CN112884872A - 基于云计算的游戏渲染优化模型训练方法及云端计算中心 - Google Patents

基于云计算的游戏渲染优化模型训练方法及云端计算中心 Download PDF

Info

Publication number
CN112884872A
CN112884872A CN202110328916.XA CN202110328916A CN112884872A CN 112884872 A CN112884872 A CN 112884872A CN 202110328916 A CN202110328916 A CN 202110328916A CN 112884872 A CN112884872 A CN 112884872A
Authority
CN
China
Prior art keywords
rendering
performance
optimization
target
performance data
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.)
Withdrawn
Application number
CN202110328916.XA
Other languages
English (en)
Inventor
蔡娟
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110328916.XA priority Critical patent/CN112884872A/zh
Publication of CN112884872A publication Critical patent/CN112884872A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • 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
    • A63F13/50—Controlling the output signals based on the game progress
    • A63F13/52—Controlling the output signals based on the game progress involving aspects of the displayed game scene
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/131—Protocols for games, networked simulations or virtual reality
    • 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
    • A63F2300/60—Methods for processing data by generating or executing the game program
    • A63F2300/66—Methods for processing data by generating or executing the game program for rendering three dimensional images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例提供一种基于云计算的游戏渲染优化模型训练方法及云端计算中心，获取与样本对象相关联的训练样本信息和训练样本信息的样本标签信息，对训练样本信息进行聚类处理，得到训练样本信息对应的聚类性能样本数据，通过初始渲染优化云计算模型从聚类性能样本数据中提取第一样本特征和第二样本特征，将第一样本特征和第二样本特征进行特征映射融合，得到与训练样本信息相关联的样本映射融合特征，基于样本映射融合特征、非优化类标签信息和优化类标签信息对初始渲染优化云计算模型进行训练，将训练后的初始渲染优化云计算模型确定为用于对目标图像中的目标对象进行预测的目标渲染优化云计算模型，确保后续渲染过程的可靠性。

Description

基于云计算的游戏渲染优化模型训练方法及云端计算中心
本申请是申请号202011113248.0、申请日为2020年10月17日、发明创造名称为“基于大数据和云计算的游戏渲染优化方法及云端计算中心”的中国申请的分案申请。
技术领域
本申请涉及云游戏技术领域，具体而言，涉及一种基于云计算的游戏渲染优化模型训练方法及云端计算中心。
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。
游戏渲染性能决定一个云游戏的用户体验，因此如何进行游戏渲染优化方案的确定，从而确保后续渲染过程的可靠性，是本领域亟待解决的技术问题。
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云计算的游戏渲染优化模型训练方法及云端计算中心，在进行渲染性能优化之前，预先将目标性能数据划分成一系列的聚类性能数据，进而通过目标渲染优化云计算模型对每个聚类性能数据进行性能优化指标分析，以识别每个聚类性能数据所属的优化指标类型，进而提高性能优化的准确性。此外，在通过目标渲染优化云计算模型识别出每个聚类性能数据所属的优化指标类型之后，获得性能优化指标分析结果，这样，在检测到这些聚类性能数据中存在满足性能优化条件的聚类性能数据，可以快速确定出目标优化性能指标可能为携带过度渲染异常的待优化对象，进而进行针对性优化之后，确保后续渲染过程的可靠性。
第一方面，本申请提供一种基于大数据和云计算的游戏渲染优化方法，应用于云端计算中心，所述云端计算中心与多个游戏客户终端通信连接，所述方法包括：
获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据；
获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征；
根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果；
若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，并基于所述待优化对象以及所述待优化对象对应的满足性能优化条件的聚类性能数据对所述云端计算中心的渲染引擎进行优化。
在第一方面的一种可能的实现方式中，所述获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据的步骤，包括：
响应针对待优化云游戏的数据库访问请求，输出所述待优化云游戏对应的数据库访问栏；
启动与所述待优化云游戏相关联的性能指标爬取脚本，在所述性能指标爬取脚本对应的爬取覆盖范围内，对所述待优化云游戏的至少一个渲染性能数据进行采集，将采集到的所述至少一个渲染性能数据输出至所述数据库访问栏，将所述数据库访问栏上显示的所述至少一个渲染性能数据确定为与所述待优化云游戏相关联的目标性能数据序列；所述目标性能数据序列包含至少一个渲染性能数据；
从所述目标性能数据序列的至少一个渲染性能数据中获取待优化云游戏的渲染性能数据，对所述待优化云游戏的渲染性能数据进行关键对象识别，得到关键对象识别结果；
若所述关键对象识别结果指示所述待优化云游戏的渲染性能数据中存在属于关键贴图对象类型的目标数据，则基于所述目标数据在所述待优化云游戏的渲染性能数据中确定所述待优化云游戏的关键贴图对象所在的渲染模型，从所述待优化云游戏的渲染性能数据中截取所述渲染模型；
在所述渲染模型中将所述待优化云游戏的关键贴图对象作为目标优化性能指标，在所述渲染模型中将所述目标优化性能指标对应的性能数据作为目标性能数据；所述目标优化性能指标为所述待优化云游戏的关键贴图对象；
获取用于对所述目标性能数据进行聚类处理的聚类参数，基于所述聚类参数对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据。
在第一方面的一种可能的实现方式中，所述聚类性能数据的数量为多个；
所述获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征的步骤，包括：
获取所述目标性能数据对应的目标渲染优化云计算模型；所述目标渲染优化云计算模型包括：第一标签特征单元和第二标签特征单元；
通过所述第一标签特征单元从每个所述聚类性能数据中提取顶点着色器渲染特征，将提取到的每个所述聚类性能数据的顶点着色器渲染特征分别确定为第一性能标签特征；
通过所述第二标签特征单元从每个所述聚类性能数据中提取片元着色器渲染特征，将提取到的每个所述聚类性能数据的片元着色器渲染特征分别确定为第二性能标签特征；
将每个所述聚类性能数据的第一性能标签特征和对应所述聚类性能数据的第二性能标签特征进行映射融合，得到每个所述聚类性能数据的映射融合特征，将每个所述聚类性能数据的映射融合特征确定为与所述目标性能数据相关联的性能标签融合特征。
在第一方面的一种可能的实现方式中，所述目标渲染优化云计算模型包括：预测单元；所述预测单元具有对所述目标性能数据中的所述聚类性能数据所属的优化指标类型进行预测分类的功能；
所述根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果的步骤，包括：
将所述性能标签融合特征输入至所述目标渲染优化云计算模型中的所述预测单元，由所述预测单元确定所述性能标签融合特征与所述预测单元中的多个样本标签融合特征之间的关联度；所述关联度用于表征所述性能标签融合特征分别与每个样本标签融合特征属于相同优化指标类型的概率；
基于所述关联度，在所述多个样本标签融合特征中获取与所述性能标签融合特征具有最大关联度的样本标签融合特征，将所述具有最大关联度的样本标签融合特征作为目标样本标签融合特征；
将所述目标样本标签融合特征对应的样本标签信息作为所述性能标签融合特征对应的目标优化指标类型，基于所述目标优化指标类型以及与所述目标优化指标类型相关联的最大关联度，确定对所述目标性能数据中的所述聚类性能数据进行分类后的性能优化指标分析结果。
在第一方面的一种可能的实现方式中，一个聚类性能数据对应一个性能优化指标分析结果；所述多个样本标签融合特征对应的样本标签信息包含优化类标签信息；
所述若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，包括：
获取所述目标渲染优化云计算模型对应的性能优化条件；
若所述性能优化指标分析结果中存在所述目标优化指标类型属于所述优化类标签信息的性能优化指标分析结果，则在所述聚类性能数据中将所述目标优化指标类型对应的聚类性能数据，确定为满足所述性能优化条件的聚类性能数据；
将所述目标性能数据中所包含的所述目标优化性能指标确定为待优化对象。
在第一方面的一种可能的实现方式中，所述基于所述待优化对象以及所述待优化对象对应的满足性能优化条件的聚类性能数据对所述云端计算中心的渲染引擎进行优化的步骤，包括：
提取所述待优化对象对应的满足性能优化条件的聚类性能数据中每个目标图形渲染元素所对应的云虚拟容器，在从所述云虚拟容器的容器运行控制源中获取所述云虚拟容器在渲染时所关联的原始虚拟对象列表的同时，并行地提取所述云虚拟容器的图形渲染库特征分量；
基于提取到的图形渲染库特征分量确定用于对所述原始虚拟对象列表进行渲染优化模拟分析的渲染处理图形栈信息，从所述渲染处理图形栈信息中提取出多个待使用的图形栈运行信息节点的图形栈运行信息参数以及不同图形栈运行信息节点之间的图形栈并用信息，根据所述图形栈运行信息参数和所述图形栈并用信息对多个待使用的图形栈运行信息节点进行渲染处理得到至少两个目标图形栈运行信息元素；其中，所述目标图形栈运行信息元素的图形栈运行信息参数的运行环境区间位于设定区间内且不同的目标图形栈运行信息元素之间的图形栈并用信息的差异度小于设定值；
通过所述目标图形栈运行信息元素对所述原始虚拟对象列表进行渲染优化模拟分析，得到待优化虚拟对象列表；
根据从预设的虚拟渲染器件的贴图渲染记录中确定出的目标图形渲染库特征分量确定所述待优化虚拟对象列表的图形渲染库优化分布，以及根据确定出的所述待优化虚拟对象列表中的业务标签确定所述待优化虚拟对象列表的图形渲染库扩展分布；
基于所述图形渲染库优化分布和所述图形渲染库扩展分布对所述待优化虚拟对象列表进行关键优化图形渲染元素提取，得到关键优化图形渲染元素集；
基于所述关键优化图形渲染元素集对所述云端计算中心的渲染引擎进行优化。
在第一方面的一种可能的实现方式中，所述在从所述云虚拟容器的容器运行控制源中获取所述云虚拟容器在渲染时所关联的原始虚拟对象列表的同时，并行地提取所述云虚拟容器的图形渲染库特征分量的步骤，包括：
生成与所述容器运行控制源的图形渲染驱动结构信息对应的图形渲染驱动条件并通过预先与所述容器运行控制源建立的软件开发接口发送所述图形渲染驱动条件，并在发送所述图形渲染驱动条件的同时检测所述云虚拟容器的图形渲染驱动状态是否处于驱动状态；
在检测到所述图形渲染驱动状态处于所述驱动状态时，向所述云虚拟容器所对应的图形渲染驱动控件关联渲染业务控件以使得所述云虚拟容器所对应的图形渲染驱动控件通过所述渲染业务控件将基于所述图形渲染驱动条件从所述容器运行控制源中查询得到的原始虚拟对象列表以及从所述图形渲染驱动状态对应的运行记录中提取的所述图形渲染库特征分量进行同步反馈；
在检测到所述图形渲染驱动状态处于未驱动状态时，根据所述图形渲染驱动状态的图形渲染驱动顺序延迟生成渲染业务控件并下发至所述云虚拟容器所对应的图形渲染驱动控件，以使得所述云虚拟容器所对应的图形渲染驱动控件根据所述渲染业务控件启动所述图形渲染驱动状态并从所述图形渲染驱动状态对应的运行记录中提取的所述图形渲染库特征分量，并使得所述云虚拟容器所对应的图形渲染驱动控件根据所述渲染业务控件延迟性地基于所述图形渲染驱动条件从所述容器运行控制源中查询得到原始虚拟对象列表，同步接收所述云虚拟容器所对应的图形渲染驱动控件反馈的图形渲染库特征分量和原始虚拟对象列表。
在第一方面的一种可能的实现方式中，所述基于提取到的图形渲染库特征分量确定用于对所述原始虚拟对象列表进行渲染优化模拟分析的渲染处理图形栈信息，从所述渲染处理图形栈信息中提取出多个待使用的图形栈运行信息节点的图形栈运行信息参数以及不同图形栈运行信息节点之间的图形栈并用信息的步骤，包括：
从所述图形渲染库特征分量中确定出多个具有不同层级关系的缓冲分配器，根据所述缓冲分配器构建第一图形栈运行信息集合以及第二图形栈运行信息集合，其中，所述第一图形栈运行信息集合为全局图形栈运行信息集合，所述第二图形栈运行信息集合为特定对象图形栈运行信息集合；
将所述第一图形栈运行信息集合中的任意一个第一图形栈运行信息对应的纹理贴图渲染向量映射到所述第二图形栈运行信息集合中的对应节点上的第二图形栈运行信息中，并确定所述纹理贴图渲染向量在所述第二图形栈运行信息中的渲染关联信息；
基于所述渲染关联信息与所述第二图形栈运行信息中的目标纹理贴图渲染向量之间的分层参数确定所述图形渲染库特征分量在设定层级范围内常用的资源文件队列，解析所述资源文件队列对应的资源文件排列内容信息并通过所述资源文件排列内容信息所指代的信息特征生成所述渲染处理图形栈信息；
将所述渲染处理图形栈信息以堆栈结构列出，得到多个初始图形栈运行信息节点，根据所述渲染处理图形栈信息的堆栈层级确定每个初始图形栈运行信息节点的渲染处理层级，按照所述渲染处理层级由大到小的顺序将所述初始图形栈运行信息节点进行排序并选取排序靠前的目标数量个初始图形栈运行信息节点作为待使用的图形栈运行信息节点；
针对每个待使用的图形栈运行信息节点，确定该图形栈运行信息节点的引擎编辑器的编码配置参数和引擎编辑参数，根据所述编码配置参数确定该图形栈运行信息节点的图形栈可视化元素分布，根据所述引擎编辑参数从所述图形栈可视化元素分布中提取出图形栈运行信息参数。
在第一方面的一种可能的实现方式中，所述通过所述目标图形栈运行信息元素对所述原始虚拟对象列表进行渲染优化模拟分析，得到待优化虚拟对象列表的步骤，包括：
从所述目标图形栈运行信息元素中确定出所述原始虚拟对象列表的虚拟部件分布；其中，所述虚拟部件分布用于表征所述原始虚拟对象列表在所述云虚拟容器中的虚拟部件渲染分布信息；
根据所述虚拟部件分布中的虚拟部件渲染分布信息确定所述原始虚拟对象列表的游戏引擎渲染参数，获取所述游戏引擎渲染参数中存在卡顿持续行为的目标游戏引擎渲染参数；
根据所述虚拟部件分布对应的分布矩阵的逆矩阵对所述原始虚拟对象列表进行渲染优化模拟分析，并在渲染处理过程中采用所述目标游戏引擎渲染参数对所述原始虚拟对象列表中存在与所述目标游戏引擎渲染参数的卡顿持续行为对应的虚拟对象所对应的目标渲染控制字段进行渲染优化模拟分析，得到所述待优化虚拟对象列表。
譬如，在第一方面的一种可能的实现方式中，所述根据从预设的虚拟渲染器件的贴图渲染记录中确定出的目标图形渲染库特征分量确定所述待优化虚拟对象列表的图形渲染库优化分布，以及根据确定出的所述待优化虚拟对象列表中的业务标签确定所述待优化虚拟对象列表的图形渲染库扩展分布的步骤，包括：
从预设的虚拟渲染器件的贴图渲染记录中提取不随所述虚拟渲染器件的贴图渲染记录的更新而变化的贴图渲染模板消息，提取所述贴图渲染模板消息中的图形渲染库所属项目并从所述图形渲染库所属项目中识别在建立所述图形渲染库所属项目时所生成的优化参数；
根据所述优化参数从预设的虚拟渲染器件的贴图渲染记录中确定所述目标图形渲染库特征分量并将所述目标图形渲染库特征分量对应的逻辑帧信息导入预设的逻辑帧信息列表中，为每次导入所述逻辑帧信息列表的逻辑帧信息设置优化业务标签；
按照所述逻辑帧信息列表中的每个逻辑帧信息以及所述逻辑帧信息的编码权重确定不同逻辑帧信息之间的逻辑帧优化分布系数；
根据确定出的每个逻辑帧优化分布系数以及每个逻辑帧优化分布系数在所述逻辑帧信息列表中的位置生成所述待优化虚拟对象列表的图形渲染库优化分布；
确定出所述待优化虚拟对象列表中的业务标签所对应的扩展业务标签，并将所述业务标签和所对应的扩展业务标签进行组合，生成所述待优化虚拟对象列表的图形渲染库扩展分布。
譬如，在第一方面的一种可能的实现方式中，所述目标渲染优化云计算模型通过以下方式训练获得：
获取与样本对象相关联的训练样本信息和所述训练样本信息的样本标签信息；所述训练样本信息中包含用于对初始渲染优化云计算模型进行训练的第一样本信息和第二样本信息；所述训练样本信息的样本标签信息包括：所述第一样本信息对应的非优化类标签信息和所述第二样本信息对应的优化类标签信息；
对所述训练样本信息进行聚类处理，得到所述训练样本信息对应的聚类性能样本数据；
通过所述初始渲染优化云计算模型从所述聚类性能样本数据中提取第一样本特征和第二样本特征，将所述第一样本特征和所述第二样本特征进行特征映射融合，得到与所述训练样本信息相关联的样本映射融合特征；
基于所述样本映射融合特征、所述非优化类标签信息和所述优化类标签信息对所述初始渲染优化云计算模型进行训练，将训练后的初始渲染优化云计算模型确定为用于对目标图像中的目标对象进行预测的目标渲染优化云计算模型。
譬如，在第一方面的一种可能的实现方式中，所述获取与样本对象相关联的训练样本信息和所述训练样本信息的样本标签信息的步骤，包括：
获取包含样本对象的初始渲染性能数据，将所述初始渲染性能数据作为用于对对初始渲染优化云计算模型进行训练的第一样本信息，将所述第一样本信息的标签信息确定为非优化类标签信息；
获取与所述初始渲染优化云计算模型具有关联关系的对象识别模型，通过所述对象识别模型确定与所述初始渲染性能数据相关联的优化渲染性能数据；
基于所述优化渲染性能数据和所述初始渲染性能数据，生成包含所述优化渲染性能数据的叠加渲染性能数据，将所述叠加渲染性能数据作为用于对所述初始渲染优化云计算模型进行训练的第二样本信息，将所述第二样本信息的标签信息确定为优化类标签信息；
将所述第一样本信息和所述第二样本信息确定为训练样本信息，将所述非优化类标签信息和所述优化类标签信息作为所训练样本信息的样本标签信息。
第二方面，本申请实施例还提供一种基于大数据和云计算的游戏渲染优化装置，应用于云端计算中心，所述云端计算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，用于获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据；
融合模块，用于获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征；
分析模块，用于根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果；
优化模块，用于若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，并基于所述待优化对象以及所述待优化对象对应的满足性能优化条件的聚类性能数据对所述云端计算中心的渲染引擎进行优化。
第三方面，本申请实施例还提供一种基于大数据和云计算的游戏渲染优化系统，所述基于大数据和云计算的游戏渲染优化系统包括云端计算中心以及与所述云端计算中心通信连接的多个游戏客户终端；
所述云端计算中心，用于：
获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据；
获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征；
根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果；
若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，并基于所述待优化对象以及所述待优化对象对应的满足性能优化条件的聚类性能数据对所述云端计算中心的渲染引擎进行优化。
第四方面，本申请实施例还提供一种云端计算中心，所述云端计算中心包括处理器、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大数据和云计算的游戏渲染优化方法。
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大数据和云计算的游戏渲染优化方法。
基于上述任意一个方面，本申请在获取到包含目标优化性能指标的目标性能数据时，可以对目标性能数据进行聚类处理，以将目标性能数据划分成一个或者多个聚类，这里将不对划分后的聚类的数量进行限定。应当理解，本申请实施例可以将每个聚类对应的性能数据统称为聚类性能数据。此外，可以理解的是，这里的目标优化性能指标可以为渲染优化场景下的某个游戏操作节点的操作对象，可选的，这里的目标优化性能指标还可以为标识识别场景下的某个贴图对象的标识信息，这里将不对目标优化性能指标的具体类型进行限定。进一步的，可以将目标性能数据给到训练好的目标渲染优化云计算模型，以通过该目标渲染优化云计算模型从前述划分后的聚类性能数据中提取第一性能标签特征和第二性能标签特征，进而可以将提取出的第一性能标签特征和第二性能标签特征进行映射融合处理，以得到与该目标性能数据相关联的性能标签融合特征；可以理解的是，本申请实施例通过对从每个聚类性能数据所提取到的第一性能标签特征和第二性能标签特征进行映射融合处理后，可以提高后续对每个聚类性能数据所属的优化指标类型进行分类的准确性。进一步的，可以根据性能标签融合特征、目标渲染优化云计算模型，对聚类性能数据进行性能优化指标分析，以得到目标性能数据对应的性能优化指标分析结果。可以理解的是，在本申请实施例中的性能优化指标分析结果中可以包含每个聚类性能数据对应的性能优化指标分析结果，所以，可以在检测到这些性能优化指标分析结果中存在满足性能优化条件的聚类性能数据对应的性能优化指标分析结果时，确定目标性能数据中存在满足性能优化条件的聚类性能数据，进而可以间接地确定出该目标优化性能指标为待优化对象。由此可见，采用本申请实施例在进行渲染性能优化之前，可以预先将目标性能数据划分成一系列的聚类性能数据，进而可以通过目标渲染优化云计算模型对每个聚类性能数据进行性能优化指标分析，以识别每个聚类性能数据所属的优化指标类型，进而可以提高性能优化的准确性。此外，本申请实施例在通过目标渲染优化云计算模型识别出每个聚类性能数据所属的优化指标类型之后，可以将每个聚类性能数据所属的优化指标类型统称为目标性能数据对应的性能优化指标分析结果，这样，在检测到这些聚类性能数据中存在满足性能优化条件的聚类性能数据，则可以快速确定出目标优化性能指标可能为携带过度渲染异常的待优化对象，进而可以进行针对性优化之后，确保后续渲染过程的可靠性。
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大数据和云计算的游戏渲染优化系统的应用场景示意图；
图2为本申请实施例提供的基于大数据和云计算的游戏渲染优化方法的流程示意图；
图3为本申请实施例提供的基于大数据和云计算的游戏渲染优化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大数据和云计算的游戏渲染优化方法的云端计算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大数据和云计算的游戏渲染优化系统10的交互示意图。基于大数据和云计算的游戏渲染优化系统10可以包括云端计算中心100以及与云端计算中心100通信连接的游戏客户终端200。图1所示的基于大数据和云计算的游戏渲染优化系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和云计算的游戏渲染优化系统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，基于大数据和云计算的游戏渲染优化系统10中的云端计算中心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大数据和云计算的游戏渲染优化方法，具体云端计算中心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大数据和云计算的游戏渲染优化方法的流程示意图，本实施例提供的基于大数据和云计算的游戏渲染优化方法可以由图1中所示的云端计算中心100执行，下面对该基于大数据和云计算的游戏渲染优化方法进行详细介绍。
步骤S110，获取向多个游戏客户终端200提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对目标性能数据进行聚类处理，得到目标性能数据对应的聚类性能数据。
步骤S120，获取目标性能数据对应的目标渲染优化云计算模型，通过目标渲染优化云计算模型从聚类性能数据中提取第一性能标签特征和第二性能标签特征，将第一性能标签特征和第二性能标签特征进行映射融合，得到与目标性能数据相关联的性能标签融合特征。
步骤S130，根据性能标签融合特征、目标渲染优化云计算模型，对聚类性能数据进行性能优化指标分析，得到聚类性能数据对应的性能优化指标分析结果。
步骤S140，若性能优化指标分析结果指示目标性能数据中存在满足性能优化条件的聚类性能数据，则将目标优化性能指标确定为待优化对象，并基于待优化对象以及待优化对象对应的满足性能优化条件的聚类性能数据对云端计算中心的渲染引擎进行优化。
本实施例中，在获取到包含目标优化性能指标的目标性能数据时，可以对目标性能数据进行聚类处理，以将目标性能数据划分成一个或者多个聚类，这里将不对划分后的聚类的数量进行限定。应当理解，本申请实施例可以将每个聚类对应的性能数据统称为聚类性能数据。此外，可以理解的是，这里的目标优化性能指标可以为渲染优化场景下的某个游戏操作节点的操作对象，可选的，这里的目标优化性能指标还可以为标识识别场景下的某个贴图对象的标识信息，这里将不对目标优化性能指标的具体类型进行限定。
进一步的，可以将目标性能数据给到训练好的目标渲染优化云计算模型，以通过该目标渲染优化云计算模型从前述划分后的聚类性能数据中提取第一性能标签特征和第二性能标签特征，进而可以将提取出的第一性能标签特征和第二性能标签特征进行映射融合处理，以得到与该目标性能数据相关联的性能标签融合特征。
可以理解的是，本申请实施例通过对从每个聚类性能数据所提取到的第一性能标签特征和第二性能标签特征进行映射融合处理后，可以提高后续对每个聚类性能数据所属的优化指标类型进行分类的准确性。进一步的，可以根据性能标签融合特征、目标渲染优化云计算模型，对聚类性能数据进行性能优化指标分析，以得到目标性能数据对应的性能优化指标分析结果。
可以理解的是，在本申请实施例中的性能优化指标分析结果中可以包含每个聚类性能数据对应的性能优化指标分析结果，所以，可以在检测到这些性能优化指标分析结果中存在满足性能优化条件的聚类性能数据对应的性能优化指标分析结果时，确定目标性能数据中存在满足性能优化条件的聚类性能数据，进而可以间接地确定出该目标优化性能指标为待优化对象。
由此可见，采用本申请实施例在进行渲染性能优化之前，可以预先将目标性能数据划分成一系列的聚类性能数据，进而可以通过目标渲染优化云计算模型对每个聚类性能数据进行性能优化指标分析，以识别每个聚类性能数据所属的优化指标类型，进而可以提高性能优化的准确性。此外，本申请实施例在通过目标渲染优化云计算模型识别出每个聚类性能数据所属的优化指标类型之后，可以将每个聚类性能数据所属的优化指标类型统称为目标性能数据对应的性能优化指标分析结果，这样，在检测到这些聚类性能数据中存在满足性能优化条件的聚类性能数据，则可以快速确定出目标优化性能指标可能为携带过度渲染异常的待优化对象，进而可以进行针对性优化之后，确保后续渲染过程的可靠性。
在一种可能的实现方式中，针对步骤S110，在获取向多个游戏客户终端200提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对目标性能数据进行聚类处理，得到目标性能数据对应的聚类性能数据的过程中，可以通过以下示例性的子步骤来实现。
子步骤S111，响应针对待优化云游戏的数据库访问请求，输出待优化云游戏对应的数据库访问栏。
子步骤S112，启动与待优化云游戏相关联的性能指标爬取脚本，在性能指标爬取脚本对应的爬取覆盖范围内，对待优化云游戏的至少一个渲染性能数据进行采集，将采集到的至少一个渲染性能数据输出至数据库访问栏，将数据库访问栏上显示的至少一个渲染性能数据确定为与待优化云游戏相关联的目标性能数据序列。
本实施例中，目标性能数据序列可以包含至少一个渲染性能数据。
值得说明的是，性能指标爬取脚本对应的爬取覆盖范围可以依据不同的云游戏的实际运行情况进行灵活设置，爬取覆盖范围可以理解为爬取的目录范围，或者爬取的业务数据范围，在此不作具体限定。
子步骤S113，从目标性能数据序列的至少一个渲染性能数据中获取待优化云游戏的渲染性能数据，对待优化云游戏的渲染性能数据进行关键对象识别，得到关键对象识别结果。
子步骤S114，若关键对象识别结果指示待优化云游戏的渲染性能数据中存在属于关键贴图对象类型的目标数据，则基于目标数据在待优化云游戏的渲染性能数据中确定待优化云游戏的关键贴图对象所在的渲染模型，从待优化云游戏的渲染性能数据中截取渲染模型。
子步骤S115，在渲染模型中将待优化云游戏的关键贴图对象作为目标优化性能指标，在渲染模型中将目标优化性能指标对应的性能数据作为目标性能数据。目标优化性能指标为待优化云游戏的关键贴图对象。
子步骤S116，获取用于对目标性能数据进行聚类处理的聚类参数，基于聚类参数对目标性能数据进行聚类处理，得到目标性能数据对应的聚类性能数据。
在一种可能的实现方式中，针对步骤S120而言，聚类性能数据的数量可以为多个。由此，在获取目标性能数据对应的目标渲染优化云计算模型，通过目标渲染优化云计算模型从聚类性能数据中提取第一性能标签特征和第二性能标签特征，将第一性能标签特征和第二性能标签特征进行映射融合，得到与目标性能数据相关联的性能标签融合特征的过程中，可以通过以下示例性的子步骤来实现。
子步骤S121，获取目标性能数据对应的目标渲染优化云计算模型。
例如，目标渲染优化云计算模型可以包括：第一标签特征单元和第二标签特征单元。可以理解，第一标签特征单元和第二标签特征单元在目标渲染优化云计算模型可以是并列设置的不同网络模型层，用于提取不同的标签特征。
子步骤S122，通过第一标签特征单元从每个聚类性能数据中提取顶点着色器渲染特征，将提取到的每个聚类性能数据的顶点着色器渲染特征分别确定为第一性能标签特征。
子步骤S123，通过第二标签特征单元从每个聚类性能数据中提取片元着色器渲染特征，将提取到的每个聚类性能数据的片元着色器渲染特征分别确定为第二性能标签特征。
子步骤S124，将每个聚类性能数据的第一性能标签特征和对应聚类性能数据的第二性能标签特征进行映射融合，得到每个聚类性能数据的映射融合特征，将每个聚类性能数据的映射融合特征确定为与目标性能数据相关联的性能标签融合特征。
在一种可能的实现方式中，针对步骤S130而言，目标渲染优化云计算模型可以包括：预测单元。例如，预测单元具有对目标性能数据中的聚类性能数据所属的优化指标类型进行预测分类的功能。由此，在一种可能的实现方式中，在根据性能标签融合特征、目标渲染优化云计算模型，对聚类性能数据进行性能优化指标分析，得到聚类性能数据对应的性能优化指标分析结果的过程中，可以通过以下示例性的子步骤来实现。
子步骤S131，将性能标签融合特征输入至目标渲染优化云计算模型中的预测单元，由预测单元确定性能标签融合特征与预测单元中的多个样本标签融合特征之间的关联度。
其中，关联度可以用于表征性能标签融合特征分别与每个样本标签融合特征属于相同优化指标类型的概率。
子步骤S132，基于关联度，在多个样本标签融合特征中获取与性能标签融合特征具有最大关联度的样本标签融合特征，将具有最大关联度的样本标签融合特征作为目标样本标签融合特征。
子步骤S133，将目标样本标签融合特征对应的样本标签信息作为性能标签融合特征对应的目标优化指标类型，基于目标优化指标类型以及与目标优化指标类型相关联的最大关联度，确定对目标性能数据中的聚类性能数据进行分类后的性能优化指标分析结果。
基于此，在上述描述的基础上，针对步骤S140而言，一个聚类性能数据对应一个性能优化指标分析结果，多个样本标签融合特征对应的样本标签信息包含优化类标签信息。由此，在一种可能的实现方式中，在若性能优化指标分析结果指示目标性能数据中存在满足性能优化条件的聚类性能数据，则将目标优化性能指标确定为待优化对象的过程中，可以通过以下示例性的子步骤来实现。
子步骤S141，获取目标渲染优化云计算模型对应的性能优化条件。
子步骤S142，若性能优化指标分析结果中存在目标优化指标类型属于优化类标签信息的性能优化指标分析结果，则在聚类性能数据中将目标优化指标类型对应的聚类性能数据，确定为满足性能优化条件的聚类性能数据。
子步骤S143，将目标性能数据中所包含的目标优化性能指标确定为待优化对象。
进一步地，在一种可能的实现方式中，仍旧针对步骤S141，在基于待优化对象以及待优化对象对应的满足性能优化条件的聚类性能数据对云端计算中心的渲染引擎进行优化的过程中，可以通过以下示例性的子步骤来实现。
子步骤S144，提取待优化对象对应的满足性能优化条件的聚类性能数据中每个目标图形渲染元素所对应的云虚拟容器，在从云虚拟容器的容器运行控制源中获取云虚拟容器在渲染时所关联的原始虚拟对象列表的同时，并行地提取云虚拟容器的图形渲染库特征分量。
子步骤S145，基于提取到的图形渲染库特征分量确定用于对原始虚拟对象列表进行渲染优化模拟分析的渲染处理图形栈信息，从渲染处理图形栈信息中提取出多个待使用的图形栈运行信息节点的图形栈运行信息参数以及不同图形栈运行信息节点之间的图形栈并用信息，根据图形栈运行信息参数和图形栈并用信息对多个待使用的图形栈运行信息节点进行渲染处理得到至少两个目标图形栈运行信息元素。
其中，目标图形栈运行信息元素的图形栈运行信息参数的运行环境区间位于设定区间内且不同的目标图形栈运行信息元素之间的图形栈并用信息的差异度小于设定值。
子步骤S146，通过目标图形栈运行信息元素对原始虚拟对象列表进行渲染优化模拟分析，得到待优化虚拟对象列表。
子步骤S147，根据从预设的虚拟渲染器件的贴图渲染记录中确定出的目标图形渲染库特征分量确定待优化虚拟对象列表的图形渲染库优化分布，以及根据确定出的待优化虚拟对象列表中的业务标签确定待优化虚拟对象列表的图形渲染库扩展分布。
子步骤S148，基于图形渲染库优化分布和图形渲染库扩展分布对待优化虚拟对象列表进行关键优化图形渲染元素提取，得到关键优化图形渲染元素集。
子步骤S144，基于关键优化图形渲染元素集对云端计算中心的渲染引擎进行优化。
示例性地，在一种可能的实现方式中，针对子步骤S144而言，在从云虚拟容器的容器运行控制源中获取云虚拟容器在渲染时所关联的原始虚拟对象列表的同时，并行地提取云虚拟容器的图形渲染库特征分量的过程中，可以通过以下示例性的实施方式来实现。
（1）生成与容器运行控制源的图形渲染驱动结构信息对应的图形渲染驱动条件并通过预先与容器运行控制源建立的软件开发接口发送图形渲染驱动条件，并在发送图形渲染驱动条件的同时检测云虚拟容器的图形渲染驱动状态是否处于驱动状态。
（2）在检测到图形渲染驱动状态处于驱动状态时，向云虚拟容器所对应的图形渲染驱动控件关联渲染业务控件以使得云虚拟容器所对应的图形渲染驱动控件通过渲染业务控件将基于图形渲染驱动条件从容器运行控制源中查询得到的原始虚拟对象列表以及从图形渲染驱动状态对应的运行记录中提取的图形渲染库特征分量进行同步反馈。
（3）在检测到图形渲染驱动状态处于未驱动状态时，根据图形渲染驱动状态的图形渲染驱动顺序延迟生成渲染业务控件并下发至云虚拟容器所对应的图形渲染驱动控件，以使得云虚拟容器所对应的图形渲染驱动控件根据渲染业务控件启动图形渲染驱动状态并从图形渲染驱动状态对应的运行记录中提取的图形渲染库特征分量，并使得云虚拟容器所对应的图形渲染驱动控件根据渲染业务控件延迟性地基于图形渲染驱动条件从容器运行控制源中查询得到原始虚拟对象列表，同步接收云虚拟容器所对应的图形渲染驱动控件反馈的图形渲染库特征分量和原始虚拟对象列表。
示例性地，在一种可能的实现方式中，针对子步骤S145而言，在基于提取到的图形渲染库特征分量确定用于对原始虚拟对象列表进行渲染优化模拟分析的渲染处理图形栈信息，从渲染处理图形栈信息中提取出多个待使用的图形栈运行信息节点的图形栈运行信息参数以及不同图形栈运行信息节点之间的图形栈并用信息的过程中，可以通过以下示例性的实施方式来实现。
（1）从图形渲染库特征分量中确定出多个具有不同层级关系的缓冲分配器，根据缓冲分配器构建第一图形栈运行信息集合以及第二图形栈运行信息集合。
其中，第一图形栈运行信息集合为全局图形栈运行信息集合，第二图形栈运行信息集合为特定对象图形栈运行信息集合。
（2）将第一图形栈运行信息集合中的任意一个第一图形栈运行信息对应的纹理贴图渲染向量映射到第二图形栈运行信息集合中的对应节点上的第二图形栈运行信息中，并确定纹理贴图渲染向量在第二图形栈运行信息中的渲染关联信息。
（3）基于渲染关联信息与第二图形栈运行信息中的目标纹理贴图渲染向量之间的分层参数确定图形渲染库特征分量在设定层级范围内常用的资源文件队列，解析资源文件队列对应的资源文件排列内容信息并通过资源文件排列内容信息所指代的信息特征生成渲染处理图形栈信息。
（4）将渲染处理图形栈信息以堆栈结构列出，得到多个初始图形栈运行信息节点，根据渲染处理图形栈信息的堆栈层级确定每个初始图形栈运行信息节点的渲染处理层级，按照渲染处理层级由大到小的顺序将初始图形栈运行信息节点进行排序并选取排序靠前的目标数量个初始图形栈运行信息节点作为待使用的图形栈运行信息节点。
（5）针对每个待使用的图形栈运行信息节点，确定该图形栈运行信息节点的引擎编辑器的编码配置参数和引擎编辑参数，根据编码配置参数确定该图形栈运行信息节点的图形栈可视化元素分布，根据引擎编辑参数从图形栈可视化元素分布中提取出图形栈运行信息参数。
示例性地，在一种可能的实现方式中，针对子步骤S146而言，在通过目标图形栈运行信息元素对原始虚拟对象列表进行渲染优化模拟分析，得到待优化虚拟对象列表的过程中，可以通过以下示例性的实施方式来实现。
（1）从目标图形栈运行信息元素中确定出原始虚拟对象列表的虚拟部件分布。
其中，虚拟部件分布用于表征原始虚拟对象列表在云虚拟容器中的虚拟部件渲染分布信息。
（2）根据虚拟部件分布中的虚拟部件渲染分布信息确定原始虚拟对象列表的游戏引擎渲染参数，获取游戏引擎渲染参数中存在卡顿持续行为的目标游戏引擎渲染参数。
（3）根据虚拟部件分布对应的分布矩阵的逆矩阵对原始虚拟对象列表进行渲染优化模拟分析，并在渲染处理过程中采用目标游戏引擎渲染参数对原始虚拟对象列表中存在与目标游戏引擎渲染参数的卡顿持续行为对应的虚拟对象所对应的目标渲染控制字段进行渲染优化模拟分析，得到待优化虚拟对象列表。
示例性地，譬如，在一种可能的实现方式中，针对子步骤S147而言，在根据从预设的虚拟渲染器件的贴图渲染记录中确定出的目标图形渲染库特征分量确定待优化虚拟对象列表的图形渲染库优化分布，以及根据确定出的待优化虚拟对象列表中的业务标签确定待优化虚拟对象列表的图形渲染库扩展分布的过程中，可以通过以下示例性的实施方式来实现。
（1）从预设的虚拟渲染器件的贴图渲染记录中提取不随虚拟渲染器件的贴图渲染记录的更新而变化的贴图渲染模板消息，提取贴图渲染模板消息中的图形渲染库所属项目并从图形渲染库所属项目中识别在建立图形渲染库所属项目时所生成的优化参数。
（2）根据优化参数从预设的虚拟渲染器件的贴图渲染记录中确定目标图形渲染库特征分量并将目标图形渲染库特征分量对应的逻辑帧信息导入预设的逻辑帧信息列表中，为每次导入逻辑帧信息列表的逻辑帧信息设置优化业务标签。
（3）按照逻辑帧信息列表中的每个逻辑帧信息以及逻辑帧信息的编码权重确定不同逻辑帧信息之间的逻辑帧优化分布系数。
（4）根据确定出的每个逻辑帧优化分布系数以及每个逻辑帧优化分布系数在逻辑帧信息列表中的位置生成待优化虚拟对象列表的图形渲染库优化分布。
（5）确定出待优化虚拟对象列表中的业务标签所对应的扩展业务标签，并将业务标签和所对应的扩展业务标签进行组合，生成待优化虚拟对象列表的图形渲染库扩展分布。
示例性地，譬如，在一种可能的实现方式中，本实施例中所提供的目标渲染优化云计算模型通过以下方式训练获得：
（1）获取与样本对象相关联的训练样本信息和训练样本信息的样本标签信息。
例如，训练样本信息中包含用于对初始渲染优化云计算模型进行训练的第一样本信息和第二样本信息。训练样本信息的样本标签信息包括：第一样本信息对应的非优化类标签信息和第二样本信息对应的优化类标签信息。
（2）对训练样本信息进行聚类处理，得到训练样本信息对应的聚类性能样本数据。
（3）通过初始渲染优化云计算模型从聚类性能样本数据中提取第一样本特征和第二样本特征，将第一样本特征和第二样本特征进行特征映射融合，得到与训练样本信息相关联的样本映射融合特征。
（4）基于样本映射融合特征、非优化类标签信息和优化类标签信息对初始渲染优化云计算模型进行训练，将训练后的初始渲染优化云计算模型确定为用于对目标图像中的目标对象进行预测的目标渲染优化云计算模型。
示例性地，譬如，在（1）中，在获取与样本对象相关联的训练样本信息和训练样本信息的样本标签信息的过程中，首先可以获取包含样本对象的初始渲染性能数据，将初始渲染性能数据作为用于对对初始渲染优化云计算模型进行训练的第一样本信息，将第一样本信息的标签信息确定为非优化类标签信息。
然后，获取与初始渲染优化云计算模型具有关联关系的对象识别模型，通过对象识别模型确定与初始渲染性能数据相关联的优化渲染性能数据。 接下来，基于优化渲染性能数据和初始渲染性能数据，生成包含优化渲染性能数据的叠加渲染性能数据，将叠加渲染性能数据作为用于对初始渲染优化云计算模型进行训练的第二样本信息，将第二样本信息的标签信息确定为优化类标签信息。
由此，可以将第一样本信息和第二样本信息确定为训练样本信息，将非优化类标签信息和优化类标签信息作为所训练样本信息的样本标签信息。
图3为本公开实施例提供的基于大数据和云计算的游戏渲染优化装置300的功能模块示意图，本实施例可以根据上述云端计算中心100执行的方法实施例对该基于大数据和云计算的游戏渲染优化装置300进行功能模块的划分，也即该基于大数据和云计算的游戏渲染优化装置300所对应的以下各个功能模块可以用于执行上述云端计算中心100执行的各个方法实施例。其中，该基于大数据和云计算的游戏渲染优化装置300可以包括获取模块310、融合模块320、分析模块330以及优化模块340，下面分别对该基于大数据和云计算的游戏渲染优化装置300的各个功能模块的功能进行详细阐述。
获取模块310，用于获取向多个游戏客户终端200提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对目标性能数据进行聚类处理，得到目标性能数据对应的聚类性能数据。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。
融合模块320，用于获取目标性能数据对应的目标渲染优化云计算模型，通过目标渲染优化云计算模型从聚类性能数据中提取第一性能标签特征和第二性能标签特征，将第一性能标签特征和第二性能标签特征进行映射融合，得到与目标性能数据相关联的性能标签融合特征。其中，融合模块320可以用于执行上述的步骤S120，关于融合模块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。
分析模块330，用于根据性能标签融合特征、目标渲染优化云计算模型，对聚类性能数据进行性能优化指标分析，得到聚类性能数据对应的性能优化指标分析结果。其中，分析模块330可以用于执行上述的步骤S130，关于分析模块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。
优化模块340，用于若性能优化指标分析结果指示目标性能数据中存在满足性能优化条件的聚类性能数据，则将目标优化性能指标确定为待优化对象，并基于待优化对象以及待优化对象对应的满足性能优化条件的聚类性能数据对云端计算中心的渲染引擎进行优化。其中，优化模块340可以用于执行上述的步骤S140，关于优化模块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。
图4示出了本公开实施例提供的用于实现上述的基于大数据和云计算的游戏渲染优化方法的云端计算中心100的硬件结构示意图，如图4所示，云端计算中心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中所示的基于大数据和云计算的游戏渲染优化装置300包括的获取模块310、融合模块320、分析模块330以及优化模块340），使得处理器110可以执行如上方法实施例的基于大数据和云计算的游戏渲染优化方法，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云端计算中心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，实现如上基于大数据和云计算的游戏渲染优化方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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“一个实施例”、“一实施例”和/或“一些实施例”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，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”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，或对他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编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，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、系统或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码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编码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、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码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服务器上运行。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，本说明书处理元素和序列的顺序、数字字母的使用、或其他名称的使用，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硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器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。
最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书范围。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 (8)

1.一种基于云计算的游戏渲染优化模型训练方法，其特征在于，应用于云端计算中心，所述云端计算中心与多个游戏客户终端通信连接，所述方法包括：
获取与样本对象相关联的训练样本信息和训练样本信息的样本标签信息，其中，所述训练样本信息中包含用于对初始渲染优化云计算模型进行训练的第一样本信息和第二样本信息，所述训练样本信息的样本标签信息包括：第一样本信息对应的非优化类标签信息和第二样本信息对应的优化类标签信息；
对训练样本信息进行聚类处理，得到训练样本信息对应的聚类性能样本数据；
通过初始渲染优化云计算模型从聚类性能样本数据中提取第一样本特征和第二样本特征，将第一样本特征和第二样本特征进行特征映射融合，得到与训练样本信息相关联的样本映射融合特征；
基于样本映射融合特征、非优化类标签信息和优化类标签信息对初始渲染优化云计算模型进行训练，将训练后的初始渲染优化云计算模型确定为用于对目标图像中的目标对象进行预测的目标渲染优化云计算模型。
2.根据权利要求1所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，所述获取与样本对象相关联的训练样本信息和训练样本信息的样本标签信息的步骤，包括：
获取包含样本对象的初始渲染性能数据，将初始渲染性能数据作为用于对对初始渲染优化云计算模型进行训练的第一样本信息，将第一样本信息的标签信息确定为非优化类标签信息；
获取与初始渲染优化云计算模型具有关联关系的对象识别模型，通过对象识别模型确定与初始渲染性能数据相关联的优化渲染性能数据；
基于优化渲染性能数据和初始渲染性能数据，生成包含优化渲染性能数据的叠加渲染性能数据，将叠加渲染性能数据作为用于对初始渲染优化云计算模型进行训练的第二样本信息，将第二样本信息的标签信息确定为优化类标签信息；
将第一样本信息和第二样本信息确定为训练样本信息，将非优化类标签信息和优化类标签信息作为所训练样本信息的样本标签信息。
3.根据权利要求1所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，所述方法还包括：
获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据；
获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征；
根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果；
若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，并基于所述待优化对象以及所述待优化对象对应的满足性能优化条件的聚类性能数据对所述云端计算中心的渲染引擎进行优化。
4.根据权利要求3所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，所述获取向所述多个游戏客户终端提供云计算服务的待优化云游戏的渲染历史性能大数据中包含目标优化性能指标的目标性能数据，对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据的步骤，包括：
响应针对待优化云游戏的数据库访问请求，输出所述待优化云游戏对应的数据库访问栏；
启动与所述待优化云游戏相关联的性能指标爬取脚本，在所述性能指标爬取脚本对应的爬取覆盖范围内，对所述待优化云游戏的至少一个渲染性能数据进行采集，将采集到的所述至少一个渲染性能数据输出至所述数据库访问栏，将所述数据库访问栏上显示的所述至少一个渲染性能数据确定为与所述待优化云游戏相关联的目标性能数据序列；所述目标性能数据序列包含至少一个渲染性能数据；
从所述目标性能数据序列的至少一个渲染性能数据中获取待优化云游戏的渲染性能数据，对所述待优化云游戏的渲染性能数据进行关键对象识别，得到关键对象识别结果；
若所述关键对象识别结果指示所述待优化云游戏的渲染性能数据中存在属于关键贴图对象类型的目标数据，则基于所述目标数据在所述待优化云游戏的渲染性能数据中确定所述待优化云游戏的关键贴图对象所在的渲染模型，从所述待优化云游戏的渲染性能数据中截取所述渲染模型；
在所述渲染模型中将所述待优化云游戏的关键贴图对象作为目标优化性能指标，在所述渲染模型中将所述目标优化性能指标对应的性能数据作为目标性能数据；所述目标优化性能指标为所述待优化云游戏的关键贴图对象；
获取用于对所述目标性能数据进行聚类处理的聚类参数，基于所述聚类参数对所述目标性能数据进行聚类处理，得到所述目标性能数据对应的聚类性能数据。
5.根据权利要求1所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，所述聚类性能数据的数量为多个；
所述获取所述目标性能数据对应的目标渲染优化云计算模型，通过所述目标渲染优化云计算模型从所述聚类性能数据中提取第一性能标签特征和第二性能标签特征，将所述第一性能标签特征和所述第二性能标签特征进行映射融合，得到与所述目标性能数据相关联的性能标签融合特征的步骤，包括：
获取所述目标性能数据对应的目标渲染优化云计算模型；所述目标渲染优化云计算模型包括：第一标签特征单元和第二标签特征单元；
通过所述第一标签特征单元从每个所述聚类性能数据中提取顶点着色器渲染特征，将提取到的每个所述聚类性能数据的顶点着色器渲染特征分别确定为第一性能标签特征；
通过所述第二标签特征单元从每个所述聚类性能数据中提取片元着色器渲染特征，将提取到的每个所述聚类性能数据的片元着色器渲染特征分别确定为第二性能标签特征；
将每个所述聚类性能数据的第一性能标签特征和对应所述聚类性能数据的第二性能标签特征进行映射融合，得到每个所述聚类性能数据的映射融合特征，将每个所述聚类性能数据的映射融合特征确定为与所述目标性能数据相关联的性能标签融合特征。
6.根据权利要求1-5中任意一项所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，所述目标渲染优化云计算模型包括：预测单元；所述预测单元具有对所述目标性能数据中的所述聚类性能数据所属的优化指标类型进行预测分类的功能；
所述根据所述性能标签融合特征、所述目标渲染优化云计算模型，对所述聚类性能数据进行性能优化指标分析，得到所述聚类性能数据对应的性能优化指标分析结果的步骤，包括：
将所述性能标签融合特征输入至所述目标渲染优化云计算模型中的所述预测单元，由所述预测单元确定所述性能标签融合特征与所述预测单元中的多个样本标签融合特征之间的关联度；所述关联度用于表征所述性能标签融合特征分别与每个样本标签融合特征属于相同优化指标类型的概率；
基于所述关联度，在所述多个样本标签融合特征中获取与所述性能标签融合特征具有最大关联度的样本标签融合特征，将所述具有最大关联度的样本标签融合特征作为目标样本标签融合特征；
将所述目标样本标签融合特征对应的样本标签信息作为所述性能标签融合特征对应的目标优化指标类型，基于所述目标优化指标类型以及与所述目标优化指标类型相关联的最大关联度，确定对所述目标性能数据中的所述聚类性能数据进行分类后的性能优化指标分析结果。
7.根据权利要求6所述的基于云计算的游戏渲染优化模型训练方法，其特征在于，一个聚类性能数据对应一个性能优化指标分析结果；所述多个样本标签融合特征对应的样本标签信息包含优化类标签信息；
所述若所述性能优化指标分析结果指示所述目标性能数据中存在满足性能优化条件的聚类性能数据，则将所述目标优化性能指标确定为待优化对象，包括：
获取所述目标渲染优化云计算模型对应的性能优化条件；
若所述性能优化指标分析结果中存在所述目标优化指标类型属于所述优化类标签信息的性能优化指标分析结果，则在所述聚类性能数据中将所述目标优化指标类型对应的聚类性能数据，确定为满足所述性能优化条件的聚类性能数据；
将所述目标性能数据中所包含的所述目标优化性能指标确定为待优化对象。
8.一种云端计算中心，其特征在于，所述云端计算中心包括处理器、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1-7中任意一项的基于云计算的游戏渲染优化模型训练方法。
CN202110328916.XA 2020-10-17 2020-10-17 基于云计算的游戏渲染优化模型训练方法及云端计算中心 Withdrawn CN112884872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110328916.XA CN112884872A (zh) 2020-10-17 2020-10-17 基于云计算的游戏渲染优化模型训练方法及云端计算中心

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011113248.0A CN112184872B (zh) 2020-10-17 2020-10-17 基于大数据和云计算的游戏渲染优化方法及云端计算中心
CN202110328916.XA CN112884872A (zh) 2020-10-17 2020-10-17 基于云计算的游戏渲染优化模型训练方法及云端计算中心

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202011113248.0A Division CN112184872B (zh) 2020-10-17 2020-10-17 基于大数据和云计算的游戏渲染优化方法及云端计算中心

Publications (1)

Publication Number Publication Date
CN112884872A true CN112884872A (zh) 2021-06-01

Family

ID=73950750

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202011113248.0A Active CN112184872B (zh) 2020-10-17 2020-10-17 基于大数据和云计算的游戏渲染优化方法及云端计算中心
CN202110328916.XA Withdrawn CN112884872A (zh) 2020-10-17 2020-10-17 基于云计算的游戏渲染优化模型训练方法及云端计算中心
CN202110331849.7A Withdrawn CN112862941A (zh) 2020-10-17 2020-10-17 基于云计算的图形渲染引擎优化方法及系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011113248.0A Active CN112184872B (zh) 2020-10-17 2020-10-17 基于大数据和云计算的游戏渲染优化方法及云端计算中心

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110331849.7A Withdrawn CN112862941A (zh) 2020-10-17 2020-10-17 基于云计算的图形渲染引擎优化方法及系统

Country Status (1)

Country Link
CN (3) CN112184872B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113318449A (zh) * 2021-06-17 2021-08-31 上海幻电信息科技有限公司 游戏元素交互数值化方法与系统
CN113467875A (zh) * 2021-06-29 2021-10-01 阿波罗智能技术(北京)有限公司 训练方法、预测方法、装置、电子设备以及自动驾驶车辆
CN113822374A (zh) * 2021-10-29 2021-12-21 平安科技（深圳）有限公司 基于半监督学习的模型训练方法、系统、终端及存储介质
CN114501062A (zh) * 2022-01-27 2022-05-13 腾讯科技（深圳）有限公司 视频渲染协同方法、装置、设备及存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906776B (zh) * 2021-02-05 2024-02-27 安徽容知日新科技股份有限公司 一种指标数据处理方法、装置和计算设备
CN113778831B (zh) * 2021-09-27 2024-07-23 广州文远知行科技有限公司 一种数据应用性能分析方法、装置、设备和介质
CN116485965A (zh) * 2022-01-13 2023-07-25 华为云计算技术有限公司 基于云技术的图形渲染系统、方法及管理平台
CN115006848A (zh) * 2022-05-30 2022-09-06 深圳市遇贤微电子有限公司 云游戏资源分配方法、装置、计算机设备和存储介质
CN116107665B (zh) * 2023-04-10 2023-10-27 北京渲光科技有限公司 工程项目配置方法、装置、终端和存储介质
CN116870462B (zh) * 2023-07-20 2024-02-06 浙江十勇士网络科技有限公司 一种游戏数据渲染方法与装置
CN117873851B (zh) * 2024-01-09 2024-06-25 珠海达人网络科技有限公司 一种基于云计算的数据管理动态分析系统及方法
CN117596375B (zh) * 2024-01-18 2024-03-19 锋尚文化集团股份有限公司 千人级虚拟演艺云数据交换方法、装置及储存介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019143B1 (en) * 2014-09-29 2018-07-10 Amazon Technologies, Inc. Determining a principal image from user interaction
CN104463943B (zh) * 2014-11-12 2015-09-16 山东地纬数码科技有限公司 一种面向可编程着色器的多光源加速方法
US10748376B2 (en) * 2017-09-21 2020-08-18 NEX Team Inc. Real-time game tracking with a mobile device using artificial intelligence
CN108983968A (zh) * 2018-06-22 2018-12-11 湖南商学院 一种基于虚拟现实的图像大数据交互控制系统及方法
CN110368694B (zh) * 2019-08-22 2023-05-16 网易（杭州）网络有限公司 游戏场景的数据处理方法、装置、设备及可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113318449A (zh) * 2021-06-17 2021-08-31 上海幻电信息科技有限公司 游戏元素交互数值化方法与系统
CN113318449B (zh) * 2021-06-17 2024-05-14 上海幻电信息科技有限公司 游戏元素交互数值化方法与系统
CN113467875A (zh) * 2021-06-29 2021-10-01 阿波罗智能技术(北京)有限公司 训练方法、预测方法、装置、电子设备以及自动驾驶车辆
CN113822374A (zh) * 2021-10-29 2021-12-21 平安科技（深圳）有限公司 基于半监督学习的模型训练方法、系统、终端及存储介质
CN113822374B (zh) * 2021-10-29 2023-07-18 平安科技（深圳）有限公司 基于半监督学习的模型训练方法、系统、终端及存储介质
CN114501062A (zh) * 2022-01-27 2022-05-13 腾讯科技（深圳）有限公司 视频渲染协同方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112862941A (zh) 2021-05-28
CN112184872B (zh) 2021-09-07
CN112184872A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112184872B (zh) 基于大数据和云计算的游戏渲染优化方法及云端计算中心
CN113392173A (zh) 基于区块链的信息推送更新方法、系统及云服务信息平台
CN112199580B (zh) 面向云计算和大数据定位的业务处理方法及人工智能平台
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
CN111931063B (zh) 基于区块链和人工智能的信息推送处理方法及云服务平台
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
CN112187890B (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
CN112163838B (zh) 基于大数据和云计算的信息处理方法及电子商务协同平台
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
CN112765385A (zh) 基于大数据和互联网的信息管理方法及系统
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
CN113095881A (zh) 基于人工智能的推送要素确定方法、系统及大数据中心
CN112199733B (zh) 基于区块链和云计算的信息处理方法及数字金融服务中心
CN112114907A (zh) 基于电子商务云计算的应用加载方法及人工智能计算中心
CN112163019B (zh) 基于区块链的可信电子批记录处理方法及区块链服务平台
CN112199715A (zh) 基于区块链和云计算的对象生成方法及数字金融服务中心
CN112308626B (zh) 基于区块链和人工智能的广告推送方法及大数据挖掘中心
CN112182413A (zh) 一种基于教学大数据的智能推荐方法及服务器
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
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
CN117611859A (zh) 应用聚类方法、装置、存储介质及计算机设备
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
CN112738192A (zh) 一种快速建立物联网的方法及系统
CN111796988A (zh) 一种大数据信息监控方法、装置及计算机设备

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210601