Os anti-cheats não se preocupam mais com o que você tem no seu computador, e sim como a sua mão se move

A nova geração de anti-cheats não está mais interessada no que existe dentro do seu computador; ela quer saber como a sua mão se move durante as partidas. Em vez de vasculhar arquivos, processos e drivers escondidos, sistemas como Vanguard (Riot Games), VACnet (Valve) e Ricochet (Activision) agora treinam modelos de aprendizado de máquina para analisar trajetórias de mouse, tempo de reação e padrões de mira, comparando o gesto de cada jogador com o que um ser humano é fisicamente capaz de fazer.

Por que a “caça ao arquivo” ficou obsoleta

Durante anos, a lógica do anti-cheat era simples: escanear o disco do jogador em busca de assinaturas conhecidas de programas trapaceiros, DLLs injetadas ou processos suspeitos rodando em segundo plano. Funcionava bem contra cheats amadores, mas tinha um problema estrutural: bastava o desenvolvedor do cheat mudar um byte do código para o programa passar despercebido. Cada nova detecção virava uma corrida contra o tempo, e o time de segurança sempre corria atrás do prejuízo.

O problema ficou ainda mais evidente com o avanço de hacks que nem tocam no disco do jogo. Cheats via DMA (acesso direto à memória, rodando em uma segunda máquina conectada por hardware) e mais recentemente sistemas de visão computacional que capturam a tela e movem o mouse fisicamente por fora do sistema operacional simplesmente não deixam rastro nenhum de arquivo para ser escaneado. Como não existe software rodando dentro da máquina para ser flagrado, a única evidência que sobra é o próprio comportamento: como o cursor se move, com que velocidade a mira se ajusta, o quanto o padrão de recuo da arma é compensado.

Foi justamente esse ponto que Phillip Koskinas, chefe de anti-cheat da Riot, destacou em entrevista ao site XDA Developers: para rodar um cheat de visão computacional sem ser pego, o trapaceiro praticamente precisa duplicar a tela do jogo e transmiti-la para uma segunda máquina — do contrário, segundo ele, o Vanguard vai detectar na hora.

Como o algoritmo lê a sua mão

Na prática, esses sistemas trabalham com dados de série temporal: cada movimento de mouse vira uma sequência de coordenadas, velocidades e acelerações que alimenta um modelo treinado para separar dois grupos: quem joga “de verdade” e quem tem ajuda de software. É o mesmo tipo de abordagem usada em biometria comportamental, área que já existe há bastante tempo em segurança digital e que pesquisadores como Nan Zheng, Aaron Paloski e Haining Wang aplicaram ao mouse ainda em estudos sobre verificação de usuário por ângulo de movimento.

Um mouse controlado por um aimbot tradicional costuma entregar linhas quase perfeitamente retas até o alvo, correções instantâneas e tempos de reação abaixo do que um sistema nervoso humano consegue sustentar de forma consistente. Já o movimento humano tem microcorreções, tremores, pequenas hesitações e uma curva de aceleração irregular, características difíceis de fingir em escala, porque exigem simular a própria imprecisão do corpo.

Um estudo publicado recentemente batizado de YAACS (“Yet Another Anti Cheat System”) ilustra bem como essa lógica funciona na prática. Os pesquisadores construíram um classificador do lado do servidor usando dados como velocidade de mira, número de tiros, distância até o alvo e padrões de movimentação, sem tocar em nenhum arquivo do jogador. O modelo baseado em LSTM empilhado alcançou 88,6% de acurácia com apenas 0,97% de falsos positivos, analisando sequências de 128 ticks do servidor, um resultado que os autores destacam como mais confiável do que uma árvore de decisão tradicional, que teve acurácia maior (96,2%) mas quase três vezes mais falsos positivos.

Resultados parecidos aparecem em outros contextos. Uma pesquisa aplicada ao Minecraft, publicada pela Springer, treinou um mod capturador de movimentos de mouse e testou duas arquiteturas de rede neural. O modelo CNN bidimensional chegou a um F-score de 99,68%, e a versão baseada em LSTM ficou em 99,42% — números que mostram por que tanta empresa grande está migrando recursos de engenharia para esse tipo de detecção.

O que a indústria já está fazendo (e dizendo)

A Valve foi uma das pioneiras nesse caminho. O VACnet, anunciado publicamente em uma palestra na GDC de 2018, nasceu justamente da limitação do modelo antigo de assinaturas — Valve precisava escrever milhares de detecções manuais para cada cheat individual, e assim que os desenvolvedores de trapaças percebiam a nova detecção, simplesmente ajustavam o programa. Isso criava, nas palavras do próprio material da empresa, uma “esteira infinita de trabalho”.

Hoje o sistema evoluiu para o que a comunidade vem chamando de VAC Live: partidas com alta confiança de detecção de comportamento suspeito, como o “rage hacking” ou anti-aim, podem ser encerradas em tempo real, com o jogador banido antes mesmo do fim da rodada. Curiosamente, o modelo continua dependendo de revisão humana em casos de dúvida: o antigo sistema Overwatch, em que jogadores de confiança analisam replays sinalizados pela IA, voltou a ser usado para ajudar o modelo a diferenciar um flick shot de nível profissional de um aimbot bem calibrado.

A Riot também deixou claro que está apostando em uma combinação de visão computacional e biometria de movimento. Segundo análises técnicas da comunidade de segurança sobre as mudanças recentes no Vanguard, a empresa estaria usando modelos de IA acelerados por GPU capazes de identificar comportamento de aimbot em escala de subpixel em menos de 50 milissegundos, além de biometria comportamental que analisa entropia do movimento do mouse, mapas de calor de recuo e padrões de entrada para diferenciar jogo humano de jogo assistido por software.

Já a Activision, no Ricochet, aplicou essa lógica de forma mais visível para o público: em vez de escanear arquivos, o sistema passou a identificar o padrão de mira típico de dispositivos como XIM e Cronus Zen — hardwares que fingem ser um controle de console para ativar a mira assistida em teclado e mouse. Quando o comportamento característico desse tipo de assistência é detectado, o jogo simplesmente se fecha sozinho, com a possibilidade de banimento em caso de reincidência.

Siga o Arkade no Instagram @revistaarkade Seguir

Os cheats contra-atacam, e com a ajuda da IA

E aqui está o ponto que talvez menos gente conheça: cheats também começaram a usar aprendizado de máquina para tentar imitar o movimento humano e escapar exatamente desses detectores comportamentais. O estudo acadêmico GAN-Aimbots, publicado na revista IEEE Transactions on Games, treinou um aimbot com redes adversariais generativas para reproduzir trajetórias de mira parecidas com as de jogadores reais.

O resultado foi revelador: a técnica conseguiu passar despercebida pela maioria dos anti-cheats comuns quando configurada de forma discreta, mas foi flagrada assim que o nível de assistência do aimbot ficou mais agressivo, mesmo assim, avaliadores humanos experientes tiveram dificuldade para identificar visualmente que aquele jogador específico estava trapaceando. Ou seja: o aimbot aprendeu, a partir de dados humanos reais, exatamente onde ficava o limite entre “suspeito” e “aceitável” e tentou surfar bem perto dessa linha.

Isso configura uma corrida armamentista de mão dupla. Cada geração de anti-cheat comportamental treina seu modelo com dados de partidas reais; cada geração de cheat tenta gerar movimento sintético que engane esse mesmo modelo. É um jogo de gato e rato que não deve ter fim tão cedo, e que explica por que empresas como Riot e Valve evitam detalhar publicamente os parâmetros exatos usados nos seus classificadores, pois quanto mais informação vaza sobre o que o modelo procura, mais fácil fica para quem desenvolve trapaças treinar em cima disso.

O problema que ninguém resolveu: o falso positivo

Se o modelo for bom demais, ele aprende com precisão o comportamento humano, inclusive comportamentos incomuns, como o de jogadores excepcionalmente talentosos, que às vezes se movem de um jeito estatisticamente parecido com o de um bot. Foi justamente esse o alerta do artigo sobre a YAACS (Yet Another Anti-Cheat System): reduzir falsos positivos, e não apenas maximizar acurácia bruta, é o verdadeiro gargalo desse tipo de sistema, porque um banimento injusto custa caro em confiança do jogador, mais até do que deixar um trapaceiro escapar por mais algumas partidas.

Por isso, praticamente nenhuma empresa grande confia cegamente na IA para banir sozinha. O modelo funciona como um filtro de triagem, sinalizando contas suspeitas para revisão humana antes de qualquer punição definitiva — como mostra o retorno do sistema de revisão comunitária no CS2 e o próprio processo de investigação por replay do Ricochet.

Um mundo online sem cheats é possivel?

A tendência é clara: cada vez menos anti-cheat vai depender de “achar o arquivo escondido” e cada vez mais vai depender de entender como você joga. Isso levanta discussões sobre privacidade, afinal, analisar padrão de movimento é, tecnicamente, coletar um tipo de dado biométrico, mas também tende a fechar brechas que hoje só existem porque a detecção tradicional não enxerga hardware externo nem cheats de visão computacional. Para quem joga limpo, a boa notícia é que esse tipo de sistema, ao contrário do escaneamento de arquivos, não se importa nem um pouco com o que está instalado no seu PC, só com o jeito como sua mão se move.

Fontes consultadas:

• DMA and AI are the next frontier of online cheating, but Riot has a plan – XDA
• Deep Learning Anti-cheat System Based on Player Behaviour for Minecraft – Springer
• Server-side Anti-cheat in FPS games for Aimbot detection using Deep learning and Machine learning – Arxiv
• The Evolution of Anti-Cheats in 2026: EAC vs Vanguard — And Why Players Are Still Finding Ways Around Both – Medium
• Identify As A Human Does: A Pathfinder of Next-Generation: Anti-Cheat Framework for First-Person Shooter Games – Arxiv
• Call Of Duty Will Now Automatically Close If You’re Cheating – GameSpot
• CS2 VACnet Update: 🛡️ Valve Fixed the Rage Cheat Bypass — What Changed and What It Means ⚡- Exitlag
• Detecting Aimbot Cheaters in MOGs – Arxiv
• GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters – Arxiv
• Research Report — Deep Learning Anti-Cheat – Medium

Aproveite que está aqui e siga o Arkade no 

• WhatsApp
• Facebook
• Instagram
• Threads
• No X
• TikTok
• Telegram
• Youtube

O INNIOASIS Y1 é o iPod que você sempre sonhou, com Bluetooth e a garantia de ouvir músicas sem notificações. Garanta o seu no AliExpress!

Garanta já a sua cópia de Marvel’s Wolverine, e receba o disco em casa com o frete Prime da Amazon.

Ganhamos uma pequena comissão nos links compartilhados em nossos posts. Você não gastará nada mais com isso e ainda apoiará o jornalismo independente de games e cultura.