基于玩家社交图谱的游戏外挂检测

课题背景

游戏中的外挂作为一种自动化的脚本，极大的破坏了游戏的公平性，降低了玩家的游戏体验，同时也对游戏中的货币金融系统带来了冲击。

因此外挂检测系统成为了游戏中不可或缺的防御手段。除了游戏进程、内存保护等传统手段，逆水寒等大型MMORPG游戏中包含的丰富数据，给予了技术人员从数据角度切入的可能性。

由于外挂盈利模式和游戏玩法的限制，外挂玩家必然会在游戏中与其他角色发生例如交易，组队，好友，共享硬件等交互行为，以达到价值转移的目的。因此技术人员可以根据这些行为构建大规模社交图谱，挖掘其中不符合人类的行为模式，并利用Network Embedding, Graph Neural Network等技术帮助游戏完成自动化的外挂检测，净化游戏环境。

问题定义

根据游戏中的 $K$ 种社交数据，分别构造玩家见的关系图谱$\mathbf{G}=[G^1,G^2,\cdots,G^K]$ ，如图1所示。第 $k$种社交数据对应的$G^k = (\mathbf{V},\mathbf{E}^k,\mathbf{W}^k)$，其中$\mathbf{V}$表示节点（玩家）集合，$\mathbf{E}^k$表示边集合，$\mathbf{W}^k$表示权重邻接矩阵。同时$e_{ij}^k \in \mathbf{E}^k$表示$v_i$与$v_j$玩家之间存在第$k$种社交关联，且权重为$w_{ij}^k \in \mathbf{W}^k$。

图1：多关系社交图谱

游戏中还包含玩家属性矩阵$\mathbf{A}\in \mathbb{R}^{N\times d}$和少量已知的外挂集合$\mathbf{Y}$。

基于社交图的游戏外挂检测检测任务为：给定上述图谱数据 $\mathbf{G}$ ，玩家画像数据$\mathbf{A}$，和外挂集合$\mathbf{Y}$，构建一个外挂检测模型 $h(\cdot)$识别潜在的外挂玩家。

问题挑战

该问题主要存在以下挑战：

• 如何有效的使用图模型对玩家进行特征提取和建模；

• 如何解决标签稀缺的问题，即大量潜在外挂未在集合$\mathbf{Y}$中；
• 如何对检测出的可疑玩家给出可解释的说明和外挂的证据。

评价指标

分类准确率Precision，召回率Recall，F1-score，AUC

数据集描述

数据集按照天进行分割，其中每天数据包括下面五部分：用户该天属性数据、该天聊天数据、该天交易数据、该天组队数据、该天好友数据。

• 用户属性数据

字段	描述
role_id	玩家id
login_cnt	当天登录次数
online_time	当天在线时间
total_yuan_bao	最新的累计兑换元宝数（用来筛选玩家）
server	服务器
role_class	职业
role_gender	性别
role_level	等级
create_time	账号创建时间
role_base_score	基础评分
role_talisman_score	法宝评分
role_skill_score	技能评分
role_practice_score	修炼评分
role_equip_score	装评
role_total_score	战斗力
role_wuxue_score	武学修为
not_binded_charged_yuanbao	不绑定元宝
hstb	元宝票
bdyb	绑定元宝
yin_liang	铜钱
yin_piao	交子
ck_yin_liang	仓库铜钱
bhgx	帮会贡献
sjtxjf	试剑天下积分
kjjf	科举积分
liang_shi	良师值
jj	军阶
ttsw	论文声望
role_cor	根骨
role_agi	身法
role_int	气海
role_sta	耐力
role_str	力量
finished_task_acm_cnt	累计完成任务次数
watch_movie_acm_pct_avg	累计观看剧情平均百分比
npc_interact_acm_tms	累计NPC交互次数
punish_cnt	被惩罚次数
f_bl_task_acm_num	累计完成的支线任务个数
acm_get_free_yuanbao_amt	玩家累计获得的免费元宝数
acm_get_recharge_yuanbao_amt	玩家累计获得的直充元宝数
acm_get_charge_yuanbao_amt	玩家累计获得的收费元宝数
acm_get_yl_amt	玩家累计获得的铜钱数
acm_get_yp_amt	玩家累计获得的交子数
acm_use_free_yuanbao_amt	玩家累计消耗的免费元宝数
acm_use_recharge_yuanbao_amt	玩家累计消耗直充元宝数
acm_use_charge_yuanbao_amt	玩家累计消耗的收费元宝数
acm_use_yl_amt	玩家累计消耗的铜钱数
acm_use_yp_amt	玩家累计消耗的交子数
learned_production_num	玩家已学习的生活技能数
lear	当前职业技能平均等级

• 该天聊天数据

字段	描述
playera	聊天发起者
playerb	聊天接受者
server	服务器id
count	聊天次数

• 该天交易数据

字段	描述
playera	交易发起者
playerb	交易收取者
server	服务器id
money	交易涉及金钱数
tradetype	交易类型

其中交易类型：

1-3为面对面交易：1正常交易，2乞讨，3赠与

4：摆摊

5：玩家商店

6: 红包交易

• 该天组队数据

字段	描述
playera	组队玩家a
playerb	组队玩家b
server	服务器id
count	同在一个队伍次数

• 该天好友数据

字段	描述
playera	好友发起者
playerb	好友接受者
server	服务器id
status	状态，1=新增，0=删除
relationship	关系类型
sub_relationship_type	子关系类型
sub_relationship_value	子关系值

关系类型：

1-好友 2-师徒 6-临时好友 7-临时仇敌 8-仇敌 9-黑名单 10-别人加我为好友。

子关系类型/值对应：

如果主关系是师徒，子关系类型是2，子关系值true表示师傅，false表示徒弟。

如果主关系是好友，子关系类型是3，子关系值true表示双向好友，false表示单向好友。

如果主关系是仇敌，子关系类型是4，子关系值true表示该仇敌置顶，false表示未置顶。

相关学术论文

Fuxi-UP团队针对这个问题，从多视图学习角度入手，通过Attention机制结合多来源数据，建立起基于游戏交易图中的刷钱外挂检测框架MVAN，相关工作已发表在KDD'2019。

Tao, Jianrong, Jianshi Lin, Shize Zhang, Sha Zhao, Runze Wu, Changjie Fan, and Peng Cui. "MVAN: Multi-view Attention Networks for Real Money Trading Detection in Online Games." In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 2536-2546. ACM, 2019.

联系我们

有任何问题，请联系 [e-mail]