Seorang pemain Counter-Strike 2 (CS2) mengembangkan sistem yang berpotensi membuat hukuman ban mengikuti pemain, bukan sekadar akun yang digunakan. Teknologi ini dirancang untuk mempersulit cheater yang selama ini bisa kembali bermain dengan membuat akun baru.
Sistem tersebut dikembangkan sebagai bagian dari tesis magister di Norwegian University of Science and Technology. Peneliti bernama Magga memanfaatkan biometrik perilaku dari penggunaan mouse dan keyboard untuk mengenali pola bermain seseorang.
Menariknya, sistem ini menggunakan rekaman pertandingan atau demo yang sudah dibuat oleh CS2. Dari data tersebut, setiap pemain dapat memiliki semacam sidik jari digital yang disebut sebagai CS-fingerprint.
Sistem Anti-Cheat CS2 Identifikasi Pemain Lewat Mouse dan Keyboard
Menurut Magga, masalah utama sistem ban saat ini adalah hukuman biasanya diberikan kepada akun, bukan orang di baliknya. Akibatnya, pemain yang terkena ban masih berpotensi kembali menggunakan akun baru.
Sistem buatannya mencoba mengatasi masalah tersebut dengan membandingkan kebiasaan pemain saat menggunakan mouse dan keyboard dalam sejumlah rekaman pertandingan. Pola tersebut kemudian digunakan untuk memperkirakan apakah dua akun berbeda sebenarnya dimainkan oleh orang yang sama.
Dalam pengujian terhadap dataset berisi lebih dari 1.000 pemain, sidik jari mouse dilaporkan berhasil mengenali pemain yang tepat pada setiap pengujian. Sementara itu, identifikasi melalui keyboard mencapai tingkat keberhasilan sebesar 98%.
Ketika kedua metode digabungkan, Magga mengklaim sistem tersebut mampu membedakan seluruh pasangan akun yang diketahui dimiliki oleh orang yang sama dari akun milik pemain berbeda.
Bisa Menemukan Akun Smurf yang Belum Diketahui
Selain menghubungkan akun yang sudah dicurigai, sistem tersebut juga dilaporkan menemukan sejumlah akun smurf yang sebelumnya belum teridentifikasi.
Beberapa hasil yang awalnya dianggap sebagai kesalahan deteksi diperiksa secara manual. Hasilnya, akun-akun tersebut ternyata merupakan akun tambahan milik pemain yang sudah ada dalam dataset.
Setelah temuan itu dimasukkan ke dalam pengujian, Magga menyebut sistemnya berhasil mengidentifikasi seluruh 13 pasangan akun yang diketahui digunakan oleh orang yang sama.
Ia menjelaskan bahwa pemain CS2 mengulangi berbagai gerakan ribuan kali dalam kondisi yang menuntut kecepatan dan ketepatan. Contohnya termasuk flick, counter-strafe, pengendalian semprotan peluru atau spray control, hingga penggunaan utilitas.
Seiring waktu, gerakan tersebut menjadi kebiasaan yang sulit diubah. Menurut Magga, pola input yang terbentuk secara otomatis inilah yang dapat diukur melalui biometrik perilaku.
Pemain memang bisa mengganti nama, akun, senjata, bahkan gaya bermain. Namun, kebiasaan dalam menggerakkan mouse dan menekan tombol keyboard jauh lebih sulit diubah sepenuhnya.
Belum Siap Menggantikan Sistem Ban VAC
Magga membayangkan teknologi ini dapat digunakan bersama sistem anti-cheat Valve seperti VAC dan Trust Factor. Dengan begitu, ketika satu akun terkena ban, akun lain yang diduga digunakan oleh orang yang sama juga dapat ditandai untuk pemeriksaan lebih lanjut.
Tujuannya adalah membuat pemain yang terbukti melakukan kecurangan tidak bisa begitu saja menghindari hukuman dengan membuat akun baru.
Meski demikian, Magga menegaskan bahwa sistem tersebut belum diuji pada skala seluruh populasi pemain CS2. Ia menyarankan agar hubungan antarakun pada tahap awal hanya digunakan sebagai bukti tambahan, bukan langsung menjadi alasan otomatis untuk menjatuhkan ban.
Ada pula kelemahan ketika satu akun digunakan oleh beberapa orang. Perbedaan kebiasaan bermain dari masing-masing pengguna dapat membuat identifikasi menjadi lebih rumit.
Saat ini, Magga berharap Valve atau penyedia layanan third-party matchmaking bersedia membantu menguji teknologi tersebut menggunakan kumpulan data pemain yang jauh lebih besar.
Jika hasilnya tetap konsisten dalam pengujian skala besar, sistem ini berpotensi menjadi pendekatan tambahan untuk mengatasi cheater yang selama ini bisa kembali bermain hanya dengan membuat akun baru.
