基于机器学习的网络游戏作弊行为识别应用研究

摘要

随着网络游戏行业的发展壮大，游戏外挂、辅助脚本、虚拟发报机、鼠标宏等游戏作弊行为日益猖獗，严重影响游戏平衡与玩家体验。尤其在射击类为主流的电子竞技网络游戏中，作弊行为不仅影响玩家游戏体验，甚至影响竞技比赛的结果。而众多作弊方式中，以一系列宏编程脚本驱动硬件实现的鼠标宏为最难识别和防范的对象，使用鼠标宏的作弊行为大多数靠人为举报和人工检测来查证。其难以从程序和报文角度察觉的属性，也成为本文研究所使用的最佳作弊方式。 机器学习作为一门交叉领域的学科，基于机器学习算法的分析方式也逐渐成为现今数据识别、分类的主流。使用机器学习对网络游戏作弊数据进行分析，成为现今各大网络游戏公司重点关注的方向，而现有的利用机器学习进行网络游戏作弊行为识别的工作多基于实际游戏应用，少有理论框架总结。本文结合分析各类型网络游戏的数据特点，研究并设计了一套完整的基于机器学习的网络游戏作弊行为识别系统原型，以某款射击类网络游戏平台为实例，验证了本文研究成果在实际应用中的可行性和有效性，为将机器学习方法在网络游戏作弊行为识别的进一步研究打下了基础。本文还提出一种网络游戏数据映射和处理方法（IBGDM），与多数将游戏属性直接作为输入不同，该方法更契合成熟的机器学习方法并且得到更好的识别效果，利用该方法提取的数据集可供相关研究者作进一步研究。 本文在研究中为追求数据真实性，仿真了《绝地求生》游戏并使用官方枪械数据。本文的基于图像信息矩阵映射的数据提取方法借鉴了图像识别的实现过程，从识别准确率结果来看效果颇佳。从数据主成分分析结果来看，本文的自制FCM数据集简洁且分类可行，相较于前人使用的角色属性数据作为输入的方法数据规模较小也更易于学习。从模型准确率比较结果来看，基于本文FCM数据集，ResNet模型的分类识别率要高于SVM模型，99.22%和97.12%的准确率远高于前人基于属性数据的神经网络模型的84.7%。这不仅说明本论文提出的游戏作弊识别领域的机器学习研究流程的逻辑完整性和实现可行性，也说明本文的作弊行为识别方法成功识别难以检测的鼠标宏作弊现象，节约了人工检测时间成本。最后，本文结合数据集类别划分和游戏运营策略提出几种对模型准确率和机器学习指标进行提升的方法，为今后机器学习在网络游戏作弊识别领域的研究提供了一定的建议。

目录

声明

第一章 绪 论

1.1研究课题的背景和意义

1.2课题的研究现状

1.3论文研究内容

1.4论文章节安排

第二章 网络游戏作弊与机器学习理论综述

2.1网络游戏作弊综述

2.1.1网络游戏作弊方式概述

2.1.2作弊识别和防范技术

2.1.3鼠标宏原理与使用方法

2.2图像识别和图像处理

2.2.1概述

2.2.2图像处理的常用方法

2.3支持向量机

2.3.1基本型

2.3.2对偶问题

2.3.3软间隔

2.4残差网络

2.4.1概念

2.4.2 ResNet的特点

2.4.3网络结构

2.4.4 ResNet34

2.5本章小结

第三章 基于机器学习的研究流程和游戏实例建模分析

3.1基于机器学习的游戏作弊识别研究流程

3.1.1机器学习游戏作弊识别研究流程概述

3.1.2机器学习游戏作弊识别研究实例

3.2游戏数据类型与实例分析

3.2.1网络游戏类别及数据类型分析

3.2.2射击类网络游戏实例分析

3.3基于Unreal 4引擎的射击游戏仿真建模

3.3.1Unreal 4引擎概述

3.3.2模型框架与游戏流程

3.3.3游戏关键系统模拟

3.3.4仿真数据说明

3.4游戏行为特征分析

3.4.1玩家射击行为特征

3.4.2鼠标宏作弊行为特征

3.5本章小结

第四章 游戏数据特征分析与数据采集

4.1基于图像特征的游戏数据映射方法

4.1.1结合机器视觉的构想和应用依据

4.1.2基于计算机图形学的数据映射

4.2数据采集模块

4.3数据预处理模块

4.4自制数据集说明

4.5本章小结

第五章 机器学习建模与仿真

5.1机器学习建模工具与运行环境

5.1.1 PyTorch简介

5.1.2建模及训练PC配置

5.2基于FCM数据集的PCA分析与SVM建模

5.2.1基于PCA的FCM数据集分析

5.2.2 SVM的核函数

5.2.3基于PyTorch的SVM建模

5.2.4 SVM射击数据训练及核函数验证

5.3基于FCM数据集的残差网络应用分析与建模

5.3.1 ResNet理论特性与应用依据

5.3.2基于PyTorch的ResNet建模

5.3.3 ResNet射击数据验证分析

5.4测试结果与分析

5.4.1基于FCM数据集的SVM与ResNet测试结果比较

5.4.2结果对比与分析

5.4.3评估与总结

5.5进阶提升方法

5.5.1基于枪械分类的识别效果提升方法

5.5.2基于运营策略与机器学习指标的参数调整

5.5.3结合游戏历史数据的构想

5.6本章小结

5.6.1内容小结

5.6.2课题结论

第六章 总结与展望

6.1总结

6.2展望

致谢

参考文献

攻读研究生学位期间的研究成果