Tất cả những tựa game Multiplayer nổi tiếng đều có một vấn đề chung mà các nhà sản xuất luôn phải tìm cách loại bỏ, đó chính là tình trạng gian lận của những game thủ xấu tính. Thế nhưng, vào thời điểm năm 2014, khi mà Counter Strike: Global Offensive trở thành tựa game FPS phổ biến nhất trên thế giới, cũng là lúc mà vấn đề "chống hack" của Valve lại càng trở nên vất vả hơn.
CS:GO là tựa game thứ 10 mà Valve tạo ra trên nền tảng Source Engine, do đó những tay hacker đã có sẵn vốn hiểu biết tương đối lớn để có thể "qua mặt" hệ thống của Valve. Về cơ bản, những bản hack của Half-Life 2: Deathmatch chỉ cần chỉnh sửa lại một chút là cũng có thể dùng trong CS:GO hồi đó (Mặc dù về phía Valve cho biết, những bản hack "nông dân" như vậy rất dễ bị phát hiện). Nhưng dù sao đi chăng nữa, một trong những ưu tiên hàng đầu của Valve vẫn là chống hack trong game, bởi lẽ CS:GO là một tựa game rất nặng về kỹ năng cá nhân. Một pha headshot bằng AK-47 hay một phát AWP trúng người là có thể khiến cho một người chơi đã mặc đủ giáp bỏ mạng, khiến cho vấn nạn aimbot (dùng phần mềm hack tự ngắm bắn) càng trở nên tồi tệ hơn. Bên cạnh đó, yếu tố về vị trí và thông tin cũng vô cùng quan trọng trong game, do đó wallhack (hack nhìn xuyên tường) cũng là một vấn nạn khác phổ biến không kém ở tựa game này.
Mới đây, lập trình viên John McDonald đến từ Valve đã chia sẻ tại hội nghị GDC 2018 tại San Francisco về việc sử dụng deep learning và AI để chống lại vấn nạn hack cho các tựa game của Valve nói chung, cũng như CS:GO nói riêng. Theo đó, hệ thống này hoạt động hiệu quả tới mức giờ đây, Valve sử dụng deep learning cho "đủ thứ vấn đề", từ chống các hành động lừa đảo tại Steam Marketplace, đến thử nghiệm chúng cho một số tính năng mới ở Dota 2. Thậm chí, Valve còn chủ động đưa ra đề nghị hợp tác với các hãng làm game khác để ứng dụng hệ thống deep learning vào quá trình chống hack cho các tựa game khác phát hành thông qua Steam.
Dự án sử dụng deep learning để phòng chống gian lận trong game bắt đầu tại Valve vào năm 2016 - thời điểm mà vấn nạn hack tại CS:GO đạt đến đỉnh điểm. Vào thời kỳ 2015 - 2016, "cơn ác mộng" của hầu hết các game thủ CS:GO chính là thời điểm Steam Sale - lúc giá tựa game này giảm xuống rất rẻ, bởi lẽ đây là thời điểm mà số lượng game thủ cũng như hacker vào game tăng đột biến. Đây cũng là giai đoạn mà số lượng người chơi bị Valve cho đi "nghỉ mát" (VACation - từ mà giới game thủ chỉ việc bị ban bởi phần mềm Valve Anti-Cheat thuộc hệ thống Steam) tăng cao hơn rất nhiều.
Chính bởi số lượng hacker tăng mạnh, cũng như tính chất tinh vi và khó phát hiện của các phần mềm hack ngày càng tăng cao, khiến cho ý tưởng sử dụng deep learning để tạo ra một hệ thống có thể tự hoạt động và thích nghi theo thời gian với các loại hình hack mới càng trở nên hấp dẫn hơn trong mắt Valve. Đây cũng là thời điểm mà dự án VACnet của Valve ra đời.
VACnet hoạt động song song với Overwatch, trở thành bộ đôi hệ thống phòng chống gian lận hoạt động trong CS:GO. Overwatch hoạt động nhờ sự hỗ trợ của người chơi, cụ thể là những game thủ CS:GO khi đạt đến một trình độ nhất định có thể tham gia vào để đánh giá replay của người chơi khác. Trong khi đó, VACnet là một dự án mới hoàn toàn, sử dụng deep learning để phân tích hoạt động của người chơi trong game, tìm ra những biểu hiện của những kẻ hack game và làm thành một bộ cơ chế đánh giá để tự động ban các game thủ gian lận.
Mục tiêu đầu tiên mà VACnet nhắm vào là aimbot, vì loại hình hack này luôn có những biểu hiện hết sức đặc trưng trong các round đấu mà chúng được sử dụng. Hệ thống của Valve hoạt động bằng cách ghi nhận những thay đổi trong vị trí tọa độ con trỏ của game thủ trong không gian, trong khoảng từ nửa giây trước khi game thủ thực hiện một pha bắn cho đến 0,25 giây sau đó. Khoảng thời gian ghi nhận ngắn ngủi như vậy, nhưng kết hợp cùng với các yếu tố thông tin khác như vũ khí đang được game thủ sử dụng là gì, kết quả phát bắn ra sao (trúng, trượt, hay headshot), tạo thành các mảnh dữ liệu mà hệ thống của Valve gọi là "atom".
Đương nhiên, Valve không thể đánh giá việc một game thủ có gian lận hay không chỉ thông qua một atom duy nhất. "Chúng tôi cần một chuỗi các atom, và hệ thống VACnet hiện tại cần 140 atom để có thể đánh giá đươc một cách hoàn thiện."
Tất cả những game thủ bị tình nghi sử dụng hack, dù là do người chơi thường báo cáo hay do VACnet báo cáo đều sẽ được chuyển lên hệ thống Overwatch để phân tích và đưa ra quyết định cuối cùng. Tuy nhiên, trong khi tỉ lệ người chơi thực sự là hacker bị báo cáo lên Overwatch bởi những người chơi khác chỉ là 15-30%, thì con số này lên tởi 85-90% đối với VACnet. Nói cách khác, một khi VACnet đã tóm được ai thì người đó gần như chắc chắn là hacker.
Tuy nhiên, Valve vẫn sẽ tiếp tục để VACnet và Overwatch hoạt động song song, bởi theo lời của hãng này thì Overwatch chính là tác nhân giúp cho VACnet có thể tiếp tục học hỏi và phát triển. "VACnet sẽ có thể tiếp tục học hỏi từ những người đánh giá của Overwatch, nhờ vậy khi những game thủ tham gia vào chương trình Overwatch phát hiện ra những hình thức hack game mới, VACnet cũng sẽ làm được điều tương tự."
Với một tựa game có lượng game thủ tương đối lớn như CS:GO, để xử lý được lượng dữ liệu khổng lồ luôn tăng tưởng qua từng ngày, Valve cần phải có một hệ thống tương xứng cho VACnet. Ở thời điểm hiện tại, mỗi ngày có khoảng 600.000 trận CS:GO ở chế độ Competitive (chế độ xếp hạng, là chế độ chơi phổ biến nhất trong CS:GO), và để có thể đánh giá tất cả các game thủ trong những trận đấu đó thì hệ thống VACnet theo tính toán cần đến 1700 CPU để có thể hoạt động ổn định.
Vậy nên Valve quyết định trang bị cho hệ thống của mình 1700 CPU, và đồng thời mua thêm 1700 CPU nữa để "có thể mở rộng và phát triển VACnet rộng hơn trong tương lai". Hệ thống máy tính được Valve sử dụng cho VACnet là vô cùng khủng khiếp, tuy nhiên đây chỉ là một khoản đầu tư rất nhỏ so với doanh số 120 triệu USD mà CS:GO mang lại cho Valve chỉ từ việc bán game trong năm 2017.
"Tôi rất vui bởi hệ thống chống gian lận của Valve đang hoạt động rất hiệu quả, và những lời phàn nàn về vấn nạn hacker của các game thủ đang giảm đi rất nhiều" - McDonald cho biết thêm.
Theo GenK