(12)发明专利申请
(10)申请公布号 CN 112402982 A(43)申请公布日 2021.02.26
(21)申请号 202010090357.9(22)申请日 2020.02.13
(71)申请人 上海哔哩哔哩科技有限公司
地址 200433 上海市杨浦区政立路485号国
正中心3号楼(72)发明人 侯庭凯 鄢彪 李昊峰 张怡 (74)专利代理机构 北京英特普罗知识产权代理
有限公司 11015
代理人 王勇 邓小玲(51)Int.Cl.
A63F 13/75(2014.01)G06N 20/10(2019.01)
权利要求书2页 说明书10页 附图7页
(54)发明名称
基于机器学习的用户作弊行为检测方法和系统
(57)摘要
本申请实施例公开了一种基于机器学习的用户作弊行为检测方法，包括：接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；基于每组战斗数据的目标角色的角色数据和预测模型，获取目标用户在每次游戏对局中的预测战斗结果；根据每次游戏对局的预测战斗结果和每次游戏对局的上报战斗结果，计算多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；判断目标偏移值是否位于预设偏移范围内；如果目标偏移值没有位于预设偏移范围内，则确定目标用户具有作弊行为。本申请实施例可以检测网络游戏中的作弊行为。
CN 112402982 ACN 112402982 A
权 利 要 求 书
1/2页
1.一种基于机器学习的用户作弊行为检测方法，其特征在于，包括：
接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；
基于所述每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果；
根据所述每次游戏对局的预测战斗结果和所述每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；
判断所述目标偏移值是否位于预设偏移范围内；及如果所述目标偏移值没有位于所述预设偏移范围内，则确定所述目标用户具有作弊行为。
2.根据权利要求1所述的基于机器学习的用户作弊行为检测方法，其特征在于，所述多组战斗数据包括N组战斗数据，N为≥2的正整数；
基于每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果，包括：
将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，所述第i组战斗数据对应第i次游戏对局，1≤i≤N；
将所述目标战斗力特征值和所述第i次游戏对局中的其他角色的战斗力特征值输入到所述预测模型中，以得到所述目标用户在所述第i次游戏对局中的预测战斗结果。
3.根据权利要求2所述的用户作弊行为检测方法，其特征在于，所述预测模型基于支持向量机算法训练得到。
4.根据权利要求2所述的基于机器学习的用户作弊行为检测方法，其特征在于，所述第i组战斗数据的目标角色的角色数据包括所述目标角色的多个角色属性；
将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，包括：对第i组战斗数据中的目标角色的多个角色属性执行加权求和操作，得到所述目标战斗力特征值。
5.根据权利要求1～4任意一项所述的基于机器学习的用户作弊行为检测方法，其特征在于，还包括：
如果所述目标偏移值没有位于所述预设偏移范围内，则锁定所述目标终端，以阻止所述目标终端的访问操作。
6.一种基于机器学习的用户作弊行为检测系统，其特征在于，所述系统包括：接收模块，用于接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；
获取模块，用于基于所述每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果；
计算模块，用于根据所述每次游戏对局的预测战斗结果和所述每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；
2
CN 112402982 A
权 利 要 求 书
2/2页
判断模块，用于判断所述目标偏移值是否位于预设偏移范围内；及确定模块，用于如果所述目标偏移值没有位于所述预设偏移范围内，则确定所述目标用户具有作弊行为。
7.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1至5任一项所述方法的步骤。
9.一种用于预测游戏战斗结果的预测模型训练方法，其特征在于，包括：获取多组样本战斗数据，每组样本战斗数据对应一次游戏对局，每组样本战斗数据包括在相应游戏对局中各个虚拟阵营的实际战斗结果和各个虚拟阵营中的各个角色的角色数据；
根据每组样本战斗数据中的各个角色的角色数据，获取每组样本战斗数据中的各个角色的战斗力特征值；及
根据每组样本战斗数据中的各个角色的战斗力特征值以及每组样本战斗数据对应的各个虚拟阵营的实际战斗结果，训练预选取的机器学习模型以得到预测模型。
10.根据权利要求9所述的用于预测游戏战斗结果的预测模型训练方法，其特征在于，每组样本战斗数据中的各个角色的角色数据包括多个维度的多个角色属性，每组样本战斗数据中的各个角色的战斗力特征值是根据这组样本战斗数据中的相应角色的多个角色属性加权求和得到的。
3
CN 112402982 A
说 明 书
基于机器学习的用户作弊行为检测方法和系统
1/10页
技术领域
[0001]本申请实施例涉及计算机技术领域，尤其涉及一种基于机器学习的用户作弊行为检测方法、系统、计算机设备、计算机可读存储介质以及用于检测用户作弊行为的预测模型训练方法。
背景技术
[0002]网络游戏是指以网络为传输媒介，以游戏运营商服务器和用户计算机为处理终端，以游戏客户端软件为信息交互窗口的旨在实现娱乐、休闲、交流和取得虚拟成就的多人在线游戏，如在线对战游戏。随着网络游戏的发展，玩家对游戏的画面表现有了越来越高的要求，导致游戏的战斗计算量非常大。为降低服务器计算负担，有时会让用户终端承担部分战斗计算负担，即由用户终端把战斗结果上报给服务器，服务器根据用户终端上报的战斗结果发放获得相应的奖励。[0003]然而，由用户终端把战斗结果上报给服务器的方式存在安全风险，一些用户通过使用作弊程序，通过用户终端篡改游戏战斗结果并将篡改后游戏战斗结果上报给服务器，从而通过这种作弊的手段在游戏中获取游戏奖励，这种作弊行为严重破坏了公平性。因此，如何检测网络游戏中的作弊行为成为了网络游戏行业的关注热点之一。
发明内容
[0004]有鉴于此，本申请实施例的目的是提供一种基于机器学习的用户作弊行为检测方法、系统、计算机设备及计算机可读存储介质，用于解决如何检测网络游戏中的作弊行为的问题。
[0005]本申请实施例的一个方面提供了一种基于机器学习的用户作弊行为检测方法，包括：接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；基于所述每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果；根据所述每次游戏对局的预测战斗结果和所述每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；判断所述目标偏移值是否位于预设偏移范围内；及如果所述目标偏移值没有位于所述预设偏移范围内，则确定所述目标用户具有作弊行为。[0006]可选的，所述多组战斗数据包括N组战斗数据，N为≥2的正整数；基于每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果，包括：将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，所述第i组战斗数据对应第i次游戏对局，1≤i≤N；将所述目标战斗力特征值和所述第i次游戏对局中的其他角色的战斗力特征值输入到所述预测模型中，以得到所述目标用户在所述第i次游戏对局中的预测战斗结果。[0007]可选的，所述预测模型基于支持向量机算法训练得到。
4
CN 112402982 A[0008]
说 明 书
2/10页
可选的，所述第i组战斗数据的目标角色的角色数据包括所述目标角色的多个角
色属性；将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，包括：对第i组战斗数据中的目标角色的多个角色属性执行加权求和操作，得到所述目标战斗力特征值。
[0009]可选的，还包括：如果所述目标偏移值没有位于所述预设偏移范围内，则锁定所述目标终端，以阻止所述目标终端的访问操作。
[0010]本申请实施例的一个方面又提供了一种基于机器学习的用户作弊行为检测系统，包括：接收模块，用于接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；获取模块，用于基于所述每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果；计算模块，用于根据所述每次游戏对局的预测战斗结果和所述每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；判断模块，用于判断所述目标偏移值是否位于预设偏移范围内；及确定模块，用于如果所述目标偏移值没有位于所述预设偏移范围内，则确定所述目标用户具有作弊行为。[0011]本申请实施例的一个方面又提供了一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时用于实现上述基于机器学习的用户作弊行为检测方法的步骤。[0012]本申请实施例的一个方面又提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行上述基于机器学习的用户作弊行为检测方法的步骤。
[0013]本申请实施例的一个方面又提供了一种用于预测游戏战斗结果的预测模型训练方法，包括：获取多组样本战斗数据，每组样本战斗数据对应一次游戏对局，每组样本战斗数据包括在相应游戏对局中各个虚拟阵营的实际战斗结果和各个虚拟阵营中的各个角色的角色数据；根据每组样本战斗数据中的各个角色的角色数据，获取每组样本战斗数据中的各个角色的战斗力特征值；根据每组样本战斗数据中的各个角色的战斗力特征值以及每组样本战斗数据对应的各个虚拟阵营的实际战斗结果，训练预选取的机器学习模型以得到预测模型。
[0014]可选的，每组样本战斗数据中的各个角色的角色数据包括多个维度的多个角色属性，每组样本战斗数据中的各个角色的战斗力特征值是根据这组样本战斗数据中的相应角色的多个角色属性加权求和得到的。
[0015]本申请实施例提供的基于机器学习的用户作弊行为检测方法、系统、设备及计算机可读存储介质，基于目标用户在某个时间段的多次游戏对局的多个组战斗数据，得到多次游戏对局的多个预测战斗结果，并根据多个游戏对局的多个预测战斗结果和多个上报战斗结果判断目标用户在这个时间段内是否具有作弊行为。另外，相对于通过异常战斗来判断用户是否作弊，本申请通过某个时间段的整体检测方式，通过多次游戏对局中对应的多个行为进行作弊检测，从而具有更高的检测精度，且节省了在每次游戏对局过程中实时对异常战斗数据进行作弊检测的计算资源。
5
CN 112402982 A
说 明 书
3/10页
附图说明
[0016]图1示意性示出了根据本申请实施例一的基于机器学习的用户作弊行为检测方法的应用环境图；
[0017]图2示意性示出了根据本申请实施例一的基于机器学习的用户作弊行为检测方法的流程图；
[0018]图3为图2中步骤S202的具体流程图；[0019]图4为图3中步骤S300的具体流程图；
[0020]图5为示意性示出了某个游戏对局中的游戏画面；
[0021]图6示意性示出了根据本申请实施例一的基于机器学习的用户作弊行为检测方法的另一流程图；
[0022]图7示意性示出了根据本申请实施例二的基于机器学习的用户作弊行为检测系统的框图；
[0023]图8示意性示出了根据本申请实施例三的适于实现基于机器学习的用户作弊行为检测方法的计算机设备的硬件架构示意图；以及
[0024]图9示意性示出了根据本申请实施例五的用于检测用户作弊行为的预测模型训练方法的流程图。
具体实施方式
[0025]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0026]需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
[0027]下文将提供多个实施例，不难理解，下文提供的各个实施例可以用于解决上文描述的一个或多个技术问题。
[0028]图1示意性示出了根据本申请实施例一的基于机器学习的用户作弊行为检测方法的环境应用示意图。在示例性的实施例中，游戏服务平台2可以通过网络4连接多个用户终端(诸如，6A、6B、6C、6D、6E、6F、…)。
[0029]游戏服务平台2可以通过一个或多个网络4提供服务。网络4可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络4可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络4可以包括无线链路，例如蜂窝链路，卫星链路，Wi-Fi链路和/或类似物。
[0030]游戏服务平台2，可以由单个或多个计算机设备(如，服务器)组成。该单个或多个
6
CN 112402982 A
说 明 书
4/10页
计算设备可以包括虚拟化计算实例。虚拟化计算实例可以包括虚拟机，诸如计算机系统的仿真，操作系统，服务器等。计算设备可以基于定义用于仿真的特定软件(例如，操作系统，专用应用程序，服务器)的虚拟映像和/或其他数据来加载虚拟机。随着对不同类型的处理服务的需求改变，可以在一个或多个计算设备上加载和/或终止不同的虚拟机。可以实现管理程序以管理同一计算设备上的不同虚拟机的使用。[0031]用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以被配置为访问游戏服务平台2的内容和服务。用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以是任何类型的计算设备，诸如移动设备，平板设备，膝上型计算机，计算站，智能设备(例如，智能眼镜)，游戏设备，机顶盒，机器人，车载终端，智能电视，电视盒等。[0032]用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以与一个或多个用户相关联。单个用户可以使用用户终端6(诸如，6A、6B、6C、6D、6E、6F、…)中的一个或多个来访问游戏服务平台2。用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以使用不同的网络来访问游戏服务平台2。[0033]示例性的实施例中，用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以包括游戏客户端程序8。游戏客户端程序8向用户输出(例如，显示，呈现)内容。用户终端6可以包括终端接口10，该终端接口10可以包括输入元件。例如，输入元件可以被配置为接收用户指令。在一些实施例中，用户终端(诸如，6A、6B、6C、6D、6E、6F、…)可以根据用户输入的信息生成并发送游戏指令。[0034]实施例一
[0035]图2示意性示出了根据本申请实施例一的基于机器学习的用户作弊行为检测方法的流程图。可以理解，本方法实施例可以被执行在游戏服务平台2(单个或多个计算机设备)中，且本方法实施例的流程图不用于对执行步骤的顺序进行限定。[0036]如图2所示，该基于机器学习的用户作弊行为检测方法可以包括步骤S200～S208，其中：
[0037]步骤S200，游戏服务平台2接收目标用户通过目标终端(如，6A)上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据。[0038]游戏服务平台2为了减轻负担，可能将部分游戏计算任务下放给参与游戏对局中的用户终端。
[0039]当游戏服务平台2将涉及目标终端6A的战斗计算任务交由目标终端6A执行时，则目标终端6A需要对目标用户的目标账户在游戏对局中的战斗数据进行运算操作，并将目标用户的目标账户在游戏对局中的战斗数据和战斗结果上报给游戏服务平台2，该上报给游戏服务平台2的战斗结果又称之为上报战斗结果。
[0040]游戏服务平台2接收目标终端6A上报的多组战斗数据。以天为单位，如果目标用户通过目标终端6A进行了N次游戏对局，则目标终端6将N次游戏对局中产生的N组战斗数据上报给游戏服务平台2。即游戏服务平台2在这天从所述目标终端接收到了对应于N次游戏对局的N组战斗数据，每组战斗数据中包括对应游戏对局中的与目标用户对应的目标角色的角色数据和在该次游戏对局中目标用户的上报战斗结果(输赢结果)。需要说明的是，目标用户在每次游戏对局中的目标角色可以不同。以“三国杀”游戏为例，在这天的第一次游戏对局中，目标用户可能选择“周瑜”作为其在该次游戏对局中的虚拟角色，则在第一次游戏
7
CN 112402982 A
说 明 书
5/10页
对局中“周瑜”为目标角色；在第二次游戏对局中，目标用户可能选择“刘备”作为其在该次游戏对局中的虚拟角色，则在第二次游戏对局中“刘备”为目标角色。[0041]当然，游戏服务平台2也可以接收其他用户终端上报的战斗数据，如用户终端6B上报的战斗数据等。示例性的，目标终端6A和用户终端6B、6C、6D、6E、6F组团参加一个游戏对局，其中，目标终端6A和用户终端6B、6C这三方选择的角色为第一阵营，用户终端6D、6E、6F这三方选择的角色为第二阵营，且输赢结果在第一阵营和第二阵营的战斗中产生。在该示例性的游戏对局中，游戏服务平台2不仅接收目标终端6A产生的一组战斗数据(即，目标终端6A选择的目标角色“周瑜”的角色数据和上报战斗结果)，也接收其他用户终端上报的多组战斗数据，如：用户终端6B上报的一组战斗数据(即，用户终端6B选择的其他角色“曹操”的角色数据和上报战斗结果)、用户终端6C上报的一组战斗数据(即，用户终端6C选择的其他角色“典韦”的角色数据和上报战斗结果)、…。[0042]步骤S202，游戏服务平台2可以基于每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果。[0043]例如：
[0044]在第一次游戏对局中，将第一次游戏对局中产生的一组战斗数据输入到预测模型中，以得到在第一次游戏对局中所述目标用户的目标角色的预测战斗结果；[0045]在第二次游戏对局中，将第二次游戏对局中产生的一组战斗数据输入到预测模型中，以得到在第二次游戏对局中所述目标用户的目标角色的预测战斗结果；[0046]以此类推，游戏服务平台2可以得到所述目标用户在每次游戏对局中的预测战斗结果。
[0047]每次游戏对局中产生的一组战斗数据均包括上报战斗结果和目标角色的角色数据。其中，角色数据包括多个维度的多个角色属性，如代表攻击力的角色属性、代表攻击动作的角色属性等。在一些实施例中，所述多个角色属性可以是游戏中预先设定的一些自定义属性，如：物理攻击力、魔法攻击力、物理防御力、魔法攻击力、物理暴击、魔法暴击、HP、TP自动回复、回避、回复量上升、HP自动回复、TP上升、HP吸收、TP消费减少、移动速度、普攻间隔。不难理解，游戏服务平台2要将上述所有角色数据作为预测模型的输入，无疑会消耗过多的运算资源。
[0048]为了降低预测过程的计算运算量，改变输入到预测模型中的输入参数，即将原本输入到预测模型中的多个维度的多个角色属性进行特征提取，将特征提取得到的战斗力特征值作为预测模型的输入。假设目标终端6A上报的多组战斗数据包括N组战斗数据，N为≥2的正整数。如图3所示，步骤S202包括以下步骤：步骤S300，将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，所述第i组战斗数据对应第i次游戏对局，1≤i≤N；步骤S302，将所述目标战斗力特征值和所述第i次游戏对局中的其他角色的战斗力特征值输入到所述预测模型中，以得到所述目标用户在所述第i次游戏对局中的预测战斗结果。步骤S300和S302可以被循环操作，直至得到与N次游戏对局对应的N个预测战斗结果。[0049]不难理解，所述第i组战斗数据的目标角色的角色数据包括所述目标角色的多个角色属性，如图4所示，步骤S300可以通过如下步骤实现，步骤S300'：对第i组战斗数据中的目标角色的多个角色属性执行加权求和操作，得到所述目标战斗力特征值，如下：[0050]source_factor＝∑factor_scorej*wj
8
CN 112402982 A[0051]
说 明 书
6/10页
其中，∑factor_scorej表示目标角色的第j个角色属性，wj表示目标角色的第j个
角色属性的加权系数，source_factor表示第i组战斗数据所对应的第i次游戏对局中的目标角色的战斗力特征值，各个角色数据的加权系数是通过人工或通过其他方式预先设置的。
[0052]举例而言：如图5所示，目标终端6A和用户终端6B、6C、6D、6E、6F组团参加一个游戏对局，其中，目标终端6A和用户终端6B、6C这三方选择的角色为第一阵营，用户终端6D、6E、6F这三方选择的角色为第二阵营，且输赢结果在第一阵营和第二阵营的战斗中产生。游戏服务平台2接收目标终端6A产生的一组战斗数据(即，目标终端6A选择的目标角色“周瑜”的角色数据和上报战斗结果)，和接收其他用户终端上报的多组战斗数据，如：用户终端6B上报的一组战斗数据(即，用户终端6B选择的其他角色“曹操”的角色数据和上报战斗结果)、用户终端6C上报的一组战斗数据(即，用户终端6C选择的其他角色“典韦”的角色数据和上报战斗结果)、…。游戏服务平台2将目标终端6A提供的目标角色“周瑜”的角色数据转化为目标战斗力特征值800，将用户终端6B选择的其他角色“曹操”的角色数据转化为战斗力特征值1001，以此类推并最终得到该次游戏对局中的各个角色的战斗力特征值如下:第一阵营：目标角色“周瑜”的目标战斗力特征值为800、角色“曹操”的战斗力特征值为1001、角色“黄盖”的战斗力特征值为500；第二阵营：角色“诸葛亮”的战斗力特征值为500、角色“典韦”的战斗力特征值为600、角色“司马懿”的战斗力特征值为1100。游戏服务平台2根据上述多个战斗力特征值生成参数向量(800，1001，500，500，600，1100)，然后将所述参数向量输入到所述预测模型中，以便所述预测模型输出第一阵营或第二阵营的预测战斗结果(预测战斗输赢)。
[0053]在示例性的实施例中，所述预测模型基于支持向量机(Support Vector Machine，SVM)算法训练得到。通过SVM算法的linear核函数计算多个战斗数据求出超平面进行线上实时预测，通过该方法预测的战斗输赢准确率高达90％。SVM算法是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。SVM算法使用铰链损失函数(hinge loss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。SVM算法可以通过核方法(kernel method)进行非线性分类。[0054]步骤S204，游戏服务平台2可以根据每次游戏对局的预测战斗结果和每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值。
[0055]继续以天为单位，如果目标用户通过目标终端6A进行了10次游戏对局，目标终端6A的上报战斗结果依次为：赢、输、输、赢、输、赢、赢、赢、赢、输。游戏服务平台2得到所述目标用户的预测战斗结果依次为：输、输、输、输、赢、输、输、输、赢、输。计算方式一：游戏服务平台2可以统计预测战斗结果和上报战斗结果不一致的游戏对局次数，并将预测战斗结果和上报战斗结果不一致的游戏对局次数和游戏对局总次数之间的比值作为所述目标偏移值。具体的，示例性的10次游戏对局中，预测战斗结果和上报战斗结果不一致的游戏对局次数有6次，则所述目标偏移值为0.6。计算方式二：游戏服务平台2可以统计所有预测战斗结果中的战胜比例和所有上报战斗结果中的战胜比例，将所有预测战斗结果中的战胜比例和
9
CN 112402982 A
说 明 书
7/10页
所有上报战斗结果之差作为所述目标偏移值。具体的，示例性的10次游戏对局中，所有预测战斗结果中的战胜比例0.2，所有上报战斗结果中的战胜比例为0.6，所述目标偏移值为0.4。上述两种计算方式仅是示例性的，并不用于限制本申请适用其他计算方式。[0056]步骤S206，游戏服务平台2判断所述目标偏移值是否位于预设偏移范围内。[0057]所述预设偏移范围可以是先验值，也可视预设模型的预测精度来调整值的大小。[0058]步骤S208，如果所述目标偏移值没有位于所述预设偏移范围内，游戏服务平台2则确定所述目标用户具有作弊行为。
[0059]如果目标偏差值超过所述预设偏移范围，则说明目标用户有作弊嫌疑以骗取奖励。因此，游戏服务平台2需要执行相应的后续操作，例如生成短信或邮件内容并触发短信系统或邮箱系统以通知后台运营人员，以使后天运营人员对目标用户进行重点监控。[0060]在示例性的实施例中，为防止继续作弊，如图6所示，所述基于机器学习的用户作弊行为检测方法还包括步骤S210：如果所述目标偏移值没有位于所述预设偏移范围内，则锁定所述目标终端6A，以阻止所述目标终端6A的访问操作。
[0061]本申请实施例提供的基于机器学习的用户作弊行为检测方法，基于目标用户的某个时间段的多次游戏对局的多个组战斗数据得到多次游戏对局的多个预测战斗结果，并根据多个游戏对局的多个预测战斗结果和多个上报战斗结果判断目标用户在这个时间段内是否具有作弊行为。[0062]需要说明是，相对于通过异常战斗来判断用户是否作弊，本申请通过某个时间段的整体检测方式，通过多次游戏对局中对应的多个行为进行作弊检测，从而具有更高的检测精度，且节省了在每次游戏对局过程中实时对异常战斗数据进行作弊检测的计算资源。[0063]实施例二
[0064]图7示意性示出了根据本申请实施例二的基于机器学习的用户作弊行为检测系统的框图，该基于机器学习的用户作弊行为检测系统可以被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本申请实施例。本申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，以下描述将具体介绍本实施例中各程序模块的功能。[0065]如图7所示，该基于机器学习的用户作弊行为检测系统700可以包括接收模块710、获取模块720、计算模块730、判断模块740，以及确定模块750，其中：[0066]接收模块710，用于接收目标用户通过目标终端上报的多次游戏对局对应的多组战斗数据，每组战斗数据对应一次游戏对局，每组战斗数据包括在相应游戏对局中的上报战斗结果和目标角色的角色数据；[0067]获取模块720，用于基于所述每组战斗数据的目标角色的角色数据和预测模型，获取所述目标用户在每次游戏对局中的预测战斗结果；[0068]计算模块730，用于根据所述每次游戏对局的预测战斗结果和所述每次游戏对局的上报战斗结果，计算所述多次游戏对局对应的多个预测战斗结果和多个上报战斗结果之间的目标偏移值；[0069]判断模块740，用于判断所述目标偏移值是否位于预设偏移范围内；及[0070]确定模块750，用于如果所述目标偏移值没有位于所述预设偏移范围内，则确定所述目标用户具有作弊行为。
10
CN 112402982 A[0071]
说 明 书
8/10页
在示例性的实施例中，所述多组战斗数据包括N组战斗数据，N为≥2的正整数。所
述获取模块720，还用于：将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，所述第i组战斗数据对应第i次游戏对局，1≤i≤N；将所述目标战斗力特征值和所述第i次游戏对局中的其他角色的战斗力特征值输入到所述预测模型中，以得到所述目标用户在所述第i次游戏对局中的预测战斗结果。[0072]在示例性的实施例中，所述预测模型基于支持向量机算法训练得到。[0073]在示例性的实施例中，所述第i组战斗数据的目标角色的角色数据包括所述目标角色的多个角色属性。将第i组战斗数据中的目标角色的角色数据转化为目标战斗力特征值，包括：对第i组战斗数据中的目标角色的多个角色属性执行加权求和操作，得到所述目标战斗力特征值。
[0074]在示例性的实施例中，基于机器学习的用户作弊行为检测系统700还可以包括锁定模块，用于：如果所述目标偏移值没有位于所述预设偏移范围内，则锁定所述目标终端，以阻止所述目标终端的访问操作。[0075]实施例三
[0076]图8示意性示出了根据本申请实施例三的适于实现基于机器学习的用户作弊行为检测方法的计算机设备的硬件架构示意图。该计算机设备2可以是游戏服务平台或游戏服务平台中的一个节点设备。本实施例中，计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图8所示，计算机设备2至少包括但不限于：可通过系统总线相互通信链接存储器810、处理器820、网络接口830。其中：
[0077]存储器810至少包括一种类型的计算机可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器810可以是计算机设备2的内部存储模块，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器810也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，存储器810还可以既包括计算机设备2的内部存储模块也包括其外部存储设备。本实施例中，存储器810通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如基于机器学习的用户作弊行为检测方法的程序代码等。此外，存储器810还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0078]处理器820在一些实施例中可以是中央处理器(Central Processing Unit，简称为CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器820通常用于控制计算机设备2的总体操作，例如执行与计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，处理器820用于运行存储器810中存储的程序代码或者处理数据。[0079]网络接口830可包括无线网络接口或有线网络接口，该网络接口830通常用于在计算机设备2与其他计算机设备之间建立通信链接。例如，网络接口830用于通过网络将计算机设备2与外部终端相连，在计算机设备2与外部终端之间的建立数据传输通道和通信链接
11
CN 112402982 A
说 明 书
9/10页
等。网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，简称为GSM)、宽带码分多址(Wideband Code Division Multiple Access，简称为WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
[0080]需要指出的是，图8仅示出了具有部件810-830的计算机设备，但是应该理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。[0081]在本实施例中，存储于存储器810中的基于机器学习的用户作弊行为检测系统还可以被分割为一个或者多个程序模块，并由一个或多个处理器(本实施例为处理器820)所执行，以完成本申请。[0082]实施例四
[0083]本实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例中的基于机器学习的用户作弊行为检测方法的步骤。
[0084]本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中的基于机器学习的用户作弊行为检测方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。[0085]实施例五
[0086]图9示意性示出了根据本申请实施例五的用于检测用户作弊行为的预测模型训练方法的流程图。可以理解，本方法实施例可以被执行在单个计算机设备或分布式计算机设备中，且本方法实施例的流程图不用于对执行步骤的顺序进行限定。[0087]如图9所示，该基于机器学习的用户作弊行为检测方法可以包括步骤S900～S904，其中：
[0088]步骤S900，获取多组样本战斗数据，每组样本战斗数据对应一次游戏对局，每组样本战斗数据包括在相应游戏对局中各个虚拟阵营的实际战斗结果和各个虚拟阵营中的各个角色的角色数据。[0089]即，收集多个非作弊游戏对局的多组战斗数据，将每次游戏对局的虚拟阵营、属性、实际战斗结果等为基准数据。[0090]步骤S902，根据每组样本战斗数据中的各个角色的角色数据，获取每组样本战斗数据中的各个角色的战斗力特征值。[0091]例如，定义角色战斗力计算函数，将各个角色的角色数据转换成战斗力特征值，变成机器语言；将多维的角色数据降维度构造关键二维特征数据并作预处理，并且对各个角
12
CN 112402982 A
说 明 书
10/10页
色的角色数据进行去量纲化、规范化等。[0092]步骤S904，根据每组样本战斗数据中的各个角色的战斗力特征值以及每组样本战斗数据对应的各个虚拟阵营的实际战斗结果，训练预选取的机器学习模型以得到预测模型。
[0093]机器学习模型可以是支持向量机或其他模型，如深度神经网络模型。当机器学习模型为支持向量机时，可以通过linear核函数对处理后的多组样本战斗数据进行训练，构建用于预测战斗结果的预测模型。[0094]在示例性的实施例中，每组样本战斗数据中的各个角色的角色数据包括多个维度的多个角色属性，每组样本战斗数据中的各个角色的战斗力特征值是根据这组样本战斗数据中的相应角色的多个角色属性加权求和得到的。[0095]本实施例提供的预测模型训练方法，改变输入到机器学习模型中的输入参数，即将原本输入到机器学习模型中的多个维度的多个角色属性进行特征提取，将特征提取得到的战斗力特征值作为机器学习模型的输入，有效降低训练过程的计算运算量。[0096]显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。
[0097]以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
13
CN 112402982 A
说 明 书 附 图
1/7页
图1
14
CN 112402982 A
说 明 书 附 图
2/7页
图2
15
CN 112402982 A
说 明 书 附 图
3/7页
图3
图4
16
CN 112402982 A
说 明 书 附 图
4/7页
图5
17
CN 112402982 A
说 明 书 附 图
5/7页
图6
18
CN 112402982 A
说 明 书 附 图
6/7页
图7
图8
19
CN 112402982 A
说 明 书 附 图
7/7页
图9
20
因篇幅问题不能全部显示，请点此查看更多更全内容