CN106603554A - 一种自适应实时视频数据的反作弊方法及装置 - Google Patents

Abstract

本发明实施例提供了一种自适应实时视频数据的反作弊方法及装置，其中方法包括：获取实时视频数据的IP地址及对应的多个播放用户；获取并根据IP地址在第一预设时段内的视频播放次数及多个播放用户中每个用户在第一预设时段内的视频播放次数，分别自适应地生成第一风险概率和第二风险概率；根据第一风险概率是否超出第一预设阈值判断IP地址是否为作弊IP，根据第二风险概率是否超出第二预设阈值判断用户是否为作弊用户；将作弊IP和作弊用户加至黑名单库，过滤掉作弊IP或者作弊用户的实时视频数据。本发明实施例可有效提高对实时数据是否为作弊数据的识别程度，降低大IP多用户的误判可能性，并能有效防止高风险播放用户再次作弊。

Description

一种自适应实时视频数据的反作弊方法及装置

技术领域

本发明涉及通信网络技术领域，特别是涉及一种自适应实时视频数据的反作弊方法及装置。

背景技术

视频观看已经成为中国网民在线娱乐生活最主要的组成部分，大剧、综艺、电影等各类内容都在网络上获得了流量和话题效应。但同时，一些企业或个人通过作弊手段提高某一视频的点击量，企图用“刷量”的方法达到制造虚高热度的目的。

由于实时数据会在很短时间内完成日志的收集、传送、反作弊、计算以及存储等操作，因此需要及时准确地识别作弊数据和正常数据。现有的实时视频数据反作弊方法一般为阈值限制方法，这种方法通过将用户的视频点击量与阈值对比，从而判断该用户的实时数据是否为作弊数据。如果视频点击量超过阈值，系统认为实时视频数据存在作弊行为，则过滤用户的实时视频数据。

但是，即使在正常情况下，视频数据播放高峰期和播放低谷期的点击量也存在巨大差别；并且，在例如小区、学校等共用一个大IP(Internet Protocol，网络协议)出口的网络中，也会产生很大的点击量。如果通过现有的阈值限制算法，可能会将播放高峰期或大IP出口的正常数据误判为作弊数据，也有可能将播放低谷期或小IP出口的作弊数据误判为正常数据。

因此，现有实时视频数据反作弊方法，识别实时数据是否为作弊数据的程度低，导致实时视频数据反作弊方法容易出现误判。

发明内容

本发明实施例的目的在于提供一种自适应实时视频数据的反作弊方法及装置，能够提高实时数据是否为作弊数据的识别程度。具体技术方案如下：

一种自适应实时视频数据的反作弊方法，包括：

获取实时视频数据对应的IP地址及与所述IP地址对应的多个播放用户；

获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述第一风险概率为：所述IP为作弊IP的概率，所述第二风险概率为：所述播放用户为作弊用户的概率；

根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据。

优选地，所述将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据之后，所述反作弊方法还包括：

当所述作弊IP或所述作弊用户在黑名单库中的时间超出所述作弊IP或作弊用户对应的过滤时段时，将所述作弊IP或所述作弊用户从所述黑名单库移除。

优选地，所述将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据之后，所述反作弊方法还包括：

在所述作弊IP或作弊用户对应的过滤时段内，当所述作弊IP或所述作弊用户作弊时，在所述过滤时段的基础上累加第二预设时段，并再次过滤所述作弊IP或所述作弊用户的实时视频数据。

优选地，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率中，

所述第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示所述IP地址为作弊IP，A₁表示所述IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示所述IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下所述IP地址的第一风险概率；

所述第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示所述播放用户为作弊用户，A₂表示所述播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示所述播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下所述播放用户的第二风险概率。

优选地，所述根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户，包括：

判断所述第一风险概率是否超出第一预设阈值；

如果所述第一风险概率超出第一预设阈值，判定所述IP地址为作弊IP，所述作弊IP对应的多个播放用户均为作弊用户，所述作弊用户对应的实时视频数据为作弊数据；

如果所述第一风险概率未超出第一预设阈值，判断所述第二风险概率是否超出第二预设阈值；

如果所述第二风险概率超出第二预设阈值，判定所述第二风险概率对应的播放用户为作弊用户，所述作弊用户对应的实时视频数据为作弊数据。

优选地，所述过滤所述作弊IP或所述作弊用户的实时视频数据，包括：

计算所述作弊IP或所述作弊用户对应的过滤时段，所述过滤时段为：所述第一风险概率与第二预设时段的乘积，或者为：所述第二风险概率与第二预设时段的乘积；

过滤所述作弊IP或所述作弊用户在所述过滤时段内的实时视频数据。

优选地，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，包括：

获取并根据所述IP地址在早高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述早高峰时间段内的实时视频数据的播放次数，分别生成早高峰时间段的第一风险概率和生成早高峰时间段的第二风险概率；

获取并根据所述IP地址在晚高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述晚高峰时间段内的实时视频数据的播放次数，分别生成晚高峰时间段的第一风险概率和生成晚高峰时间段的第二风险概率。

所述根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户，包括：

根据所述早高峰时间段的第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述早高峰时间段的第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

根据所述晚高峰时间段，调整所述第一预设阈值为第三预设阈值，并调整所述第二预设阈值为第四预设阈值；

根据所述晚高峰时间段的第一风险概率是否超出第三预设阈值，判断所述IP地址是否为作弊IP，根据所述晚高峰时间段的第二风险概率是否超出第四预设阈值，判断所述IP地址中的播放用户是否为作弊用户。

优选地，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，包括：

获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在所述第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述不同播放终端包括手机、平板电脑、电脑、智能电视。

一种自适应实时视频数据的反作弊装置，包括：

获取模块，用于获取实时视频数据对应的IP地址及与所述IP地址对应的多个播放用户；

生成模块，用于获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述第一风险概率为：所述IP为作弊IP的概率，所述第二风险概率为：所述播放用户为作弊用户的概率；

判断模块，用于根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

第一操作模块，用于将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据。

优选地，所述反作弊装置还包括：

移除模块，用于当所述作弊IP或所述作弊用户在黑名单库中的时间超出所述作弊IP或作弊用户对应的过滤时段时，将所述作弊IP或所述作弊用户从所述黑名单库移除。

优选地，所述反作弊装置还包括：

第二操作模块，用于在所述作弊IP或作弊用户对应的过滤时段内，当所述作弊IP或所述作弊用户作弊时，在所述过滤时段的基础上累加第二预设时段，并再次过滤所述作弊IP或所述作弊用户的实时视频数据。

优选地，所述生成模块中，

所述第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示所述IP地址为作弊IP，A₁表示所述IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示所述IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下所述IP地址的第一风险概率；

所述第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示所述播放用户为作弊用户，A₂表示所述播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示所述播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下所述播放用户的第二风险概率。

优选地，所述判断模块，进一步包括：

第一判断子模块，用于判断所述第一风险概率是否超出第一预设阈值；如果所述第一风险概率超出第一预设阈值，判定所述IP地址为作弊IP，所述作弊IP对应的多个播放用户均为作弊用户，所述作弊用户对应的实时视频数据为作弊数据；

第二判断子模块，用于如果所述第一风险概率未超出第一预设阈值，判断所述第二风险概率是否超出第二预设阈值；

如果所述第二风险概率超出第二预设阈值，判定所述第二风险概率对应的播放用户为作弊用户，所述作弊用户对应的实时视频数据为作弊数据。

优选地，所述第一操作模块，进一步包括：

计算子模块，用于计算所述作弊IP或所述作弊用户对应的过滤时段，所述过滤时段为：所述第一风险概率与第二预设时段的乘积，或者为：所述第二风险概率与第二预设时段的乘积；

过滤子模块，用于过滤所述作弊IP或所述作弊用户在所述过滤时段内的实时视频数据。

优选地，所述生成模块，进一步包括：

第一生成子模块，用于获取并根据所述IP地址在早高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述早高峰时间段内的实时视频数据的播放次数，分别生成早高峰时间段的第一风险概率和生成早高峰时间段的第二风险概率；

第二生成子模块，用于获取并根据所述IP地址在晚高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述晚高峰时间段内的实时视频数据的播放次数，分别生成晚高峰时间段的第一风险概率和生成晚高峰时间段的第二风险概率。

所述判断模块，进一步包括：

第三判断子模块，用于根据所述早高峰时间段的第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述早高峰时间段的第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

调整子模块，用于根据所述晚高峰时间段，调整所述第一预设阈值为第三预设阈值，并调整所述第二预设阈值为第四预设阈值；

第四判断子模块，用于根据所述晚高峰时间段的第一风险概率是否超出第三预设阈值，判断所述IP地址是否为作弊IP，根据所述晚高峰时间段的第二风险概率是否超出第四预设阈值，判断所述IP地址中的播放用户是否为作弊用户。

优选地，所述生成模块，进一步包括：

第三生成子模块，用于获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在所述第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述不同播放终端包括手机、平板电脑、电脑、智能电视。

本发明实施例提供的一种自适应实时视频数据的反作弊方法及装置，通过生成实时视频数据对应的IP地址的第一风险概率和与所述IP地址对应的多个播放用户的第二风险概率，根据生成的第一风险概率和第二风险概率是否超过阈值来判断IP地址和播放用户是否作弊，可以有效提高对实时视频数据是否为作弊数据的识别程度，降低大IP多用户的误判可能性；并且，通过根据不同的风险概率大小自适应生成不同的过滤时段，能够有效防止高风险播放用户再次作弊。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的自适应实时视频数据的反作弊方法的一种流程示意图；

图2为本发明实施例的自适应实时视频数据的反作弊方法的另一种流程示意图；

图3为本发明实施例的自适应实时视频数据的反作弊装置的一种结构示意图；

图4为本发明实施例的自适应实时视频数据的反作弊装置的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

方法实施例一

本发明实施例提供的自适应实时视频数据的反作弊方法的一种具体实施例，参考图1，图1为本发明实施例的自适应实时视频数据的反作弊方法的一种流程示意图，包括：

S101、获取实时视频数据对应的IP地址及与IP地址对应的多个播放用户。

通常小区、学校等用户集中的场所会共用一个大IP地址，因此，在一个大IP地址中，可能包含多个与大IP地址对应的实时视频数据播放用户。

可选地，系统通过播放日志获取当前实时视频数据的IP地址、播放用户账号等信息。在用户开始播放时，会发送一条用来记录用户的播放信息的播放日志，它通常记录有以下内容：实时视频数据的播放终端、当前播放终端的IP地址、实时视频数据的播放用户账号、实时视频数据的播放时间。

可选地，读取并处理播放日志过程为：播放日志流从日志机传输至Flume系统，Flume系统是一种日志采集、聚合和传输系统。Flume系统对播放日志流进行采集，然后将播放日志流传输至KAFKA系统中，KAFKA系统当于一个缓冲池，会缓存几分钟到几个小时的数据。然后Spark系统从KAFKA中读取数据进行计算，其中，Spark系统是一种开源流式数据处理计算引擎。

S102、获取并根据IP地址在第一预设时段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户在第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，第一风险概率为：IP为作弊IP的概率，第二风险概率为：播放用户为作弊用户的概率。

第一风险概率用来表示IP为作弊IP的概率，一旦系统判定IP为作弊IP，则作弊IP对应的所有播放用户均为作弊用户；第二风险概率用来表示播放用户为作弊用户的概率。第一预设时段，是技术人员根据实际情况预设的一段时间，例如，可以将第一预设时段设为10秒，这样就可以根据IP地址在10秒内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户在10秒内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率。

可选地，第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示IP地址为作弊IP，A₁表示IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下IP地址的第一风险概率。

举例说明，IP地址在10秒内的实时视频数据的播放次数为4次，IP地址在历史黑名单中的出现次数为8次，则计算得到的第一风险概率为4/8，即50％，表明IP地址为作弊IP的概率为50％。

第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示播放用户为作弊用户，A₂表示播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下播放用户的第二风险概率。

举例说明，同理，播放用户在10秒内的实时视频数据的播放次数为3次，播放用户在历史黑名单中的出现次数为9次，则计算得到的第二风险概率为3/9，即33％，表明播放用户为作弊播放用户的概率为33％。

可选地，第一风险概率和生成第二风险概率，还可以通过以下方式获得：

获取并根据IP地址在第一预设时段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为IP地址对应的多个播放用户中每个播放用户在第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，不同播放终端包括手机、平板电脑、电脑、智能电视。

S103、根据第一风险概率是否超出第一预设阈值，判断IP地址是否为作弊IP，根据第二风险概率是否超出第二预设阈值，判断IP地址中的播放用户是否为作弊用户。

第一预设阈值和第二预设阈值分别用来判断第一风险概率和第二风险概率是否超标，第一预设阈值和第二预设阈值可以由技术人员设置成相同，也可以设置成不同。并且，一般情况下，系统会先判断第一风险概率，再判断第二风险概率。因为当第一风险概率超过第一预设阈值时，IP地址所对应的播放用户中肯定就存在作弊行为。

可选地，具体判断方法为：

S1031、判断第一风险概率是否超出第一预设阈值。

S1032、如果第一风险概率超出第一预设阈值，判定IP地址为作弊IP，作弊IP对应的多个播放用户均为作弊用户，作弊用户对应的实时视频数据为作弊数据。

S1033、如果第一风险概率未超出第一预设阈值，判断第二风险概率是否超出第二预设阈值。

S1034、如果第二风险概率超出第二预设阈值，判定第二风险概率对应的播放用户为作弊用户，作弊用户对应的实时视频数据为作弊数据。

可选地，具体判断方法还可以为：

根据早高峰时间段的第一风险概率是否超出第一预设阈值，判断IP地址是否为作弊IP，根据早高峰时间段的第二风险概率是否超出第二预设阈值，判断IP地址中的播放用户是否为作弊用户。根据晚高峰时间段，调整第一预设阈值为第三预设阈值，并调整第二预设阈值为第四预设阈值。根据晚高峰时间段的第一风险概率是否超出第三预设阈值，判断IP地址是否为作弊IP，根据晚高峰时间段的第二风险概率是否超出第四预设阈值，判断IP地址中的播放用户是否为作弊用户。

根据早高峰和晚高峰时间段，分别设置不同的预设阈值，这样就可以更精确地判断作弊行为，进一步提高对实时数据是否为作弊数据的识别程度。其中，早高峰时间段和晚高峰时间段是一组相互对应的时间段，在早高峰时间段和晚高峰时间段内，播放流量和播放次数会呈现出一个明显的高峰期。通常，早高峰时间段一般出现在早晨至中午之间，晚高峰一般出现在傍晚至凌晨之间，具体时间段可由技术人员根据实际高峰出现期进行设置。

S104、将作弊IP和作弊用户添加至黑名单库中，过滤作弊IP或作弊用户的实时视频数据。

黑名单库用来记录作弊IP和作弊用户，一旦IP地址或播放用户被添加至作弊IP和作弊用户，就会限制其动作，例如过滤作弊IP或作弊用户的实时视频数据。

可选地，过滤作弊IP或作弊用户的实时视频数据的具体实施方法为：

S1041、计算作弊IP或作弊用户对应的过滤时段，过滤时段为：第一风险概率与第二预设时段的乘积，或者为：第二风险概率与第二预设时段的乘积。

过滤时段是指，在一定时间段内，将作弊IP或作弊用户播放的实时视频数据过滤掉的时间。根据不同用户风险概率的大小，所对应的过滤时段的长度也不同。

例如，IP地址的第一风险概率为50％，用户第二风险概率为33％，第二预设时段为86400秒，那么，IP地址对应的过滤时段为：50％*86400＝43200秒，用户对应的过滤时段为：33％*86400＝28512秒。可见，风险概率越大，过滤时段就越长，这样能够有效防止作弊行为的再次发生。当然，第二预设时段可以根据实际需求灵活调整。

S1042、过滤作弊IP或作弊用户在过滤时段内的实时视频数据。

本发明方法实施例一，通过生成实时视频数据对应的IP地址的第一风险概率和与IP地址对应的多个播放用户的第二风险概率，根据生成的第一风险概率和第二风险概率是否超过阈值来判断IP地址和播放用户是否作弊，可以有效提高对实时数据是否为作弊数据的识别程度，降低大IP多用户的误判可能性；并且，通过根据不同的风险概率大小自适应生成不同的过滤时段，能够有效防止高风险播放用户再次作弊。

方法实施例二

本发明实施例提供的自适应实时视频数据的反作弊方法的另一种具体实施例，参考图2，图2为本发明实施例的自适应实时视频数据的反作弊方法的另一种流程示意图，在方法实施例一的基础上进一步包括：

S105、当作弊IP或作弊用户在黑名单库中的时间超出作弊IP或作弊用户对应的过滤时段时，将作弊IP或作弊用户从黑名单库移除。

将作弊IP或作弊用户从黑名单库移除，是因为已经达到了在一定时间段内限制作弊IP或作弊用户操作的目的，超过过滤时段后对其解除过滤。当然，也可以解除作弊IP或作弊用户的过滤或其他限制，例如，解除播放视频数据的限制，或者解除修改用户资料等的限制。

S106、在作弊IP或作弊用户对应的过滤时段内，当作弊IP或作弊用户作弊时，在过滤时段的基础上累加第二预设时段，并再次过滤作弊IP或作弊用户的实时视频数据。

作弊IP或作弊用户在过滤时段内再次出现作弊行为，可以为用户不断通过点击视频试图播放视频的行为，或者其它被系统认定为作弊行为的行为时，作为惩罚性措施，将第二预设时段累加至过滤时段，并限制作弊IP或作弊用户在累加后的时段内的动作，例如再次过滤用户播放的视频数据，或者禁止播放实时视频数据等操作，直到累加后的时段结束，将作弊IP或作弊用户从黑名单库移除。

本发明方法实施例二，当作弊IP或作弊用户在黑名单库中的时间超出作弊IP或作弊用户对应的过滤时段时，自适应地将作弊IP或作弊用户从黑名单库移除，可以使作弊IP或作弊用户恢复正常播放视频的能力，达到惩罚并引导作弊IP或作弊用户不再作弊的目的；通过累加过滤时段，进一步惩罚再次出现作弊行为的作弊IP或作弊用户，进一步达到惩罚并引导作弊IP或作弊用户不再作弊的目的。通过惩罚与引导，可以使整个播放环境趋于正常。

装置实施例一

本发明实施例提供的自适应实时视频数据的反作弊装置的一种具体实施例，参考图3，图3为本发明实施例的自适应实时视频数据的反作弊装置的一种结构示意图，包括：

获取模块201，用于获取实时视频数据对应的IP地址及与IP地址对应的多个播放用户。

生成模块202，用于获取并根据IP地址在第一预设时段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户在第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，第一风险概率为：IP为作弊IP的概率，第二风险概率为：播放用户为作弊用户的概率。

判断模块203，用于根据第一风险概率是否超出第一预设阈值，判断IP地址是否为作弊IP，根据第二风险概率是否超出第二预设阈值，判断IP地址中的播放用户是否为作弊用户。

第一操作模块204，用于将作弊IP和作弊用户添加至黑名单库中，过滤作弊IP或作弊用户的实时视频数据。

其中，生成模块202中，

第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示IP地址为作弊IP，A₁表示IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下IP地址的第一风险概率；

第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示播放用户为作弊用户，A₂表示播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下播放用户的第二风险概率。

其中，判断模块203，进一步包括：

第一判断子模块，用于判断第一风险概率是否超出第一预设阈值；如果第一风险概率超出第一预设阈值，判定IP地址为作弊IP，作弊IP对应的多个播放用户均为作弊用户，作弊用户对应的实时视频数据为作弊数据。

第二判断子模块，用于如果第一风险概率未超出第一预设阈值，判断第二风险概率是否超出第二预设阈值。

如果第二风险概率超出第二预设阈值，判定第二风险概率对应的播放用户为作弊用户，作弊用户对应的实时视频数据为作弊数据。

其中，第一操作模块204，进一步包括：

计算子模块，用于计算作弊IP或作弊用户对应的过滤时段，过滤时段为：第一风险概率与第二预设时段的乘积，或者为：第二风险概率与第二预设时段的乘积。

过滤子模块，用于过滤作弊IP或作弊用户在过滤时段内的实时视频数据。

其中，生成模块202，进一步包括：

第一生成子模块，用于获取并根据IP地址在早高峰时间段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户在早高峰时间段内的实时视频数据的播放次数，分别生成早高峰时间段的第一风险概率和生成早高峰时间段的第二风险概率。

第二生成子模块，用于获取并根据IP地址在晚高峰时间段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户在晚高峰时间段内的实时视频数据的播放次数，分别生成晚高峰时间段的第一风险概率和生成晚高峰时间段的第二风险概率。

其中，判断模块203，进一步包括：

第三判断子模块，用于根据早高峰时间段的第一风险概率是否超出第一预设阈值，判断IP地址是否为作弊IP，根据早高峰时间段的第二风险概率是否超出第二预设阈值，判断IP地址中的播放用户是否为作弊用户。

调整子模块，用于根据晚高峰时间段，调整第一预设阈值为第三预设阈值，并调整第二预设阈值为第四预设阈值。

第四判断子模块，用于根据晚高峰时间段的第一风险概率是否超出第三预设阈值，判断IP地址是否为作弊IP，根据晚高峰时间段的第二风险概率是否超出第四预设阈值，判断IP地址中的播放用户是否为作弊用户。

其中，生成模块202，进一步包括：

第三生成子模块，用于获取并根据IP地址在第一预设时段内的实时视频数据的播放次数，及IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为IP地址对应的多个播放用户中每个播放用户在第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，不同播放终端包括手机、平板电脑、电脑、智能电视。

本发明装置实施例一，通过生成实时视频数据对应的IP地址的第一风险概率和与IP地址对应的多个播放用户的第二风险概率，根据生成的第一风险概率和第二风险概率是否超过阈值来判断IP地址和播放用户是否作弊，可以有效提高对实时数据是否为作弊数据的识别程度，降低大IP多用户的误判可能性；并且，通过根据不同的风险概率大小自适应生成不同的过滤时段，能够有效防止高风险播放用户再次作弊。

需要说明的是，本发明实施例的装置是应用上述自适应实时视频数据的反作弊方法的装置，则上述自适应实时视频数据的反作弊方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

装置实施例二

本发明实施例提供的自适应实时视频数据的反作弊装置的另一种具体实施例，参考图4，图4为本发明实施例的自适应实时视频数据的反作弊装置的另一种结构示意图，在装置实施例一的基础上进一步包括：

移除模块205，用于当作弊IP或作弊用户在黑名单库中的时间超出作弊IP或作弊用户对应的过滤时段时，将作弊IP或作弊用户从黑名单库移除。

第二操作模块206，用于在作弊IP或作弊用户对应的过滤时段内，当作弊IP或作弊用户作弊时，在过滤时段的基础上累加第二预设时段，并再次过滤作弊IP或作弊用户的实时视频数据。

本发明装置实施例二，当作弊IP或作弊用户在黑名单库中的时间超出作弊IP或作弊用户对应的过滤时段时，自适应地将作弊IP或作弊用户从黑名单库移除，可以使作弊IP或作弊用户恢复正常播放视频的能力，达到惩罚并引导作弊IP或作弊用户不再作弊的目的；通过累加过滤时段，进一步惩罚再次出现作弊行为的作弊IP或作弊用户，进一步达到惩罚并引导作弊IP或作弊用户不再作弊的目的。通过惩罚与引导，可以使整个播放环境趋于正常。

需要说明的是，本发明实施例的装置是应用上述自适应实时视频数据的反作弊方法的装置，则上述自适应实时视频数据的反作弊方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (16)

1.一种自适应实时视频数据的反作弊方法，其特征在于，所述反作弊方法包括：

获取实时视频数据对应的IP地址及与所述IP地址对应的多个播放用户；

获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述第一风险概率为：所述IP为作弊IP的概率，所述第二风险概率为：所述播放用户为作弊用户的概率；

根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据。

2.根据权利要求1所述的自适应实时视频数据的反作弊方法，其特征在于，所述将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据之后，所述反作弊方法还包括：

当所述作弊IP或所述作弊用户在黑名单库中的时间超出所述作弊IP或作弊用户对应的过滤时段时，将所述作弊IP或所述作弊用户从所述黑名单库移除。

3.根据权利要求2所述的自适应实时视频数据的反作弊方法，其特征在于，所述将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据之后，所述反作弊方法还包括：

在所述作弊IP或作弊用户对应的过滤时段内，当所述作弊IP或所述作弊用户作弊时，在所述过滤时段的基础上累加第二预设时段，并再次过滤所述作弊IP或所述作弊用户的实时视频数据。

4.根据权利要求1-3任一项所述的自适应实时视频数据的反作弊方法，其特征在于，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率中，

所述第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示所述IP地址为作弊IP，A₁表示所述IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示所述IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下所述IP地址的第一风险概率；

所述第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示所述播放用户为作弊用户，A₂表示所述播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示所述播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下所述播放用户的第二风险概率。

5.根据权利要求1-3任一项所述的自适应实时视频数据的反作弊方法，其特征在于，所述根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户，包括：

判断所述第一风险概率是否超出第一预设阈值；

如果所述第一风险概率超出第一预设阈值，判定所述IP地址为作弊IP，所述作弊IP对应的多个播放用户均为作弊用户，所述作弊用户对应的实时视频数据为作弊数据；

如果所述第一风险概率未超出第一预设阈值，判断所述第二风险概率是否超出第二预设阈值；

如果所述第二风险概率超出第二预设阈值，判定所述第二风险概率对应的播放用户为作弊用户，所述作弊用户对应的实时视频数据为作弊数据。

6.根据权利要求1-3任一项所述的自适应实时视频数据的反作弊方法，其特征在于，所述过滤所述作弊IP或所述作弊用户的实时视频数据，包括：

计算所述作弊IP或所述作弊用户对应的过滤时段，所述过滤时段为：所述第一风险概率与第二预设时段的乘积，或者为：所述第二风险概率与第二预设时段的乘积；

过滤所述作弊IP或所述作弊用户在所述过滤时段内的实时视频数据。

7.根据权利要求1-3任一项所述的自适应实时视频数据的反作弊方法，其特征在于，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，包括：

获取并根据所述IP地址在早高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述早高峰时间段内的实时视频数据的播放次数，分别生成早高峰时间段的第一风险概率和生成早高峰时间段的第二风险概率；

获取并根据所述IP地址在晚高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述晚高峰时间段内的实时视频数据的播放次数，分别生成晚高峰时间段的第一风险概率和生成晚高峰时间段的第二风险概率；

所述根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户，包括：

根据所述早高峰时间段的第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述早高峰时间段的第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

根据所述晚高峰时间段，调整所述第一预设阈值为第三预设阈值，并调整所述第二预设阈值为第四预设阈值；

根据所述晚高峰时间段的第一风险概率是否超出第三预设阈值，判断所述IP地址是否为作弊IP，根据所述晚高峰时间段的第二风险概率是否超出第四预设阈值，判断所述IP地址中的播放用户是否为作弊用户。

8.根据权利要求1-3任一项所述的自适应实时视频数据的反作弊方法，其特征在于，所述获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，包括：

获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在所述第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述不同播放终端包括手机、平板电脑、电脑、智能电视。

9.一种自适应实时视频数据的反作弊装置，其特征在于，所述反作弊装置包括：

获取模块，用于获取实时视频数据对应的IP地址及与所述IP地址对应的多个播放用户；

生成模块，用于获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述第一风险概率为：所述IP为作弊IP的概率，所述第二风险概率为：所述播放用户为作弊用户的概率；

判断模块，用于根据所述第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

第一操作模块，用于将所述作弊IP和作弊用户添加至黑名单库中，过滤所述作弊IP或所述作弊用户的实时视频数据。

10.根据权利要求9所述的自适应实时视频数据的反作弊装置，其特征在于，所述反作弊装置还包括：

移除模块，用于当所述作弊IP或所述作弊用户在黑名单库中的时间超出所述作弊IP或作弊用户对应的过滤时段时，将所述作弊IP或所述作弊用户从所述黑名单库移除。

11.根据权利要求10所述的自适应实时视频数据的反作弊装置，其特征在于，所述反作弊装置还包括：

第二操作模块，用于在所述作弊IP或作弊用户对应的过滤时段内，当所述作弊IP或所述作弊用户作弊时，在所述过滤时段的基础上累加第二预设时段，并再次过滤所述作弊IP或所述作弊用户的实时视频数据。

12.根据权利要求9-11任一项所述的自适应实时视频数据的反作弊装置，其特征在于，所述生成模块中，

所述第一风险概率为：

P(1|A₁,B₁)＝P(1,A₁,B₁)/P(A₁,B₁)，

式中，1表示所述IP地址为作弊IP，A₁表示所述IP地址在第一预设时段内的实时视频数据的播放次数，B₁表示所述IP地址在历史黑名单中的出现次数，P(1|A₁,B₁)表示在A₁和B₁条件下所述IP地址的第一风险概率；

所述第二风险概率表示为：

P(1|A₂,B₂)＝P(1,A₂,B₂)/P(A₂,B₂)，

式中，1表示所述播放用户为作弊用户，A₂表示所述播放用户在第一预设时段内的实时视频数据的播放次数，B₂表示所述播放用户在历史黑名单中的出现次数，P(1|A₂,B₂)表示在A₂和B₂条件下所述播放用户的第二风险概率。

13.根据权利要求9-11任一项所述的自适应实时视频数据的反作弊装置，其特征在于，所述判断模块，进一步包括：

第一判断子模块，用于判断所述第一风险概率是否超出第一预设阈值；如果所述第一风险概率超出第一预设阈值，判定所述IP地址为作弊IP，所述作弊IP对应的多个播放用户均为作弊用户，所述作弊用户对应的实时视频数据为作弊数据；

第二判断子模块，用于如果所述第一风险概率未超出第一预设阈值，判断所述第二风险概率是否超出第二预设阈值；

如果所述第二风险概率超出第二预设阈值，判定所述第二风险概率对应的播放用户为作弊用户，所述作弊用户对应的实时视频数据为作弊数据。

14.根据权利要求9-11任一项所述的自适应实时视频数据的反作弊装置，其特征在于，所述第一操作模块，进一步包括：

计算子模块，用于计算所述作弊IP或所述作弊用户对应的过滤时段，所述过滤时段为：所述第一风险概率与第二预设时段的乘积，或者为：所述第二风险概率与第二预设时段的乘积；

过滤子模块，用于过滤所述作弊IP或所述作弊用户在所述过滤时段内的实时视频数据。

15.根据权利要求9-11任一项所述的自适应实时视频数据的反作弊装置，其特征在于，所述生成模块，进一步包括：

第一生成子模块，用于获取并根据所述IP地址在早高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述早高峰时间段内的实时视频数据的播放次数，分别生成早高峰时间段的第一风险概率和生成早高峰时间段的第二风险概率；

第二生成子模块，用于获取并根据所述IP地址在晚高峰时间段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户在所述晚高峰时间段内的实时视频数据的播放次数，分别生成晚高峰时间段的第一风险概率和生成晚高峰时间段的第二风险概率；

所述判断模块，进一步包括：

第三判断子模块，用于根据所述早高峰时间段的第一风险概率是否超出第一预设阈值，判断所述IP地址是否为作弊IP，根据所述早高峰时间段的第二风险概率是否超出第二预设阈值，判断所述IP地址中的播放用户是否为作弊用户；

调整子模块，用于根据所述晚高峰时间段，调整所述第一预设阈值为第三预设阈值，并调整所述第二预设阈值为第四预设阈值；

第四判断子模块，用于根据所述晚高峰时间段的第一风险概率是否超出第三预设阈值，判断所述IP地址是否为作弊IP，根据所述晚高峰时间段的第二风险概率是否超出第四预设阈值，判断所述IP地址中的播放用户是否为作弊用户。

16.根据权利要求9-11任一项所述的自适应实时视频数据的反作弊装置，其特征在于，所述生成模块，进一步包括：

第三生成子模块，用于获取并根据所述IP地址在第一预设时段内的实时视频数据的播放次数，及所述IP地址对应的多个播放用户中每个播放用户处于不同播放终端，在所述第一预设时段内的实时视频数据的第一播放次数中，累计不同播放终端的第一播放次数作为所述IP地址对应的多个播放用户中每个播放用户在所述第一预设时段内的实时视频数据的播放次数，分别生成第一风险概率和生成第二风险概率，所述不同播放终端包括手机、平板电脑、电脑、智能电视。