CN112494935A - 一种云游戏平台池化方法、电子设备及存储介质 - Google Patents

Abstract

本发明实施例涉及云计算技术领域，特别涉及一种云游戏平台池化方法、电子设备及存储介质，考虑了不同上线场景对游戏上线行为的影响，通过分析上线场景与游戏在线的相关性值，进而得到上线场景对游戏在线的权重，确定游戏在线实例数相关性最大的条件，进而根据上线场景出现的概率，预测目标游戏在线实例预测值，根据该目标游戏在线实例预测值确定目标游戏池化个数，能够根据不同场景对池化方案实时进行自适应调整，快速、准确的确定最优池化方案，最大程度利用了云游戏平台的资源。

Description

一种云游戏平台池化方法、电子设备及存储介质

技术领域

本申请实施例涉及云计算技术领域，特别涉及一种云游戏平台池化方法、电子设备及存储介质。

背景技术

现有的池化分配方式算法简单，依赖于历史在线实例数及游戏活跃度，根据工作人员的经验值或者简单的平均值算法来确定未来一段时间的池化分配。

现有技术上述池化分配方案没有进行全方位考虑，无法进行自适应调整，而云游戏平台的资源是固定的，从平台运营角度，分析不全面，从而导致资源分配不均，资源利用率达不到，云游戏平台的流量消耗、错误率等参数也会影响实例分配；从用户角度来说，分配准确性低、效率低，导致排队的概率增加，用户体验不好。

发明内容

本发明实施方式的目的在于提供一种云游戏平台池化方法、电子设备及存储介质，增加了首页推荐、节假日、时间段等能够影响游戏在线数的参数，能够快速、准确的确定池化方案，且能够对池化方案实时进行自适应调整。

为解决上述技术问题，第一方面，本发明的实施方式提供了一种云游戏平台池化方法，包括：

确定与游戏上线行为相关的一个或多个上线场景；

确定每个所述上线场景与目标游戏在线概率之间的相关性值，根据所述相关性值确定对应所述上线场景在目标游戏在线概率中的权重；

确定每个上线场景下的平均目标游戏在线实例数，以及各所述上线场景出现的概率，结合各所述上线场景在目标游戏在线概率中的权重，预测得到目标游戏在线实例数预估值；

基于所述目标游戏在线实例数预估值确定目标游戏池化个数。

第二方面，本发明实施例提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面实施例所述云游戏平台池化方法的步骤。

第三方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述云游戏平台池化方法的步骤。

本发明实施方式相对于现有技术而言，考虑了不同上线场景对游戏上线行为的影响，通过分析上线场景与游戏在线的相关性值，进而得到上线场景对游戏在线的权重，确定游戏在线实例数相关性最大的条件，进而根据上线场景出现的概率，预测目标游戏在线实例预测值，根据该目标游戏在线实例预测值确定目标游戏池化个数，能够根据不同场景对池化方案实时进行自适应调整，快速、准确的确定最优池化方案，最大程度利用了云游戏平台的资源。

另外，所述上线场景包括首页推荐、时间段和节假日；其中，一天分为多个时间段；

所述确定每个上线场景与目标游戏在线概率之间的相关性值，具体包括：

确定设定周期内云游戏平台任一天各时间段的在线实例总数，以及任一天各时间段的目标游戏在线实例数，求取设定周期内任一天的第一目标游戏在线概率；以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值；

确定设定周期内有首页推荐和无首页推荐时的目标游戏在线实例数、在线实例总数，求取设定周期内任一天的第二目标游戏在线概率；以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值；

确定设定周期内工作日和节假日时的目标游戏在线实例数、在线实例总数，求取第三目标游戏在线概率；以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值。

另外，所述求取设定周期内任一天的第一目标游戏在线概率，以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值，具体包括：

以设定周期内第i天目标游戏在线作为事件X_i，确定第一目标游戏在线概率为p_i＝N_i/L_i；N_i为目标游戏在线实例数，L_i为在线实例总数；

求取得到事件X_i的一元信息熵为：

E(X_i)＝-(p_ilog₂p_i+(1-p_i)log₂(1-p_i))

将时间段作为对目标游戏在线的相关性条件，获得时间段的二元条件熵：

其中，N_ij为第i天第j时间段的目标游戏在线实例数，L_ij为第i天第j时间段的在线实例总数，m表示一天分成的时间段数量；

基于事件X_i的所述一元信息熵和时间段的所述二元条件熵确定时间段与目标游戏在线概率的互信息值为：

G(X_i,Y)＝E(X_i)-E(X_i,Y)

以互信息值G(X_i,Y)作为第一相关性值。

另外，所述求取设定周期内任一天的第二目标游戏在线概率，以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值，具体包括：

确定第二目标游戏在线概率为：

其中，N_i0为第i天无首页推荐时的目标游戏在线实例数，L_i0为第i天无首页推荐时的在线实例总数，N_i1为第i天有首页推荐时的目标游戏在线实例数，L_i1为第i天有首页推荐时的在线实例总数；

将首页推荐作为目标游戏在线的相关性条件，求取得到首页推荐的二元条件熵为：

基于事件X_i的所述一元信息熵和首页推荐的所述二元条件熵确定首页推荐与目标游戏在线概率的互信息值为：

G(X_i,R)＝E(X_i)-E(X_i,R)

以互信息值G(X_i,R)作为第二相关性值。

另外，所述求取第三目标游戏在线概率，以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值，具体包括：

以设定周期内目标游戏在线作为事件X，获取第三目标游戏在线概率p，基于第三目标游戏在线概率p求取得到事件X的一元信息熵为：

E(X)＝-(plog₂p+(1-p)log₂(1-p))

上式中，N₀为工作日的目标在线游戏实例数，L₀为工作日的在线实例总数，N₁为节假日的目标在线游戏实例数，L₁为节假日的在线实例总数；

将节假日作为对目标游戏在线的相关性条件，获得节假日的二元条件熵为：

其中，N＝N₀+N₁，L＝L₀+L₁；

基于事件X的所述一元信息熵和节假日的所述二元条件熵确定节假日与目标游戏在线概率的第三互信息值为：

G(X,H)＝E(X)-E(X,H)。

以互信息值G(X_i,R)作为第三相关性值。

另外，所述根据所述互信息值确定各场景在目标游戏在线概率中的权重，具体包括：

确定设定周期T天内第i天的第一相关性值G(X_i,Y)、第二相关性值G(X_i,R)，以及设定周期T天的第三相关性值G(X,H)；

分别确定时间段、首页推荐和节假日在目标游戏在线概率中的权重：

其中，W(Y)为时间段在目标游戏在线概率中的权重，W(R)为首页推荐在目标游戏在线概率中的权重，W(H)为节假日在目标游戏在线概率中的权重。

另外，所述确定不同场景下的平均目标游戏在线实例数、以及目标日的场景的概率，并结合各场景在目标游戏在线概率中的权重，预测得到目标日内不同时间段的目标游戏在线实例数预估值，具体包括：

确定设定周期T天内每个时间段的第一平均目标游戏在线实例数N_t(Y)，有首页推荐且节假日时的第二平均目标游戏在线实例数N(R)，以及工作日/节假日的第三平均目标游戏在线实例数N(H)；

确定目标日T+1为工作日且无首页推荐的概率p_r(T+1)’，预测得到目标日T+1各时间段内的目标游戏在线实例数预估值：

Nex_t＝W(Y)N_t(Y)+p_r(T+1)′W(R)N(R)/m+W(H)N(H)/m

式中，m为一天均分成的时间段的数量。

另外，所述基于所述目标游戏在线实例数预估值确定目标游戏池化个数，具体包括：

确定云游戏平台的在线游戏实例总数、可池化游戏种类个数、云平台流量上限以及错误率；

以所述目标游戏在线实例数预估值为期望池化个数，以所述在线游戏实例总数、所述可池化游戏种类个数、所述云平台流量上限以及所述错误率作为约束条件，确定目标游戏池化个数。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是根据本发明实施例的一种云游戏平台池化方法流程示意图；

图2是根据本发明第二实施例的一种服务器结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。

本申请实施例中的术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

现有技术的上述方法在拍摄时需要手持手机的同时点击选择模板，不方便操作，对于自拍杆等设备使用时，无法进行模板选择，同时，视频成像依赖于后期进行视频裁剪，可能会出现难以裁剪的情况导致拍摄无效，无法生成最终有效短视频。

因此，本发明实施例提供一种云游戏平台池化方法、电子设备及存储介质，考虑了不同上线场景对游戏上线行为的影响，通过分析上线场景与游戏在线的相关性值，进而得到上线场景对游戏在线的权重，确定游戏在线实例数相关性最大的条件，进而根据上线场景出现的概率，预测目标游戏在线实例预测值，根据该目标游戏在线实例预测值确定目标游戏池化个数，能够根据不同场景对池化方案实时进行自适应调整，快速、准确的确定最优池化方案，最大程度利用了云游戏平台的资源。以下将通过多个实施例进行展开说明和介绍。

本发明的第一实施方式涉及一种云游戏平台池化方法，如图1中所示，包括：

步骤S1、确定与游戏上线行为相关的一个或多个上线场景；

具体地，所述上线场景包括首页推荐、时间段和节假日；其中，一天分为多个时间段；节假日、首页推荐和时间段作为上线场景，这些上线场景对用户启动游戏的意向有较大影响，不同场景下用户启动游戏的意向或概率会有所不同，如用户在节假日启动游戏的概率会大于在工作日启动游戏的概率，而客户端在首页推荐时用户启动游戏的概率会大于客户端无首页推送时用户启动游戏的概率，针对一天中不同时间段，用户启动游戏的概率也会有所不同，如夜间时段启动游戏的概率大于白天时段启动游戏的概率，针对上述游戏启动时的场景，本实施例通过分别确定定节假日与目标游戏在线概率之间第一相关性值，首页推荐与目标游戏在线概率之间第二相关性值，时间段与目标游戏在线概率之间第三相关性值，以获得节假日、首页推荐和时间段与目标游戏在线概率之间依赖程度的度量，能够从中确定游戏在线实例数相关性最大的条件。

步骤S2、确定每个所述上线场景与目标游戏在线概率之间的相关性值，根据所述相关性值确定对应所述上线场景在目标游戏在线概率中的权重；

具体地，分别确定节假日与目标游戏在线概率之间第一相关性值，首页推荐与目标游戏在线概率之间第二相关性值，时间段与目标游戏在线概率之间第三相关性值；其中，一天分为多个时间段；

根据所述第一相关性值、所述第二相关性值和所述第三相关性值分别确定节假日、首页推荐和时间段在目标游戏在线概率中的权重；

具体地，相关性表示两个变量的依赖程度，不同场景的相关性值不同，因此，需要根据权重计算方式对其进行处理，以得到不同场景在目标游戏在线概率中所占的权重，相关性值越大，说明该场景对在线实例数的影响越大，进而对预测未来在线实例数时的权重越大。

步骤S3、确定每个上线场景下的平均目标游戏在线实例数，以及各所述上线场景出现的概率，结合各所述上线场景在目标游戏在线概率中的权重，预测得到目标游戏在线实例数预估值；

具体地，确定节假日、工作日、首页推荐和不同时间段下的平均目标游戏在线实例数，以及节假日、首页推荐出现的概率，并结合节假日、首页推荐和时间段在目标游戏在线概率中的权重，预测得到目标日内不同时间段的目标游戏在线实例数预估值；

具体地，在预测某一天某一时间段的在线实例时，由于上述各场景可以同时出现，其中，一天内的时间段是必要场景，因此，时间段对应的权重是必要的，在预测时，需要统计不同时间段下平均目标游戏在线实例数，而节假日和首页推荐则是可以进行组合的，需要得到目标日场景组合出现的概率，以预测得到目标日内不同时间段的目标游戏在线实例数预估值。

步骤S4、基于所述目标游戏在线实例数预估值确定目标游戏池化个数。

具体地，由于经步骤S1至步骤S3中预测得到的目标游戏在线实例数预估值综合考虑了首页推荐、节假日和时间段对游戏在线的影响，因此在有场景变化时进行自适应调整，最大程度利用了云游戏平台的资源。

本发明实施方式相对于现有技术而言，通过全方面的考虑，考虑了首页推荐、节假日和时间段对游戏在线的影响，通过分析首页推荐、节假日和时间段的场景与游戏在线的相关性值，进而得到首页推荐、节假日和时间段对游戏在线的权重，确定游戏在线实例数相关性最大的条件，能够根据不同场景对池化方案实时进行自适应调整，快速、准确的确定最优池化方案，最大程度利用了云游戏平台的资源。

在上述实施例的基础上，作为一种优选的实施方式，所述分别确定节假日与目标游戏在线概率之间第一相关性值，首页推荐与目标游戏在线概率之间第二相关性值，时间段与目标游戏在线概率之间第三相关性值，具体包括：

获取设定周期内云游戏平台任一天各时间段的在线实例总数，以及任一天各时间段的目标游戏在线实例数；求取设定周期内任一天的第一目标游戏在线概率，以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值；

获取设定周期内有首页推荐和无首页推荐时的目标游戏在线实例数、在线实例总数；求取设定周期内任一天的第二目标游戏在线概率，以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值；

获取设定周期内工作日和节假日时的目标游戏在线实例数、在线实例总数；求取第三目标游戏在线概率，以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值。

具体地，选定一款游戏作为目标游戏，如王者荣耀，选定初始采集周期T(单位天)，采集该周期内每天活跃用户总数{L₁,L₂,...,L_T}，另外分析每天各子时间段该游戏的活跃用户数N_i1，活跃用户总数L_ti，得到T个表格1。

时间段	目标游戏用户数	总用户数	信息熵
				00：00-06：00	N<sub>i1</sub>	L<sub>i1</sub>	E(Y1)
06：00-12：00	N<sub>i2</sub>	L<sub>i2</sub>	E(Y2)
				12：00-18：00	N<sub>i3</sub>	L<sub>i3</sub>	E(Y3)
18：00-24：00	N<sub>i4</sub>	L<sub>i4</sub>	E(Y4)

表格1

在周期T内，根据是否首页推荐、是否节假日统计活跃用户数，得到T个表格2，表格3。

时间段	目标游戏用户数	总用户数	信息熵
				有首页推荐	N<sub>i0</sub>	L<sub>i0</sub>	E(R0)
无首页推荐	N<sub>i1</sub>	L<sub>i1</sub>	E(R1)

表格2

时间段	目标游戏用户数	总用户数	概率	信息熵
					工作日	N<sub>0</sub>	L<sub>0</sub>	N<sub>0</sub>/L<sub>0</sub>	E(H0)
节假日	N<sub>1</sub>	L<sub>1</sub>	N<sub>1</sub>/L<sub>1</sub>	E(H1)
					总数	N	L	N/L

表格3

根据上述表1、表2和表3中的数据，可以分别得到不同场景下的目标游戏在线概率，进而确定各场景与目标游戏在线概率的互信息值。

互信息表示两个变量的依赖程度，不同场景的互信息值不同，因此，需要根据权重计算方式对其进行处理，以得到不同场景在目标游戏在线概率中所占的权重，互信息值越大，说明该场景对在线实例数的影响越大，进而对预测未来在线实例数时的权重越大。

在上述各实施例的基础上，作为一种优选的实施方式，所述求取设定周期内任一天的第一目标游戏在线概率，以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值，具体包括：

以设定周期T天内第i天目标游戏在线作为事件X_i，即假设第i天玩王者荣耀为事件X_i；确定第一目标游戏在线概率为p_i＝N_i/L_i，其中，N_i为目标游戏在线实例数，L_i为在线实例总数；求取得到事件X_i的一元信息熵为：

E(X_i)＝-(p_ilog₂p_i+(1-p_i)log₂(1-p_i)) (1)

然后计算时间段对游戏在线的影响，以二元条件熵为准则，然后得到互信息值，从中确定游戏在线实例数相关性最大的条件，其中活跃总数数

m表示一天分成的时间段数量，在本实施例中，如表1中所示，m＝4，一天分为4个时间段，表1中的信息熵参考一元信息熵计算方法，：

那么时间段的二元条件熵如下：

其中，N_ij为第i天第j时间段的目标游戏在线实例数，L_ij为第i天第j时间段的在线实例总数；

基于事件X_i的所述一元信息熵和时间段的所述二元条件熵确定时间段与目标游戏在线概率的信息值为：

G(X_i,Y)＝E(X_i)-E(X_i,Y) (4)

以互信息值G(X_i,Y)作为第一相关性值。

在上述各实施例的基础上，作为一种优选的实施方式，所述求取设定周期内任一天的第二目标游戏在线概率，以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值，具体包括：

确定第二目标游戏在线概率为：

其中，其中，N_i0为第i天无首页推荐时的目标游戏在线实例数，L_i0为第i天无首页推荐时的在线实例总数，N_i1为第i天有首页推荐时的目标游戏在线实例数，L_i1为第i天有首页推荐时的在线实例总数；

将首页推荐作为目标游戏在线的相关性条件，求取得到首页推荐的二元条件熵为：

基于事件X_i的所述一元信息熵和首页推荐的所述二元条件熵确定首页推荐与目标游戏在线概率的互信息值为：

G(X_i,R)＝E(X_i)-E(X_i,R) (5)

以互信息值G(X_i,R)作为第二相关性值。

在上述各实施例的基础上，作为一种优选的实施方式，所述求取第三目标游戏在线概率，以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值，具体包括：

节假日的互信息要以采集天数T为基准，以设定周期T天内目标游戏在线作为事件X，获取第三目标游戏在线概率p＝N/L，基于第三目标游戏在线概率p求取得到事件X的一元信息熵为：

E(X)＝-(plog₂p+(1-p)log₂(1-p)) (6)

上式中，N＝N₀+N₁，L＝L₀+L₁；N₀位工作日的目标在线游戏实例数，L₀为工作日的在线实例总数，N₁为节假日的目标在线游戏实例数，L₁为节假日的在线实例总数；

将节假日作为对目标游戏在线的相关性条件，获得节假日的二元条件熵为：

基于事件X的所述一元信息熵和节假日的所述二元条件熵确定节假日与目标游戏在线概率的互信息值为：

以互信息值G(X_i,R)作为第三相关性值。

在上述各实施例的基础上，作为一种优选的实施方式，所述根据所述互信息值确定各场景在目标游戏在线概率中的权重，具体包括：

具体地，根据上述算法，可得到周期T天内，各场景互信息值的集合{G(X₁,Y),…,G(X_T,Y)}，{G(X₁,R),…,G(X_T,R)}。互信息值越大，则说明该项条件对在线实例数的影响越大，则预测未来的在线实例数时该项权重越大。计算周期T天内互信息平均值，从而根据权重计算方式得到对应场景的权重值。基于信息熵准确度高，最大程度利用了云平台的资源。

确定设定周期T天内第i天的第一相关性值G(X_i,Y)、第二相关性值G(X_i,R)，以及设定周期T天的第三相关性值G(X,H)；

分别确定时间段、首页推荐和节假日在目标游戏在线概率中的权重：

其中，W(Y)为时间段在目标游戏在线概率中的权重，W(R)为首页推荐在目标游戏在线概率中的权重，W(H)为节假日在目标游戏在线概率中的权重。

在上述各实施例的基础上，作为一种优选的实施方式，所述确定节假日、工作日、首页推荐和不同时间段下的平均目标游戏在线实例数，以及节假日、首页推荐出现的概率，并结合节假日、首页推荐和时间段在目标游戏在线概率中的权重，预测得到目标日内不同时间段的目标游戏在线实例数预估值，具体包括：

确定设定周期T天内每个时间段的第一平均目标游戏在线实例数N_t(Y)，有首页推荐且节假日时的第二平均目标游戏在线实例数N(R)，以及工作日/节假日的第三平均目标游戏在线实例数N(H)；

确定目标日T+1为工作日且无首页推荐的概率p_r(T+1)’，预测得到目标日T+1各时间段内的目标游戏在线实例数预估值：

Nex_t＝W(Y)N_t(Y)+p_r(T+1)′W(R)N(R)/m+W(H)N(H)/m

式中，m为一天均分成的时间段的数量。

具体地，根据表1，计算周期T内每个时间段平均王者荣耀在线人数，按时间段分布均匀计算，平均王者荣耀在线人数如下式：

同理，根据下列公式计算得出，周期T首页推荐、节假日条件下的平均王者荣耀在线人数：

N_i(R)＝p_riN_i0+(1-p_ri)N_i1 (10)

其中p_ri为第i天没有首页推荐的概率，N_i0+N_i1＝N_i，那么：

同理，可以计算得到工作日和节假日的平均在线人数：

上式中，p_h为工作日的概率，N₀+N₁＝N。

假设第T+1天是工作日，且没有首页推荐的概率P_T(T+1)’,则第T+1天某时间段内想玩王者荣耀的人数：

Nex_t(id＝王者)＝W(Y)N_t(Y)+p_r(T+1)′W(R)N(R)/4+W(H)N(H)/4 (13)

在上述各实施例的基础上，作为一种优选的实施方式，所述基于所述目标游戏在线实例数预估值确定目标游戏池化个数，具体包括：

确定云游戏平台的在线游戏实例总数、可池化游戏种类个数、云平台流量上限以及错误率；

以所述目标游戏在线实例数预估值为期望池化个数，以所述在线游戏实例总数、所述可池化游戏种类个数、所述云平台流量上限以及所述错误率作为约束条件，确定目标游戏池化个数。

具体地，得到该游戏需要池化的个数，需满足条件如下，其中期望池化个数为：

流量需满足条件：

Di为每款游戏每天平均流量。另外考虑游戏对应的错误率占比，若错误率高于阈值则降低池化个数。由于存在约束条件，因此可能需要动态调整权重值，对权重值进行微调达到最优解。

本实施例中，选则游戏王者荣耀作为目标游戏为例，选定初始采集周期10天，采集该周期内每天活跃用户总数{L₁,L₂,…,L_T}，以及王者荣耀活跃用户数{N₁,N₂,…,N_T}，根据公式1计算得到一元信息熵，如表格4所示。

L<sub>i</sub>	9387068	3128318	4590450	6952057	14448010	13145703	11137518	4481922	5371728	4013247
											N<sub>i</sub>	2149542	672840	655060	1225756	2481386	2240584	1880649	693381	785328	462157
p<sub>i</sub>	0.229	0.215	0.143	0.176	0.172	0.170	0.169	0.155	0.146	0.115
											E(X<sub>i</sub>)	0.776	0.751	0.591	0.672	0.662	0.659	0.655	0.621	0.600	0.515

表4以计算第一天的信息熵为例，根据公式2和表格1得到表格5相关数据，如下：

时间段	王者用户数	总用户数	信息熵
				00：00-06：00	19982	99122	0.076
06：00-12：00	834034	3807995	0.964
				12：00-18：00	996842	4163407	0.996
18：00-24：00	298684	1316544	0.581

表5

根据公式3计算得出时间段的二元条件熵为：

根据上述计算方法，得到采集周期10天内时间段的互信息，如表格6所示：

表6

根据公式5和表格2再计算首页推荐对王者荣耀在线实例数的互信息，如表格7所示：

	王者用户数	总用户数	信息熵
				没有首页推荐	1004231	2856767	0.997
首页推荐	1145311	6530301	0.997

表7

根据上述计算方法，得到采集周期10天内首页推荐的互信息，如表格8所示：

1	2	3	4	5	6	7	8	9	10	总和
											0.251	0.462	0.249	0.330	0.316	0.311	0.340	0.319	0.310	0.278	3.16585

表8

工作日对王者荣耀在线实例数的影响要从整体采集周期考虑，采集周期10天内，根据表格3得到下表：

	王者用户数	总用户数	概率	信息熵
					工作日	4494522	28537722	0.157	0.924
节假日	8752161	48118299	0.182	0.924
					总数	13246683	76656021	0.173	0.664

表9

根据公式6和7，计算得出：

根据表格6、表格8、公式8计算权重：

根据公式9、公式11、公式12计算王者荣耀平均在线人数，其中第i天王者荣耀没有首页推荐的概率p_ri如表格10所示，采集周期10天里是工作日的概率p_h等于0.6。

1	2	3	4	5	6	7	8	9	10
										0.358	0.632	0.446	0.691	0.634	0.774	0.619	0.805	0.563	0.504

表10

由公式(9)至(12)得到：

N_t(Y)＝{29926,403733,548246,342762},(t＝0,1,2,3)

N(R)＝630192

假设第11天是工作日，没有首页推荐的概率为0.427,则第11天各个时间段内想玩王者荣耀的人数如下所示：

最后根据在线实例数预估值，以及当前云游戏平台游戏总实例个数，及可池化游戏种类个数，云平台流量上限(单位Mbps)、错误率等限制条件，确定王者荣耀池化个数。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第二实施方式涉及一种服务器，如图2所示，包括处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述云游戏平台池化方法的步骤。例如包括：

S1、确定与游戏上线行为相关的一个或多个上线场景；

S2、确定每个所述上线场景与目标游戏在线概率之间的相关性值，根据所述相关性值确定对应所述上线场景在目标游戏在线概率中的权重；

S3、确定每个上线场景下的平均目标游戏在线实例数，以及各所述上线场景出现的概率，结合各所述上线场景在目标游戏在线概率中的权重，预测得到目标游戏在线实例数预估值；

S4、基于所述目标游戏在线实例数预估值确定目标游戏池化个数。

其中，存储器和处理器采用通信总线方式连接，通信总线可以包括任意数量的互联的总线和桥，通信总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在通信总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本发明第三实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现如上述各实施例所述云游戏平台池化方法的步骤。例如包括：

S1、确定与游戏上线行为相关的一个或多个上线场景；

S2、确定每个所述上线场景与目标游戏在线概率之间的相关性值，根据所述相关性值确定对应所述上线场景在目标游戏在线概率中的权重；

S3、确定每个上线场景下的平均目标游戏在线实例数，以及各所述上线场景出现的概率，结合各所述上线场景在目标游戏在线概率中的权重，预测得到目标游戏在线实例数预估值；

S4、基于所述目标游戏在线实例数预估值确定目标游戏池化个数。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种云游戏平台池化方法，其特征在于，包括：

确定与游戏上线行为相关的一个或多个上线场景；

确定每个所述上线场景与目标游戏在线概率之间的相关性值，根据所述相关性值确定对应所述上线场景在目标游戏在线概率中的权重；

确定每个上线场景下的平均目标游戏在线实例数，以及各所述上线场景出现的概率，结合各所述上线场景在目标游戏在线概率中的权重，预测得到目标游戏在线实例数预估值；

根据所述目标游戏在线实例数预估值确定目标游戏池化个数。

2.根据权利要求1所述的云游戏平台池化方法，其特征在于，所述上线场景包括首页推荐、时间段和节假日；其中，一天分为多个时间段；

所述确定每个上线场景与目标游戏在线概率之间的相关性值，具体包括：

确定设定周期内云游戏平台任一天各时间段的在线实例总数，以及任一天各时间段的目标游戏在线实例数，求取设定周期内任一天的第一目标游戏在线概率；以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值；

确定设定周期内有首页推荐和无首页推荐时的目标游戏在线实例数、在线实例总数，求取设定周期内任一天的第二目标游戏在线概率；以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值；

确定设定周期内工作日和节假日时的目标游戏在线实例数、在线实例总数，求取第三目标游戏在线概率；以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值。

3.根据权利要求2所述的云游戏平台池化方法，其特征在于，所述求取设定周期内任一天的第一目标游戏在线概率，以所述第一目标游戏在线概率为一个变量，以任一天内的时间段为另一个变量，求取时间段与目标游戏在线概率的互信息值作为第一相关性值，具体包括：

以设定周期内第i天目标游戏在线作为事件X_i，确定第一目标游戏在线概率为p_i＝N_i/L_i；N_i为目标游戏在线实例数，L_i为在线实例总数；

求取得到事件X_i的一元信息熵为：

E(X_i)＝-(p_ilog₂p_i+(1-p_i)log₂(1-p_i))

将时间段作为对目标游戏在线的相关性条件，获得时间段的二元条件熵：

其中，N_ij为第i天第j时间段的目标游戏在线实例数，L_ij为第i天第j时间段的在线实例总数，m表示一天分成的时间段数量；

基于事件X_i的所述一元信息熵和时间段的所述二元条件熵确定时间段与目标游戏在线概率的互信息值为：

G(X_i,Y)＝E(X_i)-E(X_i,Y)

以互信息值G(X_i,Y)作为第一相关性值。

4.根据权利要求3所述的云游戏平台池化方法，其特征在于，所述求取设定周期内任一天的第二目标游戏在线概率，以所述第二目标游戏在线概率为一个变量，以首页推荐作为另一个变量，求取首页推荐与目标游戏在线概率的互信息值作为第二相关性值，具体包括：

确定第二目标游戏在线概率为：

其中，N_i0为第i天无首页推荐时的目标游戏在线实例数，L_i0为第i天无首页推荐时的在线实例总数，N_i1为第i天有首页推荐时的目标游戏在线实例数，L_i1为第i天有首页推荐时的在线实例总数；

将首页推荐作为目标游戏在线的相关性条件，求取得到首页推荐的二元条件熵为：

基于事件X_i的所述一元信息熵和首页推荐的所述二元条件熵确定首页推荐与目标游戏在线概率的互信息值为：

G(X_i,R)＝E(X_i)-E(X_i,R)

以互信息值G(X_i,R)作为第二相关性值。

5.根据权利要求3所述的云游戏平台池化方法，其特征在于，所述求取第三目标游戏在线概率，以所述第三目标游戏在线概率为一个变量，以节假日作为另一个变量，求取节假日与目标游戏在线概率的互信息值作为第三相关性值，具体包括：

以设定周期内目标游戏在线作为事件X，获取第三目标游戏在线概率p，基于第三目标游戏在线概率p求取得到事件X的一元信息熵为：

E(X)＝-(plog₂p+(1-p)log₂(1-p))

上式中，N₀为工作日的目标在线游戏实例数，L₀为工作日的在线实例总数，N₁为节假日的目标在线游戏实例数，L₁为节假日的在线实例总数；

将节假日作为对目标游戏在线的相关性条件，获得节假日的二元条件熵为：

其中，N＝N₀+N₁，L＝L₀+L₁；

基于事件X的所述一元信息熵和节假日的所述二元条件熵确定节假日与目标游戏在线概率的第三互信息值为：

G(X,H)＝E(X)-E(X,H)

以互信息值G(X_i,R)作为第三相关性值。

6.根据权利要求2所述的云游戏平台池化方法，其特征在于，所述根据所述互信息值确定各场景在目标游戏在线概率中的权重，具体包括：

确定设定周期T天内第i天的第一相关性值G(X_i,Y)、第二相关性值G(X_i,R)，以及设定周期T天的第三相关性值G(X,H)；

分别确定时间段、首页推荐和节假日在目标游戏在线概率中的权重：

其中，W(Y)为时间段在目标游戏在线概率中的权重，W(R)为首页推荐在目标游戏在线概率中的权重，W(H)为节假日在目标游戏在线概率中的权重。

7.根据权利要求6所述的云游戏平台池化方法，其特征在于，所述确定节假日、工作日、首页推荐和不同时间段下的平均目标游戏在线实例数，以及节假日、首页推荐出现的概率，并结合节假日、首页推荐和时间段在目标游戏在线概率中的权重，预测得到目标日内不同时间段的目标游戏在线实例数预估值，具体包括：

确定设定周期T天内每个时间段的第一平均目标游戏在线实例数N_t(Y)，有首页推荐的第二平均目标游戏在线实例数N(R)，以及工作日/节假日的第三平均目标游戏在线实例数(H)；

确定目标日T+1为工作日且无首页推荐的概率p_r(T+1)’，预测得到目标日T+1各时间段内的目标游戏在线实例数预估值：

Nex_t＝W(Y)N_t(Y)+p_r(T+1)′W(R)N(R)/m+W(H)N(H)/m

式中，m为一天均分成的时间段的数量。

8.根据权利要求1所述的云游戏平台池化方法，其特征在于，所述基于所述目标游戏在线实例数预估值确定目标游戏池化个数，具体包括：

确定云游戏平台的在线游戏实例总数、可池化游戏种类个数、云平台流量上限以及错误率；

以所述目标游戏在线实例数预估值为期望池化个数，以所述在线游戏实例总数、所述可池化游戏种类个数、所述云平台流量上限以及所述错误率作为约束条件，确定目标游戏池化个数。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述云游戏平台池化方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述云游戏平台池化方法的步骤。

Images