در یک دستاورد پژوهشی نوآورانه، یکی از دانشجویان کارشناسی ارشد دانشگاه علوم و فناوری نروژ (NTNU) موفق به توسعه روشی شده است که با تحلیل الگوهای حرکتی ماوس و ضربات کیبورد، «اثرانگشت رفتاری» منحصربه‌فردی از هر بازیکن در بازی Counter-Strike 2 استخراج می‌کند. این تکنیک که پتانسیل تغییر پارادایم سیستم‌های ضدتقلب (Anti-Cheat) را دارد، امکان ردیابی و مسدودسازی بازیکنان متخلف را حتی در صورت تغییر اکانت یا ایجاد حساب‌های کاربری جدید (Smurfing) فراهم می‌کند.
مهندسی اثرانگشت رفتاری: تحلیل داده‌های ورودی
این پژوهش که در پاییز ۱۴۰۳ (۲۰۲۴ میلادی) مطرح شد، بر این فرضیه استوار است که هر بازیکن، سبک خاص و تکرارپذیری در تعامل با سخت‌افزارهای خود دارد. با استفاده از داده‌های حاصل از دموهای بازی (Demo Files) و استخراج داده‌های خام از ورودی‌های ماوس و کیبوردِ بیش از ۱۰۰۰ بازیکن، این مدل توانسته است هویت واقعی کاربران را شناسایی کند. دقت این روش خیره‌کننده است؛ در بخش داده‌های ماوس، دقت شناسایی ۱۰۰٪ و در بخش کیبورد، ۹۸٪ گزارش شده است. ترکیب این دو منبع داده، احتمال خطا را به حداقل می‌رساند.
معماری سیستم و بهینه‌سازی پردازشی
برخلاف سیستم‌های سنتی که بر بررسی فایل‌های سیستم یا تزریق کدهای ضدتقلب (Kernel-level drivers) متکی هستند، این متد بر تحلیل الگوهای آماری تمرکز دارد. این سیستم به گونه‌ای بهینه‌سازی شده است که با استفاده از یک Nvidia A100 GPU و تنها ۲۰ گیگابایت حافظه اختصاصی، قابلیت پردازش حجم انبوهی از دموهای بازی را به صورت مداوم دارد. این یعنی سیستم می‌تواند در حین بازی، با هر بار آپلود مچ‌های جدید، دیتابیس مرجع خود را به‌روزرسانی کرده و ارتباط بین اکانت‌های مختلفِ یک فرد را با دقت بالایی کشف کند.
رفع خطاهای مثبت کاذب و اثبات کارایی
در ابتدای فاز آزمایش، محقق با مواردی از «مثبت کاذب» (False Positives) مواجه شد؛ یعنی سیستم دو اکانت متفاوت را یک نفر تشخیص می‌داد. با این حال، تحقیقات عمیق‌تر نشان داد که این موارد در واقع خطا نبودند، بلکه سیستم به درستی توانسته بود چندین اکانت متعلق به یک نفر را که پیش‌تر ناشناخته بودند، به یکدیگر متصل کند. آمارهای ارائه شده توسط محقق نشان می‌دهد که ضریب همبستگی بین عادات ماوس و کیبورد افراد غریبه تنها ۰.۱۱ است که عملاً احتمال شباهت کامل دو نفر را به صفر نزدیک می‌کند.
مشخصات فنی و یافته‌های پژوهش
- دقت تشخیص (ماوس): ۱۰۰٪
- دقت تشخیص (کیبورد): ۹۸٪
- سخت‌افزار پیشنهادی برای پردازش: Nvidia A100 GPU با ۲۰ گیگابایت حافظه
- روش جمع‌آوری داده: استخراج مستقیم داده از فایل‌های دمو (Demos)
- توانایی سیستم: شناسایی هویت کاربر در اکانت‌های متعدد (Smurf Accounts)
چالش‌های اخلاقی و حریم خصوصی
با وجود موفقیت‌های فنی، این فناوری با انتقادات شدیدی در حوزه حریم خصوصی مواجه است. بسیاری از گیمرها معتقدند که ابزارهای ضدتقلب نباید تا این حد تهاجمی عمل کنند. محقق پروژه با درک این دغدغه‌ها تأکید دارد که این یک انتخاب سیاستی (Policy Choice) است نه یک محدودیت فنی؛ به طوری که می‌توان با وضع قوانینی، عمر این «بن»های مبتنی بر اثرانگشت را پس از مدتی پایان داد تا از تنبیه‌های مادام‌العمر برای خطاهای کوچک جلوگیری شود.
