Game network traffic simulation by a custom bot
Notice bibliographique
Résumé
Minecraft is a popular video game played worldwide, and is built simply enough to be used for network analysis and research. This paper describes an automated software agent created to simulate player traffic within the game. Realistic network traffic simulation was the goal that inspired the creation of our “Minecraft bot”: an automatic program or bot that could act in similar ways to a real player, and be able to be mass produced to saturate a local area network. This will facilitate network research by allowing users to have a more scalable testing environment and thus enable controlled laboratory experiments that are impossible to set up in live online gaming environments. The basic commands in Minecraft consist of moving, placing and breaking blocks (pieces of environment) and a realistic bot needs to replicate these actions. Another important objective was to have the ability to create hundreds or thousands of bots doing the same actions, to be able to create artificial latency on the network. This paper will go through the entire lifecycle of our project, starting with some information on existing research about the subject, and how it relates to ours. Following that we describe our bot requirements, the work that was done to find a pre-built solution, the solution we ended up using and how it was modified to fit our requirements. We then have a section showing performance experiments we ran, which compared the packet count and traffic volume between players and bots, as well as cpu usage statistics as more connections were made to the server to ensure that our server hardware was not a factor in our network testing. The final section is the conclusion which talks about the outcome of our project in relation to our original goals, and how it will impact future research in this area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».