Valve bekämpft Cheater in Counter-Strike mit Deep Learning

Es ist ein steter Kampf, den Hersteller gegen Cheater in Online-Spielen führen. Valve, einer der größten Betreiber von Online-Spielen wie Dota 2 und Counter-Strike: Global Offensive, fährt inzwischen große Geschütze auf, um Aim Bots und Speedhacks zu erkennen und Cheater von seinen Servern zu verbannen. Denn traditionell ist Counter-Strike ein gefundenes Fressen für Cheater. Große Teile des Codes in Global Offensive stammen noch aus Half-Life 2 und sind mitlerweile 14 Jahre alt.

Valve fasst seine Maßnahmen unter dem Begriff VAC (Valve Anti Cheat) zusammen. Es umfasst auf der einen Seite VAC gesicherte Server, auf denen Cheater verbannt werden, als auch ein Trust-Verfahren beim Matchmaking. Unter dem Begriff "Rainbow of Trust" klassifiziert Valve verschiedene Spielerprofile und berechnet ihre Vertrauenswürdigkeit. Wichtigstes Kriterium ist, wie häufig ein Spieler zuvor von Spielen verbannt wurde. Je schlechter ihr bisheriger Werdegang ist, umso niedriger wird ihr Trust-Level eingestuft. Valve gruppiert die Spieler fortan in Partien, die dem gleichen Trust-Level entsprechen. So sollen Cheater unter Cheatern bleiben und ehrliche Spieler unter ehrlichen Spielern.

Menschliche Schiedsrichter

Um Cheater zu erkennen, setzte Valve bis zum vorigen Jahr auf Peer-Beobachtungen, intern Overwatch genannt. Spieler wurden zufällig ausgewählt, um Replays von Counter-Strike-Partien zu beobachten. Nach acht Runden sollten sie jeweils entscheiden, ob einer der Spieler zu Cheats gegriffen hat oder nicht. Wenn sich nahezu alle Beobachter einig waren, dass ein Spieler gecheated hatte – egal ob mit einem Aimbot oder Wallhack – wurde er von den VAC-Servern verbannt. Bei dieser harten Strafe setzte Valve die Schwelle relativ hoch an: 99,8 Prozent der Beobachter mussten sich einig sein, dass jemand gecheated hatte. Wenn sie sich unsicher waren, wurde keine Verbannung ausgesprochen – im Zweifel für den Angeklagten.

Mit diesen überwachten Replays sammelt Valve mit der Zeit riesige Datensätze und fing im vorigen Jahr damit an, unter dem Namen VACnet ein Neuronales Netzwerk darauf zu trainieren, Cheater automatisch zu erkennen. Dazu setzten sie zwei Serverschränke ein, jeder von ihnen wurde mit 64 Blade-Servern bestückt, jeder mit 54 Rechenkernen und 128 GByte RAM ausgestattet. Die insgesamt knapp 7000 Prozessoren trainierten ein Deep-Learning-Modell mit den Overwatch-Daten aus rund 700.000 Counter-Strike-Replays und achteten beispielsweise darauf, wie schnell und Präzise ein Spieler kurz vor und nach einem Schuss zielte. Das Training wurde täglich mit frischen Daten wiederholt und dauerte jeweils rund sechs Stunden.

Dabei kam ein Recurrent Neural Network (RNN) mit Gated Recurrent Units (GRU) und rund 140 Zeitstufen zum Einsatz. Aktiviert wurde es über Rectified Linear Units (ReLU) und bestand aus 256 Neuronen pro Input-Layer nebst vier Hidden Layers.

Das trainierte Neuronale Netzwerk prüfte fortan rund 600.000 Counter-Strike 5v5-Partien pro Tag, jede einzelne Prüfung dauerte rund 4 Minuten.

Verbesserte Erkennungsrate

Mit den Ergebnissen ist Valve sehr zufrieden. Die menschlichen Prüfer in Overwatch überführten lediglich 15 bis 30 Prozent der Cheater, sodass sie bestraft werden konnten. Das neuronale VACnet war hingegen in der Lage, 80 bis 95 Prozent der Cheater dingfest zu machen.

Künftig will Valve das Verfahren weiter generalisieren, damit auch andere Cheat-Methoden erkannt werden und die Methode auf weitere Spiel-Modi und Titel wie Dota oder auf andere generelle Betrugsarten wie Account-Diebstahl zum Zuge kommt.

Auf den Einwand, dass künftig auch Hersteller von Cheat-Tools ihre Aim-Bots per Deep Learning trainieren könnten, entgegnete Projektleiter John McDonald, dass Valve die größeren Ressourcen habe, sowohl was die Rechenleitung der Server als auch die Datensätze angeht: "Es gewinnt immer der, der die meisten Daten zum Training der Neuronalen Netze hat – und das sind wir."

(hag)