封禁该玩家。
  - 仅视觉自瞄： 如果作弊者仅进行瞄准而不开火，服务器无法检测到射击。在这种情况下，服务器可以向视口中“填充”多个位于不同位置的补丁，导致作弊者的光标不受控制地抖动，从而使他们无法正常游戏，而不会影响诚实的玩家。
威胁模型：
- 白盒（White-Box）： 防御者可以获取攻击者使用的特定模型（这很常见，因为许多作弊者会购买预训练模型）。
- 黑盒（Black-Box）： 防御者使用代理模型（如 YOLO11m）生成补丁，然后在针对不同模型（如 YOLO12m、YOLO26m）的攻击者进行测试，以评估其迁移性。

3. 实验设置

作者使用一个自定义的虚幻引擎（Unreal Engine）游戏和一个商业游戏（《堡垒之夜》/ Fortnite）对 PATCH 进行了评估。

模型： 主要基准模型为 YOLO11m（因其在实时应用中具有速度与准确性的平衡而被选中）。迁移性测试针对 YOLO12m 和 YOLO26m 进行。
配置：
- 同机运行（Same-Machine）： 自瞄程序与游戏运行在同一台 PC 上。
- 外置机器（External-Machine）： 游戏运行在一台 PC 上，屏幕输出通过 HDMI 传输到运行自瞄程序的第二台 PC（这是一种常见的规避技术）。
变量： 测试涵盖了 5 种补丁尺寸（ $10\times10$ 到 $30\times30$ ）、3 种屏幕分辨率（ $1440\times1080$ 、 $1920\times1080$ 、 $3440\times1440$ ）以及白盒和黑盒场景。

4. 关键结果

检测有效性

白盒性能： 在防御者已知攻击者模型的场景下，对于大多数补丁尺寸，PATCH 实现了超过 90% 的检测率（F1 分数）。
黑盒迁移性： 当测试针对未见模型（YOLO12m 和 YOLO26m）时，较大的补丁（ $25\times25$ 和 $30\times30$ ）展示了 60%–90% 的跨模型迁移性。即使是 60% 的下限也被认为足以进行可靠识别，因为对蜜罐令牌的重复命中提供了确凿的证据。
补丁尺寸权衡：
- 较小的补丁（ $10\times10$ ）提供了更好的隐蔽性，但检测率较低（白盒环境下约为 57%，在黑盒环境下显著下降）。
- $15\times15$ 尺寸的补丁成为了一个关键阈值，在白盒场景下实现了 93.4% 的检测率，同时保持了相对的隐蔽性。
- 较大的补丁（ $30\times30$ ）提供了最高的鲁棒性和迁移性，但对肉眼而言较为明显。

鲁棒性与可扩展性

屏幕分辨率： 该方法在不同分辨率下表现出良好的可扩展性。通过根据视口维度相对于模型训练输入（640x640）计算缩放因子，补丁在标准、较小及超宽显示器上均保持了稳定的 F1 分数。
捕获配置： 无论攻击者使用的是同机捕获还是外置机器捕获设置，检测率均保持一致（约 92% 的 F1 分数）。
《堡垒之夜》验证： 在使用开源视觉自瞄（YOLO12）的 《堡垒之夜》 上进行的原理验证证实了其在现实世界中的适用性。 $30\times30$ 的补丁实现了 89.3% 的平均攻击成功率（ASR@0.5），并且值得注意的是，在较高的置信度阈值（0.75）下，这些补丁触发的置信度得分高于合法的对手。

5. 贡献与意义

该论文声称其贡献如下：

新颖的主动防御： 引入了一种利用对抗性补丁不仅是为了致盲作弊者，而是通过强制产生假阳性来诱捕他们的策略。
全面的评估： 在自定义虚幻引擎环境中，对补丁参数（尺寸、位置）和执行设置（分辨率、捕获方法）进行了系统性测试。
现实世界的适用性： 通过在商业游戏 《堡垒之夜》 上的验证，证明了该方法并不局限于自定义的研究环境。

意义

作者认为，随着视觉自瞄变得日益普遍，传统的反应式检测已不再足够。PATCH 为游戏开发者提供了一种新工具，可以将攻击者的武器（其目标检测模型）转化为对付他们自身的武器。通过部署蜜罐令牌，防御者既可以直接通过针对补丁射击的服务器端日志来识别作弊者，也可以通过干扰作弊者的游戏体验，同时保持诚实玩家的游戏完整性。论文强调，即使在黑盒迁移性不完美的情况下，较大补丁的高检测率也为缓解这一新兴威胁提供了一条可行的路径。