Aimbottien havaitseminen keinotekoisilla neuroverkoilla

FPS-peleissä aimbottien käyttäjillä on epäreilu etu suhteessa rehellisiin pelaajiin, mutta huijausohjelmien käytön havaitseminen perinteisin keinoin on jatkuvaa kissa ja hiiri -leikkiä. Ratkaisuksi tähän on usein ehdotettu ja sovellettukin erilaisia koneoppimisen menetelmiä, sillä peleistä on helppo kerätä monenlaista dataa pelaajien käytöksestä. Tässä tutkielmassa kerätään aineistoa pelisessiosta, ja tutkitaan miten yksinkertainen keinotekoinen neuroverkko onnistuu erottamaan huijausohjelman käyttöä rehellisestä pelaamisesta. Mallin suorituskykyä verrattiin aikaisempaan vastaavaan tutkimukseen aiheesta.

Aimbot users in FPS games have an unfair advantage compared to honest players, but cheat detection using traditional methods has spiraled into a neverending game of cat and mouse. One solution to this is the application of machine learning methods, since games make it easy to collect different kinds of data from player behavior. In this thesis, we gather data from live game sessions, and investigate how a simple neural network is able to differentiate cheat usage from honest gameplay. The performance of the model was also compared to previous relevant literature.