Amazon Game Tech Night #20 機械学習やエッジコンピューティングを利用してゲームのユーザ体験を向上する
•
1 like•708 views
2020/06/22に開催されたAmazon Game Tech Night #20のセッション資料です。
Recommended
Recommended
More Related Content
Similar to Amazon Game Tech Night #20 機械学習やエッジコンピューティングを利用してゲームのユーザ体験を向上する
Similar to Amazon Game Tech Night #20 機械学習やエッジコンピューティングを利用してゲームのユーザ体験を向上する (20)
More from Amazon Web Services Japan
More from Amazon Web Services Japan (20)
Amazon Game Tech Night #20 機械学習やエッジコンピューティングを利用してゲームのユーザ体験を向上する
- 2. 保⾥ 善太(ほり ぜんた) ソリューションアーキテクト • 所属 アマゾン ウェブ サービス ジャパン 株式会社 技術統括本部 ゲーム エンターテイメント ソリューション部 • お仕事 AWSをご利⽤のゲーム企業への技術⽀援をしています。今年からAPNと連 携してエンドユーザーへのゲーム⽀援を強化する活動を開始しました。 • 最近の関⼼事 ゲーム開発において、機械学習を⽤いたQAの⾃動化やチート検出などの 異常検知技術に関⼼があります。 ⾃⼰紹介 Jeff Barr⽒と(もちろん私は右の⼈です)
- 3. ユーザー体験 の向上
- 4. 分析によってヒットゲームを⽣み出すことはで きないが、ゲームを改善することはできる (by Supercell) “Analytics canʼt make a hit game - but can improve it” - Supercell
- 5. きちんと定められた課題は半ば解決されたもの と同等である。(チャールズ・ケタリング) “A problem well stated is a problem half solved.” - Charles Kettering
- 6. 本日ご紹介するセッションについて • AI Dungeon – 40万⼈のプレイヤーに対して5GBの機械学習モデルを提供する • (原題) AI Dungeon - Serving a 5GB ML model for 400K players • 疑わしい挙動を機械学習を⽤いた不正検出パイプラインで特定する • (原題) Identifying suspicious activity with machine learning powered abuse detection pipelines • 5Gネットワークを介して超低遅延のクラウドゲームストリーミングを配信する • (原題) Deliver ultra-low latency cloud game streaming over 5G networks https://aws.amazon.com/jp/gametech/events/digital-download-online/
- 7. 本日ご紹介するセッションについて • AI Dungeon – 40万⼈のプレイヤーに対して5GBの機械学習モデルを提供する • (原題) AI Dungeon - Serving a 5GB ML model for 400K players • 疑わしい挙動を機械学習を⽤いた不正検出パイプラインで特定する • (原題) Identifying suspicious activity with machine learning powered abuse detection pipelines • 5Gネットワークを介して超低遅延のクラウドゲームストリーミングを配信する • (原題) Deliver ultra-low latency cloud game streaming over 5G networks https://aws.amazon.com/jp/gametech/events/digital-download-online/ AI/ML関連 エッジコンピューティング
- 8. - AI Dungeon - 40万⼈のプレイヤーに対して5GBの機械学習モ デルを提供する (原題) AI Dungeon - Serving a 5GB ML model for 400K players
- 9. AI Dungeonって何だ？ • AIで作られたテキストベースのアドベンチャーゲーム • https://play.aidungeon.io/ • Google PlayやApp Storeでモバイル版もダウンロード 可能 (無料) • OpenAI によって作成された⾃然⾔語機械学習モデル のGPT-2を利⽤ • 最初はハッカソンのテーマとして作られた • プレイヤーはファンタジーやミステリーなどの５つの ジャンルからストーリーを選んで遊ぶことができる • 現在では40万のプレイヤーが遊ぶゲームまでに成⻑ • Alexaにて⾳声でもゲームを楽しめる
- 11. (補足) GPT-2 について • Transformerをベースとしたテキスト⽣成モデル • https://openai.com/blog/better-language-models/ • OpenAIが2019年2⽉に開発・発表 • 800万のWebページをデータセットとして教師なし学習でモデルを学習し、 15億のパラメータを持つ • OpenAI⾃⾝がGPT-2が⾮常に⾼度な⽂章を⽣成するために悪⽤されるリス クがあると判断し、開発した4つのモデルを⼀度に公開せず、段階的にリ リース • その威⼒を体験してみたい⽅はこちら • GitHubからダウンロード可能 • https://github.com/openai/gpt-2
- 12. (補足) GPT-2 デモ Once upon a time と⼊⼒すると… https://talktotransformer.com/ All work and no play makes Jack a dull boy と⼊⼒すると…
- 13. アーキテクチャー
- 21. (補足) Cortexについて • ⼀⾔で⾔うと、機械学習モデルをクラウドで簡単にデプロイできるオープン ソースツール • https://www.cortex.dev/ • 下記のGitHubからソースコードを参照できる • https://github.com/cortexlabs/cortex • AWSサービスを利⽤して機械学習モデルをマネージドでデプロイをしたいな らAmazon SageMakerがおすすめ • ⼀⽅でCortexは特定のクラウドに依存しない、クラウド横断的なデプロイが 可能
- 22. 疑わしい挙動を機械学習を⽤いた不正検出パイプ ラインで特定する (原題) Identifying suspicious activity with machine learning powered abuse detection pipelines
- 23. ゲームジャンル別のチートの種類 RTS (リアルタイムストラテジー) • Fog of War Removal (相⼿側 の部隊・地形等の情報を表⽰しな い「戦場の霧」機能の除去) FPS/TPS • Wallhack (壁越しにいる敵の可視化) • Aimbot (ゲーム中における銃の照準を⾃動 的に正確に合わせる機能) • Texture Modification (テクスチャの変更) モバイルゲーム • アイテムの不正取得 • スコアの改ざん MMORPG • Item Dumping (アイテムの不 当転売)
- 24. クライアント側でのチート検出の方法 正規のクライアントだけが送信できるMD5ハッシュ値などをサーバー に送る • 正規のクライアントしか正しいハッシュ値を送れないので、クライアン トを介さずに通信データを改ざんするとサーバ側で改ざんを検出できる • 典型的なチート対策であり簡易的な⼿法である ローカルメモリに保存する数値を暗号化する • ローカルメモリやディスクに保存するゲームデータをそのままの数値で はなく復号可能な暗号化を施して保存 • 排他的論理和(XOR)などを使って数値を加⼯して保存 • メモリが読み取られてもすぐには該当パラメータがわからない
- 25. サーバー側でのチート検出の方法 ルールベースによる独断的な検出 • IF X > Y then Playerはチートをしている • パッチの適⽤やゲームシナリオの変更などでパラメータが変わった際に動的に対応で きない • ⼤量のエンジニアリソースを導⼊してその都度ルールを変更して⾏く⼿間がかかる 教師なし学習による異常検出 (統計的⼿法) • プレイヤーの特定のパラメータや⾏動に対して表⾯化した統計的な外れ値を検出 • すでにチートとわかっているデータから直接的に改善するわけではない • あくまで統計的な結果であり、チートの因果関係を推論するものではない 教師あり学習による異常検出 • ⼈間が過去に経験したチートデータを元にしてラベリングを⾏い、学習することでモ デルを⽣成する • 経験則からの学習なのでチートの因果関係に基づいている
- 26. サーバー側でのチート検出の方法 ルールベースによる独断的な検出 • IF X > Y then Playerはチートをしている • パッチの適⽤やゲームシナリオの変更などでパラメータが変わった際に動的に対応で きない • ⼤量のエンジニアリソースを導⼊してその都度ルールを変更して⾏く⼿間がかかる 教師なし学習による異常検出 (統計的⼿法) • プレイヤーの特定のパラメータや⾏動に対して表⾯化した統計的な外れ値を検出 • すでにチートとわかっているデータから直接的に改善するわけではない • あくまで統計的な結果であり、チートの因果関係を推論するものではない 教師あり学習による異常検出 • ⼈間が過去に経験したチートデータを元にしてラベリングを⾏い、学習することでモ デルを⽣成する • 経験則からの学習なのでチートの因果関係に基づいている
- 33. 学習プロセスの詳細 学習 Training ⼤量の⽣ データ 学習 アルゴ リズム 機械 学習 モデル 特徴抽出 [ec2-user@ip-172-31-3-37 ~]$ ls /tmp/playlog/ 0_playlog.json 2_playlog.json 4_playlog.json 6_playlog.json 1_playlog.json 3_playlog.json 5_playlog.json Game Serverのプレイヤーの⾏動ログ (⽣データ) [ec2-user@ip-172-31-3-37 ~]$ tail -n 1 /tmp/playlog/0_playlog.json { "posoldz": 0, "idx": 30726008, "createdate": "2018-03-10 04:50:50.000000", "pidx": 999410, "posnewz": 0, "posoldx": 1021, "posoldy": 851, "posnewy": 849, "posnewx": 1024, "action": 1 }
- 34. 学習プロセスの詳細 学習 Training ⼤量の⽣ データ 学習 アルゴ リズム 機械 学習 モデル 特徴抽出 posnewx posnewy posnewz pidx createdate 542 824 0 8672 2018-10-12 05:53:59.318075 668 245 0 13233 2018-10-12 05:48:44.748598 posoldx posoldy posoldz action idx 541 828 0 0 30725885 666 240 0 0 30721726 posnew : プレイヤーの新しいx, y座標 / posold : プレイヤーの以前のx, y座標 /pidx : プレイヤー のユーザーインデックス(uidx) / action : プレイヤーのアクションコード / idx : ログエントリーの シーケンシャル番号 / createdate : ログの⽣成タイムスタンプ
- 35. 学習プロセスの詳細 学習 Training ⼤量の⽣ データ 学習 アルゴ リズム 機械 学習 モデル 特徴抽出 ランダムカットフォレストによる異常検知学習アルゴリズムの例 • ランダムカットフォレスト (RCF) はデータセット内の異常なデータポイントを検出する教師なし機械学 習のアルゴリズム • RCF は任意の次元⼊⼒で機能するように設計されている • 各データポイントに対して異常スコアを割り当てる • 異常スコアの値が低ければデータポイントが「通常」であることを意味し、スコアの値が⾼ければ異常が あることを意味する • 異常であるか否かの境界(閾値)は異常スコアの平均値と標準偏差(σ)を算出し、3σ以上のデータを異常と みなすことが多い • 下記のサンプルを利⽤すれば次元に関係なく様々な時系列異常検知に応⽤できる https://github.com/awslabs/amazon-sagemaker- examples/blob/master/introduction_to_amazon_algorithms/random_cut_forest/random_cut_forest.ipynb
- 38. Part1 学習パイプラインの作成 Amazon EC2 Game Servers Amazon S3 AWS Glue Amazon S3 EC2 Training Cluster SageMaker Notebook Amazon SageMaker Model 学習 Training ⼤量の⽣ データ 学習 アルゴ リズム 機械 学習 モデル 特徴抽出
- 39. Part2 推論パイプラインの作成 Amazon EC2 Game Servers Amazon S3 AWS Glue Amazon S3 推論 Prediction 機械 学習 モデル 特徴抽出 ⼊⼒ データ 予測 判断 結果 AWS Lambda Amazon Augmented AI Amazon SageMaker Endpoint Users 予測結 果に基 づいて 対処
- 40. 5Gネットワークを介して超低遅延のクラウド ゲームストリーミングを配信する (原題) Deliver ultra-low latency cloud game streaming over 5G networks
- 43. エンドツーエンドのネットワーク往復時間 RTT latency = ~100s mS 注) USの全ユーザー人口のパーセンタイル統計でp90 latency の値を表す Transit/Peering point AWS Region Internet CSP Network
- 44. 5G networkのエッジコンピューティング 往復時間 RTT latency = ~10 mS 注) USの全ユーザー人口のパーセンタイル統計でp90 latency の値を表す Transit/Peering point AWS Region Internet CSP Network
- 45. 5G networkのエッジコンピューティング Latency jitterも減少 する Transit/Peering point AWS Region Internet CSP Network
- 46. 防犯画像などを常時クラウドに転送する事例 複数の常時監 視ビデオのス トリーミング 圧縮済み動画 情報 (BW savings) Transit/Peering point AWS Region Internet CSP Network
- 47. Wavelength Zoneとは何か？ (現在リリース準備中) AWSのデータセンタ にあるものと同等に 設計されたインフラ ストラクチャ 完全マネージドで監視 や運用もAWSによって 行われる 同じAPIやコンソー ルから操作できる単 一画面からの管理を 提供 通信サービスプロバ イダの5Gネットワー クに完全統合 5G ネットワークのエッジにある電気通信事業者のデータセンター内に AWS のコンピューティングサービスと ストレージサービスを組み込んだ AWS のインフラストラクチャ https://aws.amazon.com/jp/wavelength/faqs/
- 49. RegionRegionRegion VPC VPC VPC AZ (補足) Outposts / Local Zones / Wavelength AWS Cloud AZ AZ AZ AZ AZ AZ Corporate data center AWS Outposts お客様のデータセンタ AWS data center AWS Local Zones AWSのデータセンタ Corporate office お客様オフィス CSP data center AWS Wavelength 5G通信事業者のデータセンタ
- 50. まとめ • GPT-2というテキスト⾃動⽣成のAIモデルを使ったインゲームでのユー ザー体験向上事例を紹介 • 機械学習を使ったチートの検出の⽅法とそのパイプラインの構築の⼀例を 紹介 • AWSのエッジコンピューティング技術を使ってクラウドゲーミングなどの ゲーム配信における遅延を向上させる技術を紹介 • ユーザー体験の向上はクリエイター達によるアイディアやクリエイティブ で改善できる要素も⼤きいが、今回紹介したようにエンジニア主導による 技術で改善できる部分もある
- 51. ありがとうございました!