← 回全部作品

資料

跨遊戲零樣本機器人偵測(碩士論文)

研究滑鼠軌跡機器人偵測的跨遊戲轉移能力,分析尺度不變特徵與模型校準的影響。

一位真人玩家與四種合成產生器在同一場三分鐘遊戲裡的滑鼠累積軌跡
年份
2026
角色
碩士論文作者(英國伯明罕大學)
狀態
研究專案
  • Python
  • pandas
  • NumPy
  • scikit-learn
  • PyTorch
  • Jupyter
純合成攻擊的偵測率
100%
5% 誤報率下,三種攻擊、三個轉移方向
ROC-AUC
≥ 0.958
最終的 10 個尺度不變特徵
公開遊戲資料集
3 個
兩款 FPS、一款 MOBA

專案簡介

英國伯明罕大學的電腦科學碩士論文(2026),研究只用一款遊戲資料訓練的行為式反作弊偵測器,能否不經重新訓練就偵測另一款遊戲中的機器人,以處理新遊戲缺少作弊樣本的冷啟動問題。論文已投稿 ACM SAC 2027。

  • 以 Python 將三種公開遊戲資料集(兩款 FPS、一款 MOBA,共 289 位玩家)的單位與紀錄方式統一為相同軌跡格式。包含把絕對游標座標轉成位移,以及把視線向量轉為 yaw/pitch 的角度變化,處理不同遊戲的座標與時間單位。
  • 實作規則式、貝茲曲線、VAE 與真人片段拼接四種合成滑鼠軌跡產生器,以此訓練隨機森林偵測器,並採玩家不重疊的切分方式避免資料洩漏。
  • 比較三組特徵集,門檻只以未標記的人類資料校準。最終 10 個尺度不變特徵在三個轉移方向上,對三種純合成攻擊皆達到 100% 偵測率(5% 誤報率,ROC-AUC ≥ 0.958)。真人拼接軌跡則能跨遊戲躲過運動學特徵偵測,因此提出分層防禦的必要性。
  • 以 Claude 與 Cursor 進行規格驅動(SDD)開發,議定計畫與每週目標。生成內容均經人工確認,並完整記錄 AI 使用情形。

研究將跨遊戲失敗拆成分數分布改變、判斷方向反轉與特徵訊號消失,分別檢查門檻與特徵的影響。例如在 Red Eclipse → LoL 的 Bézier 攻擊中,原始特徵的 AUC 為 0.242,改用最終尺度不變特徵後達到 1.000。分類器仍採隨機森林,主要比較的是特徵設計如何影響轉移能力。

三個轉移方向為 Red Eclipse → CS:GO、CS:GO → Red Eclipse 與 Red Eclipse → LoL。零樣本轉移不重新訓練目標遊戲的偵測器,但仍使用目標遊戲的人類分數校準門檻,不需要目標遊戲的機器人樣本。真人片段拼接的負面結果也保留,作為運動學特徵偵測的限制。

論文裡的原圖,真人玩家與規則式、貝茲曲線、VAE、片段拼接四種產生器的滑鼠累積軌跡