Esta especialización aplica memoria, reversing, redes, detección, estadística, ML y respuesta a incidentes a una pregunta concreta: ¿qué confianza permite una ventaja ilegítima y cómo se corrige sin convertir una señal en culpabilidad? No repite las Partes 5–9; las usa para razonar sobre un cliente controlado por el jugador, un servidor que decide estado y una operación anti-cheat que también debe ser segura, privada y auditable.
Al terminar, el estudiante puede construir un threat model, reproducir un abuso solo en el target propio, diseñar autoridad e invariantes, crear telemetría minimizada, evaluar reglas/estadística/ML, investigar falsos positivos, ejecutar RCA y entregar una corrección con regresión e informe ejecutivo.
Se recomiendan 023–024, 026–027, 116–140, 141–160, 182, 199, 201–220, 298 y Python. Son 40 horas guiadas (20 × 120 min), más 20–30 horas de práctica y capstone.
La progresión avanza de qué se protege a por qué puede romperse, luego a cómo se observa sin sobrerreaccionar y finalmente a cómo se elimina la causa. Cada bloque entrega evidencia reutilizada por el siguiente: el threat model fija supuestos; el rango produce eventos; la detección genera hipótesis; estadística y gobernanza limitan la decisión; el capstone demuestra cierre.
| Clase | Propósito y conexión | Recorrido causal | Evidencia |
|---|---|---|---|
| 341 | Introducción a Game Security y modelo de amenazas | Activos, adversarios y fairness → Trust boundaries y threat model | Evidencia reproducible del rango |
| 342 | Arquitectura de videojuegos desde la perspectiva de seguridad | Game loop y entidades → Networking, persistencia y autoridad | Evidencia reproducible del rango |
| 343 | Taxonomía técnica de cheats | Estado, recursos y movimiento → Automatización conductual y señales | Evidencia reproducible del rango |
| 344 | Estado del juego, memoria y manipulación controlada | Representación y lifetime → Estado local frente a autoritativo | Evidencia reproducible del rango |
| 345 | Trainers e instrumentación del cliente | Observación, modificación y freeze → Comparación vulnerable/autoritativa | Evidencia reproducible del rango |
| 346 | Información expuesta, radar, ESP y world-to-screen | Entidades y coordenadas → Minimización de información | Evidencia reproducible del rango |
| 347 | Rendering, visibilidad, occlusion y wallhack | Pipeline y depth buffer → Demostración y defensa | Evidencia reproducible del rango |
| 348 | Matemática de un aimbot | Vector2/Vector3 y normalización → Line-of-sight y experimento | Evidencia reproducible del rango |
| 349 | Aimbot avanzado, predicción, smoothing y recoil | Velocidad, proyectil y tiempo de vuelo → Recoil, spread y señales | Evidencia reproducible del rango |
| 350 | Triggerbot, macros, input automation y bots | Decisión de disparo y timing → Legítimo, asistivo y abusivo | Evidencia reproducible del rango |
| 351 | Multiplayer y autoridad: nunca confiar en el cliente | Client-authoritative vs server-authoritative → Predicción, corrección e invariantes | Evidencia reproducible del rango |
| 352 | Seguridad del protocolo de juego | TCP, UDP, WebSocket y ticks → Replay, reorder e invalid state | Evidencia reproducible del rango |
| 353 | Arquitecturas Anti-Cheat | Defensa por capas → Privacidad, privilegio y enforcement | Evidencia reproducible del rango |
| 354 | Server-side Anti-Cheat y diseño autoritativo | Invariants y sanity checks → Reconciliación y regression tests | Evidencia reproducible del rango |
| 355 | Telemetría para Game Security | Schema y versionado → Minimización y reproducibilidad | Evidencia reproducible del rango |
| 356 | Detección de aimbot y automatización por comportamiento | Datasets controlados → Trayectoria, disparo y cambio de target | Evidencia reproducible del rango |
| 357 | Estadística, anomalías y falsos positivos | Centro, dispersión y percentiles → Precision, recall y errores | Evidencia reproducible del rango |
| 358 | Machine Learning aplicado a Anti-Cheat | Features y normalización → Drift, adaptación y explainability | Evidencia reproducible del rango |
| 359 | Privacidad, gobernanza, sanciones y seguridad del propio Anti-Cheat | Minimización y transparencia → Proporcionalidad y auditabilidad | Evidencia reproducible del rango |
| 360 | Capstone: incidente completo de Game Security | Threat model y reproducción → RCA, mitigación, regresión e informe | Evidencia reproducible del rango |
Lee la explicación, interpreta el diagrama y ejecuta el laboratorio antes del reto. Conserva un cuaderno con comando, versión, semilla, evento, decisión y limitación. Todos los experimentos ofensivos se restringen al Game Security Range; los componentes invasivos se estudian arquitectónicamente y no se implementan.
Esta parte habilita dos salidas principales: Game Security / Anti-Cheat Engineer, que construye autoridad, telemetría y controles; y Game Integrity / Anti-Cheat Analyst, que investiga señales, falsos positivos y casos. Gameplay/backend, Data/ML, Trust & Safety, privacidad/legal y SOC/DFIR conservan responsabilidades distintas. El modelo operativo de Game Security documenta esas fronteras, los entregables y quién puede proponer, revisar o aplicar una sanción.
La separación importa: quien crea una detección no debe tratar automáticamente su salida como veredicto. Toda decisión necesita política aplicable, evidencia contextual, revisión proporcionada, trazabilidad y apelación.
Cada clase incluye objetivo, resultados verificables, temas, explicación causal, diagrama interpretado, definiciones, glosario, preparación, laboratorio, ejercicios, reto con aceptación, errores, FAQ y fuentes. La evidencia de bloque culmina en un paquete profesional: threat model, reglas del servidor, dataset documentado, evaluación de falsos positivos, ficha de privacidad y reporte de incidente.
Continúa con la ruta Game Security Engineer / Anti-Cheat Engineer o Game Integrity / Anti-Cheat Analyst, resuelve la autoevaluación, los retos CTF y presenta el capstone según el examen final por rol.