由於遊戲機器人偵測上的困難，許多年來眾多研究人員試著要解決這個問題。
他們觀察到了遊戲機器人有與一般玩家不同之處，利用一些統計方法或是資料探 勘技術來針對這些有所差異的地方，提出各種遊戲機器人自動偵測方法。本章將 針對自動偵測遊戲機器人過往的相關研究，以及本研究所利用的序列探勘技術進 行探討。第一節為遊戲機器人自動偵測相關研究探討，第二節為資料探勘應用於 遊戲機器人偵測方法，第三節序列探勘的相關研究。
第一節 遊戲機器人自動偵測相關研究探討
Chen 等人[7]提出了幾個針對流量分析的方法，他們觀察到遊戲機器人的在 回應指令的時間上有明顯的固定間隔，認為可能是因為遊戲機器人在執行過程中 的迭代(Iteration) 時間固定所導致的，他們計算這些回應時間間隔的功率譜密度 (Power Spectral Density) 嘗試來辨別遊戲機器人。但他們覺得這樣的方法不足以 準確地偵測出遊戲機器人，因此又針對流量突發程度(Traffic Burstiness) 提出了 一個方法，利用計數分散指數(Index of Dispersion for Counts) 來觀察一段時間內 流量離散程度的變化。最後考慮到網路延遲的影響，又檢測網路延遲與流量變化 的相關性。Mitterhofer 等人[6]觀察到遊戲機器人會不斷照著同樣的路徑移動，因 此針對依照固定移動路徑的遊戲機器人，提出了一個移動路徑檢測方法。此方法 透過最長共同前綴(Longest Common Prefix) 檢測每個移動指令的可匹配最長字 串，觀察移動位置的重複程度，來找出不斷重複經過一個路徑的遊戲機器人。
Varvello 等人[9]發現遊戲機器人的社交網絡與一般玩家有所不同，因此利用社群 網絡分析技術中的三種衡量值，中介中心性(Betweenness Centrality)、群聚度 (clustering coefficient)以及程度中心性(Degree centrality)來找出差異之處，並藉此 偵測遊戲機器人。Platzer[8]認為遊戲機器人在執行一個任務的過程只會依照一個 固定的腳本，因此在執行同一個任務的行為序列會是一致的。他針對此特性提出
使用編輯距離(Levensthein Distances)來檢測遊戲行為紀錄中完成單一任務之行 為序列是否一致的偵測方法。
這些偵測方法都有其不足的地方，例如流量分析可能因為遊戲機器人在行動 加入隨機延遲使其規律的特性改變而降低準確度。移動路徑分析則不適用有特殊 移動方式，甚至不移動的遊戲機器人。而社群網絡分析若針對完全不與人互動，
或是同時親自玩遊戲以及使用遊戲機器人的玩家會不夠精準。編輯距離若是序列 會夾雜些許差異便會產生誤判，此外需先找出遊戲行為紀錄中那些段落屬於同一 任務，因此適用的範圍不大。
第二節 資料探勘應用於遊戲機器人偵測方法
Cornelissen 與 Grootjen[2]認為遊戲機器人動作的時間間隔會相當規律，此處 與一般玩家有所差異，因此挑出了 7 個行為間的時間間隔，如兩次移動的間隔時 間、兩個封包到達的間隔時間等做為訓練資料，將這些訓練資料以及正確結果輸 入倒傳導類神經網路(Back Propagation Neural Network)，藉此訓練一能自動辨別 遊戲機器人的偵測系統。除了前兩位學者之外，Gianvecchio 等人[4]也使用了類 神經網路(Neural Network)來自動辨識遊戲機器人。他們也認為遊戲機器人的動 作間隔時間有其規律性存在，而選擇了滑鼠及鍵盤的動作，例如連點、長按…等 動作做為訓練資料來訓練偵測系統。除了類神經網路外，也有使用其他資料探勘 方法的研究。Kang 等人[10]認為遊戲機器人的團隊遊戲行為會較一般玩家顯著不 同，遊戲機器人的團隊會有明顯分工，而玩家則無明顯分工。因此嘗試利用異常 值偵測(Outlier Detection) 從大量的團隊互動行為紀錄中找出異常值，並將此異 常值視為遊戲機器人來進行偵測。Thawonmas 等人[11]為了能準確偵測遊戲機器 人，而挑選了幾個機器人無法避免的動作，如使用倉庫、與 NPC 交易…等，再 利用遊戲機器人動作頻率與玩家不同的特性，挑選出其中符合門檻的動作頻率訓
練支援向量機進行偵測。
這些偵測方法的缺點主要是使用的資料都有不夠周全的地方，利用動作的時 間間隔容易因遊戲機器人在動作時加入隨機延遲而受到影響。團隊活動的異常值 分析對不進行團隊活動、只單獨行動的遊戲機器人無用。利用特定動作的頻率進 行偵測的話，在行動種類多的情況下，其遊戲機器人與一般玩家的動作頻率會產 生大幅重疊的部分而影響結果。本研究提出的序列探勘方法，由於並非針對執行 動作間隔時間的規律性，因此不會受到隨機延遲的影響。利用序列探勘挖掘出遊 戲紀錄中所有足以作為特徵的序列組合，因此在行為序列有些微差異時仍能找出 其中相同的特徵。由於利用的是行為的序列，其頻率不容易受到外在條件不同而 改變。此外本研究利用完整遊戲行為紀錄而不使用特定的動作進行偵測，代表偵 測系統的泛用性上會有較好的表現。
第三節 序列探勘相關研究
根據以前的研究指出，遊戲機器人的行為序列會較一般玩家規律，因此本研 究選擇利用序列探勘來找出兩者的特徵差異。序列探勘(Sequence Mining)是由提 出 Agrawal 與 Srikant [12]兩人提出的一個資料探勘技術，是從有時間性的一連串 事件中，找出事件發生的前後順序關係的分析方法。兩位學者提出了以 Apriori 演算法為基礎，將其修改成用於序列探勘的 AprioriAll 演算法。該演算法會先從 資料庫找出所有視窗長度為 1 的頻繁序列樣式，再以這些頻繁序列樣式來組合出 長度加 1 的候選序列，並再次掃描資料庫找出候選序列中的頻繁序列樣式，並繼 續組合與掃描直到沒有候選序列為止。由於 AprioriAll 演算法效率不佳，Srikant 與 Agrawal [13]又提出了 GSP 演算法(Generalized Sequential Pattern)，利用滑動時 間視窗(Sliding time window)提升產生候選序列時的效率。Lin 與 Lee [14]提出了 FASTUP 演算法 (Fast Sequential Pattern Update)，為了避免資料庫更新資料後，
需重新探勘(re-mining)整個資料庫的問題，先探勘新增資料庫(Increment Database) 後將頻繁樣式與支持度計數(Support Count)加入原始資料庫，最後再更新原本的 探勘結果。Garofalakis 等人[15]提出了 SPIRIT 演算法(Sequential Pattern Mining with Regular Expression Constraints)，SPIRIT 演算法可由使用者輸入正規表示式，
來從資料庫挖掘出符合使用者需求的頻繁樣式。Han 與 Pei [16]提出了 FreeSpan 演算法(Frequent Pattern-Projected Sequential Pattern Mining)，該演算法利用投射 資料庫(Projected Database)來縮小資料庫，利用投射序列樣式(Projected Sequential Pattern)來組合候選序列，藉此提高效率。之後 Pei 與 Han [17]又提出了 PrefixSpan 演算法(Prefix-projected Sequential Pattern Mining)，改善 FreeSpan 演算在在產生 投射資料庫上的缺點，會投射出每個樣式的後序序列(Postfix Sequence)資料庫，
這些樣式被稱為前序序列(Prefix Sequence)。Zaki [18]提出 SPADE (Sequential Pattern Discovery using Equivalence Classes)演算法，主要以垂直資料庫(Vertical Databases)的 ID-list 儲存頻繁樣式序列，取代 AprioriAll 的水平資料庫(Horizontal Databases)，並利用晶格(lattice)來拆解資料庫，讓探勘得以在記憶體中執行，擁 有更好的效能。Ayres 等人[19]提出 SPAM 演算法(Sequential Pattern Mining)，此 演算法利用位元圖表示法(Bitmap Representation)大幅提高產生候選序列的速度，
但會產生出過多不可能成為頻繁樣式的候選序列，降低了整體效率。Yan 等人[20]
提出了 CloSpan 演算法(Closed Sequential Pattern Mining)以及封閉序列樣式 (Closed Sequential Pattern)，以 PrefixSpan 為基礎，利用反向子樣式(Backward Sub-pattern) 與 反 向 超 樣 式 (Backward Super-pattern) 進 行 搜 尋 空 間 修 剪 (Search Space Pruning)減少重複的序列樣式，來找出資料中的封閉序列樣式。本研究使 用 SPADE 演算法來實作序列探勘的步驟，SPADE 演算法利用垂直資料庫可快速 找出頻繁樣式，且探勘過程都在記憶體中執行，擁有相當好的效率。