DETECTION DE BOTS EN UTILISANT LE RESEAU DE NEURONES BAYESIEN

Bien que de nombreux jeux de First-Person Shooter soient désormais protégés par des logiciels anti-triche, la tricherie ne peut être totalement évitée. Outre l'utilisation de la solution logicielle, les sociétés de jeux en ligne ont également besoin d’engager suffisamment de personnes pour surveiller le jeu en permanence afin de découvrir les tricheurs potentiels. Par exemple, certains serveurs de jeu en ligne ont des administrateurs et s’ils découvrent certains joueurs suspects, ou bien s’ils reçoivent un nombre suffisant de plaintes d'autres joueurs contre un joueur, l'administrateur a le droit d'expulser ce joueur de participer au jeu en ligne.

Bien que les tricheurs peuvent être mis en œuvre dans de nombreuses façons différentes et peuvent fonctionner différemment pour atteindre le même but, ces formes de triche produisent essentiellement des habitudes de jeu similaires.

Pour ces raisons, les chercheurs ont décidé de trouver une solution efficace et évolutive pour détecter automatiquement si un joueur est un tricheur potentiel ou non. En effet, on a appliqué l’algorithme de réseau de neurones bayésien dynamique sur un jeu First-Person Shooter multi-joueurs en ligne. Il s’agit d’un algorithme de data mining qui fait la classification de données en utilisant la technique de l’apprentissage non supervisé.

Figure 18: Réseau de neurones utilisé pour détecter les bots [12]

Dans un jeu First-Person Shooter, plusieurs informations d'état de joueur influencent certainement sur la précision de son but. Par exemple, plus le joueur est proche de la cible, plus il a la chance de l’atteindre. En outre, il est plus facile de viser une cible statique qu’une cible en mouvement à grande vitesse. De même, un joueur doit avoir une précision de visé quand ce joueur est immobile, comme comparer à un joueur qui est visé tout en se déplaçant dans le même temps. Il est certain que l'utilisation d'un bot de but affectera la précision de but d'un joueur. Par conséquence, la distribution de probabilité de la précision de visée d'un joueur est dépendante selon plusieurs facteurs qui sont indépendants d’autres facteurs :

*si le joueur est un tricheur ou non (noté dans le réseau de neurones par C) *si le joueur se déplace ou non (noté dans le réseau de neurones par Mp)

*si la cible visée par le joueur se déplace ou non (noté dans le réseau de neurones par Mt) *si le joueur est en train de changer la direction viséve (noté dans le réseau de neurones par ΔD)

*la distance entre le joueur et la cible visée (notée dans le réseau de neurones par D).

On modélise le processus de la cible visée en tant que processus de Markov de premier ordre [12] (le processus de Markov est une chaine de variables aléatoires). Une fois qu'un joueur a un but précis, de petits réglages sont nécessaires pour conserver la précision. Cela signifie que la distribution de probabilité de la précision d'un joueur sur une certaine tranche de temps t dépend de la précision du joueur sur la tranche de temps précédente t - 1.

a) EFFICACITE DE RESEAU DE NEURONES BAYESIEN POUR DETECTER LA TRICHERIE

Pour démontrer l’efficacité de la méthode proposée, les chercheurs ont mis en place trois bots de but (un bot de but est celui qui cherche une cible). Lorsque le bot de but est activé, il trouvera la cible la plus proche et la vise avec précision. Il continue à viser cette cible même s’il existe une cible

plus proche, jusqu'à ce que la distance entre le joueur et l'objectif actuel soit supérieure à un certain seuil.

Les chercheurs ont effectué dix sessions distinctes de jeu et ensuite ils ont organisé les données dans trois ensembles de données. Ces ensembles de données sont les suivants:

L'ensemble de données A : formé de trois joueurs honnêtes et trois tricheurs utilisant le bot basique de but. Cet ensemble est utilisé pour la formation du réseau bayésien dynamique.

Ensemble de données B : formé de trois joueurs honnêtes et trois tricheurs utilisant le bot basique de but.

Ensemble de données C : formé de trois joueurs honnêtes, trois tricheurs utilisant le bot de but, de commutation automatique (allumer et éteindre le bot de but en alternance), et trois tricheurs utilisant le bot de but le plus avancé.

Tout d’abord, les chercheurs ont commencé par étudier la possibilité de la détection des tricheurs sans produire aucun faux positif pour les joueurs honnêtes. Pour ce fait, ils ont utilisé l’ensemble de données A en tant que ensemble de formation. Selon la classification fournie par l’ensemble de données A, on déduit pour l'ensemble B la classe de chaque joueur c'est-à-dire on déduit s’il s’agit d’un joueur humain ou d’un bot.

Voilà les résultats de cette expérience :

Figure 19: Comparaison de possibilité de tricherie entre un bot de but et un joueur honnête [12]

Suite à cette expérience, on remarque que dans la plupart du temps, la probabilité de tricherie pour un joueur honnête maintient bien en dessous du seuil. Alors que, la probabilité de tricherie pour un tricheur peut varier au-dessus du seuil assez fréquemment, ce qui indique que cette expérience est très efficace pour détecter l'utilisation de bot de but.

Il existe certaines périodes où un tricheur a une faible probabilité de tricherie, cela se produit probablement lorsque le tricheur n'a pas de cible visible à viser.

b) ADAPTABILITE DU COMMUTATION AUTOMATIQUE ET MANQUE DE CIBLE

Les chercheurs ont réalisé une deuxième expérience afin d’étudier la possibilité de détecter les tricheurs qui utilisent l’un des deux bots de buts les plus avancés, ce qui signifie qu’ils se chargent suite à une commutation automatique ou en manquant intentionnellement d’une cible. Pour ce fait on utilise l'ensemble de données A en tant que données de formation et ensuite on déduit les classes pour les données établies en C.

Pour la même raison qu'il n'y a pas de cible visible, il existe des périodes de temps que la probabilité est bien en dessous du seuil. La probabilité ne chute pas même si le bot de but est éteint, cela parce que ce dernier aide le joueur à viser la cible. La probabilité diminue lorsque le bot rate sa cible, cependant, elle augmente à nouveau lorsqu’il vise à sa cible dans des délais plus tard. Ceci suggère que cette méthodologie peut effectivement détecter l'utilisation de bot de but même lorsqu’il a la fonctionnalité avancée de commutation ou des manques intensionnels.

Voilà les résultats de cette expérience :

Figure 20: Comparaison de l'adaptabilité à Auto-commutation et aux manques intensionnels entre un bot et un joueur honnête [12]

Enfin, on utilise la notion de validation croisée pour valider les résultats précédents par former et inférer avec différentes combinaisons d'ensembles de données. On forme d'abord avec l’ensemble de données B et on déduit les classes des données définies en C, puis on forme avec l'ensemble de données B et on déduit les classes pour les données de l'ensemble A. on utilise le même seuil pour tous les cas de test pour déterminer si le joueur est un tricheur ou non. Même lorsqu’on utilise des différents ensembles de données pour la formation, la méthodologie est toujours efficace pour déterminer si un joueur utilise le bot de but ou non. La probabilité inférée d'un tricheur fluctue au-dessus du seuil alors que la probabilité inférée d'un joueur honnête est en dessous du seuil.

Les résultats expérimentaux montrent que le réseau bayésien dynamique est une solution efficace et évolutive dans la détection du bot tricheur visant un jeu multi-joueurs en ligne.