该论文针对第一人称射击（FPS）游戏中的视觉自瞄作弊（visual aimbots）提出了一种端到端防御方案AimTrap。视觉自瞄作弊通过仅分析渲染帧而非游戏内存来规避现有反作弊系统，已成为严重威胁。现有防御策略存在不足：事后行为检测器无法实时保护比赛完整性，且对模仿人类行为的自瞄器越来越脆弱；主动运行时防御则往往缺乏问责性、开销大或需要侵入式系统集成。AimTrap结合实时保护与赛后检测，采用两种对抗纹理机制：对抗伪装纹理（ACT）将真实玩家从自瞄器中隐藏，对抗蜜罐纹理（AHT）诱使自瞄器锁定假目标从而提供作弊证据。为实现实用性，AimTrap整合了可微分渲染与渲染期望（Expectation over Renderings）以进行鲁棒的3D纹理合成，并实现了安全的纹理管理以及新颖的蜜罐交互轨迹分析管道以准确归因作弊行为。在针对最先进视觉自瞄器的真实游戏评估中，ACT达到85.1%的防御成功率，AHT达到96.9%。与先前基线相比，AimTrap实现了极低的误报率，且运行时开销可忽略不计。结果表明AimTrap为对抗视觉自瞄器提供了实用且有效的端到端防御。