CN112221155B - 基于人工智能和大数据的游戏数据识别方法及游戏云中心 - Google Patents

基于人工智能和大数据的游戏数据识别方法及游戏云中心 Download PDF

Info

Publication number
CN112221155B
CN112221155B CN202011080568.0A CN202011080568A CN112221155B CN 112221155 B CN112221155 B CN 112221155B CN 202011080568 A CN202011080568 A CN 202011080568A CN 112221155 B CN112221155 B CN 112221155B
Authority
CN
China
Prior art keywords
operation behavior
data
information
game
behavior
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.)
Active
Application number
CN202011080568.0A
Other languages
English (en)
Other versions
CN112221155A (zh
Inventor
陈夏焱
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.)
SHANGHAI DOUSHI NETWORK TECHNOLOGY Co.,Ltd.
Original Assignee
Shanghai Doushi Network 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 Shanghai Doushi Network Technology Co ltd filed Critical Shanghai Doushi Network Technology Co ltd
Priority to CN202110414917.6A priority Critical patent/CN112905619A/zh
Priority to CN202011080568.0A priority patent/CN112221155B/zh
Priority to CN202110414909.1A priority patent/CN112925797A/zh
Publication of CN112221155A publication Critical patent/CN112221155A/zh
Application granted granted Critical
Publication of CN112221155B publication Critical patent/CN112221155B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A63F13/69—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor by enabling or updating specific game elements, e.g. unlocking hidden features, items, levels or versions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于人工智能和大数据的游戏数据识别方法及游戏云中心，通过获取针对游戏客户终端的游戏角色的操作行为大数据信息，对操作行为大数据信息以及操作行为大数据信息对应的源特征域的操作行为大数据信息分别进行特征提取后，计算二者之间的差异操作行为特征，由此基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签。如此，通过先确定更具有分类意义的差异操作行为特征，由此仅利用差异操作行为特征进行异常标签分类，相较于采用全量的操作行为特征进行标签分类的方式，可以极大减少计算量，提高实时分类效率，并且没有过多冗余噪声的特征的参与，可以进一步提高标签分类精度。

Description

基于人工智能和大数据的游戏数据识别方法及游戏云中心
技术领域
本申请涉及云游戏技术领域，具体而言，涉及一种基于人工智能和大数据的游戏数据识别方法及游戏云中心。
背景技术
随着近年来游戏产业、终端技术和网络带宽的高速发展，云计算技术的日趋成熟，云游戏也随之产生，用户的终端设备与云端高性能计算资源互联，使游戏不在局限于终端设备本身。对于游戏过程中的异常情况进行分析，可以作为度量游戏运营状态健康与否的一个关键指标。
随着人工智能的发展，应用人工智能技术对玩家操作过程中产生的数据进行分类，以游戏过程中的异常情况进行分析，成为常规的设计方案。然而传统方案中，通常是采用全量的操作行为特征进行标签分类的方式，由于全量的操作行为特征的数据量较大，并且存在冗余噪声的特征的参与，导致在进行标签分类时产生的计算量较大，实时分类效率较低，并且标签分类精度也会受到较大的影响。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能和大数据的游戏数据识别方法及游戏云中心，通过获取针对游戏客户终端的游戏角色的操作行为大数据信息，对操作行为大数据信息以及操作行为大数据信息对应的源特征域的操作行为大数据信息分别进行特征提取后，计算二者之间的差异操作行为特征，由此基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签。如此，通过先确定更具有分类意义的差异操作行为特征，由此仅利用差异操作行为特征进行异常标签分类，相较于采用全量的操作行为特征进行标签分类的方式，可以极大减少计算量，提高实时分类效率，并且没有过多冗余噪声的特征的参与，可以进一步提高标签分类精度。
第一方面，本申请提供一种基于人工智能和大数据的游戏数据识别方法，应用于游戏云中心，所述游戏云中心与多个游戏客户终端通信连接，所述方法包括：
获取针对所述游戏客户终端的游戏角色的操作行为大数据信息，所述操作行为大数据信息为基于所述游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息；
对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征，并对所述操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征；
计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征；
基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签。
在第一方面的一种可能的实现方式中，所述对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征的步骤，包括：
从所述操作行为大数据信息中获得与预先定义的操作统计分段匹配的有效操作行为数据，确定与所述有效操作行为数据相匹配的操作互动统计数据；
根据所述操作互动统计数据以及与所述操作互动统计数据相对应的互动渲染表项数据生成对应的操作编码数据；
提取所述操作编码数据的操作编码序列，作为所述操作行为大数据信息对应的第一操作行为特征。
在第一方面的一种可能的实现方式中，所述根据所述操作互动统计数据以及与所述操作互动统计数据相对应的互动渲染表项数据生成对应的操作编码数据的步骤，包括：
根据与所述操作互动统计数据相对应的互动渲染表项数据确定所述操作互动统计数据中每个渲染节点顺序大于设定顺序的目标互动渲染表项数据，以及以所述目标互动渲染表项数据为参照互动渲染表项数据的第一互动渲染表项指向元素和第二互动渲染表项指向元素，所述第一互动渲染表项指向元素的渲染节点信息与所述第二互动渲染表项指向元素的渲染节点信息不重合，并且相互之间存在逻辑关联；
确定所述第一互动渲染表项指向元素中符合第一目标要求的互动渲染表项字段，根据所述符合第一目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定所述第一互动渲染表项指向元素对应的第一操作对象信息；其中，所述符合第一目标要求的互动渲染表项字段为源表项描述特征信息匹配于所述关联的预设表项描述特征信息信息的互动渲染表项字段；
确定所述第二互动渲染表项指向元素中符合第二目标要求的互动渲染表项字段，根据所述符合第二目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定所述第二互动渲染表项指向元素对应的第二操作对象信息；其中，所述符合第二目标要求的互动渲染表项字段为源表项描述特征信息匹配于所述关联的预设表项描述特征信息信息的互动渲染表项字段；
根据所述第一互动渲染表项指向元素对应的第一操作对象信息，得到所述互动渲染表项字段在每个第一渲染节点信息的操作样本片段信息，并根据所述第二互动渲染表项指向元素中的第二操作对象信息，得到所述互动渲染表项字段在每个第二渲染节点信息的操作样本片段信息；
根据所述每个第一渲染节点信息和每个第二渲染节点信息的操作样本片段信息，分别对所述互动渲染表项字段在每个渲染节点信息进行编码，得到每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息；
根据所述每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息得到对应的编码信息；
根据所述编码信息，生成对应的操作编码数据。
在第一方面的一种可能的实现方式中，所述计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征的步骤，包括：
将所述第一操作行为特征和所述第二操作行为特征添加到预设的特征比较队列，并基于所述特征比较队列建立所述第一操作行为特征的多个第一候选特征节点以及所述第二操作行为特征的多个第二候选特征节点；
根据每个第一候选特征节点确定所述第一操作行为特征的第一操作片段信息，并根据每个第二候选特征节点确定所述第二操作行为特征的第二操作片段信息；
将所述第一操作片段信息和所述第二操作片段信息映射至预设对比矩阵，得到所述第一操作片段信息对应的第一窗口数据流以及所述第二操作片段信息对应的第二窗口数据流；
确定所述预设对比矩阵中的多个比较窗口，对所述多个比较窗口进行聚类得到至少多个不同类别的窗口对象序列；
针对每个类别的窗口对象序列，计算所述类别的窗口对象序列中的每个比较窗口对应的第一窗口数据流和第二窗口数据流之间的窗口差异数据流；
将每个窗口差异数据流进行特征还原后进行汇总，获得所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征。
在第一方面的一种可能的实现方式中，所述基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签的步骤，包括：
基于预设人工智能分类网络确定所述差异操作行为特征在每个分类异常标签下的置信度；
根据所述差异操作行为特征在每个分类异常标签下的置信度得到所述操作行为大数据信息对应的异常标签。
在第一方面的一种可能的实现方式中，所述根据所述差异操作行为特征在每个分类异常标签下的置信度得到所述操作行为大数据信息对应的异常标签的步骤，包括：
将置信度最高的分类异常标签作为所述操作行为大数据信息对应的异常标签。
在第一方面的一种可能的实现方式中，所述获取针对所述游戏客户终端的游戏角色的操作行为大数据信息的步骤，包括：
基于人工智能模型对所述游戏客户终端的游戏用户的第一游戏数据包中的静态操作数据和动态操作数据进行分类，得到第二游戏数据包，其中，所述第一游戏数据包中记录了第一数量个具有对应关系的静态操作数据和动态操作数据，所述第二游戏数据包中记录了第一数量个操作行为标签，每个所述操作行为标签用于表示一个操作行为数据；
根据所述第二游戏数据包获取第三游戏数据包，其中，所述第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、所述操作行为标签所表示的操作行为数据中的关键元素静态操作数据、所述操作行为标签所表示的操作行为数据中的关键元素动态操作数据；
根据所述第三游戏数据包将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象，每个所述操作行为对象包括至少一个所述操作行为标签所表示的操作行为数据；
获取位于所述第三数量个操作行为对象中的目标操作行为对象中包括的操作行为日志，得到操作行为日志集合，对所述操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在所述关键元素匹配结果中出现次数大于影响值的操作统计元素的情况下，将所述操作统计元素确定为所述目标操作行为对象的目标操作统计元素，以基于每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计，得到针对所述游戏客户终端的游戏角色的操作行为大数据信息。
在第一方面的一种可能的实现方式中，所述第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、所述操作行为标签所表示的操作行为数据中的关键元素静态操作数据、所述操作行为标签所表示的操作行为数据中的关键元素动态操作数据以及所述操作行为标签所表示的操作行为数据中的操作行为数量；
其中，所述根据所述第三游戏数据包将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象的步骤，包括：
确定所有所述操作行为标签所表示的操作行为数据中的操作行为数量的均值，以及所有所述操作行为标签所表示的操作行为数据中的操作行为数量的方差值；
确定每个所述操作行为标签所表示的操作行为数据中的操作行为数量与所述均值之间的差值，将所述差值与所述方差值之间的比值确定为每个所述操作行为标签所表示的操作行为数据中的第一关键元素对应的影响值；
在所述影响值大于第一影响值的情况下，将所述第一关键元素标记为标记目标；
在所述影响值小于所述第一影响值且大于第二影响值的情况下，根据以所述第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除所述第一关键元素之外的第二关键元素的个数，将所述第一关键元素标记为标记目标、非标记目标或者噪声目标；
在所述影响值小于所述第二影响值的情况下，根据以所述第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除所述第一关键元素之外的第二关键元素的个数，将所述第一关键元素标记为非标记目标或者噪声目标；
在所述第一关键元素被标记为标记目标、且所述第一关键元素以及位于所述范围内的第二关键元素中存在一个关键元素所在的操作行为数据已被记录为位于目标操作行为对象中的情况下，将所述第一关键元素以及位于所述范围内的第二关键元素所在的操作行为数据都记录为位于所述目标操作行为对象中；
在所述第一关键元素被标记为标记目标、且所述第一关键元素以及位于所述范围内的第二关键元素中的每个关键元素所在的操作行为数据均未记录为位于所述操作行为对象中的情况下，将所述第一关键元素以及位于所述范围内的第二关键元素所在的操作行为数据都记录为位于同一个操作行为对象中，以将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象。
在第一方面的一种可能的实现方式中，所述对所述操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在所述关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将所述操作行为对象确定为所述目标操作行为对象的统计操作行为对象的步骤，包括：
提取所述操作行为日志集合中的每个操作行为日志的图表定制化记录信息；
根据所述图表定制化记录信息，获取所述每个操作行为日志中各个操作绘制事件的事件属性值，所述事件属性值是指操作绘制事件在所述每个操作行为日志处于被监测状态下的任一绘制控件状态中多端绘制调用事件的事件属性值，所述操作绘制事件为与多端绘制调用事件存在相同的用户终端的有效状态标识的事件记录；
按照每个操作绘制事件的状态监测优先级，获取至少两个操作绘制事件，得到至少两种操作链集；
对于任一种操作链集，根据所述操作链集中每个操作绘制事件处于所述被监测状态下的事件属性值，获取每个操作绘制事件的最靠前事件属性值；
获取所述操作链集包括的各个操作绘制事件的最靠前事件属性值的时序加权结果，得到所述操作链集的指标参考数值；
当至少两种操作链集的指标参考数值均满足设定条件时，提取所述每个操作行为日志在所述多端绘制调用事件中的第一关键元素匹配信息，得到关键元素匹配结果；
在所述关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将所述操作行为对象确定为所述目标操作行为对象的统计操作行为对象。
第二方面，本申请实施例还提供一种基于人工智能和大数据的游戏数据识别装置，应用于游戏云中心，所述游戏云中心与多个游戏客户终端通信连接，所述装置包括：
获取模块，用于获取针对所述游戏客户终端的游戏角色的操作行为大数据信息，所述操作行为大数据信息为基于所述游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息；
特征提取模块，用于对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征，并对所述操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征；
计算模块，用于计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征；
分类模块，用于基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签。
第三方面，本申请实施例还提供一种基于人工智能和大数据的游戏数据识别系统，所述基于人工智能和大数据的游戏数据识别系统包括游戏云中心以及与所述游戏云中心通信连接的多个游戏客户终端；
所述游戏云中心，用于：
获取针对所述游戏客户终端的游戏角色的操作行为大数据信息，所述操作行为大数据信息为基于所述游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息；
对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征，并对所述操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征；
计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征；
基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签。
第四方面，本申请实施例还提供一种游戏云中心，所述游戏云中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个游戏客户终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能和大数据的游戏数据识别方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的基于人工智能和大数据的游戏数据识别方法。
基于上述任意一个方面，本申请通过获取针对游戏客户终端的游戏角色的操作行为大数据信息，对操作行为大数据信息以及操作行为大数据信息对应的源特征域的操作行为大数据信息分别进行特征提取后，计算二者之间的差异操作行为特征，由此基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签。如此，通过先确定更具有分类意义的差异操作行为特征，由此仅利用差异操作行为特征进行异常标签分类，相较于采用全量的操作行为特征进行标签分类的方式，可以极大减少计算量，提高实时分类效率，并且没有过多冗余噪声的特征的参与，可以进一步提高标签分类精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的基于人工智能和大数据的游戏数据识别系统的应用场景示意图；
图2为本申请实施例提供的基于人工智能和大数据的游戏数据识别方法的流程示意图；
图3为本申请实施例提供的基于人工智能和大数据的游戏数据识别装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的基于人工智能和大数据的游戏数据识别方法的游戏云中心的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的基于人工智能和大数据的游戏数据识别系统10的交互示意图。基于人工智能和大数据的游戏数据识别系统10可以包括游戏云中心100以及与游戏云中心100通信连接的游戏客户终端200。图1所示的基于人工智能和大数据的游戏数据识别系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能和大数据的游戏数据识别系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，游戏客户终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括物联网设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，物联网设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和增强现实设备可以包括各种虚拟现实产品等。
本实施例中，基于人工智能和大数据的游戏数据识别系统10中的游戏云中心100和游戏客户终端200可以通过配合执行以下方法实施例所描述的基于人工智能和大数据的游戏数据识别方法，具体游戏云中心100和游戏客户终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于人工智能和大数据的游戏数据识别方法的流程示意图，本实施例提供的基于人工智能和大数据的游戏数据识别方法可以由图1中所示的游戏云中心100执行，下面对该基于人工智能和大数据的游戏数据识别方法进行详细介绍。
步骤S110，获取针对游戏客户终端200的游戏角色的操作行为大数据信息。
步骤S120，对操作行为大数据信息进行特征提取，得到操作行为大数据信息对应的第一操作行为特征，并对操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征。
步骤S130，计算第一操作行为特征和第二操作行为特征之间的差异操作行为特征。
步骤S140，基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签。
本实施例中，操作行为大数据信息为基于游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息。目标操作统计元素的统计操作行为对象可以理解为针对具有统计意义的目标操作统计元素的操作行为对象。每个操作行为对象可以包括至少一个操作行为标签所表示的操作行为数据。
本实施例中，预设人工智能分类网络可以采用常规的深度学习网络通过预先配置的训练样本和训练样本对应的异常分类标注标签进行训练获得，训练样本可以是指通过大量人工比对获得的操作行为特征，具体训练过程中不是本申请实施例的重点，参照现有技术中的常规训练方式即可， 在此不作赘述。
本实施例中，异常标签可以是指对于游戏过程中存在的各种异常行为，例如可以包括游戏运行场景的异常行为、游戏活动的异常行为、游戏渲染过程的异常行为等，但不限制与此。
基于上述步骤，本实施例通过先确定更具有分类意义的差异操作行为特征，由此仅利用差异操作行为特征进行异常标签分类，相较于采用全量的操作行为特征进行标签分类的方式，可以极大减少计算量，提高实时分类效率，并且没有过多冗余噪声的特征的参与，可以进一步提高标签分类精度。
在一种可能的实现方式中，针对步骤S120而言，在对操作行为大数据信息进行特征提取，得到操作行为大数据信息对应的第一操作行为特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，从操作行为大数据信息中获得与预先定义的操作统计分段匹配的有效操作行为数据，确定与有效操作行为数据相匹配的操作互动统计数据。
子步骤S122，根据操作互动统计数据以及与操作互动统计数据相对应的互动渲染表项数据生成对应的操作编码数据。
子步骤S123，提取操作编码数据的操作编码序列，作为操作行为大数据信息对应的第一操作行为特征。
例如，在一种可能的实现方式中，子步骤S122可以通过以下示例性的实施方式来实施。
（1）根据与操作互动统计数据相对应的互动渲染表项数据确定操作互动统计数据中每个渲染节点顺序大于设定顺序的目标互动渲染表项数据，以及以目标互动渲染表项数据为参照互动渲染表项数据的第一互动渲染表项指向元素和第二互动渲染表项指向元素，第一互动渲染表项指向元素的渲染节点信息与第二互动渲染表项指向元素的渲染节点信息不重合，并且相互之间存在逻辑关联。
（1）确定第一互动渲染表项指向元素中符合第一目标要求的互动渲染表项字段，根据符合第一目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定第一互动渲染表项指向元素对应的第一操作对象信息。
其中，符合第一目标要求的互动渲染表项字段为源表项描述特征信息匹配于关联的预设表项描述特征信息信息的互动渲染表项字段。
（2）确定第二互动渲染表项指向元素中符合第二目标要求的互动渲染表项字段，根据符合第二目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定第二互动渲染表项指向元素对应的第二操作对象信息。
其中，符合第二目标要求的互动渲染表项字段为源表项描述特征信息匹配于关联的预设表项描述特征信息信息的互动渲染表项字段。
（3）根据第一互动渲染表项指向元素对应的第一操作对象信息，得到互动渲染表项字段在每个第一渲染节点信息的操作样本片段信息，并根据第二互动渲染表项指向元素中的第二操作对象信息，得到互动渲染表项字段在每个第二渲染节点信息的操作样本片段信息。
（4）根据每个第一渲染节点信息和每个第二渲染节点信息的操作样本片段信息，分别对互动渲染表项字段在每个渲染节点信息进行编码，得到每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息。
（5）根据每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息得到对应的编码信息。
（6）根据编码信息，生成对应的操作编码数据。
这样，通过结合互动渲染的特征信息进行操作编码数据的确定，可以获得更为准确且符合实际场景的操作编码数据。
在一种可能的实现方式中，针对步骤S130而言，在计算第一操作行为特征和第二操作行为特征之间的差异操作行为特征的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S131，将第一操作行为特征和第二操作行为特征添加到预设的特征比较队列，并基于特征比较队列建立第一操作行为特征的多个第一候选特征节点以及第二操作行为特征的多个第二候选特征节点。
子步骤S132，根据每个第一候选特征节点确定第一操作行为特征的第一操作片段信息，并根据每个第二候选特征节点确定第二操作行为特征的第二操作片段信息。
子步骤S133，将第一操作片段信息和第二操作片段信息映射至预设对比矩阵，得到第一操作片段信息对应的第一窗口数据流以及第二操作片段信息对应的第二窗口数据流。
子步骤S134，确定预设对比矩阵中的多个比较窗口，对多个比较窗口进行聚类得到至少多个不同类别的窗口对象序列。
子步骤S135，针对每个类别的窗口对象序列，计算类别的窗口对象序列中的每个比较窗口对应的第一窗口数据流和第二窗口数据流之间的窗口差异数据流。
子步骤S136，将每个窗口差异数据流进行特征还原后进行汇总，获得第一操作行为特征和第二操作行为特征之间的差异操作行为特征。
在一种可能的实现方式中，针对步骤S140而言，在基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S141，基于预设人工智能分类网络确定差异操作行为特征在每个分类异常标签下的置信度。
子步骤S142，根据差异操作行为特征在每个分类异常标签下的置信度得到操作行为大数据信息对应的异常标签。
例如，可以将置信度最高的分类异常标签作为操作行为大数据信息对应的异常标签。
在一种可能的实现方式中，针对步骤S110而言，在获取针对游戏客户终端200的游戏角色的操作行为大数据信息的过程中，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S111，基于人工智能模型对游戏客户终端200的游戏用户的第一游戏数据包中的静态操作数据和动态操作数据进行分类，得到第二游戏数据包。
子步骤S112，根据第二游戏数据包获取第三游戏数据包。
子步骤S113，根据第三游戏数据包将第二数量个操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象。
子步骤S114，获取位于第三数量个操作行为对象中的目标操作行为对象中包括的操作行为日志，得到操作行为日志集合，对操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在关键元素匹配结果中出现次数大于影响值的操作统计元素的情况下，将操作统计元素确定为目标操作行为对象的目标操作统计元素，以基于每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计，得到针对游戏客户终端200的游戏角色的操作行为大数据信息。
本实施例中，第一游戏数据包中记录了第一数量个具有对应关系的静态操作数据和动态操作数据，第二游戏数据包中记录了第一数量个操作行为标签，每个操作行为标签用于表示一个操作行为数据。例如，静态操作数据可以是指在操作过程中游戏角色不发生动态角度移动的操作行为数据，而动态操作数据可以是指在操作过程中游戏角色发生动态角度移动的操作行为数据。操作行为标签可以是指用于表示每一个操作行为数据所对应的分类标签，例如可以是某个上级标签，或者是某个上级标签下的细化下级标签等。
本实施例中，第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、操作行为标签所表示的操作行为数据中的关键元素静态操作数据、操作行为标签所表示的操作行为数据中的关键元素动态操作数据。其中，关键元素可以根据实际游戏场景的中统计要素的优先级进行灵活确定，在此不作详细限定。
本实施例中，每个操作行为对象可以包括至少一个操作行为标签所表示的操作行为数据。
基于上述步骤，本实施例按照操作行为的动静态操作数据来表示操作行为，根据动静态操作数据与操作行为标签之间的操作关系对操作行为按照其所在操作行为标签类别进行关键元素匹配，再将关键元素匹配后的操作行为标签类别划分为多个不同操作行为对象，从而通过自动划分操作行为对象，之后通过确定每个目标操作行为对象的目标操作统计元素后再进行相应的数据统计，避免对无效操作行为数据进行处理，此外操作行为对象的划分标准统一，能够及时更新，计算量较小，如有新的操作行为加入，则能够直接将其添加到所在的操作行为对象，从而提高了操作行为对象的划分效率
譬如，在一种可能的实现方式中，上述的第一游戏数据包可以通过以下方式获得：
（1）获取待处理的第一数量个操作行为日志。
（2）通过调用API接口获取第一数量个操作行为日志中每个操作行为日志表示的操作行为所在的静态操作数据和动态操作数据，以得到第一数量个具有对应关系的操作行为日志、静态操作数据和动态操作数据。
（3）将第一数量个具有对应关系的操作行为日志、静态操作数据和动态操作数据形成为第一游戏数据包。
这样，在此基础上，在一种可能的实现方式中，针对步骤S1110而言，在基于人工智能模型对游戏客户终端200的游戏用户的第一游戏数据包中的静态操作数据和动态操作数据进行分类，得到第二游戏数据包的过程中，可以基于人工智能模型对第一游戏数据包中的静态操作数据和动态操作数据进行操作元素分类，得到第二游戏数据包。
其中，值得说明的是，第二游戏数据包中记录了第一数量个具有对应关系的操作行为日志和操作元素码，操作行为标签为操作元素码。
其中，值得说明的是，人工智能模型可以采用常规的深度学习网络来实现，通过结合大量的训练样本，可以使得该人工智能模型具有操作元素的识别能力，从而通过操作元素分类，可以得到第二游戏数据包。
这样，譬如，针对步骤S112而言，在根据第二游戏数据包获取第三游戏数据包的过程中，可以通过以下示例性的子步骤来实现。
子步骤S1121，对第二游戏数据包所记录的操作元素码进行关键元素匹配，得到第二数量个互不相同的操作元素码。
子步骤S1122，确定第二数量个互不相同的操作元素码中每个操作元素码所表示的操作行为数据中的关键元素静态操作数据，以及每个操作元素码所表示的操作行为数据中的关键元素动态操作数据。
子步骤S1123，记录第二数量组具有对应关系的操作元素码、操作元素码所表示的操作行为数据中的关键元素静态操作数据、操作元素码所表示的操作行为数据中的关键元素动态操作数据，得到第三游戏数据包。
在一种可能的实现方式中，上述的第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、操作行为标签所表示的操作行为数据中的关键元素静态操作数据、操作行为标签所表示的操作行为数据中的关键元素动态操作数据以及操作行为标签所表示的操作行为数据中的操作行为数量。
由此，针对步骤S113而言，在根据第三游戏数据包将第二数量个操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象的过程中，可以通过以下示例性的子步骤来实现。
子步骤S1131，确定所有操作行为标签所表示的操作行为数据中的操作行为数量的均值，以及所有操作行为标签所表示的操作行为数据中的操作行为数量的方差值。
子步骤S1132，确定每个操作行为标签所表示的操作行为数据中的操作行为数量与均值之间的差值，将差值与方差值之间的比值确定为每个操作行为标签所表示的操作行为数据中的第一关键元素对应的影响值。
例如，在影响值大于第一影响值的情况下，将第一关键元素标记为标记目标。
又例如，在影响值小于第一影响值且大于第二影响值的情况下，根据以第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除第一关键元素之外的第二关键元素的个数，将第一关键元素标记为标记目标、非标记目标或者噪声目标。
再例如，在影响值小于第二影响值的情况下，根据以第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除第一关键元素之外的第二关键元素的个数，将第一关键元素标记为非标记目标或者噪声目标。
子步骤S1133，在第一关键元素被标记为标记目标、且第一关键元素以及位于范围内的第二关键元素中存在一个关键元素所在的操作行为数据已被记录为位于目标操作行为对象中的情况下，将第一关键元素以及位于范围内的第二关键元素所在的操作行为数据都记录为位于目标操作行为对象中。
子步骤S1134，在第一关键元素被标记为标记目标、且第一关键元素以及位于范围内的第二关键元素中的每个关键元素所在的操作行为数据均未记录为位于操作行为对象中的情况下，将第一关键元素以及位于范围内的第二关键元素所在的操作行为数据都记录为位于同一个操作行为对象中，以将第二数量个操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象。
在此基础上，针对步骤S114而言，在对操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将操作行为对象确定为目标操作行为对象的统计操作行为对象的过程中，可以通过以下示例性的子步骤来实现。
子步骤S1141，提取操作行为日志集合中的每个操作行为日志的图表定制化记录信息。
子步骤S1142，根据图表定制化记录信息，获取每个操作行为日志中各个操作绘制事件的事件属性值，事件属性值是指操作绘制事件在每个操作行为日志处于被监测状态下的任一绘制控件状态中多端绘制调用事件的事件属性值，操作绘制事件为与多端绘制调用事件存在相同的用户终端的有效状态标识的事件记录。
子步骤S1143，按照每个操作绘制事件的状态监测优先级，获取至少两个操作绘制事件，得到至少两种操作链集。
子步骤S1144，对于任一种操作链集，根据操作链集中每个操作绘制事件处于被监测状态下的事件属性值，获取每个操作绘制事件的最靠前事件属性值。
子步骤S1145，获取操作链集包括的各个操作绘制事件的最靠前事件属性值的时序加权结果，得到操作链集的指标参考数值。
子步骤S1146，当至少两种操作链集的指标参考数值均满足设定条件时，提取每个操作行为日志在多端绘制调用事件中的第一关键元素匹配信息，得到关键元素匹配结果。
子步骤S1147，在关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将操作行为对象确定为目标操作行为对象的统计操作行为对象。
示例性地，譬如，在子步骤S1141中，在提取操作行为日志集合中的每个操作行为日志的图表定制化记录信息的过程中，可以通过以下示例性的实施方式来实现。
（1）将每个操作行为日志划分为至少两个第一多维度分层存储结构，每个第一多维度分层存储结构具有相同的分层存储业务。
（2）采用预设分层贴源层识别模型，从每个第一多维度分层存储结构中，识别分层贴源层信息。
（3）对至少两个第一多维度分层存储结构的分层贴源层信息进行图表定制化记录节点信息提取，并根据提取到的图表定制化记录节点信息获取图表定制化记录信息。
示例性地，譬如，在子步骤S1142中，在根据图表定制化记录信息，获取每个操作行为日志中各个操作绘制事件的事件属性值的过程中，可以将图表定制化记录信息输入到操作链识别程序中，输出每个操作行为日志中各个操作绘制事件为多端绘制调用事件的事件属性值。
其中，值得说明的是，操作链识别程序用于基于多端绘制调用事件的图表定制化记录信息，从每个操作行为日志中检测出与多端绘制调用事件存在相同的用户终端的有效状态标识的事件记录，并获取与多端绘制调用事件存在相同的用户终端的有效状态标识的事件记录处于被监测状态下为多端绘制调用事件的事件属性值。
示例性地，在上述基础上，关键元素匹配结果还可以包括第二关键元素匹配信息。
由此，可以以确定至少两种操作链集的指标参考数值均满足设定条件时游戏云中心的关键元素匹配提取记录为参考记录，从每个操作行为日志中获取与预置分层存储业务对应的第二多维度分层存储结构。然后，获取第二多维度分层存储结构的存储内容更新信息。
例如，当第二多维度分层存储结构的存储内容更新信息满足预设更新指标时，提取每个操作行为日志在多端绘制调用事件中的第二关键元素匹配信息。
其中，第二关键元素匹配信息的时序描述值小于第一关键元素匹配信息的时序描述值，时序描述值越大，表征对应的关键元素匹配信息的生成时刻越靠前。
其中，示例性地，在获取第二多维度分层存储结构的存储内容更新信息的过程中，可以将第二多维度分层存储结构划分为至少两个分层决策行为节点集合，每个分层决策行为节点集合具有相同的分层存储业务。然后，获取每个分层决策行为节点集合对应的决策行为特征的决策属性值。急着，从至少两个分层决策行为节点集合对应的决策属性值中，获取最大决策属性值和最小决策属性值。由此，获取最大决策属性值和最小决策属性值的中间决策属性值的存储内容分布，得到第二多维度分层存储结构的存储内容更新信息。
其中，第二多维度分层存储结构包括第三多维度分层存储结构和第四多维度分层存储结构中至少一个，第三多维度分层存储结构为以关键元素匹配提取记录为参考记录、每个操作行为日志中位于关键元素匹配提取记录之后的与预置分层存储业务对应的多维度分层存储结构，第四多维度分层存储结构为以关键元素匹配提取记录为参考记录、每个操作行为日志中位于关键元素匹配提取记录之前的与预置分层存储业务对应的多维度分层存储结构。
譬如，在一种可能的实现方式中，在子步骤S1146中，在提取每个操作行为日志在多端绘制调用事件中的第一关键元素匹配信息的过程中，可以通过以下示例性的实施方式来实现。
（1）提取每个操作行为日志在多端绘制调用事件中的场景互动渲染序列，其中场景互动渲染序列包括每个操作行为日志的同一交互时间段的待识别场景互动渲染序列的集合。
（2）通过预设脚本的动态状态转移跟踪节点中的跟踪函数对场景互动渲染序列进行状态转移识别，确定与场景互动渲染序列相匹配的第一状态转移队列。
（3）基于第一状态转移队列，通过预设脚本中的动态状态转移跟踪节点中的非跟踪函数，确定与场景互动渲染序列相匹配的第二状态转移队列。
（4）基于场景互动渲染序列相匹配的第二状态转移队列，通过预设脚本的静态状态转移跟踪节点，对场景互动渲染序列进行连续性特征提取，以实现输出经过时序连续性校验的场景互动渲染序列的第一关键元素匹配信息。
譬如，在（2）中，示例性地，可以通过第一静态状态转移跟踪节点对场景互动渲染序列进行多维特征关键元素匹配，通过第一静态状态转移跟踪节点的行为参数变量和变量相关性系数对经过多维特征关键元素匹配的清单关键元素匹配集进行处理，得到场景互动渲染序列的目标关键元素匹配集，通过第一静态状态转移跟踪节点的传递节点队列，对场景互动渲染序列的目标关键元素匹配集进行特征提取，确定与场景互动渲染序列对应的静态描述向量。
譬如，在通过第一静态状态转移跟踪节点对场景互动渲染序列进行多维特征关键元素匹配的过程中，可以根据场景互动渲染序列所对应的交互时间段的相对时序权重，确定与预设脚本的线程运行脚本相匹配的脚本格式参数。然后，根据脚本格式参数通过第一静态状态转移跟踪节点对场景互动渲染序列进行多维特征关键元素匹配，以形成与脚本格式参数相匹配的场景互动渲染序列。
譬如，在（3）中，示例性地，可以通过预设脚本中的动态状态转移跟踪节点中的非跟踪函数对第一状态转移队列进行切分，确定场景互动渲染序列的状态转移分布节点集合，其中，非跟踪函数包括至少一个可变跟踪通道。
然后，将状态转移分布节点集合作为当前识别单元的输入集合，并通过当前识别单元对所输入的状态转移分布节点集合进行提取，得到当前识别单元的输出集合，接着将当前识别单元的输出集合和当前识别单元的输入集合进行相似性比对，得到比对结果。由此，可以基于非跟踪函数包括的所有识别单元对比对结果进行状态转移筛选，确定与场景互动渲染序列相匹配的第二状态转移队列。
譬如，在一种可能的实现方式中，可以通过以下方式确定至少两种操作链集的指标参考数值均满足设定条件：
（1）生成其中一种操作链集对应的第一操作链特征维度数据以及另一种操作链集对应的第二操作链特征维度数据，并确定第一操作链特征维度数据和第二操作链特征维度数据中分别包括的多个不同连贯参数的特征维度数据集。
（2）提取其中一种操作链集在第一操作链特征维度数据的任一特征维度数据集的绘制调用事件运行数据，将第二操作链特征维度数据中具有最小连贯参数的特征维度数据集确定为目标特征维度数据集。
（3）根据至少两种操作链集的指标参考数值之间的指标参考数值之差所处的分级数值区间，将绘制调用事件运行数据复制到目标特征维度数据集，以在目标特征维度数据集中得到镜像信息。
（4）基于绘制调用事件运行数据与镜像信息之间的场景差异特征，生成其中一种操作链集和另一种操作链集之间的事件关联列表。
（5）以镜像信息为参考信息在目标特征维度数据集中获取待处理运行数据，根据事件关联列表对应的事件关联优先级的由大到小的顺序，将待处理运行数据复制到绘制调用事件运行数据所在特征维度数据集，在绘制调用事件运行数据所在特征维度数据集中得到待处理运行数据对应的目标运行数据，基于目标运行数据确定其中一种操作链集和另一种操作链集的连贯性参数。
（6）采用连贯性参数分别对其中一种操作链集对应的第一指标参考数值进行加权得到第一目标指标参考数值以及对另一种操作链集对应的第二指标参考数值进行加权得到第二目标指标参考数值。
（7）若第一目标指标参考数值和第二目标指标参考数值均大于设定指标参考数值，则确定至少两种操作链集的指标参考数值均满足设定条件。
图3为本公开实施例提供的基于人工智能和大数据的游戏数据识别装置300的功能模块示意图，本实施例可以根据上述游戏云中心100执行的方法实施例对该基于人工智能和大数据的游戏数据识别装置300进行功能模块的划分，也即该基于人工智能和大数据的游戏数据识别装置300所对应的以下各个功能模块可以用于执行上述游戏云中心100执行的各个方法实施例。其中，该基于人工智能和大数据的游戏数据识别装置300可以包括获取模块310、特征提取模块320、计算模块330以及分类模块340，下面分别对该基于人工智能和大数据的游戏数据识别装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取针对游戏客户终端200的游戏角色的操作行为大数据信息，操作行为大数据信息为基于游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息。其中，获取模块310可以用于执行上述的步骤S110，关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
特征提取模块320，用于对操作行为大数据信息进行特征提取，得到操作行为大数据信息对应的第一操作行为特征，并对操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征。其中，特征提取模块320可以用于执行上述的步骤S120，关于特征提取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
计算模块330，用于计算第一操作行为特征和第二操作行为特征之间的差异操作行为特征。其中，计算模块330可以用于执行上述的步骤S130，关于计算模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
分类模块340，用于基于预设人工智能分类网络对差异操作行为特征进行分类，得到操作行为大数据信息对应的异常标签。其中，分类模块340可以用于执行上述的步骤S140，关于分类模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的控制设备的游戏云中心100的硬件结构示意图，如图4所示，游戏云中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于人工智能和大数据的游戏数据识别装置300包括的获取模块310、特征提取模块320、计算模块330以及分类模块340），使得处理器110可以执行如上方法实施例的基于人工智能和大数据的游戏数据识别方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的游戏客户终端200进行数据收发。
处理器110的具体实现过程可参见上述游戏云中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理器(英文：CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：DigitalSignal Processor，DSP)、专用集成电路(英文：Application SpecificIntegratedCircuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于人工智能和大数据的游戏数据识别方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同词语两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序分类。
计算机存储介质可能包含一个内含有计算机程序分类的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序分类可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序分类可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序分类可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或用户终端上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书所述处理元素和列表的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过互动业务实现，但是也可以只通过软件的解决方案得以实现，如在现有的用户终端或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于人工智能和大数据的游戏数据识别方法，其特征在于，应用于游戏云中心，所述游戏云中心与多个游戏客户终端通信连接，所述方法包括：
获取针对所述游戏客户终端的游戏角色的操作行为大数据信息，所述操作行为大数据信息为基于所述游戏角色的每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计后的大数据信息；
对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征，并对所述操作行为大数据信息对应的源特征域的操作行为大数据信息进行特征提取，得到对应的第二操作行为特征；
计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征；
基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签。
2.根据权利要求1所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述对所述操作行为大数据信息进行特征提取，得到所述操作行为大数据信息对应的第一操作行为特征的步骤，包括：
从所述操作行为大数据信息中获得与预先定义的操作统计分段匹配的有效操作行为数据，确定与所述有效操作行为数据相匹配的操作互动统计数据；
根据所述操作互动统计数据以及与所述操作互动统计数据相对应的互动渲染表项数据生成对应的操作编码数据；
提取所述操作编码数据的操作编码序列，作为所述操作行为大数据信息对应的第一操作行为特征。
3.根据权利要求2所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述根据所述操作互动统计数据以及与所述操作互动统计数据相对应的互动渲染表项数据生成对应的操作编码数据的步骤，包括：
根据与所述操作互动统计数据相对应的互动渲染表项数据确定所述操作互动统计数据中每个渲染节点顺序大于设定顺序的目标互动渲染表项数据，以及以所述目标互动渲染表项数据为参照互动渲染表项数据的第一互动渲染表项指向元素和第二互动渲染表项指向元素，所述第一互动渲染表项指向元素的渲染节点信息与所述第二互动渲染表项指向元素的渲染节点信息不重合，并且相互之间存在逻辑关联；
确定所述第一互动渲染表项指向元素中符合第一目标要求的互动渲染表项字段，根据所述符合第一目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定所述第一互动渲染表项指向元素对应的第一操作对象信息；其中，所述符合第一目标要求的互动渲染表项字段为源表项描述特征信息匹配于所述关联的预设表项描述特征信息信息的互动渲染表项字段；
确定所述第二互动渲染表项指向元素中符合第二目标要求的互动渲染表项字段，根据所述符合第二目标要求的互动渲染表项字段的源表项描述特征信息与关联的预设表项描述特征信息信息之间的多级描述属性的控制信息，确定所述第二互动渲染表项指向元素对应的第二操作对象信息；其中，所述符合第二目标要求的互动渲染表项字段为源表项描述特征信息匹配于所述关联的预设表项描述特征信息信息的互动渲染表项字段；
根据所述第一互动渲染表项指向元素对应的第一操作对象信息，得到所述互动渲染表项字段在每个第一渲染节点信息的操作样本片段信息，并根据所述第二互动渲染表项指向元素中的第二操作对象信息，得到所述互动渲染表项字段在每个第二渲染节点信息的操作样本片段信息；
根据所述每个第一渲染节点信息和每个第二渲染节点信息的操作样本片段信息，分别对所述互动渲染表项字段在每个渲染节点信息进行编码，得到每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息；
根据所述每个第一渲染节点信息的第一编码信息和每个第二渲染节点信息的第二编码信息得到对应的编码信息；
根据所述编码信息，生成对应的操作编码数据。
4.根据权利要求1所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述计算所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征的步骤，包括：
将所述第一操作行为特征和所述第二操作行为特征添加到预设的特征比较队列，并基于所述特征比较队列建立所述第一操作行为特征的多个第一候选特征节点以及所述第二操作行为特征的多个第二候选特征节点；
根据每个第一候选特征节点确定所述第一操作行为特征的第一操作片段信息，并根据每个第二候选特征节点确定所述第二操作行为特征的第二操作片段信息；
将所述第一操作片段信息和所述第二操作片段信息映射至预设对比矩阵，得到所述第一操作片段信息对应的第一窗口数据流以及所述第二操作片段信息对应的第二窗口数据流；
确定所述预设对比矩阵中的多个比较窗口，对所述多个比较窗口进行聚类得到至少多个不同类别的窗口对象序列；
针对每个类别的窗口对象序列，计算所述类别的窗口对象序列中的每个比较窗口对应的第一窗口数据流和第二窗口数据流之间的窗口差异数据流；
将每个窗口差异数据流进行特征还原后进行汇总，获得所述第一操作行为特征和所述第二操作行为特征之间的差异操作行为特征。
5.根据权利要求1-4中任意一项所述基于人工智能和大数据的游戏数据识别方法，其特征在于，所述基于预设人工智能分类网络对所述差异操作行为特征进行分类，得到所述操作行为大数据信息对应的异常标签的步骤，包括：
基于预设人工智能分类网络确定所述差异操作行为特征在每个分类异常标签下的置信度；
根据所述差异操作行为特征在每个分类异常标签下的置信度得到所述操作行为大数据信息对应的异常标签。
6.根据权利要求5所述基于人工智能和大数据的游戏数据识别方法，其特征在于，所述根据所述差异操作行为特征在每个分类异常标签下的置信度得到所述操作行为大数据信息对应的异常标签的步骤，包括：
将置信度最高的分类异常标签作为所述操作行为大数据信息对应的异常标签。
7.根据权利要求1-4中任意一项所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述获取针对所述游戏客户终端的游戏角色的操作行为大数据信息的步骤，包括：
基于人工智能模型对所述游戏客户终端的游戏用户的第一游戏数据包中的静态操作数据和动态操作数据进行分类，得到第二游戏数据包，其中，所述第一游戏数据包中记录了第一数量个具有对应关系的静态操作数据和动态操作数据，所述第二游戏数据包中记录了第一数量个操作行为标签，每个所述操作行为标签用于表示一个操作行为数据；
根据所述第二游戏数据包获取第三游戏数据包，其中，所述第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、所述操作行为标签所表示的操作行为数据中的关键元素静态操作数据、所述操作行为标签所表示的操作行为数据中的关键元素动态操作数据；
根据所述第三游戏数据包将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象，每个所述操作行为对象包括至少一个所述操作行为标签所表示的操作行为数据；
获取位于所述第三数量个操作行为对象中的目标操作行为对象中包括的操作行为日志，得到操作行为日志集合，对所述操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在所述关键元素匹配结果中出现次数大于影响值的操作统计元素的情况下，将所述操作统计元素确定为所述目标操作行为对象的目标操作统计元素，以基于每个目标操作统计元素的统计操作行为对象进行相应的云计算数据统计，得到针对所述游戏客户终端的游戏角色的操作行为大数据信息。
8.根据权利要求7所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述第三游戏数据包中记录了第二数量组具有对应关系的操作行为标签、所述操作行为标签所表示的操作行为数据中的关键元素静态操作数据、所述操作行为标签所表示的操作行为数据中的关键元素动态操作数据以及所述操作行为标签所表示的操作行为数据中的操作行为数量；
其中，所述根据所述第三游戏数据包将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象的步骤，包括：
确定所有所述操作行为标签所表示的操作行为数据中的操作行为数量的均值，以及所有所述操作行为标签所表示的操作行为数据中的操作行为数量的方差值；
确定每个所述操作行为标签所表示的操作行为数据中的操作行为数量与所述均值之间的差值，将所述差值与所述方差值之间的比值确定为每个所述操作行为标签所表示的操作行为数据中的第一关键元素对应的影响值；
在所述影响值大于第一影响值的情况下，将所述第一关键元素标记为标记目标；
在所述影响值小于所述第一影响值且大于第二影响值的情况下，根据以所述第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除所述第一关键元素之外的第二关键元素的个数，将所述第一关键元素标记为标记目标、非标记目标或者噪声目标；
在所述影响值小于所述第二影响值的情况下，根据以所述第一关键元素为参照元素、以预定扩展参数值为扩展参数的范围内存在的除所述第一关键元素之外的第二关键元素的个数，将所述第一关键元素标记为非标记目标或者噪声目标；
在所述第一关键元素被标记为标记目标、且所述第一关键元素以及位于所述范围内的第二关键元素中存在一个关键元素所在的操作行为数据已被记录为位于目标操作行为对象中的情况下，将所述第一关键元素以及位于所述范围内的第二关键元素所在的操作行为数据都记录为位于所述目标操作行为对象中；
在所述第一关键元素被标记为标记目标、且所述第一关键元素以及位于所述范围内的第二关键元素中的每个关键元素所在的操作行为数据均未记录为位于所述操作行为对象中的情况下，将所述第一关键元素以及位于所述范围内的第二关键元素所在的操作行为数据都记录为位于同一个操作行为对象中，以将第二数量个所述操作行为标签所表示的操作行为数据划分为第三数量个操作行为对象。
9.根据权利要求7所述的基于人工智能和大数据的游戏数据识别方法，其特征在于，所述对所述操作行为日志集合中的每个操作行为日志进行关键元素匹配，得到关键元素匹配结果，在所述关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将所述操作行为对象确定为所述目标操作行为对象的统计操作行为对象的步骤，包括：
提取所述操作行为日志集合中的每个操作行为日志的图表定制化记录信息；
根据所述图表定制化记录信息，获取所述每个操作行为日志中各个操作绘制事件的事件属性值，所述事件属性值是指操作绘制事件在所述每个操作行为日志处于被监测状态下的任一绘制控件状态中多端绘制调用事件的事件属性值，所述操作绘制事件为与多端绘制调用事件存在相同的用户终端的有效状态标识的事件记录；
按照每个操作绘制事件的状态监测优先级，获取至少两个操作绘制事件，得到至少两种操作链集；
对于任一种操作链集，根据所述操作链集中每个操作绘制事件处于所述被监测状态下的事件属性值，获取每个操作绘制事件的最靠前事件属性值；
获取所述操作链集包括的各个操作绘制事件的最靠前事件属性值的时序加权结果，得到所述操作链集的指标参考数值；
当至少两种操作链集的指标参考数值均满足设定条件时，提取所述每个操作行为日志在所述多端绘制调用事件中的第一关键元素匹配信息，得到关键元素匹配结果；
在所述关键元素匹配结果中出现次数大于第三影响值的操作行为对象的情况下，将所述操作行为对象确定为所述目标操作行为对象的统计操作行为对象。
10.一种游戏云中心，其特征在于，所述游戏云中心包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个游戏客户终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-9中任意一项的基于人工智能和大数据的游戏数据识别方法。
CN202011080568.0A 2020-10-10 2020-10-10 基于人工智能和大数据的游戏数据识别方法及游戏云中心 Active CN112221155B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110414917.6A CN112905619A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常标签分类方法及系统
CN202011080568.0A CN112221155B (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的游戏数据识别方法及游戏云中心
CN202110414909.1A CN112925797A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常行为检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011080568.0A CN112221155B (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的游戏数据识别方法及游戏云中心

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202110414909.1A Division CN112925797A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常行为检测方法及系统
CN202110414917.6A Division CN112905619A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常标签分类方法及系统

Publications (2)

Publication Number Publication Date
CN112221155A CN112221155A (zh) 2021-01-15
CN112221155B true CN112221155B (zh) 2021-09-07

Family

ID=74113208

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202011080568.0A Active CN112221155B (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的游戏数据识别方法及游戏云中心
CN202110414909.1A Withdrawn CN112925797A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常行为检测方法及系统
CN202110414917.6A Withdrawn CN112905619A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常标签分类方法及系统

Family Applications After (2)

Application Number Title Priority Date Filing Date
CN202110414909.1A Withdrawn CN112925797A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常行为检测方法及系统
CN202110414917.6A Withdrawn CN112905619A (zh) 2020-10-10 2020-10-10 基于人工智能和大数据的异常标签分类方法及系统

Country Status (1)

Country Link
CN (3) CN112221155B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114168949B (zh) * 2021-12-21 2022-12-06 深圳市金慧融智数据服务有限公司 一种应用于人工智能的应用软件异常检测方法及系统
CN114422225B (zh) * 2022-01-13 2023-07-07 深圳市爱的番茄科技有限公司 一种基于网络信息安全的云游戏大数据分析方法及系统
CN115779445B (zh) * 2022-10-19 2023-06-23 广州易幻网络科技有限公司 一种游戏数据异常预警系统、方法、计算机设备及存储介质
CN116430831B (zh) * 2023-04-26 2023-10-31 宁夏五谷丰生物科技发展有限公司 应用于食用油生产控制系统的数据异常监控方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109045708A (zh) * 2018-06-14 2018-12-21 太仓聚堂网络科技有限公司 游戏事件智能检测方法、系统及终端设备
CN109461078A (zh) * 2018-10-22 2019-03-12 中信网络科技股份有限公司 一种基于资金交易网络的异常交易识别方法及系统
CN110665233A (zh) * 2019-08-29 2020-01-10 腾讯科技（深圳）有限公司 游戏行为识别方法、装置、设备及介质
CN111191542A (zh) * 2019-12-20 2020-05-22 腾讯科技（深圳）有限公司 虚拟场景中的异常动作识别方法、装置、介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614893B (zh) * 2018-11-28 2023-10-24 中国电子科技集团公司电子科学研究院 基于情境推理的异常行为行踪智能识别方法及装置
CN112114986B (zh) * 2019-06-20 2023-10-13 腾讯科技（深圳）有限公司 数据异常识别方法、装置、服务器和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109045708A (zh) * 2018-06-14 2018-12-21 太仓聚堂网络科技有限公司 游戏事件智能检测方法、系统及终端设备
CN109461078A (zh) * 2018-10-22 2019-03-12 中信网络科技股份有限公司 一种基于资金交易网络的异常交易识别方法及系统
CN110665233A (zh) * 2019-08-29 2020-01-10 腾讯科技（深圳）有限公司 游戏行为识别方法、装置、设备及介质
CN111191542A (zh) * 2019-12-20 2020-05-22 腾讯科技（深圳）有限公司 虚拟场景中的异常动作识别方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN112925797A (zh) 2021-06-08
CN112221155A (zh) 2021-01-15
CN112905619A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112221155B (zh) 基于人工智能和大数据的游戏数据识别方法及游戏云中心
CN112221154B (zh) 基于人工智能和云计算的游戏数据处理方法及游戏云中心
CN112862941A (zh) 基于云计算的图形渲染引擎优化方法及系统
CN112163625A (zh) 基于人工智能和云计算的大数据挖掘方法及云端服务中心
CN112163156B (zh) 基于人工智能和云计算的大数据处理方法及云端服务中心
CN112115162A (zh) 基于电子商务云计算的大数据处理方法及人工智能服务器
CN112286906B (zh) 基于区块链和云计算的信息安全处理方法及云计算中心
CN111782785B (zh) 自动问答方法、装置、设备以及存储介质
CN112187890A (zh) 基于云计算和大数据的信息分发方法及区块链金融云中心
CN112164132B (zh) 基于大数据和云计算的游戏兼容处理方法及云端计算中心
CN116662876A (zh) 多模态认知决策方法、系统、装置、设备及存储介质
CN113032251A (zh) 应用程序服务质量的确定方法、设备和存储介质
CN112905877A (zh) 基于云计算的化妆品信息检测方法及化妆品电商云平台
CN113076381A (zh) 基于远程通信和人工智能的信息处理方法及信息处理系统
CN111291635A (zh) 人工智能检测方法及装置、终端和计算机可读存储介质
CN112347349A (zh) 基于大数据的化妆品服务处理方法及化妆品电商云平台
CN112286724B (zh) 基于区块链和云计算的数据恢复处理方法及云计算中心
CN113535958B (zh) 生产线索聚合方法、装置及系统、电子设备和介质
CN113096799B (zh) 质控方法和装置
CN113657230B (zh) 训练新闻视频识别模型的方法、检测视频的方法及其装置
CN116862020A (zh) 文本分类模型的训练方法、文本分类方法及装置
CN112714119A (zh) 一种物联网数据传输方法及系统
CN116502095A (zh) 一种模型相似度的计算方法和模型更新方法
CN115482422A (zh) 深度学习模型的训练方法、图像处理方法和装置
CN112135172A (zh) 一种基于弱网的音视频处理方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20210817

Address after: 1628 suzhao Road, Minhang District, Shanghai 201114

Applicant after: SHANGHAI DOUSHI NETWORK TECHNOLOGY Co.,Ltd.

Address before: Room 605-609, building 16, talent science and Technology Plaza, Taixing hi tech Industrial Development Zone, Taizhou City, Jiangsu Province 225400

Applicant before: Chen Xiayan

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant