Counter-Strike 2’de hilecilerin yeni hesap açarak cezadan kurtulmasını zorlaştırabilecek dikkat çekici bir yöntem geliştirildi. Norveç Bilim ve Teknoloji Üniversitesi’nde (NTNU) hazırlanan yüksek lisans tezinde, oyuncuların fare hareketleri ve klavye kullanım alışkanlıklarından davranışsal bir “CS parmak izi” oluşturulabileceği gösterildi. Bu yöntem, oyuncunun Steam hesabına değil, oynama biçimine odaklandığı için aynı kişinin farklı hesaplarda yeniden tespit edilmesine imkân sağlayabilir.
Sistem henüz Valve tarafından CS2’ye entegre edilmiş değil ve oyuncuların doğrudan bu yöntemle banlandığı bir uygulama bulunmuyor. Ancak araştırmanın sonuçları, hesap bazlı cezaların en büyük sorunlarından biri olan “ban sonrası yeni hesap açma” döngüsüne farklı bir çözüm sunuyor. Araştırmacının testlerinde bilinen ve daha sonra sistem tarafından tespit edilen bağlantılar dahil olmak üzere 13 smurf hesabının tamamı doğru şekilde eşleştirildi.
Çalışmanın temelindeki fikir oldukça basit: Bir oyuncu hesabını, kullanıcı adını, rütbesini veya oyun ayarlarını değiştirebilir ancak yıllar boyunca oluşan fare ve klavye kullanım alışkanlıklarını tamamen değiştirmek çok daha zor. Araştırmacı da tam olarak bu davranışsal özellikleri kullanarak farklı maçlardaki demoların aynı oyuncuya ait olup olmadığını belirlemeye çalıştı.
| Sistem | Kullanılan veri | Amaç |
|---|---|---|
| CS parmak izi | Fare hareketleri + klavye kullanımı | Aynı oyuncuyu farklı hesaplarda tanımak |
| Veri kaynağı | CS2 maç demoları | Yeni donanım veya istemci yazılımı gerektirmemek |
| Fare modeli | Mouse hareket alışkanlıkları | Oyuncular arasındaki benzerliği ölçmek |
| Klavye modeli | Tuş basma ve kullanım alışkanlıkları | İkinci bağımsız davranış sinyali sağlamak |
| Birleşik doğrulama | Fare + klavye | Aynı oyuncu eşleşmesini güçlendirmek |
| Test sonucu | 13 bilinen bağlantı | 13/13 doğru eşleşme |
| Valve entegrasyonu | Henüz yok | Araştırma/prototip aşaması |
CS2 Demoları Oyuncuların Davranışsal Parmak İzini Nasıl Ortaya Çıkarıyor?
Yöntemin en dikkat çekici taraflarından biri, oyuncunun bilgisayarına herhangi bir özel yazılım kurulmasını gerektirmemesi. CS2’nin zaten oluşturduğu maç demoları kullanılıyor. Bu demolar, oyun sırasında oyuncunun nereye baktığı ve hangi tuşlara bastığı gibi bilgileri zaman çizelgesi üzerinden içeriyor. Araştırmacı, bu verileri kullanarak her oyuncu için fare ve klavye davranışlarından ayrı ayrı birer profil oluşturuyor.
Fare tarafında oyuncunun nişan alma ve hareket ettirme biçimi analiz edilirken, klavye tarafında tuş kullanımının zamanlaması ve alışkanlıkları değerlendiriliyor. Tek başına bu sinyallerin her zaman yeterli olması beklenmiyor. Ancak iki farklı davranış kaynağı birlikte değerlendirildiğinde yanlış eşleşme ihtimali önemli ölçüde azalıyor.
Araştırmacının paylaştığı sonuçlara göre 1.000’den fazla oyuncudan oluşan veri setinde fare davranışı aynı oyuncuyu ayırt etmede oldukça başarılı oldu. Klavye davranışı ise tek başına yaklaşık yüzde 98 doğruluk sağladı. Daha da önemlisi, fare ve klavye sinyallerinin birbirinden büyük ölçüde bağımsız davranması, iki verinin birlikte kullanılmasını daha güçlü hale getirdi.
Sistemin geliştirilmesi sırasında araştırmacıya bazı oyuncular kendi ana ve smurf hesaplarını bildirdi. Başlangıçta bilinen 8 hesap çifti üzerinden yapılan testlerde sistem bazı ek eşleşmeler de ortaya çıkardı. İlk bakışta bunlar yanlış pozitif gibi görünse de Steam arkadaş listeleri ve oyun aktiviteleri manuel olarak incelendiğinde, bazı hesapların gerçekten aynı oyunculara ait olduğu görüldü.
Bu keşiflerin ardından sistemin değerlendirdiği aynı oyuncuya ait hesap bağlantılarının sayısı 13’e ulaştı ve tamamı doğru şekilde eşleştirildi. Hatta araştırmacı, daha önce kimsenin bildirmediği smurf bağlantılarını da sistemin kendisinin ortaya çıkardığını belirtiyor. Bir örnekte aynı oyuncuya ait dört farklı hesap birbirleriyle güçlü biçimde eşleşti.
Burada önemli bir ayrıntı bulunuyor: Bu sonuç, sistemin 1.000 oyunculuk veri setindeki her hesabı yüzde 100 doğrulukla tanıyacağı anlamına gelmiyor. Araştırmanın 13/13 sonucu, bilinen ve sistem tarafından sonradan belirlenen aynı oyuncuya ait hesap çiftlerinin eşleştirilmesiyle ilgili. Dolayısıyla gerçek dünyadaki milyonlarca CS2 oyuncusunda aynı performansın kesin olarak elde edileceğini söylemek için daha büyük ve bağımsız testlere ihtiyaç var.
Araştırmanın bir diğer önemli noktası ise sistemin yalnızca geçmiş hesapları karşılaştırmakla sınırlı olmaması. Geliştirilen prototipte yeni maç demoları geldikçe oyuncunun davranış profili güncellenebiliyor. Yeni bir maçtaki fare ve klavye verileri mevcut profillerle karşılaştırılarak şüpheli eşleşmeler belirleniyor. Ardından daha sıkı bir doğrulama aşamasında hem fare hem de klavye sinyalinin aynı oyuncuyu göstermesi bekleniyor.
Bu yaklaşımın hilecilere karşı potansiyel etkisi burada ortaya çıkıyor. Diyelim ki bir oyuncu hile kullandığı için hesabından banlandı. Geleneksel hesap bazlı sistemde oyuncu yeni bir Steam hesabı açarak yeniden oyuna dönebilir. Davranışsal eşleştirme sistemi ise yeni hesabın oyun içindeki hareketlerini daha önce banlanan hesabın davranış profiliyle karşılaştırabilir. Eşleşme yeterince güçlü bulunursa iki hesabın aynı oyuncuya ait olduğu konusunda ek bir sinyal elde edilebilir.
Ancak davranışsal eşleşme tek başına hile kullandığının kanıtı değil. Bu ayrım özellikle önemli. Sistem esas olarak “Bu iki hesabı büyük ihtimalle aynı oyuncu kullanıyor” sorusuna cevap veriyor. Bir hesabın hile kullandığını belirlemek ise ayrı bir anti-cheat süreci gerektiriyor. Bu nedenle sistem doğrudan hile tespit yazılımının yerine geçmekten çok, mevcut anti-cheat mekanizmalarına ek bir katman olarak değerlendirilebilir.
Gizlilik tarafında da araştırmacı bazı önlemler üzerinde durmuş durumda. Çalışmada doğrudan gerçek kişinin kimliğinin belirlenmesi amaçlanmıyor; hedef, iki farklı CS2 demosunun aynı oyuncu tarafından oynanıp oynanmadığını tespit etmek. Araştırmacının açıklamasına göre demolar kalıcı şekilde saklanmıyor ve oluşturulan parmak izi verileri de oyuncunun en son maçlarıyla sınırlı tutuluyor. NTNU’nun araştırma sayfasında çalışmanın açık rıza temelinde yürütüldüğü ve kişisel verilerin belirli bir süre sonunda silineceği belirtiliyor.
İlginç bir başka sonuç ise yöntemin zaman içinde de çalışabilmesi. Araştırmacı, kendi hesabını güncel bir Premier demosuyla 2017 tarihli eski bir matchmaking demosu arasında eşleştirebildiğini belirtiyor. Bu durum, oyuncunun kullanım alışkanlıklarının uzun süre boyunca belirli ölçüde korunabileceğine işaret ediyor. Ancak bunun tüm oyuncular için aynı şekilde geçerli olup olmadığı konusunda daha geniş araştırmalar gerekiyor.
Valve’ın mevcut CS2 anti-cheat yaklaşımı ise farklı bir temele dayanıyor. Trusted Mode, üçüncü taraf yazılımların CS2 işlemine müdahale etmesini engellemeye odaklanıyor ve belirli türde işlem müdahalelerinin VAC yaptırımına tabi olabileceğini Valve açıkça belirtiyor. Yeni NTNU çalışması ise oyun istemcisinin davranışsal verilerini kullanarak hesabın arkasındaki oyuncuyu eşleştirmeyi hedefliyor.
Dolayısıyla “hilecinin kendisi banlanacak” ifadesi şu aşamada geleceğe yönelik bir potansiyeli anlatıyor. Ortada çalışan bir akademik prototip ve dikkat çekici test sonuçları bulunuyor ancak Valve’ın bu sistemi CS2’ye eklediğine dair bir açıklama yok. Araştırmacının asıl hedefi de bu yöntemin Valve veya FACEIT gibi rekabetçi oyun platformlarında kullanılabilecek bir sisteme dönüştürülmesi.
Eğer bu teknoloji gerçek bir anti-cheat altyapısına entegre edilirse, hile kullanan bir oyuncunun yalnızca mevcut Steam hesabını kaybetmesi yerine, yeni hesaplarla geri dönmesini de zorlaştırabilecek bir ek doğrulama katmanı ortaya çıkabilir. Böyle bir sistemin uygulanmasındaki en büyük soru ise doğruluk kadar gizlilik ve yanlış eşleşme riski olacak. Çünkü masum bir oyuncunun başka bir hesapla yanlışlıkla eşleştirilmesi, hesap yaptırımlarında ciddi sonuçlara yol açabilir.
Bu nedenle çalışma, CS2’de hile sorununu çözmüş yeni bir Valve özelliği olarak değil, hesap yerine oyuncunun davranışlarını takip etmeye yönelik dikkat çekici bir araştırma olarak değerlendirilmeli. Buna rağmen 13 smurf bağlantısının tamamının doğru şekilde eşleştirilmesi ve 1.000’den fazla oyuncudan elde edilen fare-klavye verilerindeki sonuçlar, gelecekte anti-cheat sistemlerinin yalnızca yazılım ve donanım izlerini değil, oyuncunun kendine özgü oyun alışkanlıklarını da değerlendirebileceğini gösteriyor.
