CN113117338A - 一种游戏作弊用户识别方法及装置 - Google Patents

Abstract

本申请实施例公开了一种游戏作弊用户识别方法及装置，其中该方法包括：获取适用于当前工作周期的目标游戏行为概率矩阵，该目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率；针对目标用户，根据该目标用户在当前工作周期内的用户行为数据，确定目标游戏平台上与目标用户关联的参考用户；基于目标游戏行为概率矩阵，根据目标用户行为确定目标用户对应的游戏行为概率；判断目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定目标用户为游戏作弊用户。该方法能够准确地识别游戏作弊用户。

Description

一种游戏作弊用户识别方法及装置

技术领域

本申请涉及计算机技术领域，具体涉及一种游戏作弊用户识别方法及装置。

背景技术

随着互联网广告的兴起，目前广告买量已经成为游戏行业获取新用户的主要手段，因广告买量而产生的虚假游戏用户相应地也越来越多，如何识别此类虚假游戏用户(又称游戏作弊用户)已成为游戏行业亟待解决的问题。

相关技术中，目前主要通过以下方式识别游戏作弊用户：基于对游戏的埋点技术，根据用户鼠标轨迹、键盘输入以及对于角色游戏内容数据的建模分析结果，识别用户在游戏内是否存在作弊行为。而该种识别方式通常仅适用于识别真实用户的作弊行为，难以识别出虚拟游戏用户。

发明内容

本申请实施例提供了一种游戏作弊用户识别方法及装置，能够准确地识别出虚拟游戏用户。

有鉴于此，本申请第一方面提供了一种游戏作弊用户识别方法，所述方法包括：

获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；

针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内；

基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率；

判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

可选的，通过以下方式确定所述目标游戏行为概率矩阵：

两两组合所述目标游戏平台上的多种用户行为，得到多个用户行为组合；

针对包括第一用户行为和第二用户行为的用户行为组合，统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为和所述第二用户行为的用户的数量，作为第一用户数量；统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为且执行所述第一用户行为的时间在所述第一用户行为对应的时间差阈值内、并且执行过所述第二用户行为且执行所述第二用户行为的时间在所述第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为所述用户行为组合对应的行为概率；

根据所述多个用户行为组合各自对应的行为概率，确定所述目标游戏行为概率矩阵。

可选的，所述基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率，包括：

组合所述至少两种目标用户行为中的两种所述目标用户行为，得到目标用户行为组合；

在所述目标游戏行为概率矩阵中，查找所述目标用户行为组合对应的行为概率；

根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率。

可选的，所述根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率，包括：

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括两种时，确定所述目标用户行为组合对应的行为概率，作为所述目标用户对应的游戏行为概率；

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括多于两种时，计算多个所述目标用户行为组合对应的行为概率的乘积，作为所述目标用户对应的游戏行为概率。

可选的，所述用户行为包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录。

本申请第二方面提供了一种游戏作弊用户识别装置，所述装置包括：

概率矩阵获取模块，用于获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；

关联用户确定模块，用于针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内；

行为概率确定模块，用于基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率；

作弊用户识别模块，用于判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

可选的，所述装置还包括概率矩阵确定模块，所述概率矩阵确定模块用于：

两两组合所述目标游戏平台上的多种用户行为，得到多个用户行为组合；

针对包括第一用户行为和第二用户行为的用户行为组合，统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为和所述第二用户行为的用户的数量，作为第一用户数量；统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为且执行所述第一用户行为的时间在所述第一用户行为对应的时间差阈值内、并且执行过所述第二用户行为且执行所述第二用户行为的时间在所述第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为所述用户行为组合对应的行为概率；

根据所述多个用户行为组合各自对应的行为概率，确定所述目标游戏行为概率矩阵。

可选的，所述行为概率确定模块具体用于：

组合所述至少两种目标用户行为中的两种所述目标用户行为，得到目标用户行为组合；

在所述目标游戏行为概率矩阵中，查找所述目标用户行为组合对应的行为概率；

根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率。

可选的，所述行为概率确定模块具体用于：

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括两种时，确定所述目标用户行为组合对应的行为概率，作为所述目标用户对应的游戏行为概率；

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括多于两种时，计算多个所述目标用户行为组合对应的行为概率的乘积，作为所述目标用户对应的游戏行为概率。

可选的，所述用户行为包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例提供了一种游戏作弊用户识别方法，该方法包括：获取适用于当前工作周期的目标游戏行为概率矩阵，该目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生该用户行为的时间在对应的时间差阈值内的概率，该目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；然后，针对待识别的目标用户，根据该目标用户述当前工作周期内的用户行为数据，确定目标游戏平台上该目标用户关联的参考用户，此处的参考用户和目标用户在当前工作周期内执行过至少两种相同的目标用户行为，并且参考用户和该目标用户各自执行目标用户行为的时间在该目标用户行为对应的时间差阈值内；进而，基于目标游戏行为概率矩阵，根据目标用户行为确定该目标用户对应的游戏行为概率；最终，判断该目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定该目标用户为游戏作弊用户。上述方法可以基于用户行为概率分析，准确地识别虚拟的游戏作弊用户，尤其是使用设备批量作假注册的游戏用户，进而可以有效地减少广告投放中的无效消耗。

附图说明

图1为本申请实施例提供的游戏作弊用户识别方法的流程示意图；

图2为本申请实施例提供的示例性的目标游戏行为概率矩阵；

图3为本申请实施例提供的游戏作弊用户识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

相关技术中的游戏作弊用户识别方法普遍仅适用于识别真实用户的作弊行为，难以识别出虚拟的游戏作弊用户，如因广告买量产生的虚拟游戏用户。

为了解决上述现有技术存在的问题，本申请实施例提供了一种游戏作弊用户识别方法，该方法能够准确地识别虚拟的游戏作弊用户。

具体的，在本申请实施例提供的游戏作弊用户识别方法中，先获取适用于当前工作周期的目标游戏行为概率矩阵，该目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生该用户行为的时间在对应的时间差阈值内的概率，该目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；然后，针对待识别的目标用户，根据该目标用户述当前工作周期内的用户行为数据，确定目标游戏平台上该目标用户关联的参考用户，此处的参考用户和目标用户在当前工作周期内执行过至少两种相同的目标用户行为，并且参考用户和该目标用户各自执行目标用户行为的时间在该目标用户行为对应的时间差阈值内；进而，基于目标游戏行为概率矩阵，根据目标用户行为确定该目标用户对应的游戏行为概率；最终，判断该目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定该目标用户为游戏作弊用户。上述方法可以基于用户行为概率分析，准确地识别虚拟的游戏作弊用户，尤其是使用设备批量作假注册的游戏用户，进而可以有效地减少广告投放中的无效消耗。

下面通过方法实施例对本申请提供的游戏作弊用户识别方法进行详细介绍。

参见图1，图1为本申请实施例提供的游戏作弊用户识别方法的流程示意图。为了便于描述，下述实施例以执行主体为服务器为例进行介绍。如图1所示，该游戏作弊用户识别方法包括以下步骤：

步骤101：获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的。

服务器识别用户是否为游戏作弊用户时，需要先获取适用于当前工作周期的目标游戏行为概率矩阵，该目标游戏行为概率矩阵中的元素能够表征不同的用户发生相同的用户行为、且发生该用户行为的时间在该种用户行为对应的时间差阈值内的概率，该目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的。

需要说明的是，本申请实施例中的工作周期可以根据实际需求设置；例如，可以设置工作周期为天，相应地，当前工作周期即为当天，上一工作周期即为前一天；当然，在实际应用中还可以设置其它时间长度作为工作周期，本申请在此不对该工作周期做任何限定。

需要说明的是，目标游戏平台上的用户行为可以包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录；应理解，对于不同的游戏类型，目标游戏平台上的用户行为也会有所区别，本申请在此不对目标游戏平台上的用户行为做任何限定。此外，用户行为数据可以包括用户行为以及该用户行为对应的发生时间。

在一种可能的实现方式中，服务器可以通过以下方式确定上述目标游戏概率矩阵：两两组合目标游戏平台上的多种用户行为，得到多个用户行为组合；针对包括第一用户行为和第二用户行为的用户行为组合，统计目标游戏平台上在上一工作周期内执行过该第一用户行为和该第二用户行为的用户的数量，作为第一用户数量；统计目标游戏平台上在上一工作周期内执行过该第一用户行为且执行该第一用户行为的时间在该第一用户行为对应的时间差阈值内、并且执行过该第二用户行为且执行该第二用户行为的时间在该第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为该用户行为组合对应的行为概率；根据多个用户行为组合各自对应的行为概率，确定目标游戏行为概率矩阵。

具体的，服务器可以先获取上一工作周期内目标游戏平台上各个用户的用户行为数据，所获取的用户行为数据包括但不限于注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录等用户行为对应的用户行为数据。

然后，统计所获取的用户行为数据，根据用户行为数据确定目标游戏行为概率矩阵，该目标游戏行为概率矩阵可以下式所示：

其中，p_ij表示不同的用户在时间差t1内触发用户行为i、且在时间差t2内触发用户行为j的概率，时间差t1为用户行为i对应的时间差阈值，时间差t2为用户行为j对应的时间差阈值。

p_ij的计算公式具体如下式所示：

其中，n_ij为目标游戏平台上在上一工作周期内执行过用户行为i且执行该用户行为i的时间在该用户行为i对应的时间差阈值t1内、并且执行过用户行为j且执行该用户行为j的时间在该用户时间j对应的时间差阈值t2内的用户的数量；N_ij为目标游戏平台上在上一工作周期内执行过用户行为i且执行过用户行为j的用户的数量。

为了便于理解，下面对上述p_ij的计算方式进行简单的举例说明。假设针对登录行为和退出登录行为所获取的用户行为数据如表1所示：

表1

用户	登录时间	退出登录时间
			用户A	2021-03-08 10:00:00	2021-03-08 10:05:00
用户B	2021-03-08 10:00:00	2021-03-08 10:05:00
			用户C	2021-03-08 10:00:00	2021-03-08 10:05:30

既执行过登录行为、又执行过退出登录行为的用户包括用户A、用户B和用户C，即N_ij＝3。在登录行为对应的时间差阈值t1和退出登录行为对应的时间差阈值t2均为0的情况下，对于登录行为，用户A、用户B和用户C均满足对应的时间差阈值t1，对于退出登录行为，只有用户A和用户B满足对应的时间差阈值t2，则n_ij＝2，相应地，p_ij＝2/3。在登录行为对应的时间差阈值t1为0、退出登录行为对应的时间差阈值t2为30s的情况下，对于登录行为，用户A、用户B和用户C均满足对应的时间差阈值t1，对于退出登录行为，用户A、用户B和用户C均满足对应的时间差阈值t2，则n_ij＝3，相应地，p_ij＝1。

步骤102：针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内。

然后，对于待识别的目标用户，服务器可以根据该目标用户在当前工作周期内的用户行为数据，确定目标游戏平台上与该目标用户关联的参考用户。

具体的，服务器可以先确定目标用户在当前工作周期内执行过的多种用户行为作为目标用户行为，并且确定目标用户执行各目标用户行为的时间。然后，服务器可以查找目标游戏平台上是否存在在当前工作周期内执行过至少两种目标用户行为、并且执行每种目标用户行为的时间与目标用户执行该种目标用户行为的时间之间的时间差在该种目标用户行为对应的时间差阈值内的用户，若存在，则确定该用户为目标用户关联的参考用户。

应理解，在实际应用中，服务器可以先执行步骤101、后执行步骤102，也可以先执行步骤102、后执行步骤101，还可以同时执行步骤101和步骤102，本申请在此不对步骤101和步骤102的执行顺序做任何限定。

步骤103：基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率。

然后，服务器可以基于通过步骤101获取的目标游戏行为概率矩阵，根据目标用户与参考用户共同执行过的目标用户行为，确定该目标用户对应的游戏行为概率。

在一种可能的实现方式中，服务器可以组合目标用户与参考用户共同执行的至少两种目标用户行为中的两种目标用户行为，得到目标用户行为组合；然后，在目标游戏行为概率矩阵中，查找目标用户行为组合对应的行为概率；进而，根据目标用户行为组合对应的行为概率，确定目标用户对应的游戏行为概率。

当目标用户与参考用户在当前工作周期内执行过的相同的目标用户行为仅包括两种时，服务器可以直接确定由这两种目标用户行为组成的目标用户行为组合对应的行为概率，作为该目标用户对应的游戏行为概率。当目标用户与参考用户在当前工作周期内执行过的相同的目标用户行为包括多于两种时，服务器可以计算多个目标用户行为组合对应的行为概率的乘积，作为该目标用户对应的游戏行为概率。

示例性的，图2所示的表格为一种示例性的目标游戏行为概率矩阵，假设目标游戏平台支持10种用户行为(即图2所示表格中的游戏行为1至10)，且这10种用户行为各自对应的时间差阈值均为0。若目标用户与参考用户同时执行的目标用户行为仅包括游戏行为6和游戏行为7，即目标用户与参考用户同时执行了游戏行为6和游戏行为7，则根据图2所示的目标游戏行为概率矩阵，可以确定同时执行游戏行为6和游戏行为7的概率为0.12％，相应地，该目标用户对应的游戏行为概率为0.12％。若目标用户与参考用户同时执行的目标用户行为包括游戏行为6和游戏行为7、以及游戏行为1和游戏行为9，则根据图2所示的目标游戏行为概率矩阵，可以确定同时执行游戏行为6和游戏行为7的概率为0.12％、同时执行游戏行为1和游戏行为9的概率为14％，则目标用户对应的游戏行为概率p＝0.12％*14％。

应理解，在实际应用中，服务器可以两两组合各目标用户行为，也可以根据实际需求从各目标用户行为种选择两种相关的目标用户行为组合起来，本申请在此不对目标用户行为的组合方式做任何限定。

步骤104：判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

进而，服务器可以判断目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定该目标用户为游戏作弊用户；反之，若否，则确定该目标用户并非游戏作弊用户。

在本申请实施例提供的游戏作弊用户识别方法中，先获取适用于当前工作周期的目标游戏行为概率矩阵，该目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生该用户行为的时间在对应的时间差阈值内的概率，该目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；然后，针对待识别的目标用户，根据该目标用户述当前工作周期内的用户行为数据，确定目标游戏平台上该目标用户关联的参考用户，此处的参考用户和目标用户在当前工作周期内执行过至少两种相同的目标用户行为，并且参考用户和该目标用户各自执行目标用户行为的时间在该目标用户行为对应的时间差阈值内；进而，基于目标游戏行为概率矩阵，根据目标用户行为确定该目标用户对应的游戏行为概率；最终，判断该目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定该目标用户为游戏作弊用户。上述方法可以基于用户行为概率分析，准确地识别虚拟的游戏作弊用户，尤其是使用设备批量作假注册的游戏用户，进而可以有效地减少广告投放中的无效消耗。

本申请实施例还提供了一种游戏作弊用户识别装置。参见图3，图3为本申请实施例提供的游戏作弊用户识别装置的结构示意图，如图3所示，该游戏作弊用户识别装置包括：

概率矩阵获取模块301，用于获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；

关联用户确定模块302，用于针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内；

行为概率确定模块303，用于基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率；

作弊用户识别模块304，用于判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

可选的，所述装置还包括概率矩阵确定模块，所述概率矩阵确定模块用于：

两两组合所述目标游戏平台上的多种用户行为，得到多个用户行为组合；

针对包括第一用户行为和第二用户行为的用户行为组合，统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为和所述第二用户行为的用户的数量，作为第一用户数量；统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为且执行所述第一用户行为的时间在所述第一用户行为对应的时间差阈值内、并且执行过所述第二用户行为且执行所述第二用户行为的时间在所述第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为所述用户行为组合对应的行为概率；

根据所述多个用户行为组合各自对应的行为概率，确定所述目标游戏行为概率矩阵。

可选的，所述行为概率确定模块303具体用于：

组合所述至少两种目标用户行为中的两种所述目标用户行为，得到目标用户行为组合；

在所述目标游戏行为概率矩阵中，查找所述目标用户行为组合对应的行为概率；

根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率。

可选的，所述行为概率确定模块303具体用于：

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括两种时，确定所述目标用户行为组合对应的行为概率，作为所述目标用户对应的游戏行为概率；

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括多于两种时，计算多个所述目标用户行为组合对应的行为概率的乘积，作为所述目标用户对应的游戏行为概率。

可选的，所述用户行为包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录。

本申请实施例提供的游戏作弊用户识别装置，可以基于用户行为概率分析，准确地识别虚拟的游戏作弊用户，尤其是使用设备批量作假注册的游戏用户，进而可以有效地减少广告投放中的无效消耗。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种游戏作弊用户识别方法，其特征在于，所述方法包括：

获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；

针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内；

基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率；

判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

2.根据权利要求1所述的方法，其特征在于，通过以下方式确定所述目标游戏行为概率矩阵：

两两组合所述目标游戏平台上的多种用户行为，得到多个用户行为组合；

针对包括第一用户行为和第二用户行为的用户行为组合，统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为和所述第二用户行为的用户的数量，作为第一用户数量；统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为且执行所述第一用户行为的时间在所述第一用户行为对应的时间差阈值内、并且执行过所述第二用户行为且执行所述第二用户行为的时间在所述第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为所述用户行为组合对应的行为概率；

根据所述多个用户行为组合各自对应的行为概率，确定所述目标游戏行为概率矩阵。

3.根据权利要求1或2所述的方法，其特征在于，所述基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率，包括：

组合所述至少两种目标用户行为中的两种所述目标用户行为，得到目标用户行为组合；

在所述目标游戏行为概率矩阵中，查找所述目标用户行为组合对应的行为概率；

根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率，包括：

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括两种时，确定所述目标用户行为组合对应的行为概率，作为所述目标用户对应的游戏行为概率；

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括多于两种时，计算多个所述目标用户行为组合对应的行为概率的乘积，作为所述目标用户对应的游戏行为概率。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述用户行为包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录。

6.一种游戏作弊用户识别装置，其特征在于，所述装置包括：

概率矩阵获取模块，用于获取适用于当前工作周期的目标游戏行为概率矩阵；所述目标游戏行为概率矩阵中的元素用于表征不同的用户发生相同的用户行为、且发生所述用户行为的时间在对应的时间差阈值内的概率，所述目标游戏行为概率矩阵是根据上一工作周期内目标游戏平台上用户的用户行为数据计算得到的；

关联用户确定模块，用于针对待识别的目标用户，根据所述目标用户在所述当前工作周期内的用户行为数据，确定所述目标游戏平台上所述目标用户关联的参考用户；所述参考用户和所述目标用户在所述当前工作周期内执行过至少两种相同的目标用户行为，并且所述参考用户和所述目标用户各自执行所述目标用户行为的时间在所述目标用户行为对应的时间差阈值内；

行为概率确定模块，用于基于所述目标游戏行为概率矩阵，根据所述目标用户行为确定所述目标用户对应的游戏行为概率；

作弊用户识别模块，用于判断所述目标用户对应的游戏行为概率是否小于预设概率阈值，若是，则确定所述目标用户为游戏作弊用户。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括概率矩阵确定模块，所述概率矩阵确定模块用于：

两两组合所述目标游戏平台上的多种用户行为，得到多个用户行为组合；

针对包括第一用户行为和第二用户行为的用户行为组合，统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为和所述第二用户行为的用户的数量，作为第一用户数量；统计所述目标游戏平台上在所述上一工作周期内执行过所述第一用户行为且执行所述第一用户行为的时间在所述第一用户行为对应的时间差阈值内、并且执行过所述第二用户行为且执行所述第二用户行为的时间在所述第二用户行为对应的时间差阈值内的用户的数量，作为第二用户数量；计算第二用户数量与所述第一用户数量的比值，作为所述用户行为组合对应的行为概率；

根据所述多个用户行为组合各自对应的行为概率，确定所述目标游戏行为概率矩阵。

8.根据权利要求6或7所述的装置，其特征在于，所述行为概率确定模块具体用于：

组合所述至少两种目标用户行为中的两种所述目标用户行为，得到目标用户行为组合；

在所述目标游戏行为概率矩阵中，查找所述目标用户行为组合对应的行为概率；

根据所述目标用户行为组合对应的行为概率，确定所述目标用户对应的游戏行为概率。

9.根据权利要求8所述的装置，其特征在于，所述行为概率确定模块具体用于：

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括两种时，确定所述目标用户行为组合对应的行为概率，作为所述目标用户对应的游戏行为概率；

当所述目标用户与所述参考用户在所述当前工作周期内执行过的相同的所述目标用户行为包括多于两种时，计算多个所述目标用户行为组合对应的行为概率的乘积，作为所述目标用户对应的游戏行为概率。

10.根据权利要求6至9任一项所述的装置，其特征在于，所述用户行为包括以下至少两种：注册、登录、点击、控制虚拟角色移动、控制虚拟角色战斗、查看详情、发表评论、退出登录。

Images