- 版权类型
- 原创
- 插件中文名称
- DeepGuard
- 插件英文名称
- DeepGuard
- 支持的核心（服务端）
- Spigot
- Paper
- Purpur
- 语言支持
- 中文（简体）
- 适配版本（Java）
- 26.x
- 1.21
简介
DeepGuard 是一款基于 1D-CNN 深度学习模型 的 Paper系列 服务器反作弊插件。它不依赖传统"硬阈值"规则，而是通过分析玩家视角旋转、放置方块、疾跑跳跃等行为序列，识别暴力 Scaffold 外挂的机械式行为模式。
AI 行为分析
- 基于 1D-CNN 神经网络，输入 12 通道 × 128 时间步（6.4 秒）行为序列
- 输出 正常概率 / 作弊概率，结果直观
- 单次推理 < 20ms，CPU 占用近乎为零，不卡服
自动巡检 + 举报系统
- 每隔 1 分钟 自动对所有在线玩家进行静默 AI 分析
- 管理员可用
/ac report <玩家>手动触发分析 - 可疑行为通知管理员，高度疑似自动处罚
智能累进处罚
- 5 分钟 内累计违规计数
- 前 3 次：踢出玩家（可重连）
- 第 4 次：自动封禁
- 每次处罚生成 唯一封禁码，可追溯
封禁码追溯
- 每次处罚自动保存被罚玩家 最近 30 秒行为数据
- OP 可通过
/ac lookup <封禁码>查看记录摘要 - 支持人工复核，拒绝"误判说不清"
安装要求
- 服务端：Paper 1.21.1（或兼容版本）
- Java：17+
- 模型文件：
scaffold_detector.onnx（训练脚本已提供，可自行训练） - 可选：NVIDIA 显卡（仅训练需要，推理纯 CPU 即可）
配置文件
# plugins/DeepGuard/config.yml
代码：
ai:
enabled: true
auto-punish-threshold: 0.85 # 作弊概率 ≥ 此值自动踢出/封禁
alert-threshold: 0.5 # 作弊概率 ≥ 此值通知管理员
analysis-seconds: 30 # 分析最近多少秒的数据
punish-command: "kick %player% §c[DeepGuard] 异常行为 [封禁码: %code%]"
ban-command: "ban %player% §c[DeepGuard] 多次违规 [封禁码: %code%]"命令
/ac report <玩家>AI 分析指定玩家最近 30 秒行为/ac lookup <封禁码>查看违规记录摘要/ac reload重载配置文件如何训练自己的模型
Github仓库提供了训练脚本，支持自定义数据集训练更精准的模型：python
# 1. 使用录制插件采集数据
# - /record normal 录制正常行为
# - /record cheat 录制作弊行为
# 2. 预处理数据
python prepare_data.py data/
# 3. 训练模型
python train_model.py
# 4. 将生成的 scaffold_detector.onnx 替换到服务器 plugins/DeepGuard/
数据越多，模型越准。
常见问题
Q：对服务器性能影响？
A： 推理采用 ONNX Runtime，纯 CPU 运算，单次推理 < 20ms。每 1 分钟一次自动巡检，TPS 影响可以忽略不计。Q：会误判嘛？
A： 可前往GitHub查看更详细的更新，我们每次都会尽可能减小误判。
项目架构
textDeepGuard/
├── anticheat-plugin/ # 反作弊插件
├── recorder-plugin/ # 数据录制插件
├── python/ # 训练脚本
│ ├── prepare_data.py # 数据预处理
│ ├── train_model.py # 训练 + 导出 ONNX
│ └── ...
└── models/ # 训练好的模型
