Detecting Aimbot Usage in Minecraft Using a Long Short-Term Memory Model
Notice bibliographique
Résumé
The gaming industry has long been at the cutting edge of technology, sometimes at the cost of proper game security. This has lead to an industry of cheaters, in particular among online video games. The ability to catch cheaters is of interest to game server operators who want to maintain integrity and trust with their player-base. A form of cheating that is particularly problematic is the use of aiming robots (aimbots) that use client-side hacks to lock onto targets and perform maximum damage. Aimbots are common in first-person style player-vs-player type video games where they have the most potential to give the cheater a significant unfair advantage. Minecraft, for example, is a game that has a large online player base who enjoy player-vs-player combat mini-games. Hacked clients are readily available to the average player and thus there is a strong need to be able to detect this cheating behaviour on the server side. Significant consideration toward fairness must be given to any solution that attempts to detect behaviour that would result in disciplinary action. Thus, it is important to maintain very high levels of accuracy as to avoid the false flagging of players who did not cheat. Further, any system that does not detect true aimbotters with very high accuracy would undermine player trust in the system. Therefore, we propose in this paper, a neural network approach to aimbot detection using Long Short-Term Memory to classify cheaters based on their movements over time. Our network achieves very high accuracy at high confidence levels, providing a notable improvement over a Gated Recurrent Network on the same data. We believe the network at these accuracy levels could have significant practical use in real-world servers.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».