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。

- 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。
