Clase 347 — Rendering, visibilidad, occlusion y wallhack

Parte: 19 — Seguridad de videojuegos, cheats y anti-cheat · Fuente principal: documentación de Epic Games y Valve ⏱️ Duración estimada: 120 min · Nivel: Avanzado

🎯 Objetivo

Comprender y verificar rendering, visibilidad, occlusion y wallhack sobre el Game Security Range, conectando vulnerabilidad, abuso controlado, telemetría, evidencia, causa raíz, mitigación y prueba de regresión sin actuar sobre software de terceros.

📚 Resultados de aprendizaje

Al finalizar, el alumno podrá:

1. Explicar pipeline y depth buffer desde la arquitectura y no solo desde la herramienta.
2. Relacionar occlusion, culling y shaders con una frontera de confianza concreta.
3. Producir evidencia reproducible sobre conocido frente a visualizado.
4. Evaluar límites, falsos positivos y consecuencias de demostración y defensa.
5. Verificar una mitigación mediante un caso legítimo y uno adversarial.

🗺️ Temas

🧠 Explicación en profundidad

El pipeline transforma vértices, rasteriza fragmentos y usa el depth buffer para decidir qué superficie está delante. Frustum culling evita procesar lo que queda fuera de cámara; occlusion culling intenta omitir objetos tapados. Un cambio de shader o de prueba de profundidad puede dibujar siluetas ocultas, pero solo si la geometría o metadatos llegaron al cliente.

Hay dos problemas diferentes: visualización indebida de datos necesarios y entrega innecesaria de datos sensibles. Endurecer rendering atiende el primero; relevancia del servidor atiende el segundo. El laboratorio representa visibilidad como atributo sintético y permite comparar eventos con y sin target oculto. La verificación no es 'el overlay desapareció', sino 'el cliente dejó de recibir entidad suficiente para reconstruirlo sin degradar la interacción prevista'.

El diagrama se lee como un bucle de ingeniería, no como una cadena de sanción. El supuesto habilita un abuso dentro del target propio; la señal solo permite formular una hipótesis; la decisión incorpora contexto; la mitigación debe volver al supuesto y demostrar con una regresión que la confianza cambió. Si el último arco no puede verificarse, solo se ocultó el síntoma.

📖 Definiciones y características

• Señal: medida observable; característica clave: no prueba por sí sola intención.
• Evidencia: señal contextualizada y reproducible; característica clave: trazabilidad.
• Autoridad: componente que decide el estado canónico; característica clave: valida intenciones.
• Causa raíz: condición sistémica que permitió el incidente; característica clave: su corrección evita recurrencia.

📔 Glosario

🧰 Herramientas y preparación

• Python 3.12 y el Game Security Range.
• Escenario correspondiente de SCENARIOS.md.
• Dataset sintético documentado; nunca datos personales ni procesos de terceros.
• Prerrequisitos: clases 023–024 (procesos/memoria), 130–134 (RE/debugging), 182/199 (telemetría/detección) y 217 (RCA).

🧪 Laboratorio guiado

1. Ejecuta python -m unittest discover -s tests -v desde labs/game-security y conserva la línea base.
2. Construye dos snapshots: uno con entidad oculta presente y otro minimizado. Explica qué puede inferirse en cada uno y mide la pérdida funcional.
3. Registra modo, comando, decisión, señal, umbral o invariante, semilla y resultado esperado.
4. Formula al menos una explicación legítima alternativa antes de atribuir abuso.
5. Aplica o diseña la mitigación y repite el caso adversarial y un caso normal.
6. Redacta la cadena síntoma → timeline → evidencia → hipótesis → causa raíz → fix → regresión.

✍️ Ejercicios

1. Explica qué cambia si el cliente controla el dato frente a si solo solicita una acción.
2. Identifica una señal débil y combínala con otra fuente independiente.
3. Diseña un caso límite de latencia, FPS, dispositivo o accesibilidad.
4. Separa prevención, detección, respuesta y gobernanza para este tema.
5. Explica qué información no necesitas recoger y por qué.

📝 Reto verificable

Entrega una ficha con threat boundary, reproducción en el rango, evento de telemetría, decisión explicada, alternativa legítima, causa raíz, mitigación y prueba de regresión.

Criterio de aceptación: otra persona puede ejecutar los comandos con la misma semilla, obtener la evidencia citada y comprobar que la mitigación bloquea el caso adversarial sin romper el caso normal.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Una alerta basta para sancionar? No. Es una hipótesis con un nivel de confianza; la consecuencia exige evidencia proporcional, política, auditabilidad y apelación.

¿Ofuscar el cliente resuelve el problema? Puede elevar costo, pero no reemplaza autoridad, invariantes ni minimización de información.

¿Por qué el laboratorio es sintético? Permite controlar verdad, semilla y falsos positivos sin invadir jugadores ni construir una herramienta reutilizable contra terceros.

🔗 Referencias

• Epic Games, Networking Overview — autoridad y replicación aplicadas a Occlusion, culling y shaders. https://dev.epicgames.com/documentation/unreal-engine/networking-overview-for-unreal-engine
• Valve, Latency Compensating Methods — predicción, interpolación y límites usados para Demostración y defensa. https://developer.valvesoftware.com/wiki/Latency_Compensating_Methods_in_Client/Server_In-game_Protocol_Design_and_Optimization
• Montero et al., Anticheat System Based on Reinforcement Learning Agents in Unity — ejemplo académico para contrastar prevención y detección en la clase 347. https://doi.org/10.3390/info13040173

⬅️ Clase anterior

Clase 346 — Información expuesta, radar, ESP y world-to-screen

➡️ Siguiente clase

Clase 348 — Matemática de un aimbot