Cheats brawlhalla

[siels 1]

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!

[Santos Ithalo 0]

Alguma atualização do bot?? Conseguiu recuperar ou achar algo parecido?

[siels 1]

On 4/28/2025 at 11:07 PM, Santos Ithalo said:

Alguma atualização do bot?? Conseguiu recuperar ou achar algo parecido?

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.

[[E]bill3002 1.271]

11 horas atrás, siels disse:

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.

Bom dia, caso precise de ajuda ou houver dúvidas em algo, pode me chamar no PM que lhe ajudo