CN109621427A - 恶意用户的处理方法、装置、服务器及存储介质 - Google Patents
恶意用户的处理方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109621427A CN109621427A CN201811320787.4A CN201811320787A CN109621427A CN 109621427 A CN109621427 A CN 109621427A CN 201811320787 A CN201811320787 A CN 201811320787A CN 109621427 A CN109621427 A CN 109621427A
- Authority
- CN
- China
- Prior art keywords
- game
- user
- related data
- malicious user
- online
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000000523 sample Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/75—Enforcing rules, e.g. detecting foul play or generating lists of cheating players
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5586—Details of game data or player data management for enforcing rights or rules, e.g. to prevent foul play
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种恶意用户的处理方法、装置、服务器及存储介质。该方法包括:获取在线用户的游戏相关数据;根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。本公开可以对在线用户进行实时分析,可以对疑似恶意用户进行实时处理,提高了对疑似恶意用户处理的及时性,避免了恶意用户与正常用户游戏时频繁退出游戏,提升了正常用户的体验,并且对于恶意用户在进行游戏匹配时和正常用户没有差异,增大了作为恶意用户的机器人探测判断策略的难度,通过机器人进行陪玩,用户的游戏数据不会受到影响,从而在一次误判后还可以自动恢复。
Description
技术领域
本公开涉及网络游戏技术领域,尤其涉及一种恶意用户的处理方法、装置、服务器及存储介质。
背景技术
随着互联网的发展和移动终端的普及,网络游戏逐渐成为人们的一种日常娱乐方式。与单机游戏相比,当前的各种交互类游戏可以使各游戏用户得到更好的娱乐体验,而交互类游戏需要多个游戏用户的参与才能进行游戏,因此,需要进行游戏匹配。
在游戏匹配中,系统会根据一定算法将两个或多个合适的用户配对进行游戏,但存在一些恶意用户(或spammer控制的机器人),这些恶意用户会在匹配成功后恶意退出游戏,或者进入游戏之后直接退出,导致正常用户的游戏体验受到影响。因此,需要判断恶意用户并对其作出相关的处理。相关技术中,在鉴别恶意用户时是离线分析用户数据,若用户数据符合行为指标则确定为恶意用户,对恶意用户进行隔离或封禁处理。
由于相关技术中是离线分析用户数据,所以具有一定的滞后性,而且由于对恶意用户进行隔离或封禁处理,导致误判后无法自动恢复,会影响被误判的少量正常用户的游戏体验,而且作为恶意用户的机器人很容易探测系统规则,并进行策略改进从而避免再被判断为恶意用户。
发明内容
为克服相关技术中存在的问题,本公开提供一种恶意用户的处理方法、装置、服务器及存储介质。
根据本公开实施例的第一方面,提供一种恶意用户的处理方法,包括:
获取在线用户的游戏相关数据;
根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
可选的,在为所述疑似恶意用户匹配机器人之后,还包括:
在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户;
若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
可选的,根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户,包括:
根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户;
在所述有效游戏率大于或等于设定阈值时,确定所述在线用户为正常用户。
可选的,所述根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
可选的,所述游戏相关数据包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。
可选的,所述有效游戏率包括历史有效游戏率或近期有效游戏率;所述设定阈值包括设定历史阈值或设定近期阈值;
根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户,包括:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
可选的,所述获取在线用户的游戏相关数据,包括:
从在线队列中获取在线用户的游戏相关数据。
可选的,当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人,包括:
当所述在线用户为疑似恶意用户时,将所述疑似恶意用户移入疑似恶意用户队列;
当为所述疑似恶意用户队列中的疑似恶意用户进行游戏匹配时,为所述疑似恶意用户匹配机器人。
根据本公开实施例的第二方面,提供一种恶意用户的处理装置,包括:
游戏数据获取模块,被配置为获取在线用户的游戏相关数据;
第一用户确定模块,被配置为根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
恶意用户匹配模块,被配置为当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
可选的,还包括:
第二用户确定模块,被配置为在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户;
恢复模块,被配置为若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
可选的,所述第一用户确定模块包括:
有效率确定单元,被配置为根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏;
恶意用户确定单元,被配置为在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户;
正常用户确定单元,被配置为在所述有效游戏率大于或等于设定阈值时,确定所述在线用户为正常用户。
可选的,所述有效率确定单元具体用于:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
可选的,所述游戏相关数据包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。
可选的,所述有效游戏率包括历史有效游戏率或近期有效游戏率;所述设定阈值包括设定历史阈值或设定近期阈值;
所述有效率确定单元包括:
历史有效率确定子单元,被配置为根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
近期有效率确定子单元,被配置为根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
所述恶意用户确定单元具体用于:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
可选的,所述游戏数据获取模块具体用于:
从在线队列中获取在线用户的游戏相关数据。
可选的,所述恶意用户匹配模块包括:
移入队列单元,被配置为当所述在线用户为疑似恶意用户时,将所述疑似恶意用户移入疑似恶意用户队列;
恶意用户匹配单元,被配置为当为所述疑似恶意用户队列中的疑似恶意用户进行游戏匹配时,为所述疑似恶意用户匹配机器人。
根据本公开实施例的第三方面,提供一种服务器,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取在线用户的游戏相关数据;
根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
在为所述疑似恶意用户匹配机器人之后,还包括:
在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户;
若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户,包括:
根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户;
在所述有效游戏率大于或等于设定阈值时,确定所述在线用户为正常用户。
所述根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
所述游戏相关数据包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。
所述有效游戏率包括历史有效游戏率或近期有效游戏率;所述设定阈值包括设定历史阈值或设定近期阈值;
根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户,包括:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
可选的,所述获取在线用户的游戏相关数据,包括:
从在线队列中获取在线用户的游戏相关数据。
当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人,包括:
当所述在线用户为疑似恶意用户时,将所述疑似恶意用户移入疑似恶意用户队列;
当为所述疑似恶意用户队列中的疑似恶意用户进行游戏匹配时,为所述疑似恶意用户匹配机器人。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行第一方面中的一种恶意用户的处理方法。
根据本公开实施例的五方面,提供了一种计算机程序,该计算机程序的方法包括第一方面中的一种恶意用户的处理方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过获取在线用户的游戏相关数据,根据该游戏相关数据确定在线用户是否为疑似恶意用户,从而可以对在线用户进行实时分析,并当在线用户为疑似恶意用户时,为疑似恶意用户匹配机器人,从而可以对疑似恶意用户进行实时处理,提高了对疑似恶意用户处理的及时性,避免了恶意用户与正常用户游戏时频繁退出游戏,提升了正常用户的体验,并且对于恶意用户在进行游戏匹配时和正常用户没有差异,增大了作为恶意用户的机器人探测判断策略的难度,通过机器人进行陪玩,用户的游戏数据不会受到影响,从而在一次误判后还可以自动恢复。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种恶意用户的处理方法的流程图;
图2是根据一示例性实施例示出的一种恶意用户的处理方法的流程图;
图3是根据一示例性实施例示出的一种恶意用户的处理方法的流程图;
图4是根据一示例性实施例示出的一种恶意用户的处理装置的结构框图;
图5是根据一示例性实施例示出的一种服务器的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种恶意用户的处理方法的流程图,如图1所示,该恶意用户的处理方法可以用于服务器等电子设备中,包括以下步骤。
在步骤S11中,获取在线用户的游戏相关数据。
其中,游戏相关数据可以是该在线用户历史游戏数据,可以包括该在线用户每次游戏时的IP地址和/或手机号等和游戏使用的设备相关的信息,还可以包括游戏的历史总匹配次数、每次的游戏时长和游戏得分等游戏数据。
当检测到用户在线时,可以在保存用户的游戏相关数据的数据库中获取该在线用户的游戏相关数据。
在步骤S12中,根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户。
对在线用户的游戏相关数据进行分析,若游戏相关数据符合恶意用户的数据指标,则确定该在线用户为疑似恶意用户,若游戏相关数据不符合恶意用户的数据指标,则确定该在线用户为正常用户。
在步骤S13中,当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
其中,所述机器人是预先配置的用于当在线用户被确定为疑似恶意用户时可以分配给疑似恶意用户进行陪玩的机器人。
当所述在线用户为疑似恶意用户时,可以不将该疑似恶意用户进行隔离或封禁,而是在对该疑似恶意用户进行游戏匹配时,强制为该疑似恶意用户匹配到机器人,使用机器人对该疑似恶意用户进行陪玩。使用机器人对疑似恶意用户进行陪玩和正常用户陪玩没有任何差异,游戏过程中,该疑似恶意用户感知不到差异,不会影响用户的体验,而且对于作为恶意用户的机器人而言也无法察觉已被判断为疑似恶意用户,不会探测到对应的恶意用户判断策略。其中,作为恶意用户的机器人可以是其他主要用于进行游戏破坏的机器人。
本示例性实施例提供的恶意用户的处理方法,通过获取在线用户的游戏相关数据,根据该游戏相关数据确定在线用户是否为疑似恶意用户,从而可以对在线用户进行实时分析,并当在线用户为疑似恶意用户时,为疑似恶意用户匹配机器人,从而可以对疑似恶意用户进行实时处理,提高了对疑似恶意用户处理的及时性,避免了恶意用户与正常用户游戏时频繁退出游戏,提升了正常用户的体验,并且对于恶意用户在进行游戏匹配时和正常用户没有差异,增大了作为恶意用户的机器人探测判断策略的难度,通过机器人进行陪玩,用户的游戏数据不会受到影响,从而在一次误判后还可以自动恢复。
在上述技术方案的基础上,所述获取在线用户的游戏相关数据,可选包括:
从在线队列中获取在线用户的游戏相关数据。
其中,在线队列用于临时保存所有在线用户的游戏相关数据,以用于按照在线队列中的在线用户的顺序对在线用户进行恶意用户的鉴别。
当检测到用户在线时,可以从数据库中获取到该在线用户的游戏相关数据,并保存到在线队列中,按照在线队列中的在线用户的顺序从在线队列中取出一个在线用户的游戏相关数据,对该在线用户进行恶意用户的鉴别。通过在线队列来临时保存在线用户的游戏相关数据,并按照顺序进行恶意用户的鉴别,可以有序的对在线用户进行鉴别,避免数据混乱。
在上述技术方案的基础上,当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人,可选包括:
当所述在线用户为疑似恶意用户时,将所述疑似恶意用户移入疑似恶意用户队列;
当为所述疑似恶意用户队列中的疑似恶意用户进行游戏匹配时,为所述疑似恶意用户匹配机器人。
当将在线用户判断为疑似恶意用户时,可以将疑似恶意用户移入疑似恶意用户队列,当在线用户请求进行游戏匹配时,如果该在线用户为疑似恶意用户队列中的疑似恶意用户,则为该疑似恶意用户匹配机器人。从而通过疑似恶意用户队列来统一管理疑似恶意用户,可以方便地进行管理。
图2是根据一示例性实施例示出的一种恶意用户的处理方法的流程图,本示例性实施例在上述示例性实施例的基础上提供了一种可选方案。如图2所示,该方法包括以下步骤:
在步骤S21中,获取在线用户的游戏相关数据。
本步骤的具体内容与上一具体实施方式中的步骤S11的具体内容相同,这里不再赘述。
在步骤S22中,根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户。
本步骤的具体内容与上一具体实施方式中的步骤S12的具体内容相同,这里不再赘述。
在步骤S23中,当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
本步骤的具体内容与上一具体实施方式中的步骤S13的具体内容相同,这里不再赘述。
在步骤S24中,在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户。
疑似恶意用户与机器人进行游戏的数据与和正常用户进行游戏的数据相同,从而在疑似恶意用户与机器人进行设定局数的游戏后,可以对该疑似恶意用户再进行鉴别。如果游戏相关数据和该设定局数的游戏数据已不再符合恶意用户的数据指标,则确定疑似恶意用户为正常用户,如果游戏相关数据和该设定局数的游戏数据仍符合恶意用户的数据指标,则确定该疑似恶意用户仍为疑似恶意用户,在进行游戏匹配时,仍匹配机器人进行陪玩。
在步骤S25中,若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
若经过设定局数的游戏后,疑似恶意用户的游戏数据已不再符合恶意用户的数据指标,则确定疑似恶意用户是正常用户,此时将疑似恶意用户恢复为正常用户。例如,可以将该正常用户从疑似恶意用户队列中溢出,恢复正常用户的身份,后续进行游戏匹配时,可以匹配正常用户进行陪玩。
本示例性实施例提供的恶意用户的处理方法,在上述示例性实施例的基础上,通过在疑似恶意用户与机器人进行设定局数的游戏后,根据游戏相关数据和设定局数的游戏数据,确定疑似恶意用户是否为正常用户,如果为正常用户,则将该疑似恶意用户恢复为正常用户,从而实现了对用户进行误判后可以自动恢复。
图3是根据一示例性实施例示出的一种恶意用户的处理方法的流程图,本示例性实施例在上述示例性实施例的基础上提供了一种可选方案,可选通过在线用户的有效游戏率来确定在线用户是否为疑似恶意用户。如图3所示,该方法包括以下步骤:
在步骤S31中,获取在线用户的游戏相关数据。
本步骤的具体内容与上一具体实施方式中的步骤S11的具体内容相同,这里不再赘述。
其中,所述游戏相关数据可选包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。所述历史游戏相关数据为在线用户的所有游戏相关数据。
在步骤S32中,根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏。
其中,设定数据指标是用于判断一局游戏是否为有效游戏的数据指标。在一局游戏的游戏相关数据满足设定数据指标时,确定该局游戏为有效游戏。
通过对所述游戏相关数据进行统计,确定在线用户的有效游戏次数和总游戏次数,从而将有效游戏次数除以总游戏次数,得到该在线用户的有效游戏次数。
可选的,所述根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
其中,总匹配次数是在所述游戏相关数据中所述在线用户进行游戏匹配并匹配成功的总次数。
在游戏相关数据中获取在线用户的每局游戏的游戏时长和/或游戏得分,在一局游戏的游戏时长和/或游戏得分满足游戏对应的设定数据指标时,确定该局游戏为有效游戏,统计有效游戏的局数,并统计游戏相关数据中的总匹配次数,将有效游戏的局数除以所述游戏相关数据中的总匹配次数,得到在线用户的有效游戏率。通过游戏时长和/或游戏得分来判断一局游戏是否为有效游戏,可以快速的确定一局游戏是否为有效游戏,进而提高恶意用户的处理速度。其中,设定数据指标可以包括游戏时长大于对应游戏的设定时长和/或游戏得分大于对应游戏的设定得分。
在步骤S33中,判断所述有效游戏率是否小于设定阈值,如果所述有效游戏率小于设定阈值,则执行步骤S34,如果所述有效游戏率大于或等于设定阈值,则执行步骤S35。
其中,设定阈值是预先设置的阈值,用于通过有效游戏率与该设定阈值的比较判断在线用户是否为疑似恶意用户。
在步骤S34中,确定所述在线用户为疑似恶意用户,之后执行步骤S36。
在有效游戏率小于设定阈值时,确定在线用户为疑似恶意用户,从而在后续进行游戏匹配时,可以为该疑似恶意用户匹配机器人进行陪玩。
在步骤S35中,确定所述在线用户为正常用户。
在有效游戏率大于或等于设定阈值时,确定该在线用户为正常用户,在后续进行游戏匹配时,可以为该正常用户匹配其他的正常用户进行陪玩。
在步骤S36中,当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
本步骤的具体内容与上一具体实施方式中的步骤S13的具体内容相同,这里不再赘述。
本示例性实施例提供的恶意用户的处理方法,在上述实施例的基础上,通过根据游戏相关数据,确定在线用户的有效游戏率,在有效游戏率小于设定阈值时确定在线用户为疑似恶意用户,在有效游戏率大于或等于设定阈值时,确定在线用户为正常用户,只从用户的游戏数据本身来判断用户是否为恶意用户,可以提高处理速度。
在上述技术方案的基础上,所述有效游戏率可选包括历史有效游戏率或近期有效游戏率;所述设定阈值可选包括设定历史阈值或设定近期阈值;
根据所述游戏相关数据,确定所述在线用户的有效游戏率,可选包括:
根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户,可选包括:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
其中,所述历史有效游戏率是在线用户的历史上总的有效游戏率,所述近期有效游戏率是在线用户在设定时间内的有效游戏率。
在确定在线用户的有效游戏率时,可以分别统计在线用户的历史有效游戏率和近期有效游戏率,只要历史有效游戏率和近期有效游戏率中有一个小于对应的设定阈值,就可以将在线用户确定为疑似恶意用户。即历史有效游戏率小于设定历史阈值和/或近期有效游戏率小于设定近期阈值时,确定在线用户为疑似恶意用户。通过历史有效游戏率和近期有效游戏率这两个有效游戏率来判断,可以提高判断的准确性,从而及时对疑似恶意用户做出相应的处理。例如,一个用户一直都是正常用户,如果近期内账号被盗成为恶意用户,只通过历史有效游戏率无法判断出来,因为历史有效游戏率大于或者等于设定历史阈值,而近期有效游戏率小于设定近期阈值,这时,就可以将该用户确定为疑似恶意用户,并及时做出处理,避免对其他正常用户造成影响。
图4是根据一示例性实施例示出的一种恶意用户的处理装置的结构框图。参照图4,该装置包括游戏数据获取模块41,第一用户确定模块42和恶意用户匹配模块43。
该游戏数据获取模块41被配置为获取在线用户的游戏相关数据;
该第一用户确定模块42被配置为根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
该恶意用户匹配模块43被配置为当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
可选的,还包括:
第二用户确定模块,被配置为在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户;
恢复模块,被配置为若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
可选的,所述第一用户确定模块包括:
有效率确定单元,被配置为根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏;
恶意用户确定单元,被配置为在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户;
正常用户确定单元,被配置为在所述有效游戏率大于或等于设定阈值时,确定所述在线用户为正常用户。
可选的,所述有效率确定单元具体用于:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
可选的,所述游戏相关数据包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。
可选的,所述有效游戏率包括历史有效游戏率或近期有效游戏率;所述设定阈值包括设定历史阈值或设定近期阈值;
所述有效率确定单元包括:
历史有效率确定子单元,被配置为根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
近期有效率确定子单元,被配置为根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
所述恶意用户确定单元具体用于:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
可选的,所述游戏数据获取模块具体用于:
从在线队列中获取在线用户的游戏相关数据。
可选的,所述恶意用户匹配模块包括:
移入队列单元,被配置为当所述在线用户为疑似恶意用户时,将所述疑似恶意用户移入疑似恶意用户队列;
恶意用户匹配单元,被配置为当为所述疑似恶意用户队列中的疑似恶意用户进行游戏匹配时,为所述疑似恶意用户匹配机器人。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种服务器的结构框图。参照图5,服务器500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理组件522的执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述恶意用户的处理方法。
服务器500还可以包括一个电源组件526被配置为执行服务器500的电源管理,一个有线或无线网络接口550被配置为将服务器500连接到网络,和一个输入输出(I/O)接口558。服务器500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如或者包括指令的存储器532,该指令可由服务器500的处理组件522执行以完成上述恶意用户的处理方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请还提供一种计算机程序,该计算机程序包括如图1、图2或图3所示的操作步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种恶意用户的处理方法,其特征在于,包括:
获取在线用户的游戏相关数据;
根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
2.根据权利要求1所述的方法,其特征在于,在为所述疑似恶意用户匹配机器人之后,还包括:
在所述疑似恶意用户与所述机器人进行设定局数的游戏后,根据所述游戏相关数据和所述设定局数的游戏数据,确定所述疑似恶意用户是否为正常用户;
若所述疑似恶意用户为正常用户,则将所述疑似恶意用户恢复为正常用户。
3.根据权利要求1或2所述的方法,其特征在于,根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户,包括:
根据所述游戏相关数据,确定所述在线用户的有效游戏率,其中,所述有效游戏是指一局游戏的游戏相关数据满足设定数据指标的游戏;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户;
在所述有效游戏率大于或等于设定阈值时,确定所述在线用户为正常用户。
4.根据权利要求3所述的方法,其特征在于,所述根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述游戏相关数据,确定每局游戏中所述在线用户的游戏时长和/或游戏得分;
在所述游戏时长和/或游戏得分满足设定数据指标时,确定对应的一局游戏为有效游戏;
根据所述有效游戏的局数和所述游戏相关数据中的总匹配次数,确定所述在线用户的有效游戏率。
5.根据权利要求3所述的方法,其特征在于,所述游戏相关数据包括历史游戏相关数据和近期游戏相关数据,所述近期游戏相关数据为设定时间内的游戏相关数据,所述历史游戏相关数据包括所述近期游戏相关数据。
6.根据权利要求6所述的方法,其特征在于,所述有效游戏率包括历史有效游戏率或近期有效游戏率;所述设定阈值包括设定历史阈值或设定近期阈值;
根据所述游戏相关数据,确定所述在线用户的有效游戏率,包括:
根据所述历史游戏相关数据,确定所述在线用户的历史有效游戏率;
根据所述近期游戏相关数据,确定所述在线用户的近期有效游戏率;
在所述有效游戏率小于设定阈值时,确定所述在线用户为疑似恶意用户,包括:
在所述历史有效游戏率小于所述设定历史阈值和/或所述近期有效游戏率小于所述设定近期阈值时,确定所述在线用户为疑似恶意用户。
7.根据权利要求1所述的方法,其特征在于,所述获取在线用户的游戏相关数据,包括:
从在线队列中获取在线用户的游戏相关数据。
8.一种恶意用户的处理装置,其特征在于,包括:
游戏数据获取模块,被配置为获取在线用户的游戏相关数据;
第一用户确定模块,被配置为根据所述游戏相关数据,确定所述在线用户是否为疑似恶意用户;
恶意用户匹配模块,被配置为当所述在线用户为疑似恶意用户时,为所述疑似恶意用户匹配机器人。
9.一种服务器,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1-7任一项所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行一种恶意用户的处理方法,所述方法包括如权利要求1-7任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320787.4A CN109621427A (zh) | 2018-11-07 | 2018-11-07 | 恶意用户的处理方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811320787.4A CN109621427A (zh) | 2018-11-07 | 2018-11-07 | 恶意用户的处理方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109621427A true CN109621427A (zh) | 2019-04-16 |
Family
ID=66067455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811320787.4A Pending CN109621427A (zh) | 2018-11-07 | 2018-11-07 | 恶意用户的处理方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109621427A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111068332A (zh) * | 2019-12-03 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 游戏对局管理方法、装置、电子设备及存储介质 |
EP4004771A4 (en) * | 2019-07-26 | 2023-08-09 | Roblox Corporation | DETECTION OF MALICIOUS GAMES |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704005A (zh) * | 2014-11-28 | 2016-06-22 | 深圳市腾讯计算机系统有限公司 | 恶意用户举报方法及装置、举报信息处理方法及装置 |
US20170225079A1 (en) * | 2013-05-14 | 2017-08-10 | Take-Two Interactive Software, Inc. | System and method for online community management |
CN107213639A (zh) * | 2017-05-22 | 2017-09-29 | 网易(杭州)网络有限公司 | 用于判定网络游戏中作弊行为的方法及装置 |
JP6248224B1 (ja) * | 2017-05-02 | 2017-12-13 | 株式会社 ディー・エヌ・エー | サーバー装置、ゲームプログラム、及び、情報処理方法 |
-
2018
- 2018-11-07 CN CN201811320787.4A patent/CN109621427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170225079A1 (en) * | 2013-05-14 | 2017-08-10 | Take-Two Interactive Software, Inc. | System and method for online community management |
CN105704005A (zh) * | 2014-11-28 | 2016-06-22 | 深圳市腾讯计算机系统有限公司 | 恶意用户举报方法及装置、举报信息处理方法及装置 |
JP6248224B1 (ja) * | 2017-05-02 | 2017-12-13 | 株式会社 ディー・エヌ・エー | サーバー装置、ゲームプログラム、及び、情報処理方法 |
CN107213639A (zh) * | 2017-05-22 | 2017-09-29 | 网易(杭州)网络有限公司 | 用于判定网络游戏中作弊行为的方法及装置 |
Non-Patent Citations (4)
Title |
---|
BAOERSTUDIO: "DOTA2小黑屋机制", 《HTTPS://WWW.JIANSHU.COM/P/430D4BC5FE23》 * |
GODRAY: "单一征召总遇到机器人怎么举报啊", 《HTTPS://TIEBA.BAIDU.COM/P/4934596772》 * |
匿名网友: "DOTA2小黑屋机制", 《HTTPS://WENWEN.SOGOU.COM/Z/Q795348211.HTM》 * |
游戏碳米: "Dota2最游戏的机制——小黑屋,每一次都堪称Ti", 《HTTPS://BAIJIAHAO.BAIDU.COM/S?ID=1612564998599496121&WFR=SPIDER&FOR=PC》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4004771A4 (en) * | 2019-07-26 | 2023-08-09 | Roblox Corporation | DETECTION OF MALICIOUS GAMES |
CN111068332A (zh) * | 2019-12-03 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 游戏对局管理方法、装置、电子设备及存储介质 |
CN111068332B (zh) * | 2019-12-03 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 游戏对局管理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gascon et al. | Pulsar: Stateful black-box fuzzing of proprietary network protocols | |
WO2020037918A1 (zh) | 基于预测模型的风险控制策略的确定方法及相关装置 | |
Parker et al. | Game-based abstraction for Markov decision processes | |
US20180123820A1 (en) | Apparatus and method of generating internet of things data | |
WO2020019484A1 (zh) | 一种模拟器识别方法、识别设备及计算机可读介质 | |
CN104917739B (zh) | 虚假账号的识别方法及装置 | |
CN109718556B (zh) | 游戏数据处理方法、装置及服务器 | |
CN103714332B (zh) | 字符识别设备和字符识别方法 | |
CN108491714A (zh) | 验证码的人机识别方法 | |
CN108154197A (zh) | 实现虚拟场景中图像标注验证的方法及装置 | |
CN107247902A (zh) | 恶意软件分类系统及方法 | |
CN109621427A (zh) | 恶意用户的处理方法、装置、服务器及存储介质 | |
CN110415044A (zh) | 作弊检测方法、装置、设备及存储介质 | |
CN109740567A (zh) | 关键点定位模型训练方法、定位方法、装置及设备 | |
CN108600172A (zh) | 撞库攻击检测方法、装置、设备及计算机可读存储介质 | |
CN110688319B (zh) | 应用保活能力测试方法及相关装置 | |
CN109194689A (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN108304452A (zh) | 文章处理方法及装置、存储介质 | |
US11373103B2 (en) | Artificial intelligence based system and method for predicting and preventing illicit behavior | |
WO2021135322A1 (zh) | 一种自动出题方法、装置及系统 | |
CN106650458B (zh) | 一种漏洞的扫描方法及装置 | |
CN110474899B (zh) | 一种业务数据处理方法、装置、设备及介质 | |
CN108335008A (zh) | 网络信息处理方法和装置、存储介质及电子装置 | |
JP6993575B2 (ja) | 情報処理プログラム、情報処理装置及び情報処理方法 | |
CN114817928A (zh) | 网络空间数据融合分析方法、系统、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |