Roblox-இல் விளையாட்டுக்குள்ளான புகாரளிப்பு எவ்வாறு செயல்படுகிறது

• Roblox தினசரி 274 மில்லியன் அவதார் புதுப்பிப்புகளைச் செயலாக்குகிறது, மேலும் இது பாதுகாப்பு மீறல்களுக்காக நாங்கள் நெறிப்படுத்தும் பயனர் உருவாக்கிய உள்ளடக்கத்தின் ஒரு வகை மட்டுமே.¹  
• விளையாட்டாளர்கள் தெரிவிக்கும் புகார்கள், விதிமீறல்களை முன்கூட்டியே கண்டறிவதில் ஒரு முக்கியப் பங்கு வகிக்கின்றன. மேலும், பொருத்தமற்றதாகவோ அல்லது எங்கள் கொள்கைகளுக்கு எதிராகவோ இருப்பதாக அவர்கள் கருதும் எதையும் எளிதாகப் புகாரளிக்க விளையாட்டாளர்களுக்கு நாங்கள் உதவ விரும்புகிறோம். 
• இயங்குதிறன் மிக்க, பயனர் உருவாக்கிய 3D உள்ளடக்கத்தில் உள்ள மீறல்களைப் பிடிப்பது சவாலானதாக இருப்பதால், நடவடிக்கை எடுப்பதற்குத் தேவையான தரவு மற்றும் காட்சிச் சான்றுகளுடன் குறிப்பிட்ட பொருட்களை அடையாளம் கண்டு புகாரளிக்க வீரர்களுக்கு உதவ, நாங்கள் ரே காஸ்டிங், தரவு மாதிரி குளோனிங் மற்றும் புதுப்பிக்கப்பட்ட புகாரளிக்கும் பயனர் இடைமுகத்தை (UI) பயன்படுத்துகிறோம்.

உச்சக்கட்டத்தில், ராப்ளாக்ஸ் தளம் தினசரி 274 மில்லியன் அவதார் புதுப்பிப்புகளைச் செயலாக்குகிறது.¹ இந்த வகையான இயக்கவியல், பயனர் உருவாக்கிய 3D உள்ளடக்கத்தில் துஷ்பிரயோகத்தை புகாரளிப்பதும் மதிப்பாய்வு செய்வதும் சவாலானது, ஏனெனில் அது எப்போதும் ஒரு உரைப் பதிவு அல்லது சமூக ஊடகப் பதிவு போன்ற நிலையான உள்ளடக்கம் விட்டுச் செல்லும் வெளிப்படையான தடத்தைக் கொண்டிருக்காது. இந்த வலைப்பதிவில், தவறாகப் பயன்படுத்தப்படும் அவதாரங்களைக் கண்டறிவதற்கான எங்கள் ஆரம்பகால ரே காஸ்டிங் அணுகுமுறையிலிருந்து, தற்போதைய அமைப்பு வரை, வீரர்களின் புகார்களின் மீது நடவடிக்கை எடுக்கத் தேவையான தரவு மற்றும் காட்சிச் சூழலைப் பதிவு செய்வதற்கான எங்கள் அணுகுமுறையை விவரிக்கிறோம். இந்த அமைப்பு, வீரர்கள் எந்தவொரு 3D விளையாட்டுப் பொருளையும் துல்லியமாகப் புகாரளிக்க Roblox தரவு மாதிரியுடன் ஒருங்கிணைக்கிறது.

சாத்தியமான கொள்கை மீறல்களை முன்கூட்டியே கண்டறிவதில் வீரர்களின் புகார்கள் ஒரு முக்கிய அங்கமாகும், மேலும் வீரர்களுக்கு சங்கடமாகவோ அல்லது பாதுகாப்பற்றதாகவோ உணர வைக்கும் எதையும் உடனடியாகப் புகாரளிக்க அல்லது தடுக்க அவர்களுக்கு எளிதாக்கும் வகையில் எங்கள் புகாரளிக்கும் செயல்முறையை நாங்கள் சமீபத்தில் புதுப்பித்துள்ளோம். வீரர்களின் புகார்களால் இப்போது மாதத்திற்கு 19,000-க்கும் மேற்பட்ட கொள்கை மீறும் அவதாரங்கள் தானாகவே நீக்கப்படுகின்றன, மேலும் இது பொருத்தமற்ற விளையாட்டுகளைக் கண்டறிவதற்கான ஒரு முக்கியமான ஆரம்ப சமிக்ஞையாகவும் செயல்படுகிறது.²

இயங்குதள உள்ளடக்கத்தைப் பதிவு செய்வதில் உள்ள சவால்

இயங்குதிறன் கொண்ட, பயனர் உருவாக்கிய 3D உள்ளடக்கத்தை வெவ்வேறு சூழல்களில் இணைத்துப் பயன்படுத்த முடியும் என்பதால், எளிய விளக்கங்கள் அல்லது ஸ்கிரீன்ஷாட்கள் நாங்கள் நடவடிக்கை எடுப்பதற்குத் தேவையான தரவை எப்போதும் வழங்குவதில்லை. சமூக ஊடகப் பதிவுகள், மன்றக் கருத்துகள் மற்றும் வீடியோக்கள் போன்ற நிலையான உள்ளடக்கம் ஒரு சிக்கலின் நிரந்தர ஆவணமாகச் செயல்படுகிறது, இது ஆதாரங்களைப் புகாரளிக்கவும் மதிப்பாய்வு செய்யவும் எளிதாக்குகிறது. டெக்ஸ்ட் மற்றும் வாய்ஸ் சாட் ஆகியவை Roblox-இல் ஆவணப்படுத்தப்படுகின்றன, ஆனால் மற்ற வகை பயனர் உருவாக்கிய உள்ளடக்கம் அத்தகைய வெளிப்படையான தடயத்தை விட்டுச் செல்வதில்லை. படங்கள் தளத்தில் வேறு இடங்களிலிருந்து ஏற்றப்படலாம், இயக்கவியல் தொடர்புகள் ஆவணப்படுத்தப்படாமல் இருக்கலாம், மேலும் வீரர்கள் சில நேரங்களில் தனித்தனியாகத் தீங்கு விளைவிக்காத ஆடைப் பொருட்களை இணைத்து பொருத்தமற்ற உடையை உருவாக்குகிறார்கள். 

மாறும் சூழ்நிலைகளில் கொள்கை மீறல்களைப் பதிவு செய்ய, ஒரு புகாரளிப்பவருக்கு முதலில் ஒரு விளையாட்டிற்குள் உள்ள குறிப்பிட்ட கூறுகளை அடையாளம் காண ஒரு வழி தேவை. இரண்டாவதாக, புகாரளிக்கப்பட்ட உள்ளடக்கத்திற்கான பொருள் ஐடியை (object ID) அடையாளம் காணும் வழிமுறை வழங்க வேண்டும், அப்போதுதான் சரியான பொருளை மதிப்பிட முடியும். 

3D இடத்தில் தவறாகப் பயன்படுத்தப்படும் அவதாரங்களைக் கண்டறிதல் 

எங்கள் முந்தைய அறிக்கை கருவி முதன்மையாக அரட்டைப் பதிவுச் சான்றுகளைச் சார்ந்திருந்தது. அறிக்கைகளில் எந்தவொரு காட்சித் தகவலும் இல்லை, இது புரிதலில் பெரிய இடைவெளிகளை ஏற்படுத்தியது. மற்ற வகை மீறல்களைச் சுற்றியுள்ள சூழலைப் பதிவுசெய்யக்கூடிய ஒரு அறிக்கை கருவியில் நாங்கள் பணியாற்றத் தொடங்கியபோது, ஒவ்வொரு வீரரும் தொடர்பு கொள்ளும் ஒரு பொருள் வகையான அவதாரங்களில் நாங்கள் முதலில் கவனம் செலுத்தினோம். ரோப்ளாக்ஸில் தங்களைப் பிரதிநிதித்துவப்படுத்த வீரர்கள் அவதாரங்களைத் தனிப்பயனாக்கலாம், மேலும் ஒரு அவதாரத்தைப் பற்றிய தகவல்களைப் பதிவு செய்வது என்பது, அரட்டையில் எந்தவொரு தடயமும் இல்லாவிட்டாலும் கூட, விதிமீறல்களைக் குறிப்பிட்ட வீரர்களுடன் தொடர்புபடுத்த எங்களை அனுமதிக்கும். அவதார் தரவைத் திறம்பட அடையாளம் காணக்கூடிய ஒரு அமைப்பு, எதிர்காலத்தில் மற்ற வகைப் பொருட்களுக்கும் ஒரு முக்கிய அடித்தளமாக இருக்கும். 

சாத்தியமான தீர்வுகளில், அறிக்கைகளுடன் கூடுதல் ஆதாரங்களைச் சேர்க்க ஸ்கிரீன்ஷாட்கள் அல்லது பின்னணிப் பதிவுகளை எடுப்பதும் அடங்கும். சாத்தியமான அனைத்து மீறல்களையும் அவை படம்பிடிக்காவிட்டாலும், தகவல்களைச் சேகரிப்பதற்கான ஒரு எளிதான வழியாக இருந்ததால், நாங்கள் ஸ்கிரீன்ஷாட்களுடன் சோதனை செய்யத் தொடங்கினோம். நாங்கள் விரைவில் ஒரு வரம்பை எதிர்கொண்டோம்: 3D இடத்தில் ஒரு வீரரின் அவதாரத்தை மற்ற அவதாரங்கள் மற்றும் NPC-களிலிருந்து வேறுபடுத்திக் காட்ட ஒரு 2D படம் எங்களுக்கு உதவவில்லை. அவதாரங்கள் ஒன்றன்மேல் ஒன்றாக இருக்கும்போது, சாத்தியமான மீறுபவரின் பயனர் ஐடியை எங்களால் எப்போதும் துல்லியமாக அடையாளம் காண முடியவில்லை.

ஒரு நேரத்தில் எடுக்கப்பட்ட 2D படத்தை செயல்படுத்தக்கூடிய ஆதாரமாக மாற்றுவதற்காக, மேலும் தகவல்களை எவ்வாறு பிரித்தெடுப்பது என்பதை நாங்கள் கண்டறிய வேண்டியிருந்தது. 

3D இடத்தில் தொடர்புடைய தகவல்களைப் பிரித்தெடுத்து, ஒரு அறிக்கை சமர்ப்பிக்கப்படும் தருணத்தில் அதை ஒரு 2D படத்தில் பிரதிநிதித்துவப்படுத்த, ரே காஸ்டிங்கை ஒரு திறமையான முறையாக நாங்கள் தேர்ந்தெடுத்தோம். ஒரு வீரர் ஒரு அறிக்கையைத் திறக்கும்போது, நாங்கள் முதலில் அந்த அமர்வில் உள்ள வீரர்களின் பட்டியலைச் சேகரித்து, வியூபோர்ட்டில் இல்லாதவர்களை வடிகட்டுகிறோம். பின்னர், ஒவ்வொரு வீரர் அவதாரத்திற்கும் அதன் பவுண்டிங் பாக்ஸ்களை (bounding boxes) தீர்மானிக்க ரே காஸ்டிங்கைப் பயன்படுத்துகிறோம். அதே நேரத்தில், நாங்கள் ரோப்ளாக்ஸ் எஞ்சினின் ஃபிரேம் பஃபர் உள்ளடக்கத்தை ஒரு ஸ்கிரீன்ஷாட்டில் தானாகவே சேமிக்கிறோம். இந்த வழியில், ஒரு எளிய 2D ஸ்கிரீன்ஷாட்டை, சாத்தியமான விதிமீறுபவரை மற்ற அவதாரங்கள் மற்றும் சுற்றுப்புறச் சூழலில் இருந்து வேறுபடுத்திக் காட்ட, 3D உலகத்தைப் பற்றிய போதுமான இடஞ்சார்ந்த தரவுகளுடன் இணைக்க முடியும். ரே காஸ்டிங், சராசரியாக 3.5 மில்லி வினாடிகளில் பவுண்டிங் பாக்ஸ்களைக் கண்டறிய எங்களை அனுமதிக்கிறது. மெதுவான முறைகள் ஒரு தடுமாற்றமான இடைநிறுத்தத்தைத் தேவைப்பட்டிருக்கும், இது அனுபவத்தைக் குலைத்திருக்கும். 

அங்கிருந்து, ஒரு சாத்தியமான கொள்கை மீறல் பற்றிய பிற சூழல் சார்ந்த தகவல்களை ஒத்திசைவற்ற முறையில் சேகரிக்கலாம். இன்று, ஒரு பயனர் ஒரு அறிக்கையைத் தொடங்கும் போது, அமைப்பு தானாகவே இந்த வழிமுறையைத் தூண்டுகிறது. 

எடுப்பு முறை

அடுத்து, வீரர்கள் விதிமீறல் உள்ளடக்கத்தை விரைவாகக் கண்டறிய, எங்களுக்கு ஒரு உள்ளுணர்வுடன் கூடிய புகாரளிக்கும் இடைமுகம் தேவைப்பட்டது. வீரர்கள் தவறான உள்ளடக்கங்களை அடிக்கோடிட்டுக் காட்டவும், தங்கள் அறிக்கைகளில் கூடுதல் தகவல்களைக் குறிக்கவும், எங்கள் புகாரளிக்கும் இடைமுகத்தை ஒரு அடிக்கோடிட்டுக் காட்டும் பயன்முறையுடன் (Highlight Mode) புதுப்பித்தோம். ஒரு வீரர் தவறான உள்ளடக்கத்தில் கிளிக் செய்யும்போது, வீரரின் சுட்டிக்காட்டிக்கு (cursor) சுற்றி ஒரு வட்டத்தில் கதிர்களை வீசுவோம். அவர்கள் ஒரு வீரரின் அவதாரத்தைத் தேர்ந்தெடுத்தால், அவர்களின் அறிக்கையை மதிப்பாய்வு செய்து நடவடிக்கை எடுக்கத் தேவையான அனைத்து மெட்டாடேட்டாவையும் (metadata) எங்களால் கைப்பற்ற முடியும். உள்ளகப் பயனர் ஆய்வில், ஹைலைட் பயன்முறை நன்கு வரவேற்கப்பட்டது, குறிப்பாக 9-13 வயதுடைய இளம் வீரர்களும் இப்போது ஒரு சிக்கலை எளிதாகக் குறிப்பிட்டு, ஒரு அறிக்கையை வெற்றிகரமாக முடிக்க முடிந்தது.

புதிய அறிக்கையிடல் கருவியின் இந்த ஆரம்பப் பதிப்பில், நாங்கள் அவதாரங்களுக்கான ஐடி-களை மட்டுமே பதிவு செய்தோம். ஒரு வீரர் வேறு எதையாவது தேர்ந்தெடுத்தால், நாங்கள் ஒரு பொருளின் ஐடி-யைப் பதிவு செய்ய மாட்டோம். நாங்கள் அறிக்கைகளை ஆராய்ந்து உள்ளுணர்வுகளையும் மேலதிக சூழலையும் பெற்று, டெவலப்பர்களைத் தொடர்புகொண்டு, அடுத்து என்ன செய்வது என்பதை முடிவு செய்ய முடியும். 

ஆனால், வீரர்கள் ஒரு விளையாட்டில் உள்ள எந்தவொரு பொருளையும் துல்லியமாக எடுத்துக்காட்டி, அதன் தரவை நேரடியாகத் தங்கள் அறிக்கையில் பதிவுசெய்ய அனுமதிக்கும் ஒரு வழிமுறையை நாங்கள் கற்பனை செய்தோம்.

பொதுவான உள்ளடக்க வகைகளுக்கான தரவு மாதிரிப் பதிவு

ஒரு வீரரின் பார்வைப் புலத்தில் உள்ள வரையறுக்கப்பட்ட எண்ணிக்கையிலான அவதாரங்கள் அல்லது விளம்பரங்களை வேறுபடுத்துவதற்கு எங்கள் வட்டக்கதிர் வீச்சு அணுகுமுறை நன்றாக வேலை செய்தாலும், அது ஒரு விளையாட்டில் உள்ள ஒவ்வொரு பொருளுக்கும் அளவிடக்கூடியதாக இல்லை. கீழே உள்ள சூழலைக் கவனியுங்கள்:

பாறைகள், புதர்கள் மற்றும் பூக்கள் போன்ற டஜன் கணக்கான பொருட்கள் ஒன்றுடன் ஒன்று இணையும் மற்றும் அசைந்து கொண்டிருக்கும் ஒரு அடர்த்தியான சூழலில், ஒரு வட்டத்தில் ரே காஸ்டிங் செய்வது ஒரு தனிப்பட்ட பூவையோ அல்லது புதரையோ நம்பகத்தன்மையுடன் அடையாளம் காட்டாது. வீரர்கள் பொருட்களை அதிக துல்லியத்துடன் முன்னிலைப்படுத்த நாங்கள் அனுமதிக்க வேண்டியிருந்தது, மேலும் ஒரு விளையாட்டில் உள்ள எந்தவொரு பொருளுடன் தொடர்புடைய தரவைப் பிடிக்க எங்களுக்கு ஒரு வழி தேவைப்பட்டது. 

ராப்ளாக்ஸின் இயந்திரம் ஏற்கனவே அதன் தரவு மாதிரியில் 3D உலகின் ஒரு பிரதிநிதித்துவத்தைச் சேமிக்கிறது, ஆனால் ஒரு விளையாட்டுக்கான முழு தரவு மாதிரியும் ஜிகாபைட்டுகள் அளவு பெரியதாக இருக்கும். வேகத்திற்காக மேம்படுத்த, நாங்கள் ஒரு பிரதிபலிப்பு வழிமுறையை (Translation Feedback-க்காக நாங்கள் முதலில் உருவாக்கிய வழிமுறை) உருவாக்கினோம், இது ஒரு காட்சியைக் காட்டத் தேவையான முக்கியப் பொருட்களை மட்டுமே பிரதிபலிக்கிறது. டேட்டா மாடலின் இந்தக் குளோன் செய்யப்பட்ட பதிப்பைப் பெற்றவுடன், ஹைலைட் மோடைப் பயன்படுத்தி, ரிப்போர்ட்டரை குளோன் செய்யப்பட்ட உலகிற்குள் கொண்டு செல்லலாம். அங்கு, பிளேயர் தாங்கள் 3D-யில் என்ன ரிப்போர்ட் செய்ய விரும்புகிறார்களோ அதைத் துல்லியமாக ஹைலைட் செய்ய முடியும். 

இந்த அணுகுமுறை, பயனர் தாங்கள் என்ன அறிக்கை செய்கிறார்கள் என்பதில் அதிகக் கட்டுப்பாட்டை அளிக்கிறது, மேலும் பல வகையான உள்ளடக்கங்களை மதிப்பிடுவதற்குத் தேவையான மெட்டாடேட்டாவை எங்களுக்கு வழங்குகிறது. நடுவர் மதிப்பாய்வுக்கு உதவுவதற்காக, நாங்கள் அறிக்கையுடன் தானாகவே ஒரு ஸ்கிரீன்ஷாட்டையும் இணைக்கிறோம். 

தர ஒருமைப்பாடு

திட்டத்தின் தொடக்கத்திலிருந்தே நாங்கள் கேட்டு வரும் ஒரு முக்கியமான கேள்வி, ஆதாரங்களை வாடிக்கையாளர் சாதனத்தில் பதிவு செய்ய வேண்டுமா அல்லது கேம் சர்வரில் பதிவு செய்ய வேண்டுமா என்பதுதான். ராப்ளாக்ஸ், சர்வரில் அல்லாமல், வாடிக்கையாளர் நிலையை மட்டும் புதுப்பிக்கக்கூடிய வாடிக்கையாளர்-பக்க ஸ்கிரிப்டுகளை ஆதரிக்கிறது. மேலும், சில இயற்பியல் விளைவுகள் நிர்ணயிக்கப்படாதவை, அதாவது சர்வர்-பக்க பதிவு, புகார்தாரர் அனுபவித்ததைத் துல்லியமாகக் காட்டாமல் இருக்கலாம். அறிக்கையாளர் தாங்கள் காண்பதை உண்மையாகப் படம்பிடிக்க முடியும் என்பதை உறுதி செய்வதற்காக, கிளையன்ட்-சைட் கேப்சரை நாங்கள் தேர்ந்தெடுத்தோம், ஆனால் அதனால் ஒரு சமரசமும் ஏற்படுகிறது: ஒரு தீய செய்பவர் கிளையன்ட் அணுகலைப் பெற்று, ஆதாரங்களைத் திரித்து உருவாக்கக்கூடும். 

இதைத் தணிப்பதற்காக, நாங்கள் பல்வேறு சமிக்ஞைகள் மூலம் துல்லியத்தைச் சரிபார்த்து, தவறான கிளையன்ட் பிரதிநிதித்துவங்களை நீக்குகிறோம். ஒரு உவமையாக, வானிலை ஆய்வாளர்கள் ஒவ்வொரு வானிலை நிலையிலிருந்தும் துல்லியமான அளவீடுகளைப் பெறாவிட்டாலும், துல்லியமான வானிலை முன்னறிவிப்புகளை அவர்களால் உருவாக்க முடியும். 

எதிர்காலப் பணிகள்  

இந்த மேம்பாடுகள் மற்றும் செறிவான காட்சித் தகவல்களைப் பதிவுசெய்யும் திறனுக்கு நன்றி, இந்த அமைப்பு இப்போது மாதத்திற்கு 19,000-க்கும் மேற்பட்ட கொள்கையை மீறும் அவதாரங்களைத் தானாகவே நீக்குகிறது மற்றும் பொருத்தமற்ற விளையாட்டுகளைக் கண்டறிவதற்கான ஒரு முக்கிய சமிக்ஞையாக மாறியுள்ளது. தகுதியான அறிக்கைகளில் சுமார் 19% காட்சிக் குறிப்புகளை உள்ளடக்கியிருப்பதால், வலுவான பயன்பாட்டையும் நாங்கள் கண்டுள்ளோம்.² 

நேரக்கணக்கிலான படப்பிடிப்புகளால் தீர்மானிக்க முடியாத, இயக்கவியல் மீறல்களை (உதாரணமாக, வீரரின் நகர்வுடன் இணைந்த எமோட்கள்) கண்டறியும் ஒரு வழியை உருவாக்கும் அடுத்த கட்ட மேம்பாடுகளில் நாங்கள் ஏற்கனவே பணியாற்றி வருகிறோம். இந்த ஆண்டின் பிற்பகுதியில், புகாரளிக்கப்படும் காட்சியின் நேர வரிசையைப் படம்பிடிக்கும் வசதியைச் செயல்படுத்த நாங்கள் திட்டமிட்டுள்ளோம். ராப்லாக்ஸ், படைப்பாளர்களுக்கு விளையாட்டுக்குள் செறிவான தொடர்புகளை உருவாக்கத் தேவையான கருவிகளை வழங்குவதைத் தொடரும்போது, எங்கள் பாதுகாப்புக் குழு அனைத்து வீரர்களுக்கும் பாதுகாப்பான சூழலை மேம்படுத்துவதைத் தொடரும்.

இந்தத் திட்டத்தில் அவர்களின் பணிக்காக ரயான் ஹுசைன், ரியான் லியு, பிரிட்ஜெட் டேலி, அகதா கீல்ட்செவ்ஸ்கி, அலெக்ஸ் லெவிட், யிங் லியாோ மற்றும் ஆண்ட்ரூ சூ ஆகியோருக்கு நாங்கள் நன்றி தெரிவிக்க விரும்புகிறோம்.