编辑：其实这是几个月前的PPT演讲。在GDC 2018中，Valve游戏工程师John McDonald在度假史中介绍了通过深度学习提高CSGO用户游戏体验的尝试。这不是“认证开废行为”，而是“提高用户体验”，原因是V社这次不仅将AI技术用于防止作弊机制，还对普通玩家心理进行了彻底的研究。
2018年1月Steam游戏数前三
挂在CSGO上的CSGO(中文名字《反恐精英：全球攻势》)是2012年V公司推出的第一人称射击队比赛游戏，是CS系列的第四部作品，6年来备受国内外选手欢迎。作为FPS游戏，玩家恶意悬挂几乎是不可避免的，但与上图中排在第一位的PUBG相比，CSGO的悬挂并不多到令人信服的程度。
但是有玩家的话会生气，生气的话会抱怨，用脚投票。
据John McDonald透露，目前CSGO的月生人数为1240万人，平均每天约300万人，团队时间平均为1-2秒。对于上市6年的游戏，要保持这种数据并保持Steam排行榜前三名的稳定并不容易。这离不开开发团队为玩家创造的游戏环境。
但是2016年，V公司收到压倒性玩家的投诉，很多人通过电子邮件、发布Reddit等方式提起诉讼。你们的游戏很悬。面对玩家的愤怒和无法尽快戒掉的棘手情况时，V社有点困惑。
透视
锁上锁
CSGO是V公司自己开发的游戏，具有官方VAC系统，可以对offer实施有效的封锁3354，但热门游戏的背后总是伴随着经济利益。很多人为VAC开发很多可以绕过监视的悬挂，或者在V公司喜欢事后结算的风格上找到漏洞，不仅抢走玩侥幸的玩家的账号，还破坏正常比赛的玩家的游戏体验。
今天，很多人在玩CSGO的时候，不忘去掉“挂太多”，重点批评。爱情是深刻的，迫切需要责任感。他们对游戏的爱是真实的，但他们对插件的恨也深入骨髓。无奈的现实是，制作CSGO插件的成本很低。如果有人当初保持《半条命2》的插件，他会发现这个悬挂在CSGO也能继续生效。
CSGO和深度学习2015年，CSGO的Overwatch正式上线。我真的没有笑)，这是监督功能。被判定为作弊的选手可以查看被怀疑为作弊的选手的Demo，判断是否作弊或调整游戏参数。如果玩家发现有开闭行为，可以将Demo提交给协调员进行进一步审查，之后当局将采取后续行动并反馈结果。
Overwatch本身可以初步判断玩家是否打开，其背后的算法是朴素的Bayes。系统首先找到开口的阈值，然后对结果进行分类。但是，实践证明，这种朴素的基于威尼斯的系统过于宽容，只能识别非常明显的开闭行为，并将大部分陷入微妙的Demo——网的鱼反馈给实物。(威廉莎士比亚，《北方执行》(Northern Exposure))。
对玩家来说，Overwatch可能是鸡肋，但在深度学习的眼里，这一数据成为了非常罕见的数据源。(威廉莎士比亚，北上广深)。
模型简介
V公司开发的反欺诈深度学习系统称为VACnet。设计为140个阶段的GRU RNN，由输入层(256个神经元)和4个隐藏层(每层256个神经元)组成，用于序列处理。网络使用的激活函数是ReLU，损失函数是二进制交叉熵，优化算法是Adagrad。
VACnet是一组大规模的优质数据集，包括播放器从Overwatch收集的数据中提供的内容和正式收集的内容。现在也有通过深度学习生成数据的方法，但这种方法容易使用神经网络，所以开发者们使用的是实际的游戏Demo。(威廉莎士比亚，北上广深)。
模型的输入不是一般的长向量。在这里，使用140次射击作为一个序列，依次记录每个视频帧的所有信息。这些输入称为(X，y)。其中X是我们常说的特征，包括使用了什么武器，射击的结果，目标相距多远，调整瞄准角所需的时间等。最后，模型需要反复验证学习质量，直到匹配X数据并输出最佳结果。
推断和硬件
训练结束后，将用于推断(供应)模型。
John McDonald将这个过程比作牛肉汉堡的制作。当开发者面对Overwatch时，他们手里没有现成的牛肉肉泥，而是不断吃草和长胖的牛。为了将数据用于深度学习模型，开发人员花费95%的时间和精力将牛切成牛肉3354数据，剩下的1%用于牛肉3354深度学习，4%用于制作汉堡包3354训练模型。
据悉，v社平均每天收集60万场比赛，每场比赛4分钟，共240万分钟CPU时间(一天)。但是每天只有1440分钟，这意味着为了实现目标，至少需要购买1700个GPU。这时，玩家们献给G肥胖的祭品开始起作用，——他们共购买了3456个CPU。下图是处理器的冰山一角，每个处理器包含54个CPU核心和128GB RAM，仅用于估算型号。
根据V社此前制定的防止作弊逻辑，玩家举报——协调员审查——玩家认为3354没有打开或打开，目前有VACnet，因此举报过程中又增加了一个“VACnet举报”。据悉，在所有申报中，玩家申报的开合确认率为15%至30%，种类非常丰富。VACnet的开合确认率达到85% ~ 90%，但种类相对单一。
效果评价
如上所述，VACnet的效果令人满意。尽管缺乏灵活性和通用性，但至少找到了大部分挂着的人的“罪证”。如下图所示，首次加入游戏反欺诈机制时，小幅增加系统检测开闭数，添加更多教育数据后，2018年前后又形成了激增的最高值。而且，从实际应用的角度来看，VACnet从来没有一起误判过作弊事件。当然，最后的现实检查也起到了重要作用。
从用户反馈来看，这种深度学习尝试也取得了前所未有的成功。他抱怨说，引入Overwatch和VACnet后，在Reddit开放的CSGO播放器数量大幅减少，仅占2016年高峰时间的1%。这种情况将有助于老玩家的存续和新玩家的进驻，也是V社高兴的消息。
但是VACnet真的很完美吗？其实并不总是这样。除了上面提到的以外，似乎只能认识到某些种类的开闭行为，还有更严重的缺点。训练时，在完成“申报——协调员审查——播放器判定3354开/未开”过程后，为了确保模型的学习效果，被判定为真实的数据将再次提供给模型进行学习。
这提出了一个问题。如果有人开发悬挂，前几枪的自我描述、锁、最后几枪就能恢复正常。系统应该如何判断？(大卫亚设，Northern Exposure(美国电视剧)，如果是真正的裁判，他会认为EMM，这东西有问题，肯定会挂掉。但是机器不知道这种判断的依据，只能把它标记为开放，然后在开放的时间和未开放的时间里强行学习。(威廉莎士比亚、坦普林、机器) (这可能会降低模型性能。
为了解决这个问题，目前V社发现的治疗方法是添加自动再教育功能，以修复启发式算法引起的漏洞。(威廉莎士比亚，Northern Exposure(美国电视)，成功)第二个是创造新的不成熟模型，扩大开放动作检测范围，增加系统能够识别的开放种类。三是将VACnet应用于其他steam游戏，追求一般化。
摘要John McDonald认为深度学习是改革传统反作弊方式的新兴技术。v社目前将深度学习用于半开墙、作弊、选择dota 2英雄等，其中最引人注目的是dota 2的“大教师”。
目前，为了开发对抗VACnet的工具，不必担心使用深度学习技术的人。因为v社手里掌握着别人无法想象的游戏数据。毫无疑问，为了深入学习，数据越多，模型性能越好。唯一需要担心的是，用于训练的这组数据是在比赛中收集的，有人会恶意污染数据。这个人似乎一眼就能知道是否打开了门，但如果能用插件欺骗玩家，可能会欺骗VACnet，妨碍训练和学习。
从整个演讲来看，我们可以得出结论，VACnet是有效的，但其防止作弊的能力并不像我们想象的那么突出，插件也不能完全卸载。(约翰肯尼迪，Northern Exposure(美国电视)，)如果反作弊系统不能分辨玩家是否作弊，那开发者实际上并没有决心消除插件，只是关心玩家的游戏体验。(威廉莎士比亚、哈姆雷特、不正当行为、不正当行为、不正当行为、不正当行为、不正当行为)。
实际上，这也是VACnet成功的地方。立即减少投诉员额数量，稳定玩家的心态，使CSGO占据选手活动名单前三名。当玩家再次谈论游戏的开闭行为时，他们将乐于讨论V社防止作弊的努力，并称赞深度学习的实际效果。
对普通玩家来说，这样的结果是快乐还是担忧？
