Anti-Cheat in Online-Spielen & Erkennung von Cheating-Verhalten

Cheater zerstören die Fairness kompetitiver Spiele, vertreiben ehrliche Spieler und verzerren Spielökonomien. Signaturbasiertes und Kernel-Level-Anti-Cheat findet bekannte Cheat-Software, aber neue oder private Cheats entgehen ihm. Maschinelles Lernen auf Spieltelemetrie erkennt, was Cheats tun (unmenschlich präzises Zielen, unmögliche Reaktionen, Informationsvorsprung) statt was sie sind, und speist die menschliche Prüfung oder automatisierte Sperren.

Problem & Nutzen

• Heute: Studios kombinieren clientseitiges Anti-Cheat (Signaturscans, Speicher- und Treiber-Integritätsprüfungen), serverseitige Plausibilitätsregeln (Grenzen für Geschwindigkeit, Teleport und Rate), Spielermeldungen und manuelle Replay-Prüfung. Cheat-Entwickler iterieren schneller als Signaturen, und kostenpflichtige „private“ Cheats sind darauf ausgelegt, unauffällig zu wirken („Legit Cheating“).
• KI-Nutzen: Verhaltensmodelle finden Cheats unabhängig vom Cheat-Programm, skalieren die Replay-Prüfung über die menschliche Kapazität hinaus und erfassen schwache Signale wie leichte Zielhilfe, Wallhacks (ungewöhnliches Vorzielen und Verfolgen durch Wände) sowie Boosting oder Kontoteilung.
• Belege: Valve hat VACnet öffentlich beschrieben, ein serverseitiges Deep-Learning-System, das auf Replays trainiert ist und Ziel- und Bewegungsanomalien in Counter-Strike zur Prüfung markiert; Activision beschreibt Ricochet als Kombination aus Client-Komponenten und serverseitigem maschinellem Lernen in Call of Duty (Herstellerangaben, nicht unabhängig geprüft); Riots Vanguard ist eine Client-Komponente auf Kernel-Ebene [1][2]. Wirksamkeitsangaben der Anbieter sind als ungeprüft zu betrachten. Wissenschaftliche Arbeiten wie XGuardian zeigen außerdem erklärbare Modelle auf FPS-Daten [3].
• Abgrenzung zu ANOM-004: Dieser Anwendungsfall nutzt Konto- und Transaktionssignale; hier braucht es hochfrequente Spieltelemetrie in Echtzeit und domänenspezifische Modelle.

Varianten

• FPS und Shooter: Erkennung von Aimbot, Triggerbot, Rückstoßkompensation und Wallhack aus Zeitreihen der Blickwinkel.
• MOBA / Strategie / Battle Royale: Erkennung von Map-Hacks, Skripten und Makros, automatisiertem Farmen und Absprachen.
• MMO / Mobile: Bots und Gold-Farming, Speed-Hacks, Erkennung unmöglicher Aktionen, Kontohandel.
• Integrität der Ranglisten: Boosting, Smurfing, Win-Trading und Manipulationsringe per Graphanalyse (Bezug zu ANOM-026).
• E-Sport-Turniere: strengere Beweisstandards, signierte Clients, Überwachung vor Ort.
• Cheating per Hardware: externe Geräte (DMA-Karten, eingabeverändernde Hardware, bildschirmlesende KI-Zielhilfe), die keine Software-Spur hinterlassen; die Erkennung beruht überwiegend auf Verhalten.
• Private Server / Community-Hosts: Prüfungen per Server-Plugin oder API.

So funktioniert es

1. game server telemetry / replays (tick-level)
2. feature extraction (aim deltas, time-to-target, snap angles, input entropy, line-of-sight use)
3. model ensemble (sequence model per engagement + tabular model per player/match + rules)
4. score + explanation
5. threshold tiers ├─ low risk: no action / more data ├─ medium: human review queue with replay clip └─ high & multiply confirmed: enforcement (ban, delayed ban wave)
6. graph layer (devices, accounts, parties)
7. boosting rings, cheat-seller clusters
8. appeals + reviewer verdicts
9. labels
10. retraining

• Modelle: 1D-CNN / Transformer / GRU über Zeitreihen der Blickwinkeländerungen je Gefecht, dazu Gradient Boosting über aggregierte Spielerstatistiken; unüberwachte Anomalieerkennung, um neue Cheat-Familien aufzudecken; Graph-Clustering für Ringe.
• Client-Seite: optionale leichte Prüfungen auf dem Gerät und Integritätsnachweis; Module auf Kernel-Ebene sind eine eigene, umstrittene Schicht.
• Labels: bestätigte Sperren, Urteile der Prüfer und „Honeypot“-Konten. Label-Rauschen und verzögerte Labels sind zentrale Probleme.
• Mensch-in-der-Schleife (Human-in-the-Loop): Prüfer bestätigen Fälle mit mittlerer Konfidenz und Stichproben von Fällen mit hoher Konfidenz; verzögerte Sperrwellen hindern Cheat-Entwickler daran, zu lernen, welches Verhalten die Erkennung auslöst.

Datenaufbereitung

Benötigte Daten: serverseitige Match-Telemetrie (Zielabweichungen, Eingabe-Timing, Positionen, Treffer), Replays, Konto- und Geräte-Metadaten, Spielermeldungen und frühere Urteile der Prüfer. Sie liegen in Spielservern, Log-Pipelines oder einem Data Lake, Support-Werkzeugen und Moderationsdatenbanken; nichts liegt auf Papier.

Typische Lücken: zu grob abgetastete oder nicht aufbewahrte Telemetrie, keine stabilen Spieler- und Gerätekennungen, wenige verlässliche Labels (Sperren aus älteren Regelwerken, verrauschte Meldungen), Klassenungleichgewicht (Cheater sind selten) und Replays, die sich nicht mit Urteilen verknüpfen lassen.

Aufbereitungsschritte: - Festlegen, welche Telemetriefelder in welcher Auflösung und wie lange protokolliert werden (PREP-005, PREP-012). - Konto-, Geräte- und Gruppenkennungen auflösen und vor der Analyse pseudonymisieren (PREP-022). - Labels aus bestätigten Sperren und Widerspruchsergebnissen gewinnen und unsichere Fälle aus dem Trainingsdatensatz heraushalten (PREP-020). - Mit Prüfern einen Testdatensatz aus bekannten Cheats und legitimen Hochleistungsspielern aufbauen (PREP-018). - Rückmeldungen der Prüfer und Widerspruchsergebnisse als neue Labels erfassen (PREP-021). - Rechtsgrundlage und Aufbewahrung dokumentieren (PREP-025).

Grober Aufwandsanteil: 40-50 Prozent, da Instrumentierung und Labels dominieren. Die Bereitschaft prüfen Sie mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Kleine Studios haben weder Data Science noch genug Telemetrievolumen, daher sind zugekaufte Anti-Cheat-Dienste und Middleware die realistische Wahl.
• Großunternehmen (C): Anti-Cheat ist für die Spielintegrität zentral, und die Telemetriemengen sind riesig; eigene Modelle auf eigenen Servern halten Spielerdaten im Haus und die Kosten planbar.
• Entwickler (C): Open-Source-Stacks für Tabellen- und Anomaliedaten (LightGBM, PyOD) auf HW2 erlauben es Entwicklern, die Erkennung auf ihr eigenes Spiel abzustimmen.

Weg A — Kaufen (Standardsoftware) (für die meisten Studios empfohlen)

• Anti-Cheat-Dienste/Middleware: Easy Anti-Cheat (Epic Online Services, für Entwickler kostenlos), BattlEye (DE), Valve VAC (Steamworks-Integration), FACEIT Anti-Cheat (E-Sport), Anybrain (PT, EU), Anti-Cheat-Angebote von Denuvo (AT, Teil von Irdeto). Plattformeigene Systeme wie Riot Vanguard und Activision Ricochet sind intern und nicht käuflich.
• Telemetrie- und Moderationsplattformen: Analyse- und Live-Ops-Plattformen (z. B. GameAnalytics, Dienste von Unity und PlayFab) unterstützen eigene Ereignisse und Bot-Erkennung; den ML-Umfang prüfen.
• Weg A wählen, wenn: Sie kein eigenes Sicherheits-/Datenteam haben. EU-Datenverarbeitung, Richtlinie zu Kernel-Treibern und Werkzeuge für Widersprüche prüfen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Telemetrie per Kafka oder Kinesis in eine verwaltete ML-Plattform (SageMaker, Vertex AI, Azure ML in EU-Regionen) für Training und Scoring streamen; verwaltete Anomalieerkennung eignet sich für Teams ohne Entwicklungsschwerpunkt. LLMs helfen bei Zusammenfassungen für Prüfer, der Triage von Widersprüchen und der Beobachtung von Cheat-Foren, nicht beim eigentlichen Scoring.
• Weg B wählen, wenn: Sie den Spielserver besitzen und eigene Signale brauchen, aber keinen GPU-Betrieb wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: Kafka/Redpanda oder Flink für Streaming; PyTorch für Sequenzmodelle; XGBoost/LightGBM für Tabellendaten; PyOD oder Detektoren nach Art des Isolation Forest; Neo4j oder networkx für die Graphanalyse; ONNX Runtime für die Bereitstellung.
• Hardware: HW1-HW2; das Training von Sequenzmodellen auf einer einzelnen GPU genügt in der Regel; die Inferenz ist je Gefecht günstig.
• Open-Source-Anti-Cheat: Für Community-Server gibt es serverseitige Plugins (z. B. Werkzeuge auf Basis von SourceMod); ein ausgereiftes Open-Source-Pendant auf Kernel-Ebene gibt es nicht.

Weg D — Eigenes Training

Kern jedes ernsthaften Einsatzes. Benötigt pro Spiel Tausende bestätigte Cheat- und saubere Gefechte, die aktuell gehalten werden müssen, weil Spiel-Patches, Waffenbalance und Cheat-Taktiken die Verteilungen verschieben. Adversariales Training und die synthetische Erzeugung von Cheats (die GAN-Aimbots-Arbeit zeigt, dass ML auch menschliches Zielen nachahmen kann [4]) sind nötig, um die Robustheit zu testen.

Stand der Technik (2026)

• Serverseitiges Verhaltens-ML ist bei großen Studios die Standardergänzung zu clientseitigen Integritätsprüfungen; Durchsetzung mitten im Match oder in schnellen Wellen wird zunehmend berichtet.
• Erklärbarkeit wird zur Designanforderung: Ansätze wie XGuardian wollen Prüfern und Spielern im Widerspruch zeigen, warum ein Spieler markiert wurde [3].
• Wettrüsten: ML-gestützte Cheats (KI-Zielhilfe per Bildschirmaufnahme auf einem zweiten Gerät, menschenähnliche Glättung des Zielens, DMA-Hardware) verkleinern den statistischen Abstand zu legitimem Hochleistungsspiel. Die Erkennung wandert zur Fusion mehrerer Signale (Verhalten, Hardware, Kontograph, Replay).
• Anti-Cheat auf Kernel-Ebene erkennt mehr, wirft aber Sicherheits- und Datenschutzfragen auf; wissenschaftliche Analysen zeigen diese Zielkonflikte und den Bedarf an Transparenz [5].
• Grenzen: Fehlalarme bei Elitespielern, motorisch eingeschränkten Spielern und ungewöhnlichen Eingabegeräten; Domänendrift nach Patches; Reproduzierbarkeit der Beweise für Widersprüche; Label-Knappheit bei neuen Spielen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (anomaly-detection, streaming, graph-ml): ANOM-004 Plattformmissbrauch, ANOM-027 Werbe- und Klickbetrug, SEC-005 Anomalien im Nutzerverhalten, ANOM-010 gefälschte Bewertungen.
• Kombinieren mit: SPEECH-023 Moderation von Sprach-Chats (Fallmanagement bei Toxizität), ANOM-014 zur Identitätsprüfung bei Ranglisten- oder altersbeschränkten Diensten, SEC-003 für die Malware-Analyse von Cheat-Software.
• Gemeinsame Streaming- und Feature-Store-Infrastruktur dient auch Matchmaking und Churn-Analysen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für die Integration eines SDK; Lizenzierung je Titel oder MAU; manche sind mit einer Plattform kostenlos.
• Weg B: 3-6 Monate für das erste telemetriebasierte Modell samt Prüfwerkzeugen.
• Weg C/D: 6-12+ Monate und ein kleines Team (ML-Engineer, Spielserver-Engineer, Analyst, Prüfer); laufendes Nachtrainieren je Patch.
• Kostentreiber: Telemetrievolumen, Replay-Speicher, Prüferstunden, Widersprüche.
• Kennzahlen: Präzision an der Sperrschwelle (Ziel: sehr hoch), Zeit bis zur Erkennung (gespielte Matches bis zur Sperre), Cheater-Verbreitung pro 1.000 Matches, Quote aufgehobener Sperren nach Widerspruch, Durchsatz der Prüfer, von Spielern gemeldetes Cheating, Bindung ehrlicher Spieler.

Menschen & Veränderung

Früh einbinden: die Geschäftsführung (Sperrrichtlinie und Markenrisiko), die Leitung Spielbetrieb oder Community als Prozessverantwortliche, Spielserver-Entwickler und IT, die/den Datenschutzbeauftragte(n), Recht und Kundenservice, der Widersprüche bearbeitet. Die Community bemerkt Änderungen oft zuerst, daher die Kommunikation an die Spieler einplanen.

Betriebsrat: abhängig vom Einzelfall. Spieler sind keine Beschäftigten, daher löst ihre Analyse §87 Abs. 1 Nr. 6 BetrVG nicht aus. Er greift, wenn Werkzeuge für Prüfer oder Moderatoren die Leistung einzelner Beschäftigter protokollieren; den Betriebsrat nach §90 Abs. 1 Nr. 3 unterrichten, wenn sich Arbeitsabläufe ändern.

Datenschutz: Verhaltensprofiling von Spielern erfordert eine Rechtsgrundlage (meist berechtigtes Interesse mit dokumentierter Prüfung), im großen Maßstab eine DSFA (Art. 35 DSGVO), einen AVV mit Anbietern und die Einbindung der/des Datenschutzbeauftragten. Automatisierte Sperren können unter Art. 22 DSGVO fallen; daher bei dauerhaften Sperren die menschliche Prüfung beibehalten und einen funktionierenden Widerspruchsweg bieten.

KI-Kompetenz: Prüfer schulen zur Bedeutung der Werte, zu Fehlalarmen und zu Verzerrungen (KI-Verordnung Art. 4: Fördermaßnahmen, kein garantiertes Niveau).

Pilot und Bedenken: Im Schattenbetrieb in einem Modus oder einer Region beginnen. Ehrliche Spieler fürchten unberechtigte Sperren: abgestufte Maßnahmen (Challenge, Shadow-Pool) vor Sperren einsetzen, Gründe erklären und Widersprüche zulassen. Über dauerhafte Sperren entscheiden Menschen.

Leitfäden: GUIDE-005, GUIDE-009, GUIDE-011.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko. Die Erkennung von Cheating in Spielen ist kein Anwendungsfall nach Anhang III und weder biometrische Kategorisierung noch Emotionserkennung. Die Verbote nach Art. 5 sind eine Grenze: dieselbe Telemetrie nicht für Emotionsableitung, ausnutzende Manipulation oder Social Scoring über das Spiel hinaus verwenden. Anbieter sollten dennoch die KI-Kompetenz (Art. 4) beachten [6].
• DSGVO: Telemetrie, Geräte-IDs und Kontodaten sind personenbezogene Daten. Rechtsgrundlage ist häufig das berechtigte Interesse (Art. 6 Abs. 1 lit. f) mit Interessenabwägung oder die Vertragserfüllung, dazu Transparenz in der Datenschutzerklärung. Sperren, die allein auf automatisierten Entscheidungen mit erheblicher Wirkung beruhen, können Art. 22 auslösen; menschliche Prüfung und einen Widerspruchsweg beibehalten [7]. Die Erfassung roher Eingaben minimieren, Aufbewahrungsfristen festlegen und für Komponenten auf Kernel-Ebene eine DSFA durchführen.
• Verbraucher- und Plattformregeln: Die Nutzungsbedingungen müssen die Durchsetzung beschreiben; die Begründungspflicht und die Beschwerdemechanismen des Digital Services Act können bei Kontobeschränkungen für Online-Plattformen und Marktplätze gelten.
• Sicherheit: Kernel-Treiber vergrößern die Angriffsfläche; sichere Entwicklungspraxis und Schwachstellen-Offenlegung befolgen.
• Gegenmaßnahmen: gestufte Schwellen, verzögerte Sperrwellen mit menschlicher Bestätigung, erklärbare Beweise, dokumentierte Widersprüche, Fairness-Tests über Hardware- und Barrierefreiheits-Konfigurationen.

Erste Schritte

1. Cheat-Arten je Spiel festlegen und die Erfassung von Replays und Telemetrie mit einer Datenschutzprüfung (DSFA, Aufbewahrung) aufsetzen.
2. Einen gelabelten Satz aus früheren Sperren, Urteilen der Prüfer und bestätigt sauberen Hochleistungsspielern aufbauen.
3. Mit einem Modell auf Gefechtsebene plus Regeln beginnen, eine Saison lang im Schattenbetrieb bewerten, ohne durchzusetzen, und die Präzision messen.
4. Eine Prüf-Warteschlange mit Replay-Clips und Erklärungen ergänzen; alle Urteile als neue Labels protokollieren.
5. Die Graphschicht für Boosting und Verkäufer ergänzen und einen an Patches gebundenen Nachtrainings-Rhythmus festlegen.

Quellen

1. Valve Anti-Cheat (overview incl. VACnet history) - https://en.wikipedia.org/wiki/Valve_Anti-Cheat
2. Riot Vanguard (kernel-level anti-cheat overview) - https://en.wikipedia.org/wiki/Riot_Vanguard
3. XGuardian: Towards Explainable and Generalized AI Anti-Cheat on FPS Games - https://arxiv.org/pdf/2601.18068
4. GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters - https://arxiv.org/pdf/2205.07060
5. If It Looks Like a Rootkit and Deceives Like a Rootkit: A Critical Examination of Kernel-Level Anti-Cheat Systems - https://arxiv.org/pdf/2408.00500
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Easy Anti-Cheat (Epic Online Services) - https://dev.epicgames.com/docs/game-services/anti-cheat