SMAC: Modelo STEPN para anti-trapaça

Apresentando o sistema anti-trapaça do STEPN - SMAC

A palavra 'trapaça' em qualquer contexto carrega conotações negativas. E por que não deveria? Trapacear, por definição, é privar uma pessoa de algo valioso através do uso de engano ou fraude. Nos videogames tradicionais, os trapaceiros privam os usuários normais de recursos, ativos ou experiências de jogo positivas. É desenfreado e frustrante para aqueles que estão jogando limpo.

Para jogos Play2Earn onde dinheiro está envolvido, resolver trapaças e fechar a porta para maus atores é de extrema importância. Dado como a trapaça potencialmente prejudica os ecossistemas de jogos cuidadosamente criados, os desenvolvedores trabalham duro para levar o software anti-fraude ao próximo nível. Uma quantidade significativa de recursos é dedicada ao combate à trapaça.

Além disso, é natural que, quando um aplicativo se torna popular, muitos sejam tentados a abusar ou explorar o sistema, fazendo com que os desenvolvedores fiquem ocupados em detectar e banir aqueles que trapaceiam.

O STEPN não é exceção - à medida que explode em popularidade, a trapaça está se tornando um problema proeminente, tanto que nossos desenvolvedores dedicaram quase metade de nossos recursos ao desenvolvimento de mecanismos antitrapaça.

Usuários falsos e trapaceiros?

Um usuário falso é uma conta que falsifica a identidade do usuário e os dados de movimento na tentativa de obter lucro injusto com o aplicativo STEPN.

E, de forma simples, quem trapaceia em jogos online é quem manipula a mecânica do jogo para obter uma vantagem injusta, subvertendo as regras em benefício próprio. Isso envolve se envolver em ações que não fazem parte da jogabilidade padrão, tornando mais fácil para o trapaceiro alcançar o que deseja - sem dedicar as horas de esforço que outros jogadores têm.

Existem inúmeros sinais indicadores de que um jogador pode estar trapaceando. Por exemplo, um jogador pode estar colhendo uma enorme quantidade de recompensas do nada ou exibindo padrões que revelam o uso de tecnologias ilegais para melhorar sua jogabilidade.

Para o STEPN, infelizmente, existem pessoas que estão se envolvendo em todos os tipos de táticas desonestas para ganhar mais do que seu quinhão de ganhos. Como usuário do STEPN, você pode pensar - tudo bem, vejo que é irritante e injusto quando os jogadores trapaceiam para ganhar mais do que deveriam, mas ... é realmente um problema tão grande?

A longa batalha contra os trapaceiros

A resposta para a pergunta acima é um retumbante sim. Esta não é a primeira vez que os jogos premiados da Web3 enfrentam esse problema.

Axie Infinity também atraiu milhões de jogadores desde o lançamento em 2018. Muitos no Sudeste Asiático podem ganhar um salário real e até comprar novas casas com seus ganhos. Mas, ao mesmo tempo, o jogo também atraiu uma população significativa de maus atores que tentam enganar o sistema.

Um exemplo de trapaça é a negociação de ganhos. Win-trading é um mecanismo de trapaça que se tornou comum em jogos com tabelas de classificação. Ocorre quando um jogador perde uma partida propositalmente para que o jogador vencedor possa subir de classificação e alcançar uma posição mais alta nas tabelas de classificação.

Isso ocorreu até mesmo fora dos jogos de jogar para ganhar em jogos de arena de batalha online, como League of Legends, e tem um efeito tóxico no jogo como um todo. Stefan, um gamer e escritor online , escreveu que “Win trading é justamente o ato mais tóxico de League of Legends. Isso destrói a experiência da fila solo para muitos jogadores e ajuda a classificar pessoas que realmente não merecem.”

Com relação ao Axie Infinity, a negociação de ganhos também está se tornando um grande problema para o jogo. Um jogador observou que a prática “arruinaria a integridade competitiva do jogo. O quadro de líderes será ilusório e injusto com as pessoas que trituram seu MMR de maneira LEGÍTIMA.” Reconhecendo isso, Sky Mavis (o desenvolvedor por trás do Axie Infinity) tomou medidas para investigar e combater essa forma de trapaça .

Mas mesmo além da negociação de ganhos, existem muitas outras formas de trapaça contra as quais os desenvolvedores devem lutar. Somente este ano, a Sky Mavis também descobriu e baniu mais de 30.000 Axies de seu jogo por acusações de abuso de energia, onde os jogadores manipulavam o sistema para maximizar sua energia enquanto presenteavam Axies a terceiros. E em 2020, baniu as fazendas SLP para impedir que qualquer pessoa jogasse em cinco ou seis contas diferentes simultaneamente.

Reduzir o zoom

Na última década, os grandes jogos online competitivos aumentaram significativamente suas operações anti-fraude – especialistas afirmam que o mercado geral de trapaças cresceu para incríveis US$ 100 milhões .

Para citar apenas alguns exemplos, a principal editora de videogames Activision baniu mais de 500.000 contas trapaceiras “Warzone” em Call of Duty, enquanto a Bungie (atrás de Destiny, Halo, Myth e Oni) entrou com ações judiciais contra sites que vendem software de trapaça. Enquanto isso, a Ubisoft adquiriu a empresa anti-cheat GameBlocks no ano passado por um preço não revelado, e a Epic Games adquiriu o Easy Anti-Cheat em 2018.

Por que a traição é séria?

Na melhor das hipóteses, trapacear incomoda outros jogadores e causa conflitos e disparidades de ganhos. Mas, na pior das hipóteses, trapaças desenfreadas podem realmente minar toda a economia de um jogo.

A justiça é um problema, mas quando os trapaceiros afetam outros jogadores, torna-se um jogo totalmente diferente. Aqueles que trapaceiam no STEPN para tirar dinheiro do jogo estão prejudicando a tokenômica da plataforma. Isso vem na forma de afetar a liquidez do GST e o valor do GMT, uma vez que as ações de trapaça inflam artificialmente e depois deflacionam o valor do token quando os trapaceiros ganham rapidamente grandes quantidades de tokens e sacam imediatamente. Também distorce o suprimento de tênis do STEPN, impactando a longevidade do STEPN como um todo. Simplificando, as ações de alguns podem desequilibrar um ecossistema cuidadosamente projetado, com consequências crescentes.

Além disso, trapacear é totalmente contra nosso ethos. Os jogadores que estão no jogo simplesmente para hackear o sistema não estão alinhados com nossa missão de incentivar as pessoas a sair, se conectar com outros caminhantes/corredores e desenvolver hábitos mais saudáveis e um estilo de vida mais ativo.

Pelas razões indicadas acima, é imperativo que tomemos medidas rigorosas contra trapaças. Vimos como isso pode comprometer a integridade e a tokenomics de um jogo, o que mais do que garante a dedicação de recursos significativos para implementar medidas anti-trapaça.

Utilizando a IA para combater a trapaça

Nossa equipe de Inteligência Artificial (IA) passou meses estudando padrões e construiu um sistema anti-trapaça de classe mundial. Ele foi baseado em algoritmos de autoaprendizagem treinados em dados gerais - incluindo rastreamento por GPS, sensor de movimento e dados de saúde para detectar anomalias.

A Detecção de Anomalias é a técnica de identificação de eventos ou observações raras que podem levantar suspeitas por serem estatisticamente diferentes do restante das observações. Embora existam várias técnicas de aprendizado profundo, a STEPN utilizou Autoencoders para reunir os dados.

O que são Autoencoders?

Autoencoders são basicamente uma técnica de aprendizado não supervisionado que consiste em redes neurais, que são compostas por várias camadas de neurônios. Autoencoders descobrem representações de baixa dimensão de dados de alta dimensão e, em seguida, usam isso para reconstruir a entrada.

É composto por 3 camadas principais:

Codificador — Reduz o conjunto de dados de alta dimensão para baixa dimensão.

Gargalo — Contém a representação reduzida do conjunto de dados.

Decodificador — Reconstrói o conjunto de dados de baixa dimensão de volta para alta dimensão.

Essencialmente, os autoencoders são conjuntos de dados alimentados. O processo de codificação compacta essa entrada para cuspir a representação de baixa dimensão dos dados. O processo de decodificação reconstrói esses dados para produzir o resultado.

A verdadeira diversão acontece no meio – o gargalo. Para garantir que apenas as informações essenciais sejam extraídas, o número de neurônios na camada de gargalo deve ser decididamente menor que o das camadas do Codificador. Isso força a seção de gargalo a aprender com mais eficiência os padrões dos dados e ignorar o “ruído”. Caso contrário, se receber muita capacidade de aprendizado, a camada de gargalo acabará extraindo muitas informações não essenciais.

Por que Autoencoders?

Autoencoders são uma técnica incrivelmente eficiente para não apenas identificar anomalias, mas também ajudar a identificar as variáveis que causaram as anomalias. Ao aprender o que é considerado “comportamento normal”, os autoencoders são capazes de detectar quando uma entrada anormal é analisada por meio dele. Em sua incapacidade de reconstruir com precisão os dados para corresponder ao original, ele é capaz de destacar sempre que ocorrer uma anomalia.

Para usar uma ilustração, digamos que sua velocidade média de caminhada varie de 4 a 6 km/h. Se você começar a se mover repentinamente a 15 km/hora, isso será sinalizado pelo autoencoder como uma anomalia.

Mas como o sistema determina uma anomalia genuína de outra de natureza fraudulenta? Simplificando, corrigindo um valor limite especificado para erros de reconstrução e, em seguida, fazendo referência cruzada a ele em vários pontos de dados do autoencoder.

Continuando com o exemplo acima, se os pontos de dados para identificação de fraude incluem cabeçalhos de dados como proximidade a outro dispositivo STEPN (< 30 cm), duração da proximidade a outro dispositivo STEPN (< 5 segundos) e velocidade de movimento (variação de 15 km/h), nós pode cruzar os dados de acordo para fazer a conclusão.

Embora o mecanismo anti-trapaça real seja muito mais complexo do que isso, isso deve lhe dar uma ideia geral de como os codificadores automáticos permitem a eliminação bem-sucedida dos trapaceiros.

Apresentando o sistema SMAC do STEPN

Após três meses de treinamento de nosso algoritmo de aprendizado de máquina, apresentamos a você - o modelo STEPN para anti-trapaça (SMAC) - que estamos confiantes em proclamar que será o melhor sistema anti-trapaça da categoria.

Os dados de execução do usuário são cruzados com nosso padrão de referência para verificar discrepâncias globais, contextuais e coletivas no final de cada uma de suas sessões. Se o sistema SMAC detectar uma anomalia, o usuário será sinalizado como trapaceiro e todos os reqards da sessão serão apagados.

Podemos limitar ainda mais as funções no aplicativo do usuário, incluindo, mas não se limitando a: maior tempo de espera para cunhagem de sapatos, inacessibilidade ao mercado no aplicativo e lentidão no reabastecimento de energia.

O sistema SMAC visa especificamente a simulação de movimento, alterando dados reais de caminhada/corrida, graças ao nosso algoritmo de aprendizado de máquina.

Calçada/Nivelamento por Script

O sistema SMAC também detecta qualquer tipo de script, como compra/venda de bots em nosso mercado, bots de cunhagem ou bots de nivelamento. Uma vez detectado, o sistema desconectará esses bots do aplicativo.

Moonwalking

É importante distinguir entre atividades de moonwalking e trapaças; o moonwalking ocorre quando o sinal de GPS é fraco ou o sistema não consegue detectar dados de movimento válidos.

O aviso de moonwalking destina-se a alertar os usuários para estarem cientes da situação e resolvê-la prontamente. Não há repercussões para o moonwalking.

O sistema SMAC entrará em ação após os usuários pressionarem longamente o botão STOP e antes de entrar na página de resultados, o sistema SMAC analisará os dados de movimento dos usuários e se uma anomalia for detectada, haverá repercussões.

Pontuação de Turing

Em atualizações subsequentes, o STEPN apresentará o Turing Score (TS). Os usuários começarão com uma pontuação de 100/100. Ao final de cada sessão, o sistema adicionará ou deduzirá automaticamente a pontuação de um usuário. Até que a tabulação seja concluída, os usuários não poderão iniciar uma nova sessão.

Quando o TS de um usuário fica abaixo de 100, ele não consegue interagir com o mercado no aplicativo e a transferência entre contas de gastos e carteira será suspensa. Para rescindir esta suspensão, os usuários ainda podem continuar suas sessões e, se nenhuma trapaça for detectada, podem recuperar lentamente os pontos em seu TS.

Por exemplo, se os usuários forem considerados multimineração (ou seja, carregando vários telefones com o aplicativo STEPN aberto), seus ganhos para a sessão serão anulados e uma quantidade especificada de pontos será deduzida de seus TS. Por outro lado, se um usuário se movimentar regularmente sem trapacear, seus ganhos não serão afetados e eles receberão pontos adicionais ao seu TS.

Conclusão

Com o modelo do STEPN, não é difícil ver por que a sustentabilidade de longo prazo é geralmente uma das primeiras questões levantadas. A longevidade e a estabilidade do jogo estão na vanguarda das prioridades da equipe, evidenciadas pelo foco na criação de tokens robustos.

Embora as atualizações na frente anti-trapaça possam não ser as promessas de riqueza que alguns pedem, é imperativo que essa questão seja abordada. Espera-se um alto nível de investimento em infraestrutura anti-fraude. Isso é para garantir uma jogabilidade justa e equitativa para os usuários e evitar que os trapaceiros desequilibrem o jogo para toda a comunidade.