Detección robusta de trampas basada en la visión en los videojuegos competitivos
Author
Venue
Actas de la ACM sobre gráficos por ordenador y técnicas interactivas 2021
Abstract
Los editores de videojuegos y las empresas antitrampas no han logrado bloquear las trampas en los juegos en línea. Proponemos un enfoque novedoso basado en la visión que captura el estado final del búfer de fotogramas y detecta superposiciones ilícitas. Con este fin, entrenamos y evaluamos un detector DNN en un nuevo conjunto de datos, recopilado utilizando dos juegos de disparos en primera persona y tres programas de trampas. Estudiamos las ventajas y desventajas de diferentes arquitecturas DNN que operan a escala local o global. Utilizamos el análisis de confianza de la salida para evitar detecciones poco fiables e indicar cuándo es necesario volver a entrenar la red. En un estudio de ablación, mostramos cómo utilizar la propagación de límites de intervalo para construir un detector que también sea resistente a posibles ataques adversarios y estudiamos su interacción con el análisis de confianza. Nuestros resultados muestran que un sistema antitrampas robusto y eficaz mediante el aprendizaje automático es viable en la práctica y puede utilizarse para garantizar el juego limpio en los videojuegos online.
