Few-shot Learning for Trajectory-based Mobile Game Cheating Detection

随着智能手机的兴起，手机游戏已经吸引了数以亿计的玩家，占据了游戏公司的大部分份额。另一方面，手机游戏作弊通过程序模拟玩家的输入获取不正当优势，严重损害了游戏的公平性，损害了用户体验。因此，检测手机游戏作弊对于手机游戏公司来说至关重要。在过去的几十年里，许多面向PC游戏的作弊检测方法被提出，但由于移动设备的隐私、功耗和内存限制，它们不能直接应用于移动游戏中。更糟糕的是，在实践中，作弊程序的更新速度很快，导致新作弊模式的标签稀缺。针对这一问题，提出了一种基于小样本学习的手机游戏作弊检测框架FCDGame。FCDGame只消耗屏幕传感器数据，记录用户的触控轨迹，这对于几乎所有的手机游戏来说都是比较不敏感和普遍的。此外，在FCDGame中设计了分层轨迹编码器和跨模式元学习器，分别用于捕捉手机游戏的内在特征和解决标签稀缺问题。在两个真实在线游戏上的大量实验表明，FCDGame在仅使用少量微调样本的情况下，检测精度提高了近10%。

 

阅读者总结：这篇论文的场景很有意思，文中实际上是小样本学习过程，单从模型设计上而言不算很新颖，两个模型分别解决两个问题，然后拼接起来。尤其文中的Cross-pattern Meta Learner 其实也可以用在迁移学习中。来解决样本稀疏问题。

面临的问题：1）• Data Privacy  2）• Label Scarcity

方法：

本文针对上述问题，提出了一种手机游戏的少射作弊检测方法，即FCDGame。简而言之，FCDGame是一个基于元学习的框架，它具有以下吸引人的特点:

• Secure. 

我们只研究屏幕传感器收集的数据，它只记录屏幕上的触摸坐标和事件类型。它是手机游戏中的被动数据，不会侵犯玩家的数据隐私。

• Low Demand.  

FCDGame是为少镜头作弊检测而设计的。它提取了之前检测到的作弊样本的共同特征，能够适应1~5个标记样本的新型作弊模式。

 General 

由于几乎所有类型的手游都能采集到屏幕传感器数据，所以所提出的模型对于各种游戏都具有普适性。

 

FCDGame consists of two key components: Hierarchical Trajectory Encoder and Cross-pattern Meta Learner 

 提出层次轨迹编码器，对触摸轨迹的时空关系以及坐标序列和事件序列之间的层次关系进行建模。跨模式元学习器是一种从欺骗模式中迁移知识并指导通用元模型学习的优化策略。该元模型能够在目标模式标记样本较少的情况下快速适应新的作弊检测任务

 3.2 Cross-pattern Meta Learner

我们观察到手机游戏中的作弊模式通常在触摸轨迹中具有相似的潜在共同特征，可以推广到已见和未见的作弊模式。为此，提出一种基于元学习的优化策略，即跨模式元学习器。训练过程包括两部分，即元训练和微调。

受MAML[8]的启发，定义了以下移动游戏作弊检测的元任务。在元训练中，FCDGame将不同的作弊模式视为不同的元任务。对于T中的数据，我们有𝐾𝑝元任务，并且我们随机抽取正常样本来构造带有作弊样本的训练数据。