CN101187959A - 基于决策树的游戏作弊检测方法 - Google Patents

基于决策树的游戏作弊检测方法 Download PDF

Info

Publication number
CN101187959A
CN101187959A CNA2006101458084A CN200610145808A CN101187959A CN 101187959 A CN101187959 A CN 101187959A CN A2006101458084 A CNA2006101458084 A CN A2006101458084A CN 200610145808 A CN200610145808 A CN 200610145808A CN 101187959 A CN101187959 A CN 101187959A
Authority
CN
China
Prior art keywords
decision tree
data
characteristic attribute
player
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2006101458084A
Other languages
English (en)
Other versions
CN101187959B (zh
Inventor
赵睿
顾翀
王坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN2006101458084A priority Critical patent/CN101187959B/zh
Publication of CN101187959A publication Critical patent/CN101187959A/zh
Application granted granted Critical
Publication of CN101187959B publication Critical patent/CN101187959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于决策树的游戏作弊检测方法。为解决现有技术中防御方式被动无法检测出外挂的问题而发明。本发明的方法包括以下步骤：定时在玩家信息数据库中提取无冗余的特征属性数据集合；将该特征属性数据集合分为特征属性训练数据和特征属性测试数据；由特征属性训练数据生成决策树，并通过特征属性测试数据对决策书进行裁剪生成目标决策树模型；对该目标决策树进行评估，得到适合的目标决策树模型；对目标决策树进行分析处理生成分类玩家数据库后，对分类玩家数据进行联机分析处理来检测出带有外挂的作弊玩家。本发明能够利用主动防御的模式使用数据挖掘的方法进行数据挖掘分析，检测出作弊的玩家，提高了网络联机游戏中防外挂的能力。

Description

基于决策树的游戏作弊检测方法
技术领域
本发明涉及网络连机中游戏作弊检测方法，特别涉及基于决策树的游戏作弊检测方法。
背景技术
数据挖掘，指的是从大型数据库或数据仓库中提取所需求的内容，通常需求内容是隐含的、事先未知的潜在有用信息。数据挖掘是一个高级的处理过程，它从数据集中识别出以模式来表示的知识。高级的处理过程是指一个多步骤的处理过程，步骤之间相互影响、反复调整，形成一种螺旋式上升的过程。数据挖掘的任务是从数据中发现模式。模式是一个用语言L来表示的一个表达式E，它可用来描述数据集F中数据的特性，E所描述的数据是集合F的一个子集FE。E作为一个模式要求它比列举数据子集FE中所有元素的描述方法简单。OLAP技术使数据仓库能够快速响应重复而复杂的分析查询，从而使数据仓库能有效地用于联机分析。OLAP的多维数据模型和数据聚合技术可以组织并汇总大量的数据，以便能够利用联机分析和图形工具迅速对数据进行评估。
在网络游戏中很多都是用外挂进行游戏的，现有防外挂技术的起点是代码安全，保护重点通常是游戏的客户端执行代码。通过局部对抗外挂开发者可能采用的分析、调试和跟踪手段，防止外挂程序修改代码等等。为防止外挂侵入程序，通常会采用执行代码抽取技术实现代码安全。同时增加网游客户端软件的加密点来进一步控制游戏安全。但是，这种防御模式偏于被动，现有的外挂软件通过截获网络数据包，可以绕过客户端的安全防线，模拟客户端发包，进而修改数据服务器，达到欺诈的目的。
发明内容
为了克服现有技术的缺陷和不足，本发明的目的在于提供一种基于决策树的游戏作弊检测方法，能够通过主动防御的模式进行数据挖掘分析，提高网络联机游戏中防外挂的能力。
为了达到上述目的，本发明一种基于决策树的游戏作弊检测方法，包括以下步骤：
(1)定时在玩家信息数据库中提取无冗余的特征属性数据集合；
(2)将该特征属性数据集合分为特征属性训练数据和特征属性测试数据；
(3)由特征属性训练数据生成决策树，并通过特征属性测试数据对决策书进行裁剪生成目标决策树模型；
(4)对该目标决策树进行评估，得到适合的目标决策树模型；
(5)对目标决策树进行分析处理生成分类玩家数据库后，对分类玩家数据进行联机分析处理来检测出带有外挂的作弊玩家。
优选地，所述步骤(1)具体为：
(11)定时对玩家信息数据库的记录进行数据清洗，将冗余的或无关的数据从数据集中删除；
(12)提取玩家信息数据库中无冗余的数据组成特征属性数据集合。
优选地，所述步骤(3)具体为：
(31)将特征属性训练数据进行切分处理得到预定的决策树层数，并选择裁剪节点生成决策树；
(32)使用特征属性测试数据的分类属性对决策树进行裁剪处理，生成目标决策树模型。
优选地，所述步骤(4)具体为：
(41)使用特征属性测试数据分别对该生成的目标决策树模型和正在使用的决策树模型进行评估，如果评估结果大于预先设定的误差阀值，则返回步骤(3)；否则，进入步骤(42)；
(42)判断生成的目标决策树模型的误差值是否大于正在使用的目标决策树模型，如果判断结果为是，则使用该正在使用的目标决策树模型；如果判断结果为否，则使用该生成的目标决策树模型。
优选地，所述步骤(5)具体为：
(51)对目标决策树进行分析，生成分类规则集；
(52)使用该分类规则集，生成分类玩家数据库；
(53)对分类玩家数据进行联机分析处理，检测出作弊玩家及其外挂的功能。
优选地，所述切分处理的方法为：
对特征属性训练数据进行不断的切分，每一次对应一个游戏人物特征属性的判断并同时对应一个节点，直到切分的层数达到了预定的层数为止。
优选地，所述裁剪处理的方法为：
当测试玩家数据进入决策树并到达叶节点时，测试玩家数据的分类属性与叶子节点的分类属性比较得到每个枝条的出错率，通过对每个枝条的出错率进行加权平均，计算出不剪枝该节点的错误率，并判断裁剪是否能够降低错误率，如果是，则剪掉该节点的所有子节点后，通过测试玩家数据校验出错率，生成错误率小的目标决策树模型。
采用上述的方法后，通过对定时的生成新的目标决策树模型进行评估，来获得外挂检测最合适的目标决策树模型，并生成分类玩家数据库后进行联机分析处理来检测出带有外挂的作弊玩家，能够利用主动防御的模式使用数据挖掘的方法通过对服务器数据库用户的定时记录进行数据挖掘分析，决定哪个任务属性域作为目前最好的分类指标，检测出作弊的玩家，提高了网络联机游戏中防外挂的能力。
附图说明
图1是本发明中数据流的整个执行过程的流程图；
图2是本发明用户信息检测的具体流程图；
图3是本发明的网络拓扑结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细说明。
本发明使用一种主动防御的模式使用数据挖掘的方法通过对服务器数据库用户的定时记录进行数据挖掘分析，决定哪个任务属性域作为目前最好的分类指标，本发明的做法是穷尽所有的属性域，对每个属性域分裂的好坏做出量化，计算出最好的一个分裂，量化的标准是计算每个分裂的多样性。
如图1和图3所示，分别为本发明中数据流的执行过程的流程和本发明的网络拓扑结构；
游戏服务器GameServer通过Internet提供给通过路由器Router接入的游戏客户端GameClient网络游戏服务，数据库服务器DataBase Server并行和游戏服务器连接于Internet，数据库服务器定时获取游戏玩家的信息，并建立决策树模型后，生成分类玩家数据库，数据挖掘服务器对该生成的分类玩家数据库中的玩家数据进行联机分析处理(OLAP)后，就能检测到作弊的玩家及其使用的外挂功能。
上述的数据库服务器建立决策树模型并生成分类玩家数据库的具体过程为：定时在玩家信息数据库中提取无冗余的特征属性数据集合组成初始数据；并将初始数据分成两部分，一部分是训练数据、另一部分是测试数据；通过训练数据的切分能够生成初始决策树，在利用测试数据对生成的初始决策树进行决策树的裁剪，得到目标决策树模型，在对该决策树模型进行决策模型评估后，得到一个检测玩家外挂最合适的目标决策树模型，最后对得到的目标决策树模型进行分析处理生成玩家分类数据库(如图1所示)。
上述的数据挖掘服务器对生成的分类玩家数据库中玩家数据进行联机分析处理(OLAP)具体包括作弊玩家的分析、游戏漏洞的分析、外挂功能的分析(如图1所示)。
如图2所示，本发明外挂玩家的具体检测过程包括以下步骤：
(201)准备生成模型的初始数据，初始数据可以通过历史数据进行获得，也可以通过指派训练玩家获得。具体方法是从玩家信息数据库的记录进行数据清洗，数据清洗是将冗余的、或无关的数据从数据集中剔除，提取相关的无冗余的特征属性数据集合；
(202)将整理好的初始数据集，分成两部分为训练数据和测试数据；
(203)将训练数据作为决策树生成算法的输入，同时定义决策树层数，以及分裂参数，选择剪裁节点，生成原始决策树；
其中，所使用的方法就是使用Clementine C5.0算法，建立决策树。建立决策树的过程就是把游戏用户记录集进行切分的过程，每次切分都对应一个游戏人物属性的判断，同时每个切分也对应一个节点，在决策树达到预先定义的深度后，停止生长。这时内部节点成为一个叶子节点，叶子取子集中最大的类作为自己的分类标识。
(204)使用测试数据对决策树进行裁剪，生成目标决策树模型；
所使用的方法就是在测试玩家数据进入决策树并到达叶节点时，测试玩家数据的分类属性与叶子节点的分类属性不同，这时称为发生了分类错误，当决策树建好之后，对每个内部节点，通过每个枝条的出错率进行加权平均，计算如果不剪枝该节点的错误率；如果裁减能够降低错误率，那么该节点的所有儿子就被剪掉，而该节点成为一片叶子。出错率再用测试数据校验，最终形成一棵错误率尽可能小的决策树模型。由于，作弊方法的不断进化，仅仅使用固定的决策树模型是不够的，这里需要每隔一段时间都要产生新的决策树模型。
(205)对目标决策树模型进行评估；具体评估方法是：最新的测试数据分别对最新决策树模型和正使用中的决策树模型进行评估，若评估结果大于误差阀值，则返回步骤(202)；否则，若新决策树模型的误差值小于正使用中的决策树模型，这原有模型被新模型替代，反之则仍使用原有决策树模型。
(206)分析目标决策树，生成分类规则集，并使用该分类规则集，生成分类玩家数据库；
(207)对分类玩家数据进行OLAP分析，得到用户作弊玩家，外挂功能，游戏功能漏洞的可视化结果。
进行上述的操作后，就将最终结果发送到监控中心Monitor Center，进行游戏玩家用户锁定(如图1所示)。
本发明通过对定时的生成新的目标决策树模型进行评估，来获得外挂检测最合适的目标决策树模型，并生成分类玩家数据库后进行联机分析处理来检测出带有外挂的作弊玩家，能够利用主动防御的模式使用数据挖掘的方法通过对服务器数据库用户的定时记录进行数据挖掘分析，决定哪个任务属性域作为目前最好的分类指标，检测出作弊的玩家，提高了网络联机游戏中防外挂的能力。

Claims (7)

1.一种基于决策树的游戏作弊检测方法，其特征在于，包括以下步骤：
(1)定时在玩家信息数据库中提取无冗余的特征属性数据集合；
(2)将该特征属性数据集合分为特征属性训练数据和特征属性测试数据；
(3)由特征属性训练数据生成决策树，并通过特征属性测试数据对决策书进行裁剪生成目标决策树模型；
(4)对该目标决策树进行评估，得到外挂检测最适合的目标决策树模型；
(5)对目标决策树模型进行分析处理生成分类玩家数据库后，对分类玩家数据进行联机分析处理来检测出带有外挂的作弊玩家。
2.按照权利要求1所述的基于决策树的游戏作弊检测方法，其特征在于，所述步骤(1)具体为：
(11)定时对玩家信息数据库的记录进行数据清洗，将冗余的或无关的数据从数据集中删除；
(12)提取玩家信息数据库中无冗余的数据组成特征属性数据集合。
3.按照权利要求2所述的基于决策树的游戏作弊检测方法，其特征在于，所述步骤(3)具体为：
(31)将特征属性训练数据进行切分处理得到预定的决策树层数，并选择裁剪节点生成决策树；
(32)使用特征属性测试数据的分类属性对决策树进行裁剪处理，生成目标决策树模型。
4.按照权利要求3所述的基于决策树的游戏作弊检测方法，其特征在于，所述步骤(4)具体为：
(41)使用特征属性测试数据分别对该生成的目标决策树模型和正在使用的决策树模型进行评估，如果评估结果大于预先设定的误差阀值，则返回步骤(3)；否则，进入步骤(42)；
(42)判断生成的目标决策树模型的误差值是否大于正在使用的目标决策树模型，如果判断结果为是，则使用该正在使用的目标决策树模型；如果判断结果为否，则使用该生成的目标决策树模型。
5.按照权利要求4所述的基于决策树的游戏作弊检测方法，其特征在于，所述步骤(5)具体为：
(51)对目标决策树模型进行分析，生成分类规则集；
(52)使用该分类规则集，生成分类玩家数据库；
(53)对分类玩家数据进行联机分析处理，检测出作弊玩家及其外挂的功能。
6.按照权利要求3所述的基于决策树的游戏作弊检测方法，其特征在于，所述切分处理的方法为：
对特征属性训练数据进行不断的切分，每一次对应一个游戏人物特征属性的判断并同时对应一个节点，直到切分的层数达到了预定的层数为止。
7.按照权利要求3所述的基于决策树的游戏作弊检测方法，其特征在于，所述裁剪处理的方法为：
当测试玩家数据进入决策树并到达叶节点时，测试玩家数据的分类属性与叶子节点的分类属性比较得到每个枝条的出错率，通过对每个枝条的出错率进行加权平均，计算出不剪枝该节点的错误率，并判断裁剪是否能够降低错误率，如果是，则剪掉该节点的所有子节点后，通过测试玩家数据校验出错率，生成错误率小的目标决策树模型。
CN2006101458084A 2006-11-17 2006-11-17 基于决策树的游戏作弊检测方法 Active CN101187959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2006101458084A CN101187959B (zh) 2006-11-17 2006-11-17 基于决策树的游戏作弊检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2006101458084A CN101187959B (zh) 2006-11-17 2006-11-17 基于决策树的游戏作弊检测方法

Publications (2)

Publication Number Publication Date
CN101187959A true CN101187959A (zh) 2008-05-28
CN101187959B CN101187959B (zh) 2012-05-16

Family

ID=39480346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2006101458084A Active CN101187959B (zh) 2006-11-17 2006-11-17 基于决策树的游戏作弊检测方法

Country Status (1)

Country Link
CN (1) CN101187959B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163251A (zh) * 2010-02-22 2011-08-24 深圳市腾讯计算机系统有限公司 一种游戏作弊的识别方法和设备
CN103108343A (zh) * 2011-11-15 2013-05-15 中国移动通信集团设计院有限公司 建立决策树的方法及装置、网络性能优化方法及装置
CN103678841A (zh) * 2012-09-03 2014-03-26 人人游戏网络科技发展（上海）有限公司 游戏的监控报警方法和设备
CN103853948A (zh) * 2012-11-28 2014-06-11 阿里巴巴集团控股有限公司 用户身份的识别、信息的过滤及搜索方法和服务器
CN104123592A (zh) * 2014-07-15 2014-10-29 清华大学 银行后台tps交易事件趋势预测方法及系统
CN104636631A (zh) * 2015-03-09 2015-05-20 江苏中康软件有限责任公司 一种基于糖尿病系统大数据的糖尿病概率计算方法
CN105233499A (zh) * 2015-09-25 2016-01-13 广州华多网络科技有限公司 一种游戏代码校验的方法及游戏客户端、系统
CN106326497A (zh) * 2016-10-10 2017-01-11 合网络技术（北京）有限公司 一种作弊视频用户识别方法及装置
CN106815451A (zh) * 2015-11-27 2017-06-09 北京全民互动科技有限公司 一种基于行为特性模型的网络游戏反外挂的解决方案
CN106991425A (zh) * 2016-01-21 2017-07-28 阿里巴巴集团控股有限公司 商品交易质量的检测方法和装置
CN107281755A (zh) * 2017-07-14 2017-10-24 网易（杭州）网络有限公司 检测模型的构建方法、装置、储存介质、处理器和终端
CN107632521A (zh) * 2017-08-30 2018-01-26 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制策略
CN107633302A (zh) * 2016-07-19 2018-01-26 珠海金山网络游戏科技有限公司 一种游戏策略的依赖实现系统和方法
CN107866072A (zh) * 2017-10-31 2018-04-03 浙江大学 一种采用增量决策树进行外挂检测的系统
CN110909630A (zh) * 2019-11-06 2020-03-24 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN111035937A (zh) * 2019-12-23 2020-04-21 上海米哈游网络科技股份有限公司 玩家数据处理方法、装置、服务器设备及存储介质
CN111444106A (zh) * 2020-04-09 2020-07-24 中国人民解放军国防科技大学 一种对软件可测试需求的分析方法及系统
CN111803956A (zh) * 2020-07-22 2020-10-23 网易（杭州）网络有限公司 游戏外挂行为的确定方法、装置、电子设备及存储介质
CN113553499A (zh) * 2021-06-22 2021-10-26 杭州摸象大数据科技有限公司 一种基于营销裂变的作弊探测方法、系统和电子设备

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163251A (zh) * 2010-02-22 2011-08-24 深圳市腾讯计算机系统有限公司 一种游戏作弊的识别方法和设备
CN103108343A (zh) * 2011-11-15 2013-05-15 中国移动通信集团设计院有限公司 建立决策树的方法及装置、网络性能优化方法及装置
CN103108343B (zh) * 2011-11-15 2016-01-27 中国移动通信集团设计院有限公司 建立决策树的方法及装置、网络性能优化方法及装置
CN103678841A (zh) * 2012-09-03 2014-03-26 人人游戏网络科技发展（上海）有限公司 游戏的监控报警方法和设备
CN103853948A (zh) * 2012-11-28 2014-06-11 阿里巴巴集团控股有限公司 用户身份的识别、信息的过滤及搜索方法和服务器
CN104123592B (zh) * 2014-07-15 2017-10-24 清华大学 银行后台tps交易事件趋势预测方法及系统
CN104123592A (zh) * 2014-07-15 2014-10-29 清华大学 银行后台tps交易事件趋势预测方法及系统
CN104636631A (zh) * 2015-03-09 2015-05-20 江苏中康软件有限责任公司 一种基于糖尿病系统大数据的糖尿病概率计算方法
CN104636631B (zh) * 2015-03-09 2018-06-05 江苏中康软件有限责任公司 一种利用糖尿病系统大数据预测糖尿病的装置
CN105233499A (zh) * 2015-09-25 2016-01-13 广州华多网络科技有限公司 一种游戏代码校验的方法及游戏客户端、系统
CN105233499B (zh) * 2015-09-25 2019-02-22 广州华多网络科技有限公司 一种游戏代码校验的方法及游戏客户端、系统
CN106815451A (zh) * 2015-11-27 2017-06-09 北京全民互动科技有限公司 一种基于行为特性模型的网络游戏反外挂的解决方案
CN106991425A (zh) * 2016-01-21 2017-07-28 阿里巴巴集团控股有限公司 商品交易质量的检测方法和装置
CN107633302A (zh) * 2016-07-19 2018-01-26 珠海金山网络游戏科技有限公司 一种游戏策略的依赖实现系统和方法
CN106326497A (zh) * 2016-10-10 2017-01-11 合网络技术（北京）有限公司 一种作弊视频用户识别方法及装置
CN107281755B (zh) * 2017-07-14 2020-05-05 网易（杭州）网络有限公司 检测模型的构建方法、装置、储存介质和终端
CN107281755A (zh) * 2017-07-14 2017-10-24 网易（杭州）网络有限公司 检测模型的构建方法、装置、储存介质、处理器和终端
CN107632521A (zh) * 2017-08-30 2018-01-26 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制策略
CN107632521B (zh) * 2017-08-30 2020-09-29 中国矿业大学 一种基于决策树和神经网络的恒电位仪控制方法
CN107866072A (zh) * 2017-10-31 2018-04-03 浙江大学 一种采用增量决策树进行外挂检测的系统
CN110909630A (zh) * 2019-11-06 2020-03-24 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN110909630B (zh) * 2019-11-06 2023-04-18 腾讯科技（深圳）有限公司 一种异常游戏视频检测方法和装置
CN111035937A (zh) * 2019-12-23 2020-04-21 上海米哈游网络科技股份有限公司 玩家数据处理方法、装置、服务器设备及存储介质
CN111444106A (zh) * 2020-04-09 2020-07-24 中国人民解放军国防科技大学 一种对软件可测试需求的分析方法及系统
CN111444106B (zh) * 2020-04-09 2023-09-01 中国人民解放军国防科技大学 一种对软件可测试需求的分析方法及系统
CN111803956A (zh) * 2020-07-22 2020-10-23 网易（杭州）网络有限公司 游戏外挂行为的确定方法、装置、电子设备及存储介质
CN111803956B (zh) * 2020-07-22 2024-02-09 网易（杭州）网络有限公司 游戏外挂行为的确定方法、装置、电子设备及存储介质
CN113553499A (zh) * 2021-06-22 2021-10-26 杭州摸象大数据科技有限公司 一种基于营销裂变的作弊探测方法、系统和电子设备

Also Published As

Publication number Publication date
CN101187959B (zh) 2012-05-16

Similar Documents

Publication Publication Date Title
CN101187959B (zh) 基于决策树的游戏作弊检测方法
CN107645503A (zh) 一种基于规则的恶意域名所属dga家族的检测方法
CN109543933B (zh) 一种网安人员技能测评系统
CN111773732B (zh) 目标游戏用户的检测方法、装置及设备
CN110012019A (zh) 一种基于对抗模型的网络入侵检测方法及装置
CN113179263A (zh) 一种网络入侵检测方法、装置及设备
CN108416891A (zh) 基于投票ip段的网络投票检测方法及装置
Joash Fernandes et al. Predicting plays in the national football league
Caliwag et al. Predicting basketball results using cascading algorithm
Tot et al. What are you looking at? Team fight prediction through player camera
Kröckel et al. Process mining of football event data: a novel approach for tactical insights into the game
Pérez‐Sánchez et al. A Bayesian asymmetric logistic model of factors underlying team success in top‐level basketball in Spain
Cavadenti et al. When cyberathletes conceal their game: Clustering confusion matrices to identify avatar aliases
Longley et al. The speed of human capital formation in the baseball industry: The information value of minor‐league performance in predicting major‐league performance
CN116248393A (zh) 一种内网数据传输漏洞扫描装置及系统
CN113722230B (zh) 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置
Cardoso et al. Data vs classifiers, who wins?
Horvat et al. Data-driven Basketball Web Application for Support in Making Decisions.
Nunes et al. Applying data mining techniques to football data from European championships
CN110061975A (zh) 一种基于离线流量包解析的仿冒网站识别方法及系统
KR101286652B1 (ko) 패킷 분석 장치, 시스템 및 방법
Oldham et al. Drafting agent-based modeling into basketball analytics
Schofield et al. The efficiency of the HyperPlay technique over random sampling
Gift Sequential judgment effects in the workplace: Evidence from the national basketball association
Subasingha et al. Novel method for cricket match outcome prediction using data mining techniques

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant