Aimbots, which assist players to kill opponents in First-Person Shooter (FPS) games, pose a significant threat to the game industry. Although there has been significant research effort to automatically detect aimbots, existing works suffer from either high server-side overhead or low detection accuracy. This thesis presents a novel aimbot detection design and implementation that we refer to as BotScreen. BotScreen is the first in detecting aimbots in a distributed fashion, thereby minimizing the server-side overhead.
It also leverages a novel deep learning model to precisely detect abnormal behaviors caused by using aimbots. We demonstrate the effectiveness of BotScreen in terms of both accuracy and performance. We make our tool as well as our dataset publicly available to support open science.
FPS 게임에서 적을 처치하는데 도움을 주는 에임봇은 게임산업에 큰 피해를 끼치고 있다. 에임봇을 자동으로 탐지하기 위한 많은 연구 노력이 있었지만 기존 작업은 서버 측 오버헤드가 높거나 탐지 정확도가 낮다. 본 연구에서는 BotScreen 이라고 부르는 새로운 에임봇 탐지 설계 및 구현을 제시한다. BotScreen 은 분산 방식으로 aimbot을 탐지하는 최초의 방법으로 서버 측 오버헤드를 최소화한다. 또한 새로운 딥러닝 모델을 활용하여 에임봇을 사용하여 발생하는 비정상적인 동작을 정확하게 감지한다. 그리고 실험을 통해 정확성과 성능 측면에서 BotScreen 의 효율성을 보여준다. 또 후속 연구의 증진을 위해 수집된 도구와 데이터셋을 공개한다.
