该论文针对竞技类多人在线战术竞技（MOBA）游戏（如《英雄联盟》）中的账号滥用问题，提出了一种基于行为指纹的检测方法。与以往主要关注游戏机器人（game bots）和金币农夫（gold farming）的研究不同，MOBA 游戏的核心目标是比赛胜负和段位排名，个体操作水平比游戏内经济因素更为关键，因此账号共享（account sharing）和代练（boosting）等账号滥用行为成为破坏公平竞争的主要威胁。论文的核心思想是分析和量化玩家历史行为与近期行为之间的变化，从而构建行为指纹。该方法不依赖大量标注样本，能在标签稀缺的环境下稳健地识别可疑的账号共享和代练行为。实验结果表明，同一账号内部的行为指纹与不同账号之间的行为指纹具有可区分性，即便在标注数据有限的情况下，也能支持对可疑账号滥用的快速检测。该研究为游戏反作弊领域提供了一种新的视角，尤其适用于竞技游戏中的公平性保护场景。适合游戏安全工程师、反作弊研究人员以及关注账号安全与风控的技术人员阅读。

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。