KI-Cheats und Aimbots: wie Spiele sie erkennen

Lange funktionierten Cheats für Shooter nach demselben Prinzip: Ein Programm liest aus dem Arbeitsspeicher, wo die Gegner stehen, und lenkt das Fadenkreuz dorthin oder zeigt sie durch Wände an. Anti-Cheat-Software sucht genau nach solchen Zugriffen. Eine neuere Art von Aimbots braucht den Speicher nicht mehr. Sie wertet das Bild aus, das du auch auf dem Monitor siehst, und erkennt die Gegner darin mit Methoden der künstlichen Intelligenz. Hersteller und Forschung suchen deshalb nach anderen Spuren.

Was ein visueller Aimbot ist

Ein visueller Aimbot nutzt ein Modell zur Bilderkennung, das auf Bildschirmaufnahmen des Spielers Gegner findet ^[5]. Die Forschungsgruppen hinter zwei aktuellen Arbeiten beschreiben genau diesen Punkt als Problem: Weil der Aimbot nur mit dem gerenderten Bild arbeitet und nicht mit dem Speicher des Spiels, entgeht er den bisherigen Schutzmaßnahmen ^{[5, 6]}. In der Forschung werden für die Erkennung von Gegnern im Bild gängige Modelle zur Objekterkennung eingesetzt, die Arbeitsgruppe hinter dem Verfahren PATCH etwa testete mehrere Varianten des verbreiteten Modells YOLO ^[5].

Für die Erkennung ist eine Einteilung von Activision hilfreich. Der Hersteller sucht nach drei Dingen: Versuchen, das Spiel zu verändern, Informationen sichtbar zu machen, die ein Spieler nicht kennen dürfte, und automatischen Aktionen mit übermenschlicher Geschwindigkeit oder Genauigkeit ^[3]. Ein visueller Aimbot fällt in die dritte Gruppe. Er verändert nichts am Spiel, zielt aber schneller und genauer als ein Mensch.

Activision beschreibt die Lage aus Herstellersicht ähnlich wie die Forschung. Kerneltreiber hätten die Reichweite von Anti-Cheat vergrößert, Cheat-Anbieter böten aber inzwischen Cheats an, die über den Kern hinausgehen und spezielle Hardware nutzen, die nur für Angriffe auf Spiele gebaut ist ^[1]. Wie weit Kernel-Anti-Cheat reicht und wo seine Grenzen liegen, erklärt die Seite Kernel-Anti-Cheat.

Warum Verhalten der beste Hinweis ist

Was ein Cheat auf dem Rechner tut, kann er verstecken. Wie der Spieler spielt, kann er nicht verstecken. Activision formuliert es so: Cheat-Entwickler können das Verhalten der Spieler nicht verbergen, und wie Menschen spielen, liefert Informationen, aus denen sich Erkennungswerkzeuge bauen lassen ^[1]. Ein Aimbot, der zu schnell und zu genau trifft, hinterlässt Spuren in den Daten, auch wenn auf dem Rechner kein verdächtiges Programm läuft.

Ein frühes Beispiel ist VACnet von Valve. Auf der Game Developers Conference 2018 stellte Valve-Entwickler John McDonald vor, wie das Unternehmen Deep Learning gegen Cheats in Counter-Strike: Global Offensive einsetzt ^[4]. Der Vortrag sollte das System vollständig zeigen, von der Serverarchitektur bis zu den Merkmalen, die in das Modell einfließen ^[4]. Nach der Ankündigung erkennt das Verfahren Cheating ohne Messprogramme auf dem Rechner des Spielers, was es robust gegen Angriffe durch Cheater macht. Durch regelmäßiges Neutrainieren lernt das Netz neue Cheat-Muster innerhalb von Stunden nach ihrem Auftauchen, bestimmte Arten von Cheats sollen um den Faktor hundert zurückgegangen sein ^[4].

Wie Call of Duty mit Lernverfahren arbeitet

Activision hat öffentlich beschrieben, wie RICOCHET, das Anti-Cheat-System von Call of Duty, maschinelles Lernen nutzt. Die Modelle untersuchen Daten vom Rechner und vom Server auf neue Cheat-Muster, schicken auffälligen Konten zusätzliche Prüfungen und sammeln Problemkonten für die Bearbeitung ^[2]. Zum Start von Black Ops 6 kamen nach Herstellerangaben neue Verhaltensmodelle hinzu, die vor allem schneller erkennen sollen, und eigene Lernmodelle, die den Spielverlauf auf Aimbots untersuchen ^[1].

Ein Teil der Arbeit läuft über Spielaufzeichnungen. Activision hat ein Werkzeug gebaut, das Daten einer Partie intern in ein Video umwandelt, damit das Team Spiele auf verdächtiges Verhalten prüfen kann ^[2]. Ein Mitarbeiter schafft nach Herstellerangaben etwa 700 Clips am Tag. Ein trainiertes Modell, das Wallhacks und andere Auffälligkeiten markiert und dem Team vorlegt, kommt auf einem einzigen Rechner auf bis zu 1.000 Clips am Tag, mehrere Rechner entsprechend auf mehr ^[2].

Diese Trennung hat Activision ausdrücklich festgehalten ^[2]. Auch AimTrap, eines der Forschungsverfahren weiter unten, wird ausdrücklich an seiner niedrigen Rate von Fehlalarmen gemessen ^[6].

Wie schnell die Erkennung greift

Activision misst seit Black Ops 6, wie lange ein Cheater spielen kann, bevor er entfernt wird, und nennt das "Time to Action". Ziel ist, Cheater innerhalb einer Stunde nach ihrer ersten Partie zu entfernen ^[1]. In der Beta konnten Cheater am ersten Wochenende noch rund zehn Partien spielen, am zweiten nach Anpassungen etwa fünf. 25 Prozent der Sperren am zweiten Wochenende fielen in die allererste Partie des Cheaters, und über 12.000 bestätigte Cheat-Konten wurden gestoppt, bevor sie ein Spiel betreten konnten ^[1].

Nicht jeder erkannte Cheater wird sofort entfernt. Manchmal lässt Activision ihn mit Einschränkungen im Spiel, um möglichst viel über Konto und Rechner zu erfahren, die Maßnahmen tragen Namen wie Cloaking oder Damage Shield ^[2]. Laut Hersteller greifen sie nur bei bestätigten Cheatern und lassen sich nicht durch Meldungen anderer Spieler auslösen ^[2]. Die so gesammelten Daten fließen wiederum in die Erkennung ein, denn RICOCHET dient nach der Durchsetzungsrichtlinie auch der Datensammlung für maschinelles Lernen ^[3].

Hardware prüfen

Wenn Cheats auf zusätzlicher Hardware laufen, prüfen Hersteller auch die Geräte. Activision nennt in seiner Durchsetzungsrichtlinie ausdrücklich die Prüfung, ob Hardware manipuliert wurde, und listet Erkennungen für Hardware von Drittanbietern als eines seiner Werkzeuge ^{[3, 1]}. Ein Teil dieser Hardware greift über direkten Speicherzugriff (DMA) auf den Arbeitsspeicher zu. Geräte mit dieser Fähigkeit können Speicher lesen und beschreiben, ohne dass der Prozessor beteiligt ist ^[7].

Windows kann solche Zugriffe über die IOMMU einschränken. Mit dem Kernel-DMA-Schutz blockiert Windows Peripheriegeräte, deren Treiber keine Speicherisolierung unterstützen, bis sich ein berechtigter Nutzer anmeldet ^[7]. Riot verlangt die IOMMU deshalb unter anderem als Voraussetzung, wenn Vanguard nur bei Bedarf statt dauerhaft laufen soll ^[8]. Gegen einen Aimbot, der nur ein Bild auswertet, hilft dieser Schutz allerdings nicht. Dort bleibt wieder das Verhalten als Spur.

Köder im Bild: neue Ideen aus der Forschung

Weil visuelle Aimbots auf ein Erkennungsmodell angewiesen sind, setzen mehrere Forschungsgruppen genau dort an. Die Idee: Das Spiel zeigt Muster, die für Menschen unauffällig sind, ein Erkennungsmodell aber gezielt täuschen.

• PATCH: Eine Arbeitsgruppe um Salman Shaikh stellte im Juni 2026 ein Verfahren vor, das solche Muster als Köder ins Spiel einbaut. Reagiert der Aimbot darauf, ist er erkannt, oder das Spiel wird für ihn durch viele Köder unspielbar. In einem eigenen Testspiel erkannte das Verfahren in über 90 Prozent der Fälle, wenn das Erkennungsmodell bekannt war. Bei fremden Modellen lag die Übertragbarkeit mit größeren Mustern bei 60 bis 90 Prozent. Zusätzlich prüften die Forscher das Verfahren in Fortnite ^[5].
• AimTrap: Ebenfalls im Juni 2026 erschien ein Ansatz mit zwei Arten von Oberflächen. Die eine soll echte Spieler vor dem Aimbot verbergen, die andere lockt ihn auf falsche Ziele und liefert so Belege. In Tests gegen einen visuellen Aimbot gelang das Verbergen in 85,1 Prozent und das Anlocken in 96,9 Prozent der Fälle, bei sehr wenigen Fehlalarmen ^[6].
• BotScreen: Bereits 2023 stellten Forschende des KAIST auf dem USENIX Security Symposium ein Verfahren vor, das Aimbots in Counter-Strike: Global Offensive mit einem Deep-Learning-Modell am ungewöhnlichen Verhalten erkennt und die Prüfung auf die Rechner der Spieler verteilt, um die Server zu entlasten. Die Arbeit erhielt eine Auszeichnung als herausragender Beitrag, Werkzeug und Datensatz haben die Autoren veröffentlicht ^[9].

Die PATCH-Arbeit ist eine Vorabveröffentlichung auf arXiv. Die AimTrap-Arbeit ist laut arXiv-Eintrag für die ACM CCS 2026 angenommen. Ob und wann Spielehersteller solche Verfahren übernehmen, ist offen.

Was du als Spieler daraus mitnehmen kannst

Für ehrliche Spieler heißt das: Ein Teil der Erkennung findet auf den Servern der Hersteller statt, in der Auswertung des Spielverhaltens ^{[1, 2]}. Sperren können also auch auf statistischen Auffälligkeiten beruhen. Bei Call of Duty prüfen deshalb Menschen die Hinweise der Modelle, bevor gesperrt wird ^[2]. Wenn du glaubst, zu Unrecht gesperrt worden zu sein, nutze den Einspruchsweg des Anbieters. Bei Call of Duty ist das nur für dauerhafte Kontosperren möglich, Hardwaresperren lassen sich dort nicht anfechten ^[3]. Wie das abläuft, steht auf der Seite Bann nach Cheaten.

Wer im Mehrspieler gegen einen vermuteten Aimbot verliert, meldet die Runde über die Funktion im Spiel. Tipps dazu stehen unter Fair Play im Multiplayer. Wie die verschiedenen Schutzprogramme insgesamt arbeiten, erklärt Anti-Cheat-Systeme, und wie Cheats technisch grundsätzlich funktionieren, steht unter Wie Cheats technisch funktionieren. Wenn dich der Wettlauf zwischen Maschine und Mensch auch in anderen Spielen interessiert: Wie Computer im Schach spielen, kannst du auf schach.domain-root.de selbst ausprobieren.

1. Organisation RICOCHET Anti-Cheat Progress Report: Black Ops 6 Launch. Activision, Team RICOCHET. Stand 18.10.2024. abgerufen am 29.10.2026
2. Organisation RICOCHET Anti-Cheat Progress Report: Launch Readiness, Machine Learning and New Features. Activision, Call of Duty Staff. Stand 09.11.2023. abgerufen am 29.10.2026
3. Organisation Call of Duty Security and Enforcement Policy. Activision. Stand laufend. abgerufen am 29.10.2026
4. Organisation At GDC 2018, see how Valve uses deep learning to fight cheating in CS:GO! (Ankündigung des Vortrags "Robocalypse Now" von John McDonald). Game Developers Conference, Informa. Stand 29.01.2018. abgerufen am 29.10.2026
5. Studie Shaikh, S.; Ni, T.; Dacier, M.: Detecting Aimbot Cheaters in MOGs (arXiv 2606.07650, Vorabveröffentlichung). arXiv. Stand 02.06.2026. abgerufen am 29.10.2026
6. Studie Wang, J.; Zhang, C.; Jiang, Y.; Ahmad, A.; Guo, S.: Shoot the Honey, Cloak the Player: Towards Zero-Runtime-Overhead Proactive Defense and Detection for Visual Game Cheating (arXiv 2606.25734, angenommen für ACM CCS 2026). arXiv. Stand 24.06.2026. abgerufen am 29.10.2026
7. Organisation Kernel DMA Protection. Microsoft Learn. Stand 15.08.2025. abgerufen am 29.10.2026
8. Organisation Vanguard Pre-Check. Riot Games Support. Stand 24.06.2026. abgerufen am 29.10.2026
9. Studie Choi, M.; Ko, G.; Cha, S. K.: BotScreen: Trust Everybody, but Cut the Aimbots Yourself. 32nd USENIX Security Symposium, S. 481 bis 498. USENIX Association. Stand 08.2023. abgerufen am 29.10.2026

Zuletzt geprüft am 29.10.2026, nächste Prüfung spätestens im Oktober 2027. Fehler entdeckt? Schreib uns.