Clase 350 — Triggerbot, macros, input automation y bots

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 triggerbot, macros, input automation y bots 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 decisión de disparo y timing desde la arquitectura y no solo desde la herramienta.
2. Relacionar macros e input automation con una frontera de confianza concreta.
3. Producir evidencia reproducible sobre fsm, behavior trees y pathfinding.
4. Evaluar límites, falsos positivos y consecuencias de legítimo, asistivo y abusivo.
5. Verificar una mitigación mediante un caso legítimo y uno adversarial.

🗺️ Temas

🧠 Explicación en profundidad

Un triggerbot automatiza la condición 'objetivo válido bajo retícula' y el momento de disparo; una macro reproduce secuencias; un bot completo percibe, decide y actúa. Una máquina de estados finitos hace transiciones explícitas —buscar, perseguir, atacar, retirarse—; un behavior tree compone prioridades; pathfinding convierte destino en ruta. Estas mismas técnicas construyen NPC, pruebas de regresión y accesibilidad.

La diferencia operativa depende de autorización, capacidad y ventaja, no de que el input parezca humano. El timing excesivamente estable puede ser señal, pero un dispositivo adaptativo legítimo también genera regularidad. Se debe correlacionar decisión, visibilidad, latencia y secuencia de estado, además de documentar excepciones. El rango usa perfiles sintéticos para comparar, nunca input global del equipo.

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. Modela una FSM de test bot y un trigger sintético. Define tres señales y tres explicaciones legítimas; propone un proceso de revisión proporcional.
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 Macros e input automation. https://dev.epicgames.com/documentation/unreal-engine/networking-overview-for-unreal-engine
• Valve, Latency Compensating Methods — predicción, interpolación y límites usados para Legítimo, asistivo y abusivo. 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 350. https://doi.org/10.3390/info13040173

⬅️ Clase anterior

Clase 349 — Aimbot avanzado, predicción, smoothing y recoil

➡️ Siguiente clase

Clase 351 — Multiplayer y autoridad: nunca confiar en el cliente