您对 stddev 的使用表明您分别查看每个变量。如果你把它们放在一起看，你可能会有更多的机会。一维的异常值可能是巧合，多维的异常值肯定是异常。我对游戏了解不多，但我认为您可以使用查找额外的变量，例如游戏中的行进距离等。

您可以使用异常值理论来检测异常。寻找异常值的一种非常幼稚的方法是使用马氏距离。这是一种考虑数据分布的度量，并计算与中心的相对距离。它对一个统计数据中的异常值不太敏感，但可以看作是一种寻找统计数据组合为奇数的玩家的方法。

一种类似的方法是构建模型并查看误差项。这基本上是相同的：它寻找不符合一般模式的游戏玩家。这种技术也用于金融服务中查找欺诈案件。该模型可以从基本的线性模型变为更复杂的模型。如果您将您的算法应用于没有玩家 i 的模型的误差项，您实际上会计算出类似于库克与某个玩家的距离的东西。结合DFFITS度量和杠杆，它通常用于检测回归中的异常值和/或影响点。

你也可以使用监督分类：你用真正的游戏玩家和已知的作弊者训练一个算法。那里有许多可用的技术，从神经网络和分类树到支持向量机和随机森林。

遗传算法也被越来越多地使用，因为随着时间的推移它们可以在知识上取得进步。如果您检查假定的作弊者，您可以 - 就像垃圾邮件过滤器一样 - 纠正错误分类的游戏玩家。当玩家是作弊者时，该算法将不断学习更好地预测。

正如 mbq 所提到的，没有示例数据就不可能给你一个算法；我什至不知道可以进行哪些测量。但这应该会给你一些关于可用方法的一些想法，从非常幼稚到非常复杂。如果您想进一步搜索一下，可以从欺诈检测中学到很多东西。

开始可能是惠勒和艾特肯的这篇文章。Kou 等人在这篇文章中发现了另一个有趣的可能技术概述（另一种出版物链接）

我将重新发布我在 math.stackexchange 上给出的答案：

您的问题需要更多信息：

他们的分数是如何产生的（这是什么类型的游戏）？您的非作弊数据应该是什么样的？人们如何作弊？当他们没有作弊时，他们的分数会有什么不同（在统计意义上）？你大致知道作弊的比例吗？还是您也想知道这一点？

我还会看看异常值检测算法：维基百科在这个主题上看起来很有用（链接）。如果您的非作弊数据应该大致呈正态分布，则对您的数据使用 QQ 图也可能很有用；明显高于该线的点可能是作弊者。