重头戏来了：
对于有嫌疑的对象，有什么几乎100%准确的方法吗？答案是有的，那就是
操作轨迹监测

在讲操作轨迹监测之前，我们还要介绍一些基础知识
先说说二分类任务：就是给出一个东西，让计算机判断这个东西是属于A类还是属于B类的任务
在本文中，就是给出一些数据，让计算机判断你有没有使用外挂的任务

后面的东西开始有些难度了，坐稳了~
对于二分类任务，这里要介绍两个指标：查准率和查全率
对于一个二分类任务的输入，可能有四种情况：输入A类，计算机判定为A类；输入A类，计算机判定为B类；剩下两种类似如果我们假设A类是我们想要的（正例）。
查准率是说预测为正例的输入中有多少是真正的正例，也就是说（判定你使用了外挂，同时你确实使用了外挂）的概率。这个值越大，表示你被冤枉的概率越小
查全率是说样本中的正例有多少被预测正确，也就是说（你使用了外挂，同时判定你使用了外挂）的概率。这个值越大，表示你使用外挂不被抓到的概率越小
通常来说，这两个指标是互斥的，也就是说想要抓到更多使用外挂的人，就不可避免的会出现更多的误判。因此实际使用中，会综合考虑这两个指标

二分类任务有一些经典的解决手段，以机器学习和深度学习为代表
通俗的说一下这两个是什么吧，可以理解为把输入处理成矩阵，通过把输入矩阵与学习好的参数矩阵做一些运算，得到一个值，判定这个值大于或者小于一个临界值，以此给出正例或者反例的判定
机器学习就是进行一轮矩阵运算，深度学习就是进行若干轮矩阵运算，每一轮我们可以称之为一层网络在深度学习中，每层网络之间还会做一些非线性的处理（这不是我们的重点）
我们的重点是什么呢：
a. 运算的耗时与网络的层数相关，只有一层网络的情况下，几乎不会有明显的耗时（你的显示器每个像素可以看成一个矩阵，显示的过程就是矩阵处理，你感觉不到延迟吧）
b. 运算的准确程度与网络的层数相关（在同样的学习情况下），网络层数越深，运算越准确（错的，但是可以先这么理解）
综合上面两点，这个方法更像是一个筛子，先用最简单的单层网络去筛，发现有嫌疑的就进一步跟踪

所谓深度学习也好，就是通过一个黑箱子去挖掘数据之间的关联（包括肉眼看得见的关联，以及肉眼看不见的关联）
肉眼看得见的关联太简单了，比如说你的宏鼠标设置了（按侧键=按下F5再按下F9），那么肉眼可见的关联就是后台每次收到你的F5命令，都会在之后发现一个时间差几乎一样的F9命令
在机器学期与深度学习没有这么普及的时候，只要你的辅助能够隐藏这些肉眼看得见的关联，那么你就是安全的

最早的我记得是魔兽争霸3用的dota改建吧，把小键盘改成任意按键

但是，但是，但是，想要隐藏这些关联，通常的手段是加随机数
随机数是逻辑生成的，通过宏是没法直接生成的，也就是一定会用到脚本，有一个处理过程。所以说，只要你的脚本是通过在黑名单中的解释器完成的，就基本包被抓的
另外，有人说网络会有延迟，这有随机数的效果
我想说的是，你可以ping一个ip看看，连续的数据包之间延迟有多大差异再看看你自己点击鼠标能做到这个差异不能数据库中的时间戳格式是精确到毫秒的，也就是千分之一秒

另外再说说对抗学习：
深度学习中的学习过程是用已有的数据集（被证实使用了外挂的行动轨迹和被证实没有使用外挂的行动轨迹）来对参数进行调整的过程
对抗学习就是根据现有的参数去生成模拟使用外挂的轨迹再去训练参数举个例子就是两台阿尔法狗互相下棋
也就是说反外挂使用的训练集不仅仅包括已经出现的外挂导致的轨迹，还包括那些未来可能出现的外挂形成的轨迹

你就说说我罗技会不会被抓

至于深度学习，现在生活中的应用已经很多了，而且那些应用通常不仅仅是简单的二分类任务，一般来说准确率都在99%以上（以人脸识别为例）
作为一个比那些更简单的二分类任务，说句实话，只要你被怀疑了，你就肯定跑不了了
深度学习之前也提到了，它的准确性跟网络深度关联，也就是说网易对于没有嫌疑或者嫌疑不大的人，不会去采用特别耗时的方法去检测是是否用了外挂
但是，他会进行简单的筛选，例如使用单层网络去分类。这个准确率相对低一些，大概是80%左右

说了这么多，我们来分析一下现有的辅助手段：
1. 以按键精灵为首的脚本：必被抓，那么大个进程搁那摆着，不抓你抓谁
2. 宏鼠标，宏键盘：如果你的一个宏按键定义了连续的多个命令，那么是必被抓的（比如以宏实现的连点，就是一次按键进行了多次点击命令）如果一个宏按键只定义了一个命令（比如我按F9太麻烦了，把它定义在鼠标侧键），并且你的宏外设的驱动会在正常外设的驱动中使用，那么你是安全的

好了好了~完结撒花
有问题可以楼下提问哦（不看正文就问的肯定是不回答的）

看不懂 太复杂

说了个寂寞

给你个实战 例子 现在 检测的机制已经更新了
进游戏 鼠标的样子会变成'［ 这是在延迟检测某些东西吗