Análise sobre proteção contra trapaças em jogos online com o uso de inteligência artificial
dc.contributor.advisor | Barone, Dante Augusto Couto | pt_BR |
dc.contributor.author | Grellert, Denyson Jurgen Mendes | pt_BR |
dc.date.accessioned | 2023-11-25T03:26:58Z | pt_BR |
dc.date.issued | 2023 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/267641 | pt_BR |
dc.description.abstract | As trapaças em jogos eletrônicos são um problema de longo tempo, quase tão velho quanto o próprio surgimento dos mesmos. Combater esse tipo de comportamento é bené- fico para a comunidade de jogadores como um todo, assim como para a indústria bilionária dos jogos. O objetivo deste trabalho é desenvolver uma rede neural que seja capaz de detectar jogadores desonestos em jogos de tiro em primeira pessoa. Dentre esses, o jogo Counter Strike: Global Offensive foi escolhido para ser usado na geração dos dados necessários para o treinamento da rede neste trabalho. Para alcançar este objetivo, foi escolhido usar uma rede neural recorrente implementada em Python com a biblioteca Keras. O trabalho também pretende analisar o desempenho da rede considerando a precisão dos acertos e o número de falsos positivos como métricas. Seis modelos com topologias diferentes foram criados e avaliados, onde o melhor modelo obteve uma precisão de 63% no conjunto de treinamento e 53% nos testes. | pt_BR |
dc.description.abstract | Cheating in video games is an old problem, so old as the creation of video games itself. Fighting this behavior is beneficial for the whole gamer community, as well as to the billionaire industry of games. The main objective of this work is to develop a neural network that is capable of detecting unfair players in first person shooters games, in which the game Counter-Strike: Global Offensive was chosen to be used on needed data generation for the network training on this work. To achieve this objective, a recurrent neural network was chosen to be implemented in Python with the Keras library. This work also aims to assess network performance through the utilization of precision and false positive metrics. Six models with different topologies were created and evaluated, where the best model obtained an accuracy of 63% in the training set and 53% in the tests. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Open Access | en |
dc.subject | Jogos eletrônicos | pt_BR |
dc.subject | Cheats on games | en |
dc.subject | Inteligência artificial | pt_BR |
dc.subject | Anti-cheats | en |
dc.subject | Rede neural artificial | pt_BR |
dc.title | Análise sobre proteção contra trapaças em jogos online com o uso de inteligência artificial | pt_BR |
dc.title.alternative | Analysis of anti-cheat in online games using artificial intelligence | en |
dc.type | Trabalho de conclusão de graduação | pt_BR |
dc.contributor.advisor-co | Carvalho, Leonardo Filipe Batista Silva de | pt_BR |
dc.identifier.nrb | 001187486 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Instituto de Informática | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2023 | pt_BR |
dc.degree.graduation | Ciência da Computação: Ênfase em Ciência da Computação: Bacharelado | pt_BR |
dc.degree.level | graduação | pt_BR |
Este item está licenciado na Creative Commons License
![](/themes/Mirage2Novo//images/lume/cc.png)