Logo do repositório
 
Publicação

INTEGRAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM ANTI -CHEATS

2024-11-28Dissertação de mestrado Acesso embargado
Ver registo simples
datacite.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.contributor.advisorReis, Gustavo Miguel Jorge dos
dc.contributor.advisorRibeiro, Roberto Aguiar
dc.contributor.authorSousa, Teresa Brilha de
dc.date.accessioned2025-06-20T14:15:12Z
dc.date.available2025-06-20T14:15:12Z
dc.date.issued2024-11-28
dc.description.abstractAs técnicas utilizadas por sistemas anti-cheat têm sido alvo de críticas por parte dos jogadores, especialmente aqueles que necessitam de atuar ao nível do kernel para monitorizar todos os processos em execução em segundo plano no dispositivo do jogador. Caso esses sistemas apresentem vulnerabilidades graves, podem ser explorados por atacantes para obter acesso direto à máquina, resultando em possíveis danos permanentes. Desta forma, é fundamental explorar alternativas a essas técnicas e tentar evoluir soluções que não necessitem de privilégios adicionais para detetar cheaters. Este estudo propõe o desenvolvimento de dois modelos que utilizam algoritmos de deep learning para séries temporais, especialmente 2D-CNN e LSTM, treinados com um dataset que contém todas as interações do jogador através do rato durante o tempo de jogo. Este dataset inclui dados de interações normais e interações geradas por cheats, como aimbot e automining, permitindo que os modelos aprendam a distinguir entre comportamentos normais e comportamentos de cheaters. O jogo Minecraft foi escolhido como ambiente de recolha de dados porque é um jogo singleplayer, e o uso de cheats não afeta a experiência de outros jogadores. Além dos modelos, foi necessário criar um método eficaz de recolha de dados. Para isso, foi desenvolvida uma ferramenta que é instalada diretamente no jogo, facilitando a recolha. Também foram desenvolvidos dois cheats, aimbot e automining, uma vez que o Minecraft não possui cheats que interagem diretamente com o rato. Foram alcançados excelentes resultados com ambos os modelos. O modelo LSTM alcançou uma precisão de 0.9963 e f-score 0.9942, enquanto o modelo 2D-CNN atingiu uma precisão de 0.9960 e f-score 0.9968. Ambos os algoritmos demonstraramse altamente eficazes na classificação do comportamento dos jogadores e na deteção de padrões gerados por cheats.por
dc.description.abstractThe techniques used by anti-cheat systems have been criticized by players, particularly those that need to operate at the kernel level to monitor all processes running in the background on the player’s device. If these systems have serious vulnerabilities, they can be exploited by attackers to gain direct access to the machine, potentially causing permanent damage. Therefore, it is essential to explore alternatives to these techniques and develop solutions that do not require additional privileges to detect cheaters. This study proposes the development of two models that use deep learning algorithms for time series, specifically 2D-CNN and LSTM, trained with a dataset containing all player interactions with the mouse during gameplay. This dataset includes data from normal interactions as well as interactions generated by cheats, such as aimbot and automining, allowing the models to learn to distinguish between normal behavior and cheater behavior. The game Minecraft was chosen as the data collection environment because it is a singleplayer game, and the use of cheats does not affect the experience of other players. In addition to the models, it was necessary to create an effective method for data collection. To this end, a tool was developed and installed directly into the game to facilitate data collection. Two cheats, aimbot and automining, were also developed because Minecraft does not have cheats that interact directly with the mouse. Excellent results were achieved with both models. The LSTM model achieved an accuracy of 0.9963 and an f-score of 0.9942, while the 2D-CNN model reached an accuracy of 0.9960 and an f-score of 0.9968. Both algorithms proved to be highly effective in classifying player behavior and detecting patterns generated by cheats.eng
dc.identifier.tid203955986
dc.identifier.urihttp://hdl.handle.net/10400.8/13357
dc.language.isopor
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/
dc.subjectEngenharia informática
dc.subjectCibersegurança
dc.subjectInformática Forense
dc.subjectSistema anti-cheat
dc.subjectVideojogos
dc.titleINTEGRAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM ANTI -CHEATSpor
dc.typemaster thesis
dspace.entity.typePublication
thesis.degree.nameMestrado em Cibersegurança e Informática Forense

Ficheiros

Principais
A mostrar 1 - 1 de 1
Miniatura indisponível
Nome:
v2_teresa_sousa_2222941_integracao_inteligencia_artificial_anti-cheats_signed_c_f.pdf
Tamanho:
7.32 MB
Formato:
Adobe Portable Document Format
Ver/Abrir
Licença
A mostrar 1 - 1 de 1
Miniatura indisponível
Nome:
license.txt
Tamanho:
1.32 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Ver/Abrir

Coleções

ESTG - Mestrado em Cibersegurança e Informática Forense