CN111078271A - 基于特征分类训练器的优化Unity打AB包的方法 - Google Patents

基于特征分类训练器的优化Unity打AB包的方法 Download PDF

Info

Publication number
CN111078271A
CN111078271A CN201911202898.XA CN201911202898A CN111078271A CN 111078271 A CN111078271 A CN 111078271A CN 201911202898 A CN201911202898 A CN 201911202898A CN 111078271 A CN111078271 A CN 111078271A
Authority
CN
China
Prior art keywords
time
clustering
resource
unity
game
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
CN201911202898.XA
Other languages
English (en)
Other versions
CN111078271B (zh
Inventor
孙亚文
潘亚楠
张治良
廖泉辉
姚杨煜
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.)
Zhuhai Kingsoft Online Game Technology Co Ltd
Original Assignee
Zhuhai Kingsoft Online Game Technology Co Ltd
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 Zhuhai Kingsoft Online Game Technology Co Ltd filed Critical Zhuhai Kingsoft Online Game Technology Co Ltd
Priority to CN201911202898.XA priority Critical patent/CN111078271B/zh
Publication of CN111078271A publication Critical patent/CN111078271A/zh
Application granted granted Critical
Publication of CN111078271B publication Critical patent/CN111078271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉提供了基于特征分类训练器的优化Unity打AB包的方法，该方法包括：对目标游戏程序通过监控接口获取游戏资源的安装和卸载的时间表；根据游戏资源的安装和卸载的时间表使用聚类方法生成对应的聚类结果，进一步，获取聚类结果中的无时序聚类集合；将无时序聚类集合对应的资源文件信息进行数字化编码，生成对应的整型数据集；对整型数据集使用分类迭代方法进行训练，得到对应的分类器；通过分类器对无时序聚类集合对应的资源文件信息划分为多个打包标签，将打包标签和聚类结果对游戏资源进行优化打包。本发明的有益效果为：使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。

Description

基于特征分类训练器的优化Unity打AB包的方法
技术领域
本发明属于计算机游戏领域，具体涉及了一种基于特征分类训练器的优化Unity打AB包的方法。
背景技术
AB包为asset bundle包的简称。
目前的Unity打AB包时，一般是有以下几种方案：
1.按照资源的依赖来分包
2.按照资源文件夹分包
3.按照资源类型来分包
4.按照资源时序的聚类来分包
按照以上的1种或多种组合形式打出来的AB包，由于unity加载的单位是AB包，那么如果分包不合理，会导致加载在内存中的资源并没有被使用，从而造成浪费，使内存虚高，也有可能会基于内存的限制造成频繁的加载和卸载AB包，从而使帧率下降，降低玩家体验。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了基于特征分类训练器的优化Unity打AB包的方法，使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。
本发明的技术方案包括一种基于特征分类训练器的优化Unity打AB包的方法，其特征在于，该方法包括以下步骤：S100，对目标游戏程序通过监控接口获取游戏资源的安装和卸载的时间表；S200，根据游戏资源的安装和卸载的时间表使用聚类方法生成对应的聚类结果，进一步，获取聚类结果中的无时序聚类集合；S300，将所述无时序聚类集合对应的资源文件信息进行数字化编码，生成对应的整型数据集；S400，对所述整型数据集使用分类迭代方法进行训练，得到对应的分类器；S500，通过所述分类器对无时序聚类集合对应的资源文件信息划分为多个打包标签，将所述打包标签和所述聚类结果对游戏资源进行优化打包。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中S100具体包括：S110，对移动终端的一项或多项游戏程序注入监控接口；S120，对游戏内加载资源和卸载资源的接口调用时，监控接口将资源加载和卸载资源的信息发送给服务端写入日志；S130，收集自动或手动的方式打开游戏资源的加载和卸载信息；S140，分析服务端收集到的资源加载和卸载时间表，根据资源的加载时间设置和卸载时间生成对应的二维分布图。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中S200具体包括：S210，使用聚类算法，将现有的资源重新分配，生成对应的聚类结果；S220，将所述聚类结果作为有时序的资源集合，通过总的资源集合减去有时序的资源集合，得到无时序的资源集合。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中聚类算法设置为K-Means聚类算法。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中S300具体包括：S310，收集无时序的资源集合的资源文件相关信息，资源文件相关信息包括文件大小、路径、文件名、文件类型、隶属玩法、场景、提交人以及提交时间，得到原始数据集；S320，将原始数据集进行数字化编码，得到包括多个多维向量的整形数据集。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中数字化编码包括：将资源文件信息中包括有数字标识的信息进行整型编码，以及，将不包括有数字标识的通过映射方法转换为整型编码。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中S400具体包括：将整形数据集的每一个维度的初始权重设为1/N，遍历每一个维度，将有时序的资源集合作为学习样本，使用adaboost算法衡量和训练每一个维度对应的弱分类器，得到该弱分类器的权重和分类阈值，同时作为参数传递给下一个分类器，通过N个弱分类器以及权重得到强分类器。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中N设置为8。
根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中S500具体包括：S510，通过强类器将无时序的资源集合分为多个打包标签；S520，将打包标签和聚类结果作为对对应游戏资源文件进行再次打包，得到优化后的AB包。
本发明的有益效果为：使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。具体包括：S100，对目标游戏程序通过监控接口获取游戏资源的安装和卸载的时间表；S200，根据游戏资源的安装和卸载的时间表使用聚类方法生成对应的聚类结果，进一步，获取聚类结果中的无时序聚类集合；S300，将无时序聚类集合对应的资源文件信息进行数字化编码，生成对应的整型数据集；S400，对整型数据集使用分类迭代方法进行训练，得到对应的分类器；S500，通过分类器对无时序聚类集合对应的资源文件信息划分为多个打包标签，将打包标签和聚类结果对游戏资源进行优化打包。
基于图1所示的流程，本发明提出了以下的具体实施方式，包括：
第一步：使用注入技术，将监控程序注入到目标手游，用于收集信息；
第二步：注入的程序会在游戏内加载资源和卸载资源的相关接口调用时，同时将资源加载/卸载资源的信息发送给服务端写入日志；
第三步：使用自动或手动的方式打开游戏游玩，后台会收集资源的加载和卸载信息；
第四步：游玩结束后，分析服务端收集到的资源加载/卸载时间表，将资源的加载时间设置为X，卸载时间设置为Y，我们可以得到一个二维分布图，每个点代表他们的生命周期；
第五步：使用聚类算法(例如Kmeans)，将现有的资源重新分配，会得到一个聚类结果。
第六步：通过第五步的聚类结果，我们可以得到一个有时序的资源集合A，并且该集合是有分类的(聚类算法得到了X个分类)。由于我们收集到的输入始终有限，理论上不可能完全收集到所有游戏资源，那么我们用总的资源集合减去集合A，可以得到一个无时序的资源集合B。
第七步：收集资源集合B中的资源文件相关信息，包括文件大小、路径、文件名、文件类型、隶属玩法、场景、提交人以及提交时间，得到一个数据集C。
第八步：将数据集C进行数字化编码(尽量保留信息相关性)，得到一个包含M个8维向量的整形数据集S。
第九步：对于S，每一个维度的初始权重设为1/8，遍历每一个维度，将集合A作为学习样本，使用adaboost算法衡量和训练每一个维度上面的弱分类器，得到该分类器的权重和分类阈值，同时作为参数传递给下一个分类器。最后通过这8个弱分类器以及权重得到一个强分类器Z。
第十步：将第九步中训练完成的分类器Z应用到无时序资源集合B中，将B分为若干类(即打包标签)
第十一步：将第五步和第十步最后得到的打包标签作为AB包列表输出指导打包，会得到一个更加优化的AB包。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种基于特征分类训练器的优化Unity打AB包的方法，其特征在于，该方法包括以下步骤：
S100，对目标游戏程序通过监控接口获取游戏资源的安装和卸载的时间表；
S200，根据游戏资源的安装和卸载的时间表使用聚类方法生成对应的聚类结果，进一步，获取聚类结果中的无时序聚类集合；
S300，将所述无时序聚类集合对应的资源文件信息进行数字化编码，生成对应的整型数据集；
S400，对所述整型数据集使用分类迭代方法进行训练，得到对应的分类器；
S500，通过所述分类器对无时序聚类集合对应的资源文件信息划分为多个打包标签，将所述打包标签和所述聚类结果对游戏资源进行优化打包。
2.根据权利要求1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S100具体包括：
S110，对移动终端的一项或多项游戏程序注入监控接口；
S120，对游戏内加载资源和卸载资源的接口调用时，监控接口将资源加载和卸载资源的信息发送给服务端写入日志；
S130，收集自动或手动的方式打开游戏资源的加载和卸载信息；
S140，分析服务端收集到的资源加载和卸载时间表，根据资源的加载时间和卸载时间生成对应的二维分布图。
3.根据权利要求1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S200具体包括：
S210，使用聚类算法，将现有的资源重新分配，生成对应的聚类结果；
S220，将所述聚类结果作为有时序的资源集合，通过总的资源集合减去有时序的资源集合，得到无时序的资源集合。
4.根据权利要求1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述聚类算法设置为K-Means聚类算法。
5.根据权利要4所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S300具体包括：
S310，收集无时序的资源集合的资源文件相关信息，资源文件相关信息包括文件大小、路径、文件名、文件类型、隶属玩法、场景、提交人以及提交时间，得到原始数据集；
S320，将原始数据集进行数字化编码，得到包括多个多维向量的整形数据集。
6.根据权利要求5所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述数字化编码包括：
将资源文件信息中包括有数字标识的信息进行整型编码，以及，将不包括有数字标识的通过映射方法转换为整型编码。
7.根据权利要5所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S400具体包括：
将整形数据集的每一个维度的初始权重设为1/N，遍历每一个维度，将有时序的资源集合作为学习样本，使用adaboost算法衡量和训练每一个维度对应的弱分类器，得到该弱分类器的权重和分类阈值，同时作为参数传递给下一个分类器，通过N个弱分类器以及权重得到强分类器。
8.根据权利要7所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述N设置为8。
9.根据权利要7所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S500具体包括：
S510，通过强类器将无时序的资源集合分为多个打包标签；
S520，将打包标签和聚类结果作为对对应游戏资源文件进行再次打包，得到优化后的AB包。
CN201911202898.XA 2019-11-29 2019-11-29 基于特征分类训练器的优化Unity打AB包的方法 Active CN111078271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911202898.XA CN111078271B (zh) 2019-11-29 2019-11-29 基于特征分类训练器的优化Unity打AB包的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911202898.XA CN111078271B (zh) 2019-11-29 2019-11-29 基于特征分类训练器的优化Unity打AB包的方法

Publications (2)

Publication Number Publication Date
CN111078271A true CN111078271A (zh) 2020-04-28
CN111078271B CN111078271B (zh) 2023-05-23

Family

ID=70312119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911202898.XA Active CN111078271B (zh) 2019-11-29 2019-11-29 基于特征分类训练器的优化Unity打AB包的方法

Country Status (1)

Country Link
CN (1) CN111078271B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897596A (zh) * 2020-07-21 2020-11-06 珠海剑心互动娱乐有限公司 Unity游戏资源加载优化方法及系统
CN111991811A (zh) * 2020-07-06 2020-11-27 广州西山居世游网络科技有限公司 基于Unity的深度多进程打包方法、装置及可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626391A (zh) * 2008-07-08 2010-01-13 盛大计算机（上海）有限公司 网络游戏客户端资源处理方法
CN106201623A (zh) * 2016-07-15 2016-12-07 珠海金山网络游戏科技有限公司 基于访问顺序排序的游戏资源文件加载方法和系统
US9823915B1 (en) * 2015-08-06 2017-11-21 Mesosphere, Inc. Software container format
CN108897554A (zh) * 2018-06-26 2018-11-27 苏州蜗牛数字科技股份有限公司 一种unity3D打包系统优化方法
CN108897567A (zh) * 2018-06-08 2018-11-27 广州虎牙信息科技有限公司 基于Unity的软件加载文件的方法、装置、设备及存储介质
CN109828777A (zh) * 2018-12-06 2019-05-31 珠海西山居互动娱乐科技有限公司 一种手游安装包优化方法及系统
CN110152299A (zh) * 2018-11-22 2019-08-23 腾讯科技（深圳）有限公司 一种游戏资源的构建方法和装置
CN110502351A (zh) * 2019-08-12 2019-11-26 广州小丑鱼信息科技有限公司 基于Unity网络资源异步加载方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101626391A (zh) * 2008-07-08 2010-01-13 盛大计算机（上海）有限公司 网络游戏客户端资源处理方法
US9823915B1 (en) * 2015-08-06 2017-11-21 Mesosphere, Inc. Software container format
CN106201623A (zh) * 2016-07-15 2016-12-07 珠海金山网络游戏科技有限公司 基于访问顺序排序的游戏资源文件加载方法和系统
CN108897567A (zh) * 2018-06-08 2018-11-27 广州虎牙信息科技有限公司 基于Unity的软件加载文件的方法、装置、设备及存储介质
CN108897554A (zh) * 2018-06-26 2018-11-27 苏州蜗牛数字科技股份有限公司 一种unity3D打包系统优化方法
CN110152299A (zh) * 2018-11-22 2019-08-23 腾讯科技（深圳）有限公司 一种游戏资源的构建方法和装置
CN109828777A (zh) * 2018-12-06 2019-05-31 珠海西山居互动娱乐科技有限公司 一种手游安装包优化方法及系统
CN110502351A (zh) * 2019-08-12 2019-11-26 广州小丑鱼信息科技有限公司 基于Unity网络资源异步加载方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111991811A (zh) * 2020-07-06 2020-11-27 广州西山居世游网络科技有限公司 基于Unity的深度多进程打包方法、装置及可读介质
CN111897596A (zh) * 2020-07-21 2020-11-06 珠海剑心互动娱乐有限公司 Unity游戏资源加载优化方法及系统

Also Published As

Publication number Publication date
CN111078271B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN109902987B (zh) 确定运输方案的方法、训练快速装载模型的方法及设备
CN111078271B (zh) 基于特征分类训练器的优化Unity打AB包的方法
US11997151B2 (en) Multimedia data processing method and apparatus, device, and readable storage medium
CN111061505B (zh) 基于机器学习的优化打ab包方法
CN109842563A (zh) 内容分发网络流量调度方法、装置和计算机可读存储介质
US7483864B2 (en) Active learning method and system
CN105607952B (zh) 一种虚拟化资源的调度方法及装置
CN107590278A (zh) 一种基于ceph的文件预读方法及相关装置
CN110365503A (zh) 一种指标确定方法及其相关设备
CN111782727B (zh) 基于机器学习的数据处理方法及装置
CN111651266A (zh) 基于Hadoop集群资源管理的方法、装置、设备及存储介质
CN108304853A (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN113535399A (zh) 一种nfv资源调度方法、装置以及系统
CN104246713A (zh) 利用者体感品质推测装置、终端瓶颈判定装置、类似操作抽出装置及方法以及程序
CN110751191A (zh) 一种图像的分类方法及系统
CN108985048A (zh) 模拟器识别方法及相关装置
CN109492102A (zh) 用户数据处理方法、装置、设备及可读存储介质
CN107728772B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN104021002B (zh) 一种pdm系统标准件存储方法
CN111104152B (zh) 优化Unity打AB包的方法
CN113496422A (zh) 一种基于区块链的推广资源分配方法及大数据信息云平台
CN111860598B (zh) 一种用于运动行为、关系识别的数据分析方法、电子设备
CN109617654B (zh) 工业互联网大数据服务系统数据传输方法与数据聚合解析装置
CN109597566A (zh) 一种数据读取、存储方法及装置
CN111401551A (zh) 基于强化学习的弱监督自学习方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 519080 Room 102, 202, 302, 402 Room 327 Room 102, 202 Room 329 Room 302, 325 Qiandao Ring Road, Tangjiawan Town, High-tech Zone, Zhuhai City, Guangdong Province

Applicant after: Zhuhai Jinshan Digital Network Technology Co.,Ltd.

Address before: 519000 Room 102, 202, 302 and 402, No. 325, Qiandao Ring Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, Room 102 and 202, No. 327 and Room 302, No. 329

Applicant before: ZHUHAI KINGSOFT ONLINE GAME TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant