Millennium AI/ML - личная модель машинного обучения

Вступление Сегодня (28.11.2024) началось тестирование первой beta-сборки модели машинного обучения Millennium, разработанного под работу с delta-based значениями (в основном для анти-читов).

Как и в других моделях, Millennium принимает табличные данные. На каждый столбец в таблице модель выделяет 4 типажа размышлений - от абстрактного до самого точного, что позволяет модели размышлять как человек. Сама работа с моделью выполнена максимально просто.

Начинаем работу Можно держать даже несколько моделей, но пока нам это не нужно… Работа с моделью начинается через класс FactoryML, где можно:

1. Создать новую модель
2. Загрузить модель из файла (рекомендуется использовать при старте модели, если файл не найден, то создается просто новая модель)
3. Выгрузить модель с памяти.

А сама модель представлена в виде класса ModelML, давайте её получим:

ModelML modelMl = FactoryML.loadFromFile(id, fileName);

Если файл не найден, то загрузит пустую модель

Заполним базовыми данными:

ModelML modelMl = FactoryML.loadFromFile(0, model.dat);

Файл модели хранится нативно в .dat.

Теперь мы можем получить нашу модель этим методом:

ModelML modelMl = FactoryML.getModel(0);

Дальше нужно работать с классом ModelML для обучения.

Обучение Обучение начинается с метода в ModelML:

learnByData(List<ObjectML> o, boolean isMustBeBlocked)

ObjectML хранит в себе массив с числами Double, проще говоря 1 столбец (не менее 50 чисел).

Мы можем обучать модель 2 вещам:

1. То, что нормально ( isMustBeBlocked == false )
2. То, что должно быть заблокировано ( isMustBeBlocked == true )

Рекомендуется обучать с 1 по 2.

Давайте обучим модель по нашим поворотам yaw / pitch:

boolean learning = true;
boolean hackLearning = false; // true - если обучаем модель тому, как поворачивает Killaura
if (this.rotations.size() >= 60) { // 60 чисел в столбце
   ObjectML yaw = new ObjectML(new ArrayList<>());
   ObjectML pitch = new ObjectML(new ArrayList<>());
   {
     for (Vec2 vec2 : this.rotations) {
     yaw.getValues().add(vec2.getX());
     pitch.getValues().add(vec2.getY());
   }
   if (learning) {
    FactoryML.getModel(0).learnByData(Arrays.asList(yaw, pitch), hackLearning);
    FactoryML.getModel(0).saveToFile("model.dat"); // сохранение модели
   }
}

При обучении в консоль будет выводиться что-то типо:

После обучения модели обычному поведению, ставим:

boolean hackLearning = true;

И уже обучаем модель работе Killaura, используя разные читы.

Рекомендую: обучить модель не менее 2000 паттернов обычного поведения. обучить модель не менее 300 паттернов читерского поведения.

Дальше можно приступить к обнаружению читов.

Обнаружение Мы обучили модель, у нас есть файл с моделью. Теперь давайте регулярно передавать модели данные:

if (this.rotations.size() >= 60) {
   ObjectML yaw = new ObjectML(new ArrayList<>());
   ObjectML pitch = new ObjectML(new ArrayList<>());
   {
     for (Vec2 vec2 : this.rotations) {
      yaw.getValues().add(vec2.getX());
      pitch.getValues().add(vec2.getY());
     }
     if (learning) { // Мы не обучаем модель
      FactoryML.getModel(0).learnByData(Arrays.asList(yaw, pitch), hackLearning);
      FactoryML.getModel(0).saveToFile("model.dat");
     } else { // Поэтому код будет выполняться здесь
      ResultML resultML = FactoryML.getModel(0).checkData(Arrays.asList(yaw, pitch));
      // дальнейшие операции
     }
   }
}

В итоге мы получаем результат в ResultML:

public int UNUSUAL; // Необычно (абстрактный уровень)
public int STRANGE; // Странно
public int SUSPECTED; // Подозрительно
public int SUSPICIOUSLY; // Обнаружено (точный уровень)

Мы можем получить эти значения с полученного класса ResultML, а дальше выводы уже делайте по ситуации. На каждый уровень возлагается свой VL.

Это основы работы с моделью Millennium. Возможно, функционал будет дополняться.

Опубліковано на Discourse: 2024-11-28 13:21:10.20612 UTC

Коментарі з Discourse

gomin1d — 2024-11-28 14:24:44.865594 UTC

Це перша стаття pawsashatoy, яку я повністю зрозумів. :cool:

gomin1d — 2024-11-28 14:25:02.232024 UTC

Api моделі дійсно простий. Але не вказаний github/maven/gradle.

pawsashatoy — 2024-11-28 14:29:53.320838 UTC

github будет потом. как и все прочее

gomin1d — 2024-12-03 15:53:37.939453 UTC

@pawsashatoy можеш перевірити, наскільки вона буде краще за звичайний xgboost https://github.com/gomin1d/xgboost-example