CN115193059A - 一种射击游戏作弊检测方法 - Google Patents

Abstract

本发明公开了一种射击游戏作弊检测方法，包括以下步骤：1）收集游戏操作数据，形成未作弊准心移动数据集，辅助压枪数据集，自动瞄准数据集；2）将数据集输入多视角投影模块；3）使用深度神经网络训练分类模型；4）使用分类模型进行判断是否作弊。本发明通过获取用户操作信息，通过一系列数据处理过程，使用深度神经网络进行数据分类，识别玩家是否使用了游戏作弊手段，帮助游戏运营方进行反外挂操作，为玩家提供更公平的游戏环境。

Description

一种射击游戏作弊检测方法

技术领域

本技术涉及电子竞技领域，尤其涉及一种射击游戏作弊检测方法。

背景技术

电子竞技领域由于计算机技术的发展而逐渐繁荣，其中射击游戏更是作为电子竞技领域不可或缺的一部分，但是一部分玩家希望通过模拟鼠标操作等技术在游戏中使用作弊手段，导致游戏环境十分恶劣，对于游戏内的作弊手段，通常人们选择的方式是监控服务器以及玩家本地的内存数据，通过检测数据是否异常判断玩家是否存在游戏作弊行为。而随着人工智能技术的发展，目标检测技术的性能不断加强，已经出现使用目标检测算法来帮助玩家进行瞄准的游戏外挂工具；同时，市面上也存在鼠标宏，压枪软件等辅助压枪的工具。上述的游戏作弊手段由于独立于游戏进程之外，难以被游戏内部的监测工具察觉，导致游戏作弊手段日益猖獗。

发明内容

本发明针对现有技术存在的问题，提供一种射击游戏作弊检测方法，建立未作弊准心移动数据集、辅助压枪数据集、自动瞄准数据集，使用卷积模型训练出识别模型，再在游戏运行中收集玩家操作数据，通过对开枪时光标移动数据进行分析，最终达到判断该玩家是否使用了作弊方法进行游戏的目的。

为实现上述目的，本发明提供的射击游戏作弊检测方法，包括以下步骤：

一种射击游戏作弊检测方法，包括以下步骤：

1)收集游戏操作数据，形成未作弊准心移动数据集、辅助压枪数据集和自动瞄准数据集；

2)将数据集输入多视角投影模块；

3)使用深度神经网络训练分类模型；

4)使用分类模型进行判断是否作弊。

进一步地，所述步骤1)具体包括：

定义cheat1为辅助压枪数据集，cheat2为自动瞄准数据集，normal为未作弊准心移动数据集；

收集玩家开枪时的操作信息，每条数据收集5s时间长度的信息；

分离准心移动轨迹；

每0.2s记录玩家准心位置，形成移动向量，以(x，y，time)的形式记录准心位置与时间信息，按是否作弊存入相应数据集。

进一步地，所述步骤2)具体包括：

将未作弊准心移动数据集中的玩家准心移动信息视为三维模型，以x，y的位置信息与time的时间信息组成三维；

多视角投影模块将三维模型分别在多个视角下进行投影，分别以(x,y)，(y,time)，(x,time)，(x/2+y/2,time)进行投影，获得相应的二维图像信息；

将获得的多视角图像信息输入分类模型。

进一步地，所述步骤3)具体包括：

对多视角的图像信息，分别使用CNN计算图像特征，其中CNN网络共享参数；

对于获取的图像特征，将它们传入池化层进行特征汇聚；

将池化层信息传入下一层CNN网络，进行分类操作；

模型得出分类结果。

与现有技术相比，本发明具有以下有益效果：

本发明通过获取用户操作信息，通过一系列数据处理过程，使用深度神经网络进行数据分类，识别玩家是否使用了游戏作弊手段，帮助游戏运营方进行反外挂操作，为玩家提供更公平的游戏环境。

附图说明

图1为根据本发明的射击游戏作弊检测方法流程图；

图2为根据本发明的射击游戏作弊分类模型结构示意图；

图3为CNN网络模块的结构。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1为根据本发明的射击游戏作弊检测方法流程图，下面将参考图1，对本发明的射击游戏作弊检测方法进行详细描述。

首先，在步骤101，收集玩家操作数据。

本发明实施例中，收集玩家操作数据包括玩家进行射击时的操作数据，玩家使用压枪辅助软件进行射击时的操作数据，与玩家使用自动瞄准软件进行射击时的操作数据，其中，各种类数据以8:1:1的比例进行收集，本实施例中共收集未作弊数据条8425条，使用压枪辅助射击数据1019条，使用自动瞄准射击数据903条。

在步骤102，读取玩家操作信息并分离光标移动数据。

本发明实施例中，由于射击游戏中玩家同时进行射击与移动操作，因此需要去除移动操作带来的影响，将移动操作的偏移量取反，并与光标移动相加，以分离出光标本身的操作。

在步骤103，将光标移动信息转化为三维坐标。

在数据记录中，光标移动每0.2s记录一次，连接相邻时间的记录位置形成移动向量，将整个数据集的位置坐标映射于[320,320]的矩阵中，即每一个光标记录为(x,y,time)，其中x∈[0,320],y∈[0,320]，由于每条数据总长度为5s，因此time∈[0,25]。

在步骤104，将经过处理后的数据输入多视角投影模块。

在步骤105，对数据进行多视角投影。

本发明实施例中，将光标移动数据在四个视角下进行投影，分别为：

1)位置视图。将三维坐标中的位置坐标x,y投影获得二维信息(x,y)，即数据为[320,320]的矩阵。

2)综合视图。将三维坐标中的二维位置坐标投影至一维再与时间坐标组合形成二维投影

即数据为[320,25]的矩阵。

3)水平视图。将三维坐标中的水平位置坐标与时间坐标组合形成二维投影(x,time)，即数据为[320,25]的矩阵。

4)垂直视图。将三维坐标中的垂直位置坐标与时间坐标组合形成二维投影(y,time)，即数据为[320,25]的矩阵。

在步骤106，将投影模块输出的4个二维数据data1，data2，data3，data4输入分类模型，分类模型结构如图2所示。

在步骤107，将4个二维数据分别使用CNN1网络提取特征。

在本发明实施例中，提取特征的CNN网络模块使用GoogleNet的部分网络进行特征提取，具体结构如图3所示。对于绝大多数CNN网络来说，低层网络都可以提取图片低维特征，因此使用其他CNN网络应具有相同功能，本发明专利中的CNN网络并非特指某种CNN网络。

在步骤108，对于CNN1网络提取的图像特征，输入池化层进行特征压缩与融合，将多个视图的特征融合进一个矩阵。

在步骤109，将池化层中的融合特征输入CNN2网络中进行分类，最终输出分类结果。

本实施例中对于游戏作弊数据的分类精确度达到了95.7％，完全满足对于游戏作弊判断的功能要求。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种射击游戏作弊检测方法，其特征在于，包括以下步骤：

1）收集游戏操作数据，形成未作弊准心移动数据集、辅助压枪数据集和自动瞄准数据集；

2）将数据集输入多视角投影模块；

3）使用深度神经网络训练分类模型；

4）使用分类模型进行判断是否作弊。

2.根据权利要求1所述的射击游戏作弊检测方法，其特征在于，所述步骤1）具体包括：

定义cheat1为辅助压枪数据集，cheat2为自动瞄准数据集，normal为未作弊准心移动数据集；

收集玩家开枪时的操作信息，每条数据收集5s时间长度的信息；

分离准心移动轨迹；

每0.2s记录玩家准心位置，形成移动向量，以(x，y，time)的形式记录准心位置与时间信息，按是否作弊存入相应数据集。

3.根据权利要求1所述的射击游戏作弊检测方法，其特征在于，所述步骤2）具体包括：

将未作弊准心移动数据集中的玩家准心移动信息视为三维模型，以x，y的位置信息与time的时间信息组成三维；

多视角投影模块将三维模型分别在多个视角下进行投影，分别以(x,y)，(y,time)，(x,time)，(x/2+y/2,time)进行投影，获得相应的二维图像信息；

将获得的多视角图像信息输入分类模型。

4.根据权利要求1所述的射击游戏作弊检测方法，其特征在于，所述步骤3）具体包括：

对多视角的图像信息，分别使用CNN计算图像特征，其中CNN网络共享参数；

对于获取的图像特征，将它们传入池化层进行特征汇聚；

将池化层信息传入下一层CNN网络，进行分类操作；

模型得出分类结果。

Images