- 注册
- 2025/02/13
- 消息
- 89
- 柚币
- 4,208.3Y
- 米币
- 0.0M
我会将重点部分画上颜色以及明显区分
CS2本质还是服务器权威加客户端预测再加回滚修正的结构
核心变化是sub tick系统
以前CSGO是tick驱动每个输入都要等tick边界再处理
CS2不是这样
CS2记录的是输入发生的精确时间戳
服务器不再按tick整段处理而是按时间轴重建过程
所以开枪不再取决于你是否卡在某个tick点上
而是你在那个具体时间点做了什么
网络模型变成事件流而不是tick流
客户端输入带时间戳发送给服务器
服务器收到后会重建一小段时间线
在这段时间线里重新模拟移动射击碰撞等行为
本质有点像局部回放再模拟一次
命中判定分几步
第一步客户端预测
你开枪本地先给反馈动画和声音
第二步服务器回溯
服务器根据开枪时间往回找当时所有人的位置和状态
第三步重建hitbox
用当时的骨骼姿态而不是当前姿态
第四步射线检测
做子弹路径和碰撞判定
第五步结果同步
服务器确认命中或未命中再修正客户端状态
所以会出现你明明看到打中但服务器判没中的情况
nl这类内部外挂的核心结构其实可以拆成三层
最底层是数据层，也就是entity system，负责实时读CS2里的玩家实体数组、坐标、速度、骨骼矩阵、血量和武器状态。这一层本质就是一个不断解析内存偏移的映射器，netvar system就是干这个的
中间层是模拟层，会自己做一套“局部游戏模拟” 比如预测敌人移动 模拟子弹扩散 计算你当前开枪在不同时间点的命中概率 这一层很关键 因为CS有延迟 所以外挂不能只看当前状态 要预测未来0.1到0.3秒的状态
最上层是功能层，包括aimbot、triggerbot、anti-aim、resolver、backtrack、esp这些模块，所有决策都依赖中间层算出来的数据
AntiAim本质不是“乱转视角”，而是利用网络同步和动画系统之间的不同步窗口制造角度冲突
在Source引擎里，一个玩家至少有三套角度系统
视角角度 eye angles
身体下半身方向 lower body yaw
动画系统推导出的真实朝向 animation pose
正常情况下这三者是逐步同步的，但存在更新延迟 AntiAim就是人为打破同步关系，让服务器和其他客户端看到的角度和真实可命中碰撞箱方向不一致
典型做法是制造yaw desync，比如视角强制偏转到一个方向，而真实碰撞方向通过动画层或移动方向维持另一个方向。同时通过延迟发送包或者控制更新频率，让LBY更新卡在某个周期里不刷新，从而拉开角度差
这个角度差在CSGO时代可以达到大概30到120度的错位范围，在CS2里因为subtick和动画graph更细化，稳定性下降，但原理还是一样，就是制造“看到的方向”和“实际可打方向”不一致
现在最常用的aimbot
Rageaimbot本质不是自动瞄准，而是一个多变量优化问题
系统会遍历所有敌人实体，然后对每个敌人的多个骨骼点做命中模拟，比如头、胸、盆骨、腿等。每一个点都会跑一个评分函数，核心不是“最近目标”，而是综合收益最大。
评分一般由几个东西构成
命中伤害期望
命中概率（hitchance）
角度偏移惩罚（fov penalty）
穿甲或穿墙收益
是否可见或是否在backtrack窗口内
然后系统会做大量射线模拟 也就是把武器扩散 后坐力 子弹散布都带进去跑概率统计 比如100次模拟里有70次命中就认为hitchance=70%
最终选择一个“期望伤害最大且命中概率达标”的骨骼点 再强制把视角瞬间拉过去或者在开火瞬间修正角度
Backtrack是rage体系里很关键的一块 本质是利用服务器保存的历史tick数据CS会保留一段时间内玩家的位置历史 大概在100到200毫秒范围 外挂可以选择攻击 过去的位置 而不是当前的位置因为过去的位置在服务器判定中仍然有效
Resolver是专门用来对抗AntiAim的系统 本质是一个角度预测器它会根据玩家速度向量 动画变化 历史角度分布以及命中反馈不断修正对方真实yaw 简单理解就是用统计学去逼近对方真实朝向 因为AntiAim本身就是人为制造错误角度
子弹不是直线命中而是一个随机锥体模型
最终射击方向等于基础视角方向加扩散向量加后坐力向量
spread来源是武器固有散布 加移动惩罚 加跳跃惩罚 加开火惩罚 再减去恢复值
本质是一个随着时间变化的函数不是固定值
spread可以近似理解为二维随机采样
角度在0到2π均匀分布 半径与spread大小相关且服从平方根分布
所以越靠近中心概率越高边缘概率逐渐下降
hitchance本质是蒙特卡洛模拟命中概率
系统会重复模拟多次子弹散布
每次生成一个随机spread向量
然后做一次射线检测判断是否命中目标hitbox
命中次数除以总模拟次数就是hitchance
例如模拟128次命中96次就是75%
外挂里常见阈值大约在50到98之间根据风格变化
二 resolver yaw概率收敛
resolver本质是对敌人真实朝向的概率估计问题 很多解析lua都是加强概率解析多模型 掉帧也是这个原因
真实yaw不可直接观测只能看到被伪装后的角度
系统维护一个yaw概率分布
输入包括历史角度变化速度向量动画状态以及命中反馈
核心是贝叶斯更新思想
每一次观察都会更新真实yaw的概率
如果当前假设导致射击失败则降低该方向权重
如果命中则提高该方向权重
最终多个候选yaw逐渐收敛到少数几个峰值
常见推断来源
一 速度方向推断 如果目标移动则yaw倾向于运动方向
二 历史差分 如果角度在某个区间频繁出现则该区间概率增加
三 命中反馈 如果某个yaw导致命中则强化该假设
收敛过程不是一次完成而是逐帧调整
初始误差可能很大在30到120度之间
稳定后通常压缩到10到25度残差
三 sub tick下server rewind结构
服务器为每个玩家维护一个时间历史缓冲区
里面存储每个时间点的位置速度骨骼角度等状态
时间窗口通常在100到200毫秒之间
当玩家开枪时服务器不会用当前状态而是根据子弹时间戳回溯
找到最接近该时间的历史状态
然后把所有玩家恢复到那个时间点重新进行一次命中检测
这个过程类似时间切片回放
不是简单tick回退而是基于连续时间戳匹配
subtick之后事件不再绑定固定tick所以匹配更细粒度
CS2人物动画由状态机控制不是固定动画播放
输入包括移动转向开火蹲下等状态
经过blend tree和pose interpolation生成骨骼姿态
hitbox不是直接跟动画绑定而是由骨骼姿态计算得到
问题在于动画系统存在延迟
输入状态到骨骼更新之间有10到50毫秒差异
服务器在回溯时需要重建当时的骨骼姿态
但动画系统依赖历史状态和插值数据
所以重建结果可能和当时玩家真实视觉略有偏差
CS2改进方式是引入pose缓存和动画快照
但仍然存在非完全确定性误差
一下1-7点的颜色填充为论点区分而不是重点 这几条只是额外
nl和sk本质都是同一类系统
resolver等价于对敌人真实yaw的概率估计器
整体结构如下
一 resolver统一结构模型
resolver结构
resolver
feature extraction
state prediction
candidate generation
scoring
feedback update
二nl resolver原理
nl偏工程规则系统
输入特征
features
velocity
eye angles
animation layers
pose parameters
desync delta
yaw history
状态机切换
if velocity == 0
static resolver
if velocity > threshold
moving resolver
if airborne
air resolver
候选yaw生成
candidates
real guess
opposite
jitter left
jitter right
velocity aligned
评分系统
score
hit rate
plus velocity alignment
minus angle change penalty
minus anti aim pattern penalty
本质
neverlose等价规则系统加手动权重系统
三sk resolver原理
sk偏概率模型
状态不是单点yaw而是分布
P yaw given data
历史统计
yaw history
hit history
miss clusters
概率收敛
posterior equals likelihood times prior
随着数据增加分布逐渐收敛
jitter处理
detect oscillation frequency
lock phase
smooth prediction
本质
sk等价时间序列概率模型
四lua增强resolver原理
lua不是resolver本体而是控制层
可做功能
modify weights
change scoring logic
override candidate selection
read resolver state
inject decision rules
不可做功能
cannot access real yaw
cannot change hitbox
cannot modify animation graph
cannot change network state
本质
lua等价运行时策略控制器
示例逻辑
if miss count high
flip yaw selection
if jitter detected
bias opposite direction
五三者核心区别
nl
落基于规则的系统
状态机
手动调优
sk
概率模型
分布跟踪
自适应学习
lua resolver
runtime strategy layer
logic override
no base model
六为什么所有resolver趋同
observed yaw
animation delay
network interpolation
subtick mismatch
上文译文：
观察到偏航
动画延迟
网络插值
子行不匹配
所有系统都在做同一件事
estimate hidden state under uncertainty（估计不确定性下的隐藏状态
七更底层本质
hidden markov model approximation
目标不是找到真实yaw
而是最小化预测误差
学编程的应该能看懂，我今天8：00pm放学想加点声誉（左边我头像下面的）
感谢贡献
梦塔Q群群友文献资料
CSDN论文参考
BLBL引擎讲解
穿lua解析
CS2本质还是服务器权威加客户端预测再加回滚修正的结构
核心变化是sub tick系统
以前CSGO是tick驱动每个输入都要等tick边界再处理
CS2不是这样
CS2记录的是输入发生的精确时间戳
服务器不再按tick整段处理而是按时间轴重建过程
所以开枪不再取决于你是否卡在某个tick点上
而是你在那个具体时间点做了什么
网络模型变成事件流而不是tick流
客户端输入带时间戳发送给服务器
服务器收到后会重建一小段时间线
在这段时间线里重新模拟移动射击碰撞等行为
本质有点像局部回放再模拟一次
命中判定分几步
第一步客户端预测
你开枪本地先给反馈动画和声音
第二步服务器回溯
服务器根据开枪时间往回找当时所有人的位置和状态
第三步重建hitbox
用当时的骨骼姿态而不是当前姿态
第四步射线检测
做子弹路径和碰撞判定
第五步结果同步
服务器确认命中或未命中再修正客户端状态
所以会出现你明明看到打中但服务器判没中的情况
nl这类内部外挂的核心结构其实可以拆成三层
最底层是数据层，也就是entity system，负责实时读CS2里的玩家实体数组、坐标、速度、骨骼矩阵、血量和武器状态。这一层本质就是一个不断解析内存偏移的映射器，netvar system就是干这个的
中间层是模拟层，会自己做一套“局部游戏模拟” 比如预测敌人移动 模拟子弹扩散 计算你当前开枪在不同时间点的命中概率 这一层很关键 因为CS有延迟 所以外挂不能只看当前状态 要预测未来0.1到0.3秒的状态
最上层是功能层，包括aimbot、triggerbot、anti-aim、resolver、backtrack、esp这些模块，所有决策都依赖中间层算出来的数据
AntiAim本质不是“乱转视角”，而是利用网络同步和动画系统之间的不同步窗口制造角度冲突
在Source引擎里，一个玩家至少有三套角度系统
视角角度 eye angles
身体下半身方向 lower body yaw
动画系统推导出的真实朝向 animation pose
正常情况下这三者是逐步同步的，但存在更新延迟 AntiAim就是人为打破同步关系，让服务器和其他客户端看到的角度和真实可命中碰撞箱方向不一致
典型做法是制造yaw desync，比如视角强制偏转到一个方向，而真实碰撞方向通过动画层或移动方向维持另一个方向。同时通过延迟发送包或者控制更新频率，让LBY更新卡在某个周期里不刷新，从而拉开角度差
这个角度差在CSGO时代可以达到大概30到120度的错位范围，在CS2里因为subtick和动画graph更细化，稳定性下降，但原理还是一样，就是制造“看到的方向”和“实际可打方向”不一致
现在最常用的aimbot
Rageaimbot本质不是自动瞄准，而是一个多变量优化问题
系统会遍历所有敌人实体，然后对每个敌人的多个骨骼点做命中模拟，比如头、胸、盆骨、腿等。每一个点都会跑一个评分函数，核心不是“最近目标”，而是综合收益最大。
评分一般由几个东西构成
命中伤害期望
命中概率（hitchance）
角度偏移惩罚（fov penalty）
穿甲或穿墙收益
是否可见或是否在backtrack窗口内
然后系统会做大量射线模拟 也就是把武器扩散 后坐力 子弹散布都带进去跑概率统计 比如100次模拟里有70次命中就认为hitchance=70%
最终选择一个“期望伤害最大且命中概率达标”的骨骼点 再强制把视角瞬间拉过去或者在开火瞬间修正角度
Backtrack是rage体系里很关键的一块 本质是利用服务器保存的历史tick数据CS会保留一段时间内玩家的位置历史 大概在100到200毫秒范围 外挂可以选择攻击 过去的位置 而不是当前的位置因为过去的位置在服务器判定中仍然有效
Resolver是专门用来对抗AntiAim的系统 本质是一个角度预测器它会根据玩家速度向量 动画变化 历史角度分布以及命中反馈不断修正对方真实yaw 简单理解就是用统计学去逼近对方真实朝向 因为AntiAim本身就是人为制造错误角度
spread和hitchance真实模型
子弹不是直线命中而是一个随机锥体模型
最终射击方向等于基础视角方向加扩散向量加后坐力向量
spread来源是武器固有散布 加移动惩罚 加跳跃惩罚 加开火惩罚 再减去恢复值
本质是一个随着时间变化的函数不是固定值
spread可以近似理解为二维随机采样
角度在0到2π均匀分布 半径与spread大小相关且服从平方根分布
所以越靠近中心概率越高边缘概率逐渐下降
hitchance本质是蒙特卡洛模拟命中概率
系统会重复模拟多次子弹散布
每次生成一个随机spread向量
然后做一次射线检测判断是否命中目标hitbox
命中次数除以总模拟次数就是hitchance
例如模拟128次命中96次就是75%
外挂里常见阈值大约在50到98之间根据风格变化
二 resolver yaw概率收敛
resolver本质是对敌人真实朝向的概率估计问题 很多解析lua都是加强概率解析多模型 掉帧也是这个原因
真实yaw不可直接观测只能看到被伪装后的角度
系统维护一个yaw概率分布
输入包括历史角度变化速度向量动画状态以及命中反馈
核心是贝叶斯更新思想
每一次观察都会更新真实yaw的概率
如果当前假设导致射击失败则降低该方向权重
如果命中则提高该方向权重
最终多个候选yaw逐渐收敛到少数几个峰值
常见推断来源
一 速度方向推断 如果目标移动则yaw倾向于运动方向
二 历史差分 如果角度在某个区间频繁出现则该区间概率增加
三 命中反馈 如果某个yaw导致命中则强化该假设
收敛过程不是一次完成而是逐帧调整
初始误差可能很大在30到120度之间
稳定后通常压缩到10到25度残差
三 sub tick下server rewind结构
服务器为每个玩家维护一个时间历史缓冲区
里面存储每个时间点的位置速度骨骼角度等状态
时间窗口通常在100到200毫秒之间
当玩家开枪时服务器不会用当前状态而是根据子弹时间戳回溯
找到最接近该时间的历史状态
然后把所有玩家恢复到那个时间点重新进行一次命中检测
这个过程类似时间切片回放
不是简单tick回退而是基于连续时间戳匹配
subtick之后事件不再绑定固定tick所以匹配更细粒度
四 animation graph对hitbox影响
CS2人物动画由状态机控制不是固定动画播放
输入包括移动转向开火蹲下等状态
经过blend tree和pose interpolation生成骨骼姿态
hitbox不是直接跟动画绑定而是由骨骼姿态计算得到
问题在于动画系统存在延迟
输入状态到骨骼更新之间有10到50毫秒差异
服务器在回溯时需要重建当时的骨骼姿态
但动画系统依赖历史状态和插值数据
所以重建结果可能和当时玩家真实视觉略有偏差
CS2改进方式是引入pose缓存和动画快照
但仍然存在非完全确定性误差
一下1-7点的颜色填充为论点区分而不是重点 这几条只是额外
nl和sk本质都是同一类系统
resolver等价于对敌人真实yaw的概率估计器
整体结构如下
一 resolver统一结构模型
resolver结构
resolver
feature extraction
state prediction
candidate generation
scoring
feedback update
二nl resolver原理
nl偏工程规则系统
输入特征
features
velocity
eye angles
animation layers
pose parameters
desync delta
yaw history
状态机切换
if velocity == 0
static resolver
if velocity > threshold
moving resolver
if airborne
air resolver
候选yaw生成
candidates
real guess
opposite
jitter left
jitter right
velocity aligned
评分系统
score
hit rate
plus velocity alignment
minus angle change penalty
minus anti aim pattern penalty
本质
neverlose等价规则系统加手动权重系统
三sk resolver原理
sk偏概率模型
状态不是单点yaw而是分布
P yaw given data
历史统计
yaw history
hit history
miss clusters
概率收敛
posterior equals likelihood times prior
随着数据增加分布逐渐收敛
jitter处理
detect oscillation frequency
lock phase
smooth prediction
本质
sk等价时间序列概率模型
四lua增强resolver原理
lua不是resolver本体而是控制层
可做功能
modify weights
change scoring logic
override candidate selection
read resolver state
inject decision rules
不可做功能
cannot access real yaw
cannot change hitbox
cannot modify animation graph
cannot change network state
本质
lua等价运行时策略控制器
示例逻辑
if miss count high
flip yaw selection
if jitter detected
bias opposite direction
五三者核心区别
nl
落基于规则的系统
状态机
手动调优
sk
概率模型
分布跟踪
自适应学习
lua resolver
runtime strategy layer
logic override
no base model
六为什么所有resolver趋同
observed yaw
animation delay
network interpolation
subtick mismatch
上文译文：
观察到偏航
动画延迟
网络插值
子行不匹配
所有系统都在做同一件事
estimate hidden state under uncertainty（估计不确定性下的隐藏状态
七更底层本质
hidden markov model approximation
目标不是找到真实yaw
而是最小化预测误差
学编程的应该能看懂，我今天8：00pm放学想加点声誉（左边我头像下面的）
感谢贡献
梦塔Q群群友文献资料
CSDN论文参考
BLBL引擎讲解
穿lua解析
