siels

Desenvolvimento de um Bot para Brawlhalla: Manipulação de Memória, Kernel e Automação de Inputs Introdução: Estou tentando desenvolver um bot para o Brawlhalla que possa simular ações avançadas como esquivas rápidas, ataques precisos e decisões inteligentes baseadas na situação do jogo. Inicialmente, optei por usar técnicas como Python e C++ para automação de teclado e controle de entrada, mas percebi que isso não seria suficiente para lidar com as restrições do anti-cheat (EAC) e a latência do servidor. A ideia inicial era manipular diretamente a memória do jogo e injetar inputs de teclado e mouse para controlar o bot. No entanto, depois de alguns testes e análise da estrutura do jogo, percebi que seria necessário adotar técnicas de kernel-level programming para contornar o EAC e melhorar a performance, especialmente em termos de latência. 1. A Necessidade de Kernel-Level Programming A automação de inputs com Python e C++ não se mostrou eficiente o suficiente para contornar as proteções do EAC, além de não ser precisa o bastante devido à latência de rede. Com isso, percebi que a única maneira de obter um controle mais profundo e não detectado seria através de kernel-level programming. A proposta é desenvolver um driver que interaja diretamente com o sistema de entrada (teclado e mouse) e a memória do jogo, sem ser detectado pelas proteções do jogo. Isso garantirá uma maior precisão e maior controle na simulação das ações do bot, além de reduzir significativamente o delay entre as ações do bot e o servidor. 2. A Dificuldade no Acesso à Memória do Jogo Uma das maiores dificuldades que encontrei foi a de acessar informações cruciais do jogo, como a posição do jogador (x, y, z), status de ataques e ações como esquiva. Ao utilizar ferramentas como o Cheat Engine (CE), percebi que o acesso a essas informações não é tão simples. O jogo parece usar técnicas de ofuscação e criptografia de dados, o que torna difícil mapear os endereços de memória de forma estável. O LocalPlayer, por exemplo, não possui um ponteiro estático facilmente acessível, e as variáveis essenciais estão frequentemente encapsuladas em objetos dinâmicos que mudam de endereço conforme a partida avança. A partir disso, decidi buscar uma abordagem em que o sistema de controle estivesse fora do jogo, mas ainda fosse capaz de comunicar-se com a memória do jogo de forma eficiente. 3. Automação de Inputs via Kernel Com o objetivo de melhorar a precisão e reduzir a latência nos comandos, comecei a desenvolver um driver que interage diretamente com os buffers de entrada do sistema operacional. Usando C++ para criar um driver de kernel, consigo capturar e injetar entradas de teclado e mouse de maneira mais eficiente. O uso de kernel-level programming ajuda a evitar detecção por ferramentas de anti-cheat, pois o sistema de entrada manipulado diretamente no kernel não é facilmente monitorado por APIs de alto nível. Além disso, essa abordagem reduz a latência, garantindo que o bot reaja rapidamente aos estados do jogo. Os objetivos principais dessa parte do desenvolvimento incluem: Interação direta com o sistema de entrada: Manipulação de teclas e mouse de forma mais precisa. Manipulação eficiente de memória: Leitura e escrita na memória do jogo sem ser detectado pelo EAC. Redução de latência: Sincronizar os inputs de forma que o bot responda de forma quase instantânea. 4. Latência e Ataques de Alta Velocidade Brawlhalla é um jogo com uma mecânica de ataques rápidos, onde ações de menos de 1ms podem fazer a diferença entre vencer ou perder. O delay do servidor é um dos maiores obstáculos no desenvolvimento de um bot eficiente. Mesmo com um sistema de controle de teclado mais eficiente e manipulação direta da memória, o tempo de resposta do servidor limita as capacidades do bot. Para superar isso, estou explorando a leitura de pacotes de rede, para prever as ações do inimigo antes mesmo que elas aconteçam, antecipando movimentos e ataques. Isso permitiria ao bot reagir de maneira mais eficaz, simulando a previsão de ataques rápidos e realizando esquivas ou contra-ataques de maneira mais estratégica. 5. Rede Neural e Tomada de Decisão Além da automação de inputs e manipulação de memória, estou utilizando uma rede neural para melhorar a inteligência do bot. A ideia é treinar o bot para tomar decisões mais inteligentes, como quando atacar ou quando esquivar, com base no estado do jogo. No momento, o bot já consegue realizar algumas ações básicas como esquivar e atacar em momentos específicos. No entanto, a decisão rápida e precisa ainda é um desafio. Para melhorar isso, estou treinando o bot usando aprendizado supervisionado, onde forneço exemplos de combate para o bot aprender a tomar as melhores decisões. 6. Desafios Encontrados Precisão de Esquiva e Timing: Um dos maiores desafios tem sido a precisão na esquiva. O bot ainda tem dificuldades para reagir a ataques rápidos, como o Nlight, devido à latência e à complexidade de calcular a precisão dos inputs. Mesmo com o modelo de rede neural, a reação do bot não é tão rápida quanto a de um jogador profissional. Previsão de Movimentos: O bot ainda tem dificuldades em antecipar os movimentos do inimigo. A previsão de ataques, mesmo utilizando técnicas de machine learning, não está 100% precisa, especialmente com ataques rápidos. Manipulação de Memória e Estruturas de Dados: O processo de mapeamento da memória do jogo tem sido complicado devido à dinâmica da estrutura de dados e técnicas de ofuscação. Encontrei alguns endereços de memória dinâmicos, mas os dados ainda não são estáveis o suficiente para garantir uma leitura precisa em tempo real. 7. Solicitação de Ajuda Neste ponto, estou buscando ajuda nas seguintes áreas: Kernel-Level Programming: Alguém tem experiência no desenvolvimento de drivers de kernel para manipulação de inputs? Como evitar a detecção por EAC? Manipulação de Memória: Como posso acessar as variáveis e dados do inimigo de maneira mais eficiente? Alguém já conseguiu acessar com precisão dados como hitboxes ou status de movimentos? Redução de Latência e Previsão de Movimentos: Quais técnicas podem ajudar a reduzir a latência entre o servidor e o cliente, melhorando a precisão da esquiva e ataque do bot? Integração entre Python e C++: Alguém já integrou Python com C++ para controlar bots em jogos? Quais ferramentas ou técnicas ajudaram na comunicação entre os dois? Conclusão: O desenvolvimento desse bot tem sido desafiador, mas estou fazendo progressos significativos. A combinação de C++ para controle de baixo nível e Python para lógica de inteligência artificial está funcionando bem, embora a integração entre eles ainda apresente desafios. Se alguém tiver dicas ou experiências para compartilhar sobre os aspectos técnicos mencionados, eu ficaria muito grato por qualquer ajuda!

Sim, consegui recuperar parte do progresso que havia perdido ao trocar de PC, e estou atualmente em uma fase de melhorias no desenvolvimento do bot. Vou explicar as atualizações técnicas que fiz e o que encontrei até agora. 1. Estrutura de Memória e Acesso a Dados Uma das primeiras dificuldades foi entender como acessar informações cruciais do jogador, como a posição e o status de ataque. Durante a exploração da memória do Brawlhalla com o Cheat Engine (CE), consegui encontrar o LocalPlayer e algumas variáveis relacionadas à entidade do jogador. Após diversas tentativas, percebi que o LocalPlayer não possuía um ponteiro estático de fácil acesso, mas ao utilizar uma técnica de pointer scan (usando 7 de profundidade no CE), descobri alguns endereços dinâmicos que permitiram mapear corretamente o jogador durante a partida. Além disso, consegui acessar informações como: Posição 3D do jogador (x, y, z). Status de ataques e hitboxes (quando os hitboxes são ativados/desativados). Status do dodge e o dodge timer. Com isso, foi possível ajustar a lógica do bot para realizar movimentos mais naturais e em tempo real, simulando um comportamento de jogador mais preciso. 2. Controle de Mouse e Teclado Decidi inicialmente não usar injeção direta na memória (DLL injection), mas sim desenvolver um bot baseado em automação de eventos (teclado e mouse). Para isso, utilizei a Windows API para simular entradas no sistema e gerar os comandos para o jogo. O bot agora consegue simular inputs de teclas com precisão, como pressionar SHIFT para esquivar e realizar movimentos de ataque em momentos chave. Melhorei a execução de comandos frame-perfect para ações como esquivas rápidas e ataques coordenados. Essa técnica de automação de entradas, apesar de simples, já permitiu que o bot reagisse de forma rápida a mudanças no cenário e a ataques inimigos. 3. Rede Neural e Tomada de Decisão Usei uma abordagem de aprendizado supervisionado para criar um modelo de rede neural básico. A ideia era treinar o bot para que ele pudesse tomar decisões mais inteligentes, baseadas nas informações que obtinha do jogo (como proximidade do inimigo, status de ataque, etc.). No momento, o bot consegue escolher entre algumas ações principais: Atacar (quando o inimigo está ao alcance). Esquivar (quando o inimigo está prestes a realizar um ataque). Mover-se (para se posicionar melhor ou evitar ser atingido). Para ajustar as decisões, o modelo neural foi alimentado com um conjunto de exemplos de combate, onde forneci os estados do jogo e as ações que um jogador ideal tomaria em determinadas situações. Isso melhorou bastante a resposta do bot, mas ainda preciso de mais dados para simular uma decisão de nível profissional. 4. Obstáculos e Dificuldades Apesar de todos os avanços, encontrei alguns obstáculos técnicos no processo: Reação e Precision Timing: O maior desafio ainda é replicar a precisão de esquivas e decisões rápidas que jogadores profissionais tomam. Mesmo com uma rede neural em funcionamento, o bot ainda não é capaz de tomar decisões rápidas em situações de frame-perfect reaction time devido à latência. Previsão de Movimentos: A previsão de movimentos do inimigo foi implementada parcialmente, mas precisa ser mais refinada. A técnica que estou utilizando envolve calcular a trajetória do inimigo com base nos movimentos anteriores, mas isso ainda não é 100% preciso, especialmente em ataques rápidos que exigem esquiva imediata. Desafios com a Sincronização de Inputs: Outro desafio técnico envolve o delay de inputs devido à latência do servidor. Apesar de fazer a automação de inputs localmente, há um tempo de resposta entre a ação do bot e a reação do servidor. Isso afeta a precisão da esquiva em momentos críticos. 5. Próximos Passos e Aperfeiçoamentos Agora, estou focado em algumas melhorias importantes: Refinar a Rede Neural: A próxima etapa envolve treinar a rede neural para tomar decisões mais rápidas e adaptar-se melhor às situações dinâmicas do jogo. Quero explorar técnicas como deep reinforcement learning para melhorar as heurísticas de aprendizado. Otimização da Esquiva: Pretendo ajustar a lógica de distância e timing de esquiva. A ideia é melhorar a resposta do bot a ataques rápidos, sem depender tanto de comandos do usuário. Aprimorar a Previsão de Ataques: O objetivo é melhorar o cálculo de padrões de movimento do inimigo, permitindo que o bot consiga prever com maior precisão os ataques, tomando decisões melhores sobre quando esquivar ou contra-atacar. Conclusão Embora ainda haja alguns desafios, estou bastante satisfeito com os progressos feitos até agora. A lógica de controle do bot foi otimizada, e o desempenho geral no combate melhorou consideravelmente. Se alguém tiver experiências semelhantes ou mais dicas sobre reverse engineering ou técnicas avançadas de machine learning, ficarei grato por qualquer contribuição.

Ola! Recentemente, estou buscando cheats para o Brawlhalla, mas as opções disponíveis são bem limitadas e difíceis de encontrar. Acabei encontrando uma ferramenta, o Sbot, mas as formas de adquiri-lo na nossa região são bastante escassas. Mesmo a versão mais barata ainda possui um custo considerável, o que me levou a tentar desenvolver meu próprio cheat. Durante a implementação, percebi que não conseguia acessar informações cruciais do jogador, como player info, exemplo de pos = x-123 y23 z-1. Acredito que esses dados estejam sendo encapsulados em objetos do cenário ou até mesmo criptografados por técnicas de ofuscação de código. Ao invés de tentar fazer uma injeção direta na memória do Brawlhalla (que envolveria algo como o DLL injection ou memory hacking), tentei outra alternativa, tentei desenvolver um bot que controlasse o teclado e o mouse do cliente diretamente, sem a necessidade de alterar o código-fonte do jogo. Para isso, defini um conjunto de regras básicas usando event-driven programming, onde a IA responderia a comandos simples, como pressionar teclas e realizar ações baseadas no estado do jogo. Utilizei um modelo básico de rede neural para tentar ajustar os comportamentos do bot, mas percebi que a complexidade da mecânica do jogo torna o processo muito mais desafiador. O maior obstáculo foi tentar replicar as habilidades de um jogador de nível profissional, especificamente em aspectos como reaction time, decision making e frame-perfect inputs. Ajustar essas variáveis foi mais difícil do que eu imaginava, especialmente porque o bot precisa simular não só a execução de comandos, mas também as learnings heuristics que fazem um jogador humano tomar decisões rápidas em situações de combate. Agora, estou em um ponto crítico, porque perdi tudo em relacao ao bot quando troquei de PC, e eu gostaria de saber se alguém já tem alguma experiência com bots para Brawlhalla ou possui uma solução já existente. Alguém que poderia me ajudar? Eu também ficaria grato por qualquer contribuição relacionada a técnicas de reverse engineering, manipulação de pacotes ou até mesmo machine learning. Por favor me ajude, e se tiver algum bot instalado e puder compartilha-lo, fico grato!