传统反作弊的防御模型建立在三个假设上：
| 假设 | 传统外挂 | AI 视觉外挂 |
|---|---|---|
| 外挂需要修改游戏进程 | ✅ 注入 DLL / 读写内存 | ❌ 不碰游戏进程 |
| 外挂留下可检测痕迹 | ✅ 文件签名 / 行为特征 | ❌ OBS 是合法白名单软件 |
| 防御在操作系统的管辖范围内 | ✅ 用户态 + 内核态 | ❌ OBS 采集画面是天经地义的功能 |
AI 视觉外挂（OBS + YOLO + 鼠标模拟）完全落在传统反作弊的检测锥之外。 它不注入、不读内存、不改文件。它只是——看着屏幕，然后挪鼠标。
2026 年 4-5 月《三角洲行动》的数据：
这不是三角洲一家的问题。 每一个 FPS 游戏都有屏幕，每一个屏幕都可以被采集，每一个采集画面都可以喂给 AI。这只是第一个爆发的。
任何一个有下列特征的 FPS 游戏开发商：
最迫切的客户：
不在检测环节和外挂对抗。在信息源头做手脚。
传统反作弊：找外挂 → 封号（事后，被动）
我们的方案：让 AI 看不见人（事前，主动）
┌───────────────────┐
服务器下发 seed ───→ │ Generator (2MB) │ ───→ 对抗纹理
│ 运行在 GPU 上 │ 应用于角色模型
│ 推理 < 1ms │
└───────────────────┘
OBS 采集画面 → AI 检测器 → 特征图全噪声 → 置信度 0.02 → "没有人"
↑
CNN 的结构性频率偏好被利用
换什么检测模型都逃不掉
四层攻击保证跨模型迁移性：
| 层级 | 攻击目标 | 对什么有效 |
|---|---|---|
| ① 输出层攻击 | 让检测置信度归零 | 已知模型 |
| ② 集成训练 | 多模型联合梯度上升 | 主流模型家族 |
| ③ 特征层攻击 | 让中间特征图熵最大化 | 所有 CNN 架构 |
| ④ 频域攻击 | 在 DCT 中高频带注入噪声 | 所有基于卷积的视觉模型 |
为什么频域层是终极保证：
CNN 检测物体依赖纹理信息（中高频）。人类依赖轮廓和颜色（低频）。在纹理频带注入扰动 = CNN 瞎了，人眼无感。这是卷积运算的数学同构性决定的——换什么架构都逃不掉，因为第一层永远是卷积。
手工 50 套纹理 → 外挂作者收集样本 → 重新训练模型 → 适应了
vs
64-bit 种子空间 → 2^64 种纹理 → 每局不同 → 外挂作者永远追不上
博弈分析：
| 防御方（你） | 攻击方（外挂作者） | |
|---|---|---|
| 操作 | 换一个 seed | 收集样本 → 标注 → 训练 → 分发 |
| 耗时 | 0（直接取随机数） | 几小时~几天 |
| 成本 | 零 | 高 |
| 频率 | 每局一次 | 追不上 |
| 可扩展性 | 种子空间 2^64 | 有限 GPU 算力 |
结构矛盾： CNN 想 “泛化对抗所有纹理” = CNN 必须学会忽略纹理 = CNN 自毁（它本来靠纹理识别物体）。
军备竞赛通常对防御方不利——因为攻击方只需要找到一个漏洞，防御方需要堵住所有漏洞。但这一次不一样：
我们在利用 CNN 的数学性质，不是利用已知模型的工程弱点。 频域对抗扰动的有效性来自卷积运算的结构偏好——这是计算层面的，不是模型设计层面的。外挂作者要绕过，不是在换模型架构，是在推翻卷积运算本身。
| 组件 | 形态 | 大小 | 说明 |
|---|---|---|---|
| 对抗纹理生成器 | ONNX 模型 | 2-5 MB | 随游戏客户端分发 |
| UE5 插件 | C++ Plugin | ~5 MB | 一键导入，接管角色纹理 |
| Unity 插件 | C# Package | ~3 MB | 同上 |
| 服务端 SDK | Python/C++ 库 | ~100 KB | Seed 管理 + 下发 |
| 训练工具 | Python 脚本 | - | 供游戏方自定义模型 |
| 技术文档 | - | 集成指南 + API 文档 |
Step 1: 将 generator.onnx 放入游戏资源目录 （5 分钟）
Step 2: 在 GameMode::BeginMatch() 里加一行 GetSeed() （1 行代码）
Step 3: 在 CharacterMaterial 里挂上 AntiVisionComponent （编辑器操作）
Step 4: 服务端每局下发 seed 字段 （1 行代码）
集成周期：1 天（不含测试）。 不需要改渲染管线，不需要改角色模型，不需要改服务器架构。
| 威胁 | 防御 |
|---|---|
| OBS / 录屏 AI 视觉挂 | ✅ 能防 |
| 双机采集 AI 视觉挂 | ✅ 能防（采集卡也拿不到干净的纹理） |
| 代码注入到白名单软件的视觉挂 | ✅ 能防 |
| 使用任意未知 CNN 模型的视觉挂 | ✅ 高概率有效（频域攻击跨架构迁移） |
| 威胁 | 说明 |
|---|---|
| DMA 硬件内存读取 | 不经过画面，直接从 PCIe 读物理内存 |
| 外部软件内存读取 | RPM / 内核驱动读 |
| 内部 DLL 注入读内存 | 需要传统反作弊对抗 |
| 用相机物理拍摄屏幕 | 极罕见，效率太低 |
| 外挂方的反击手段 | 我们的应对 | 效果 |
|---|---|---|
| 重新训练模型适应纹理 | 每局新 seed，他的训练周期 > 你的更新周期 | ✅ 稳赢 |
| 换 ViT/Transformer 架构 | Transformer 的 patch embedding 同样受频域扰动影响 | ✅ 高概率有效 |
| 收集大量样本，训练跨种子泛化 | CNN 学会忽略纹理 = CNN 失明，自毁矛盾 | ✅ 理论保证 |
| 转向 DMA 内存读取 | 不在本方案范围内，需配合内存保护方案 | ❌ |
| 降低采集分辨率 | 降采样扩散高频扰动到更大区域，同样失效 | ✅ |
出口标准： 对抗纹理使 5 种主流检测器置信度 < 0.1，同时 10 人测试中无人发现画面异常。
出口标准： 随机 1000 个种子各生成纹理，对 5 种检测器平均置信度 < 0.1。
出口标准： 在 UE5 Lyra Starter Game 中集成，OBS + YOLO 检测失效。
请审阅并回答以下问题，我们确定方向后进入开发：