RICOCHET: Anti-Cheat™ kombiniert alles, was #TeamRICOCHET im Laufe der letzten drei Jahre entwickelt hat, mit neuen Fortschritten im Bereich des Machine Learning und bereitet sich mit einem stärkeren und schnelleren Verfahren zur Betrugsbekämpfung auf die Veröffentlichung von Call of Duty®: Modern Warfare® III vor.
Machine Learning trägt in Kombination mit client- und serverseitigen Systemen, die sich ständig weiterentwickeln und wachsen, dazu bei, sowohl die Geschwindigkeit als auch die Genauigkeit unserer Präventionstechniken und Erkennungssysteme zu verbessern.
Wie nutzt #TeamRICOCHET Machine Learning?
Fortschritte im Bereich des Machine Learnings wurden in unsere Technologie integriert, um die Prävention, Erkennung und Entfernung von Betrügern effizienter und schneller zu gestalten. Fortschritte im Bereich des Machine Learnings verbessern die Fähigkeiten unseres Teams durch:
- Das Untersuchen von Client- und Serverdaten, um neue Cheat-Verhaltensweisen zu finden
- Das Ausstellen von Kontoabfragen, um abnormales Verhalten zu bestätigen
- Das Sammeln und Zusammenstellen von Problemkonten für Maßnahmen
Kurz gesagt hilft uns maschinelles Lernen dabei, Verhalten besser vorherzusehen und effektiver zu handeln, wobei unser Team Fälle selbst validiert, um die Genauigkeit zu gewährleisten.
Maschinelles Lernen ergänzt unser Team und stellt Informationen bereit, um Kontoentscheidungen zu treffen – maschinelle Lernsysteme erlassen jedoch keine Sperren.
Maschinelles Lernen hilft auch dabei, bestehende Werkzeuge zu verbessern. Ein Beispiel dafür, wie wir Machine Learning nutzen, um unsere Anti-Cheat-Fähigkeiten zu beschleunigen, ist das Replay-Tool.
Machine Learning x Replay-Untersuchungswerkzeug
Anfang diesen Jahres haben wir ein Replay-Untersuchungswerkzeug angekündigt, das Gameplay-Daten erfasst, um sie intern in Videos umzuwandeln, sodass unsere Teams Spiele auf problematisches Verhalten überprüfen können. Dieses Werkzeug war seit seiner Einführung von Vorteil, aber das Team wollte ein neues Ziel verfolgen: Geschwindigkeit.
Im Durchschnitt kann ein:e #TeamRICOCHET-Teamkolleg:in an einem beliebigen Tag etwa 700 Replay-Clips anschauen.
Einige Clips sind einfach: Das schlimmste „Rage Hacking“ ist leicht zu erkennen, aber das Replay Investigation Tool war hilfreich, um Hacker zu identifizieren, die Tools nutzten, um sich einen leichten Vorteil zu verschaffen, der im Spiel schwerer zu erkennen war, wie etwa Wall-Hacks.
Zum Start von Modern Warfare III – und für alle durch RICOCHET: Anti-Cheat geschützten Titel – aktiviert das #TeamRICOCHET-Team maschinelle Lernprozesse, um die Effizienz und Stärke unserer Anti-Cheat-Bemühungen zu steigern.
Für das Replay-Untersuchungswerkzeug wird ein Modell für maschinelles Lernen trainiert, um verdächtiges Verhalten wie Wall-Hacks oder Rage (und viele andere) zu erkennen, Prioritäten zu setzen und das Team zu benachrichtigen, damit es das Problem prüft und Maßnahmen für das Konto ergreift. Ein einzelner PC, auf dem das Modell ausgeführt wird, kann bis zu 1.000 Clips pro Tag überprüfen – eine Zahl, die exponentiell ansteigt, wenn mehrere Computer mit der Ausführung dieses speziellen Replay Machine Learning Untersuchungs-Modells beauftragt werden.
Wir fangen gerade erst mit der Integration von maschinellem Lernen für das Replay Investigation Tool an, sind aber gespannt, wie es sich im Laufe der Zeit weiterentwickelt. Ein Hauptaugenmerk hierfür und bei vielen Fortschritten liegt auf den Ranglisten-Spielmodi in unseren Titeln, wo wir diejenigen angehen wollen, die auf unfaire Weise versuchen, die Rangliste zu erklimmen.
Dies ist eine der vielen Möglichkeiten, mit denen Machine Learning unsere Team dabei unterstützt, Probleme zu identifizieren und zu priorisieren, sodass Team Ricochet neue Präventionsstrategien, Erkennungstechniken und Abhilfemaßnahmen entwickeln kann.