CN114225421A - 游戏交易数据异常检测方法、装置、终端和可读存储介质 - Google Patents

游戏交易数据异常检测方法、装置、终端和可读存储介质 Download PDF

Info

Publication number
CN114225421A
CN114225421A CN202111547800.1A CN202111547800A CN114225421A CN 114225421 A CN114225421 A CN 114225421A CN 202111547800 A CN202111547800 A CN 202111547800A CN 114225421 A CN114225421 A CN 114225421A
Authority
CN
China
Prior art keywords
transaction
game
value
data
transaction 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.)
Pending
Application number
CN202111547800.1A
Other languages
English (en)
Inventor
朱钰森
吴剑飞
陈炜
刘柏
连宝德
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.)
Netease Hangzhou Network Co Ltd
Original Assignee
Netease Hangzhou Network 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 Netease Hangzhou Network Co Ltd filed Critical Netease Hangzhou Network Co Ltd
Priority to CN202111547800.1A priority Critical patent/CN114225421A/zh
Publication of CN114225421A publication Critical patent/CN114225421A/zh
Pending legal-status Critical Current

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
    • A63F13/70—Game security or game management aspects
    • A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
    • 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
    • A63F13/70—Game security or game management aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Pinball Game Machines (AREA)

Abstract

本发明实施例公开了一种游戏交易数据异常检测方法、装置、终端和计算机可读存储介质；本发明实施例可获取目标游戏用户在待测时段内的第一游戏交易数据和在待测时段的前一时段内的第二游戏交易数据，第一游戏交易数据包括在待测时段内每次交易的第一交易数值，第二游戏交易数据包括在前一时段内每次交易的第二交易数值；获取第二游戏交易数据中的第二交易数值的交易最大值、交易最小值和交易平均值；根据交易最大值、交易最小值和交易平均值，确定动态异常阈值；根据动态异常阈值和第一交易数值，确定第一游戏交易数据是否异常。本发明实施例可提升游戏交易数据异常检测的准确度、提高多渠道异常检测的全面性、降低异常检测维护成本。

Description

游戏交易数据异常检测方法、装置、终端和可读存储介质
技术领域
本发明涉及游戏数据处理领域，具体涉及一种游戏交易数据异常检测方法、装置、终端和计算机可读存储介质。
背景技术
在很多游戏应用中，为了保证游戏的公平性，常常会基于判断不同玩家的历史游戏行为产生的日志数据是否异常，如检测玩家的游戏虚拟货币或虚拟道具等游戏交易数据是否异常，进而来确定该游戏玩家是否为异常玩家。
现有技术中，通过预先设定经验阈值，将游戏交易数据与预设的经验阈值进行比较，确定玩家的游戏交易数据是否异常。
但是，随着游戏版本的不断更新，原始的判断规则和预先设定的经验阈值，在新游戏版本中可能会存在无法适用的情况，即基于原始的判断规则和预先设定的经验阈值无法准确判定玩家的游戏交易数据是否异常。
发明内容
本发明实施例提供一种游戏交易数据异常检测方法、装置、终端和计算机可读存储介质，可以提升游戏交易数据异常检测的准确度。
第一方面，本申请实施例提供一种游戏交易数据异常检测方法，包括：
获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
第二方面，本申请实施例还提供一种游戏交易数据异常检测装置，包括：
第一获取单元，用于获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
第二获取单元，用于获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
所述第二获取单元，还用于获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
确定单元，用于根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
检测单元，用于根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
第三方面，本申请实施例还提供一种终端，包括存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本申请实施例所提供的任一种游戏交易数据异常检测方法中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种游戏交易数据异常检测方法中的步骤。
本申请实施例，第一方面，通过获取待测时段的前一时段内的第二游戏交易数据中的第二交易数值的交易最大值、交易最小值和交易平均值，确定用于判定待测时段内的第一游戏交易数据是否异常的动态异常阈值，由于可以动态的确定用于判定游戏交易数据是否异常的阈值，因此可以在一定程度上避免随着游戏版本的不断更新，原始的判断规则和预先设定的经验阈值在新游戏版本中可能会存在无法适用的情况；即避免了原始的判断规则和预先设定的经验阈值无法准确判定玩家的游戏交易数据是否异常的问题。第二方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的游戏交易数据在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高了第一游戏交易数据是否异常的检测准确率。可见，本申请实施例可以提升游戏交易数据异常检测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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他的附图。
图1是本申请实施例提供的游戏交易数据异常检测方法的一种实施例流程示意图；
图2是本申请实施例中提供的基于自编码器检测异常的一种说明示意图；
图3是本申请实施例中提供的自编码器的一种网络结构示意图；
图4是本申请实施例中提供的基于孤立森林检测异常的一种说明示意图；
图5是本申请实施例中提供的输出异常玩家的提示信息的一种说明示意图；
图6是本申请实施例中提供的自动监控异常检测准确度的一种说明示意图；
图7是本申请实施例提供的游戏交易数据异常检测装置的结构示意图；
图8是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种游戏交易数据异常检测方法、装置、终端和计算机可读存储介质。
其中，该游戏交易数据异常检测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该游戏交易数据异常检测装置还可以集成在多个电子设备中，比如，游戏交易数据异常检测装置可以集成在多个服务器中，由多个服务器来实现本发明的游戏交易数据异常检测方法。
在一些实施例中，服务器也可以以终端的形式来实现，比如，可以将个人电脑设置服务器来集成该游戏交易数据异常检测装置。
例如，该电子设备可以是移动终端，该移动终端可以通过网络获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
参照图1，图1是本申请实施例提供的游戏交易数据异常检测方法的一种流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。例如，步骤101和步骤102可以同时执行，或者可以先执行步骤101、再执行步骤102，又或者可以先执行步骤102、再执行步骤101。在本实施例中，该游戏交易数据异常检测方法包括步骤101～105，其中：
101、获取目标游戏用户在待测时段内的第一游戏交易数据。
所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值。
待测时段是指待进行游戏交易数据异常检测的一个时间段，比如，在某天10:00～10:05这五分钟内。
游戏交易数据是指游戏虚拟财产每次交易时的交易数值，如交易前的游戏虚拟财产数量、交易后的游戏虚拟财产数量、新增的游戏虚拟财产数量等。
其中，游戏虚拟财产可以是游戏虚拟货币，还可以是游戏虚拟道具，如武器、装备、宝物、宠物、材料等。
游戏虚拟财产的交易可以是游戏虚拟财产的买卖、游戏活动的赠送、或者是游戏任务完成后的奖励等。
第一游戏交易数据是指在待测时段内多次交易的游戏交易数据。第一游戏交易数据具体是指在待测时段内每次交易时的游戏虚拟财产的交易数值。
第一交易数值是指待测时段内游戏虚拟财产每次交易的交易数值。
步骤101中，获取第一游戏交易数据的方式有多种，示例性地，包括：
(1)实时获取。此时，可以实时检测游戏中虚拟货币、虚拟道具等游戏虚拟财产的获得行为，当检测到目标游戏用户存在如买卖、游戏活动的赠送、或者是游戏任务完成后的奖励等游戏虚拟财产获得行为时，实时拉取目标游戏用户游戏交易数据，从而得到第一游戏交易数据。
(2)预设数据库中预先缓存有各时段内的游戏交易数据，从可以从预设数据库预先缓存的各时段内的游戏交易数据中，获取目标游戏用户在待测时段内的第一游戏交易数据。此时，可以将游戏中虚拟货币、虚拟道具等游戏虚拟财产的获得行为，例如买卖、游戏活动的赠送、或者是游戏任务完成后的奖励等通过日志来记录下来得到游戏日志，保存至预设数据库中，步骤101中可以直接从预设数据库中获取到第一游戏交易数据。
102、获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据。
其中，前一时段是指在待测时段前的一个时间段，比如待测时段为10:05～10:10这五分钟内，则待测时段可以是10:00～10:05这五分钟、或者是9:40～9:50这十分钟。
第二游戏交易数据是指在前一时段内多次交易的游戏交易数据。第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值。第二游戏交易数据具体是指在前一时段内游戏虚拟财产每次交易的的交易数值。
进一步地，为了提高步骤104所确定的动态异常阈值的可参考性，待测时段与前一段时段的间隔时长小于预设间隔时长阈值，比如待测时段(如10:15～10:20)和前一时段(如10:05～10:10)的间隔时长(即5min)小于预设间隔时长阈值(如60min)，以提高第一游戏交易数据是否异常的检测准确率。更进一步地，待测时段和前一时段的间隔时长可以设置为0，即待测时段和前一时段为两个连续的时段，以更进一步提高第一游戏交易数据是否异常的检测准确率。
进一步地，为了提高步骤104所确定的动态异常阈值的可参考性，待测时段的总时长与前一段时段的总时长之间的差值小于预设时长差阈值，比如待测时段(如10:15～10:20)的总时长(即5min)和前一时段(如9:40～9:50)的总时长(即10min)的之间的差值(即5min)小于预设时长差阈值(如10min)，以提高第一游戏交易数据是否异常的检测准确率。更进一步地，测时段的总时长与前一段时段的总时长之间的差值可以设置为0，即测时段的总时长与前一段时段的总时长相等，以更进一步提高第一游戏交易数据是否异常的检测准确率。
103、获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值。
交易最大值可以是在前一时段内游戏虚拟财产多次交易的交易数值中，最大的交易数值。
示例性地，交易数值具体可以是新增的游戏虚拟财产数量，对应地，交易最大值具体可以是新增的游戏虚拟财产数量的最大值。此时，步骤103中获取第二游戏交易数据的交易最大值具体可以包括：从前一时段内游戏虚拟财产多次交易分别新增的游戏虚拟财产数量中，获取新增的游戏虚拟财产数量的最大值，作为交易最大值。例如，在前一时段内发生了5次交易，5次交易分别新增的游戏虚拟财产数量为：第1次新增的游戏虚拟财产数量为500、第2次新增的游戏虚拟财产数量为600、第3次新增的游戏虚拟财产数量为600、第4次新增的游戏虚拟财产数量为700、第5次新增的游戏虚拟财产数量为600。则第二游戏交易数据的交易最大值为700。
交易最小值可以是在前一时段内游戏虚拟财产多次交易的交易数值中，最小的交易数值。
示例性地，交易数值具体可以是新增的游戏虚拟财产数量，对应地，交易最小值具体可以是新增的游戏虚拟财产数量的最小值。此时，步骤103中获取第二游戏交易数据的交易最小值具体可以包括：从前一时段内游戏虚拟财产多次交易分别新增的游戏虚拟财产数量中，获取新增的游戏虚拟财产数量的最小值，作为交易最小值。例如，在前一时段内发生了5次交易，5次交易分别新增的游戏虚拟财产数量为：第1次新增的游戏虚拟财产数量为500、第2次新增的游戏虚拟财产数量为600、第3次新增的游戏虚拟财产数量为600、第4次新增的游戏虚拟财产数量为700、第5次新增的游戏虚拟财产数量为600。则第二游戏交易数据的交易最小值为500。
交易平均值可以是在前一时段内游戏虚拟财产多次交易的交易数值中，平均的交易数值。
示例性地，交易数值具体可以是新增的游戏虚拟财产数量，对应地，交易平均值具体可以是新增的游戏虚拟财产数量的平均值。此时，步骤103中获取第二游戏交易数据的交易平均值具体可以包括：从前一时段内游戏虚拟财产多次交易分别新增的游戏虚拟财产数量中，获取新增的游戏虚拟财产数量的平均值，作为交易平均值。例如，在前一时段内发生了5次交易，5次交易分别新增的游戏虚拟财产数量为：第1次新增的游戏虚拟财产数量为500、第2次新增的游戏虚拟财产数量为600、第3次新增的游戏虚拟财产数量为600、第4次新增的游戏虚拟财产数量为700、第5次新增的游戏虚拟财产数量为600。则第二游戏交易数据的交易平均值为600。
104、根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值。
其中，动态异常阈值是指用于判别第一游戏交易数据是否异常的阈值，具体是用于判别待测时段内每次交易的第一交易数值是否异常的阈值。
示例性地，可以根据交易最大值、交易最小值、交易平均值和预设的动态异常阈值公式，确定第一游戏交易数据的动态阈值。例如，预设的动态异常阈值公式如下公式(1)所示，当交易最大值、交易最小值、交易平均值分别为700、400、600时，则可以确定动态异常阈值为100。
threshold＝min(Tmax-Tavg,Tavg-Tmin) 公式(1)
公式(1)中，threshold表示动态异常阈值，Tmax表示交易最大值，Tmin表示交易最小值，Tavg表示交易平均值。
通过如公式(1)所示的动态异常阈值公式，从(Tmax-Tavg)和(Tavg-Tmin)中获取最小值作为动态异常阈值，一方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的(Tmax-Tavg)和(Tavg-Tmin)在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高后续第一游戏交易数据是否异常的检测准确率。另一方面，由于是取(Tmax-Tavg)和(Tavg-Tmin)中的最小值，因此可以减少漏报的情况。
又如，预设的动态异常阈值公式如下公式(2)所示，当交易最大值、交易最小值、交易平均值分别为700、400、600时，则可以确定动态异常阈值为100。
threshold＝max(Tmax-Tavg,Tavg-Tmin) 公式(2)
公式(2)中，threshold表示动态异常阈值，Tmax表示交易最大值，Tmin表示交易最小值，Tavg表示交易平均值。
通过如公式(2)所示的动态异常阈值公式，从(Tmax-Tavg)和(Tavg-Tmin)中获取最大值作为动态异常阈值，一方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的(Tmax-Tavg)和(Tavg-Tmin)在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高后续第一游戏交易数据是否异常的检测准确率。另一方面，由于是取(Tmax-Tavg)和(Tavg-Tmin)中的最大值，因此可以减少错报的情况。
此处，动态异常阈值公式仅为举例，具体可以根据实际业务场景需求而设置，不以此处为限制。
105、根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
步骤105中，确定第一游戏交易数据是否异常的方式有多种，示例性地，包括：
(1)当待测时段内某次交易的第一交易数值与前一时段内的交易平均值之间的差值>动态异常阈值时，确定第一游戏交易数据异常。此时，步骤105具体可以包括如下步骤1051A～1053A：
1051A、检测待测时段内每次交易的第一交易数值与前一时段内的交易平均值之间的差值是否大于动态异常阈值。
1052A、当待测时段内有一次交易的第一交易数值与前一时段内的交易平均值之间的差值大于动态异常阈值，则确定第一游戏交易数据异常。
1053A、当待测时段内每次交易的第一交易数值与前一时段内的交易平均值之间的差值均小于或等于动态异常阈值，则确定第一游戏交易数据正常。
(2)在待测时段内，若第一交易数值与前一时段内的交易平均值之间的差值>动态异常阈值的交易次数大于预设次数阈值时，则确定第一游戏交易数据异常。此时，步骤105具体可以包括如下步骤1051B～1053B：
1051B、统计在所述待测时段内的所述第一交易数值与所述交易平均值之间的差值大于所述动态异常阈值的次数。
此时，次数具体是指在待测时段内，对应的第一交易数值大于动态异常阈值的交易次数。
例如，以交易数值具体可以是新增的游戏虚拟财产数量为例，即第一交易数值是每次交易后的游戏虚拟财产数量，假设动态异常阈值为100、前一时段内的交易平均值为600，在待测时段内发生了5次交易，5次交易分别新增的游戏虚拟财产数量为：第1次新增的游戏虚拟财产数量为400、第2次新增的游戏虚拟财产数量为400、第3次新增的游戏虚拟财产数量为600、第4次新增的游戏虚拟财产数量为700、第5次新增的游戏虚拟财产数量为800。则在待测时段内，对应的第一交易数值大于动态异常阈值的交易次数为“3”。
1052B、当所述次数大于预设次数阈值时，确定所述第一游戏交易数据异常。
1053B、当所述次数小于或等于预设次数阈值时，确定所述第一游戏交易数据正常。
如下公式(3)所示，当次数大于预设次数阈值时，确定第一游戏交易数据异常；当次数小于或等于预设次数阈值时，确定第一游戏交易数据正常。
count(|new_delta-avg|>threshold)>count_num 公式(3)
公式(3)中，new_delta为第一交易数值，avg为前一时段内的交易平均值，threshold为动态异常阈值，count_num为预设次数阈值。
为了便于理解，接以上步骤1051B的例子继续说明。例如，当预设次数阈值为5时，则次数“3”小于预设次数阈值“5”，此时可以确定第一游戏交易数据正常。
当预设次数阈值为2时，则次数“3”大于预设次数阈值“2”，此时可以确定第一游戏交易数据异常。
此处，预设次数阈值的取值仅为举例，实际上，预设次数阈值的具体取值可以根据实际业务场景需求而设置，不以此处为限制。
由以上内容可以看出，本申请实施例中，第一方面，通过获取待测时段的前一时段内的第二游戏交易数据中的第二交易数值的交易最大值、交易最小值和交易平均值，确定用于判定待测时段内的第一游戏交易数据是否异常的动态异常阈值，由于可以动态的确定用于判定游戏交易数据是否异常的阈值，因此可以在一定程度上避免随着游戏版本的不断更新，原始的判断规则和预先设定的经验阈值在新游戏版本中可能会存在无法适用的情况；即避免了原始的判断规则和预先设定的经验阈值无法准确判定玩家的游戏交易数据是否异常的问题。第二方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的游戏交易数据在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高了第一游戏交易数据是否异常的检测准确率。可见，本申请实施例可以提升游戏交易数据异常检测的准确度。
上述步骤101～105为针对一个时段内的游戏交易数据进行异常检测，本申请实施例中简称为序列检测方式，适用于比如单次游戏交易的第一交易数值不异常，在待测时段内累计多次游戏交易的第一交易数值是却是异常的情况。而在某些情况下，比如，单次游戏交易的第一交易数值就是异常，序列检测方式将不再适用，其较难准确地的检测出单次游戏交易的数据是否异常。为了能同时针对一个时段内的游戏交易数据、单次游戏交易的数据是否异常进行检测，以提高目标游戏用户的游戏交易数据的异常检测全面性，还可以进一步针对单次游戏交易数据是否异常情况进行异常检测。即该方法还可以进一步包括：检测目标游戏用户单次游戏交易的数据是否异常。
“检测目标游戏用户单次游戏交易的数据是否异常”的方式有多种，示例性地，可以基于自编码器或孤立森林检测目标游戏用户单次游戏交易的数据是否异常，下面分别举例说明基于自编码器、孤立森林检测目标游戏用户单次游戏交易的数据是否异常。
一、基于自编码器。此时，如图2所示，步骤“检测目标游戏用户单次游戏交易的数据是否异常”具体可以包括如下步骤201～204：
201、获取所述目标游戏用户单次游戏交易的数据的目标原始特征。
单次游戏交易的数据是指单次游戏交易时的游戏虚拟财产的交易数值。
目标原始特征是指单次游戏交易的数据的表示特征。比如，目标游戏用户交易前的游戏虚拟财产数量(记为“old_value”)、交易后的游戏虚拟财产数量(记为“new_value”)、新增的游戏虚拟财产数量(记为“delta”)、目标游戏用户的玩家等级(记为“role_level”)、游戏虚拟财产的交易变化梯度(记为“grad”)等数据的特征表示向量。
其中，游戏虚拟财产的交易变化梯度grad是指新增的游戏虚拟财产数量delta与交易前的游戏虚拟财产数量old_value之比。
示例性地，首先，参照上述步骤101中的方式，获取单次游戏交易的数据，如目标游戏用户交易前的游戏虚拟财产数量old_value、交易后的游戏虚拟财产数量new_value、新增的游戏虚拟财产数量delta、目标游戏用户的玩家等级role_level、游戏虚拟财产的变化梯度grad等。然后，可以将目标游戏用户交易前的游戏虚拟财产数量old_value、交易后的游戏虚拟财产数量new_value、新增的游戏虚拟财产数量delta、目标游戏用户的玩家等级role_level、游戏虚拟财产的变化梯度grad等单次游戏交易的数据表征为特征向量，从而得到目标原始特征。
202、通过预先学习得到的特征编码参数，对所述目标原始特征进行编码，得到所述单次游戏交易的数据的目标编码特征。
目标编码特征是指通过特征编码参数对目标原始特征进行编码所得到的编码后特征。
其中，特征编码参数用于对游戏交易数据的原始特征进行编码，得到游戏交易数据的编码后特征。特征编码参数通过自编码器进行学习得到，自编码器学习得到特征编码参数的过程在后文中(如步骤B1～B2)将详细介绍，为简化表述，此处不再赘述。
在一些实施例中，可以将如下步骤B1～B2中自编码器学习得到的特征编码参数提取出来，通过提取出来的特征编码参数，对目标原始特征进行编码，得到单次游戏交易的数据的目标编码特征。
在一些实施例中，可以直接将目标原始特征输入至如下步骤B1～B2中已训练的自编码器中，通过自编码器中的特征编码器，根据学习得到的特征编码参数对目标原始特征进行编码，得到单次游戏交易的数据的目标编码特征。
203、通过预先学习得到的特征解码参数，对所述目标编码特征进行解码，得到所述单次游戏交易的数据的目标解码特征。
目标解码特征是指通过特征解码参数对目标编码特征进行解码所得到的解码后特征。
其中，特征解码参数用于对游戏交易数据的编码后特征进行解码，得到游戏交易数据的解码后特征。特征解码参数通过自编码器进行学习得到，自编码器学习得到特征解码参数的过程在后文中(如步骤B1～B2)将详细介绍，为简化表述，此处不再赘述。
在一些实施例中，可以将如下步骤B1～B2中自编码器学习得到的特征解码参数提取出来，通过提取出来的特征解码参数，对目标编码特征进行解码，得到单次游戏交易的数据的目标解码特征。
在一些实施例中，可以直接将目标原始特征输入至如下步骤B1～B2中已训练的自编码器中，通过自编码器中的特征解码器，根据学习得到的特征解码参数对目标原始特征进行解码，得到单次游戏交易的数据的目标解码特征。
204、基于所述目标原始特征和所述目标解码特征之间的相似度，确定所述单次游戏交易的数据是否异常。
示例性地，步骤204具体可以包括如下步骤2041～2044:
2041、获取所述目标原始特征和所述目标解码特征之间的相似度。
步骤2041中，获取目标原始特征和目标解码特征之间的相似度的方式有多种，例如，可以通过计算目标原始特征和目标解码特征之间的余弦距离、曼哈顿距离或汉明距离等，从而得到目标原始特征和目标解码特征之间的相似度。
2042、获取预设的相似度异常阈值。
(1)实时计算得到。此时，步骤2042具体包括如下步骤A1～A5：
A1、获取N个样本交易数据中每个样本交易数据的样本原始特征。
其中，所述N为正整数，样本交易数据是指用于确定相似度异常阈值的游戏交易数据。
样本原始特征是指样本交易数据的表示特征。
步骤A1中获取每个样本交易数据的样本原始特征的方式，与上述步骤201获取单次游戏交易的数据的目标原始特征的方式类似，具体可以参照上述相关说明，此处不再赘述。
A2、通过所述特征编码参数，对所述每个样本交易数据的样本原始特征进行编码，得到所述每个样本交易数据的样本编码特征。
步骤A2中获取样本编码特征的方式，与上述步骤202获取目标编码特征的方式类似，具体可以参照上述相关说明，此处不再赘述。
A3、通过所述特征解码参数，对所述每个样本交易数据的样本编码特征进行解码，得到所述每个样本交易数据的样本解码特征。
步骤A3中获取样本解码特征的方式，与上述步骤203获取目标解码特征的方式类似，具体可以参照上述相关说明，此处不再赘述。
A4、获取所述每个样本交易数据的所述样本原始特征和所述样本解码特征之间的样本相似度，得到N个样本相似度。
其中，样本相似度是指样本原始特征和所述样本解码特征之间的相似度。
步骤A4中获取样本相似度的方式，与上述步骤204获取目标编码特征和目标原始特征之间相似度的方式类似，具体可以参照上述相关说明，此处不再赘述。
A5、基于所述N个样本相似度，确定所述相似度异常阈值。
基于N个样本相似度确定相似度异常阈值的方式有多种，示例性地，包括：
方式1：基于3σ准则确定相似度异常阈值。其中，基于3σ准则，数值分布在(μ-3σ,μ+3σ)中的为正常值，即可以将小于(μ-3σ)、或大于(μ+3σ)的数值视为异常值；因此，本申请实施例中可以将相似度小于N个样本相似度的(μ-3σ)单次游戏交易的数据视为异常。此时，步骤A5具体可以包括：获取所述N个样本相似度的均值和标准差；基于所述均值和标准差，确定所述相似度异常阈值。
例如，N＝5个样本相似度分别为：0.90、0.80、0.98、0.95、0.70。由此可以计算得到N个样本相似度的均值为：μ＝0.866、标准差为：σ＝0.10307279。此时，可以基于3σ准则、均值和标准差，可以确定相似度异常阈值为：(μ-3σ)＝0.556781631。
方式2：基于箱线图四分位检测异常值算法确定相似度异常阈值。其中，基于箱线图四分位检测异常值算法，数值分布在(Q1-k(Q3-Q1),Q3+k(Q3-Q1))中为正常值，即可以将小于(Q1-k(Q3-Q1))、或大于(Q3+k(Q3-Q1))的数值视为异常值，其中，Q1为下四分位数、Q3为上四分位数、k为系数，k为1.5或3。因此，本申请实施例中可以将相似度小于N个样本相似度的(Q1-k(Q3-Q1))单次游戏交易的数据视为异常。此时，步骤A5具体可以包括：获取所述N个样本相似度的下四分位数和上四分位数；基于所述下四分位数和所述上四分位数，确定所述相似度异常阈值。
例如，假设k＝3，N＝5个样本相似度分别为：0.90、0.80、0.98、0.95、0.70。由此可以计算得到N个样本相似度的上四分位数为：Q1＝0.8、下四分位数为：Q3＝0.95。此时，可以基于箱线图四分位检测异常值算法、下四分位数和上四分位数，可以确定相似度异常阈值为：(Q1-k(Q3-Q1))＝0.35。
由于用于判定单次游戏交易的数据是否异常的相似度异常阈值，是通过根据N个样本交易数据获取的N个样本相似度来确定的，因此，可以在一定程度上提高相似度异常阈值的取值的合理性，从而提高后续单次游戏交易的数据是否异常的检测准确度。
(2)直接读取得到。例如，预设数据库中存储了通过上述(1)实时计算方式计算得到的相似度异常阈值，步骤2042中可以直接从预设数据库中读取得到预设的相似度异常阈值。
2043、当所述相似度小于所述相似度异常阈值时，确定所述单次游戏交易的数据异常。
2044、当所述相似度大于或等于所述相似度异常阈值时，确定所述单次游戏交易的数据正常。
例如，假设步骤2042中确定的相似度异常阈值为85％，当目标原始特征和目标解码特征之间的相似度为80％时，则目标原始特征和目标解码特征之间的相似度为80％小于相似度异常阈值为85％，此时可以确定单次游戏交易的数据异常。
当目标原始特征和目标解码特征之间的相似度为90％时，则目标原始特征和目标解码特征之间的相似度为90％大于相似度异常阈值为85％，此时可以确定单次游戏交易的数据正常。
进一步地，为了提高单次游戏交易的数据是否异常的准确度，可以分别通过判定目标编码特征和目标原始特征之间的相似度是否小于基于上述方式1确定的相似度异常阈值、同时小于上述方式2确定的相似度异常阈值，当目标编码特征和目标原始特征之间的相似度同时小于上述方式1和方式2确定的相似度异常阈值时，才确定单次游戏交易的数据异常。
由以上内容可以看出，由于通过自编码器可以学习到游戏交易数据之间的共性，故通过自编码器学习得到的特征编码参数和特征解码参数，将正常的游戏交易数据的原始特征进行编码再解码后，可以准确地输出与原始特征近似的解码后特征。当对异常的游戏交易数据进行编码再解码后，将会输出与原始特征相似度较小的解码后特征，因此，通过预先学习得到的特征解码参数对目标原始特征进行编码得到目标编码特征、再通过特征解码参数对目标编码特征进行解码得到目标解码特征，当目标原始特征和目标解码特征之间的相似度小于预设的相似度异常阈值时，将单次游戏交易的数据判定为异常，可以高效、准确地检测出异常的游戏交易数据。
示例性地，上述自编码器可以通过如下步骤B1～B2学习得到：
B1、获取多个正常游戏交易数据的原始特征。
B2、将多个正常游戏交易数据的原始特征作为待学习的自编码器的输入，对自编码器进行训练，得到学习后的自编码器。
其中，正常游戏交易数据是指正常的游戏交易数据。
其中，自编码器(Autoencoder，AE)是一个3层或者大于3层的神经网络，将输入表达X编码为一个新的表达Y，然后再将Y解码回X。这是一个非监督学习算法，使用反向传播算法来训练网络使得输出等于输入。自编码器是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器(autoencoder)内部有一个隐藏层h，可以产生编码(code)表示输入。该网络可以看作由两部分组成:一个由函数h＝f(x)表示的编码器和一个生成重构的解码器r＝g(h)。
如图3所示，自编码器包括编码器和解码器两部分。其中，编码器，用于根据游戏交易数据的原始特征X进行编码得到编码后特征Zy；解码器用于对编码器编码后特征Zy进行解码得到并输出解码后特征X’。
通过采用正常的游戏交易数据，对自编码器进行训练得到训练好的自编码器，由于编码器可以基于各正常的游戏交易数据间的共性学习到的函数h＝f(x)、解码器可以基于各正常的游戏交易数据间的共性学习到的函数r＝g(h)，从而使得训练好的自编码器可以学习到正常的游戏交易数据之间的共性。因此，通过已训练的自编码器可以较好地还原正常的游戏交易数据的原始特征、先对而言难以准确地还原异常的游戏交易数据的原始特征。故通过学习后的特征编码参数和特征解码参数获取目标编码特征，根据目标编码特征和目标原始特征之间相似度的大小可以准确地检测出单次游戏交易的数据是否异常。
此时，将自编码器中编码器的特征编码参数用于步骤202对目标原始特征进行编码得到目标编码特征，将自编码器中解码器的特征解码参数，用于步骤203对目标编码特征进行解码得到目标解码特征。
二、基于孤立森林。此时，如图4所示，步骤“检测目标游戏用户单次游戏交易的数据是否异常”具体可以包括如下步骤401～402：
401、获取所述目标游戏用户单次游戏交易的数据的目标原始特征。
步骤401和步骤A1实现类似，具体可以参照上述相关说明，此处不再赘述。
由于孤立森林不会对特征组合、乘除结果划分，因此孤立森林会因为缺乏组合特征信息而导致对单次游戏交易的数据是否异常的判定不准确问题。进一步地，为了提高孤立森林对目标游戏用户单次游戏交易的数据是否异常的检测准确度，本申请实施例中结合场景还可以针对获取到的原始数据进行特征构建，例如，基于交易前的游戏虚拟财产数量old_value、交易后的游戏虚拟财产数量new_value和新增的游戏虚拟财产数量delta”等原始基本信息构建梯度信息：交易变化梯度grad。
此时，步骤“获取所述目标游戏用户单次游戏交易的数据的目标原始特征”具体可以包括：获取所述目标游戏用户单次游戏交易的交易获得量；获取所述目标游戏用户单次游戏交易的交易前拥有量；基于所述交易获得量和所述交易前拥有量，确定所述目标游戏用户单次游戏交易的数据的交易变化梯度特征。
其中，交易前拥有量是指目标游戏用户在单次游戏交易前的游戏虚拟财产数量。交易前获得量是指目标游戏用户在单次游戏交易中新增的游戏虚拟财产数量。
402、通过预先训练好的孤立森林，基于所述目标原始特征进行分类，确定所述单次游戏交易的数据是否异常。
孤立森林(Isolation Forest，iForest)用于挖掘异常数据。
下面先介绍孤立树(Isolation Tree，iTree)。假设T是孤立树的一个节点，它要么是没有子节点的叶子节点，要么是只有两个节点(Ti,Tr)的内部节点。每一步分割，都包含特征q和分割值p，将给定n个样本数据X＝{x1,…,xn}，特征的维度为d。为了构建一棵孤立树，需要随机选择一个特征q及其分割值p，递归地分割数据集X，直到满足以下任意一个条件：1、树达到了限制的高度；2、节点上只有一个样本；3、节点上的样本所有的特征值相同。
异常检测的任务是给出一个反应异常程度的排序，常用的排序方法是根据样本点的路径长度或异常得分来排序，异常点就是排在最前面的那些点。
孤立森林作为孤立树的总体，将具有较短路径长度的点识别为异常点，不同的树扮演不同异常识别的专家，最终，多个孤立树构成了孤立森林。
在训练阶段，孤立树的建立是通过对训练集的递归分隔来建立的，直到所有的样本被孤立，或者树达到了指定的高度。本申请实施例中，通过采用异常的游戏交易数据和正常的游戏交易数据分别对多个孤立树进行训练，最终得到训练好的孤立森林，用于基于目标原始特征对单次游戏交易的数据进行分类，确定单次游戏交易的数据是否异常。
由于孤立森林有效地对异常值进行检测，本申请实施例中通过预先训练好的孤立森林，基于目标原始特征进行分类，确定单次游戏交易的数据是否异常，可以高效、准确地检测出单次游戏交易的数据是否异常。
本申请实施例中，一方面，通过步骤101～105的序列检测方式，可以准确单次游戏交易的第一交易数值不异常、但在待测时段内累计多次游戏交易的第一交易数值是却是异常的情况。另一方面，通过步骤201～204或步骤401～402单次游戏交易的数据的异常检测方式，可以高效、准确地检测出异常的单次游戏交易的数据。可见，通过步骤101～105的序列检测方式，通过如步骤201～204或步骤401～402单次游戏交易的数据的异常检测方式，可以形成互补，实现了同时针对一个时段内的游戏交易数据、单次游戏交易的数据是否异常进行检测，以提高目标游戏用户的游戏交易数据的异常检测全面性。可见，在针对游戏中渠道非常多的情况时，通过本申请实施例的异常检测方式，既能保留对关键渠道下数值的监控，也可以检测游戏全量数值，从而减少异常检测的维护成本。
进一步地，为了及时发现异常玩家，以便运营者可以对异常玩家进行管理，从而保证游戏公平性，当所述第一游戏交易数据异常或者所述单次游戏交易的数据异常时，输出所述目标游戏用户为异常玩家的提示信息。具体地，可以向后台运营端或服务器输出目标游戏用户的账号信息、异常的游戏交易数据。如图5所示，本申请实施例的电子设备可以从目标游戏用户的客户端获取目标游戏用户的第一游戏交易数据、单次游戏交易的数据，并在第一游戏交易数据异常或者单次游戏交易的数据异常时，输出目标游戏用户为异常玩家的提示信息至后台运营端。
如图6所示，图6示出自动监控异常检测准确度过程，进一步地，为了避免游戏版本的更新后，上述异常检测方式对游戏交易数据是否异常的检测准确度降低的问题，如在采用上述异常检测方式(如基于动态异常阈值的方式、基于自编码器的方式、基于孤立森林的方式)对游戏日志进行游戏交易数据异常判定时，还可以监控上述异常检测方式(如基于动态异常阈值的方式、基于自编码器的方式、基于孤立森林的方式)检测出异常的数据量是否波动较大，当异常的数据量的波动大于预设波动阈值时(如异常的数据量为几十，如果发生量级上的跃迁)，输出告警信息。以便于人工或自动对异常检测方式进行更新，提高对游戏交易数据是否异常的检测准确度。
为了更好地实施以上方法，本发明实施例还提供一种游戏交易数据异常检测装置，该游戏交易数据异常检测装置具体可以集成在电子设备中，比如，计算机设备，该计算机设备可以为终端、服务器等设备。
其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
比如，在本实施例中，将以游戏交易数据异常检测装置具体集成在智能手机为例，对本发明实施例的方法进行详细说明。
例如，如图7所示，该游戏交易数据异常检测装置可以包括：
第一获取单元701，用于获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
第二获取单元702，用于获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
所述第二获取单元702，还用于获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
确定单元703，用于根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
检测单元704，用于根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
在一些实施例中，所述检测单元704具体用于：
统计在所述待测时段内所述第一交易数值大于所述动态异常阈值的次数；
当所述次数大于预设次数阈值时，确定所述第一游戏交易数据异常。
在一些实施例中，所述检测单元704具体用于：
获取所述目标游戏用户单次游戏交易的数据的目标原始特征；
通过预先学习得到的特征编码参数，对所述目标原始特征进行编码，得到所述单次游戏交易的数据的目标编码特征；
通过预先学习得到的特征解码参数，对所述目标编码特征进行解码，得到所述单次游戏交易的数据的目标解码特征；
基于所述目标原始特征和所述目标解码特征之间的相似度，确定所述单次游戏交易的数据是否异常。
在一些实施例中，所述检测单元704具体用于：
获取所述目标原始特征和所述目标解码特征之间的相似度；
获取预设的相似度异常阈值；
当所述相似度小于所述相似度异常阈值时，确定所述单次游戏交易的数据异常。
在一些实施例中，所述检测单元704具体用于：
获取N个样本交易数据中每个样本交易数据的样本原始特征，所述N为正整数；
通过所述特征编码参数，对所述每个样本交易数据的样本原始特征进行编码，得到所述每个样本交易数据的样本编码特征；
通过所述特征解码参数，对所述每个样本交易数据的样本编码特征进行解码，得到所述每个样本交易数据的样本解码特征；
获取所述每个样本交易数据的所述样本原始特征和所述样本解码特征之间的样本相似度，得到N个样本相似度；
基于所述N个样本相似度，确定所述相似度异常阈值。
在一些实施例中，所述检测单元704具体用于：
获取所述N个样本相似度的均值和标准差；
基于所述均值和标准差，确定所述相似度异常阈值。
在一些实施例中，所述检测单元704具体用于：
获取所述N个样本相似度的下四分位数和上四分位数；
基于所述下四分位数和所述上四分位数，确定所述相似度异常阈值。
在一些实施例中，所述检测单元704具体用于：
获取所述目标游戏用户单次游戏交易的数据的目标原始特征；
通过预先训练好的孤立森林，基于所述目标原始特征进行分类，确定所述单次游戏交易的数据是否异常。
在一些实施例中，所述单次游戏交易的数据包括单次游戏交易的交易获得量和交易前拥有量，所述目标原始特征包括交易变化梯度特征，所述检测单元704具体用于：
获取所述目标游戏用户单次游戏交易的交易获得量；
获取所述目标游戏用户单次游戏交易的交易前拥有量；
基于所述交易获得量和所述交易前拥有量，确定所述目标游戏用户单次游戏交易的数据的交易变化梯度特征。
在一些实施例中，所述游戏交易数据异常检测装置还包括提示单元(图中未示出)，所述提示单元具体用于：
当所述第一游戏交易数据异常时，输出所述目标游戏用户为异常玩家的提示信息。
由上可知，本实施例的游戏交易数据异常检测装置可以由第一获取单元701获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；由第二获取单元702获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；由所述第二获取单元702获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；由确定单元703根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；由检测单元704根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。由此，本发明实施例，第一方面，通过获取待测时段的前一时段内的第二游戏交易数据中的第二交易数值的交易最大值、交易最小值和交易平均值，确定用于判定待测时段内的第一游戏交易数据是否异常的动态异常阈值，由于可以动态的确定用于判定游戏交易数据是否异常的阈值，因此可以在一定程度上避免随着游戏版本的不断更新，原始的判断规则和预先设定的经验阈值在新游戏版本中可能会存在无法适用的情况；即避免了原始的判断规则和预先设定的经验阈值无法准确判定玩家的游戏交易数据是否异常的问题。第二方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的游戏交易数据在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高了第一游戏交易数据是否异常的检测准确率。可见，本申请实施例可以提升游戏交易数据异常检测的准确度。
相应的，本申请实施例还提供一种计算机设备，该计算机设备可以为终端，该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(PC，PersonalComputer)、个人数字助理(Personal Digital Assistant，PDA)等终端设备。如图8所示，图8为本申请实施例提供的计算机设备的结构示意图。该计算机设备800包括有一个或者一个以上处理核心的处理器801、有一个或一个以上计算机可读存储介质的存储器802及存储在存储器802上并可在处理器上运行的计算机程序。其中，处理器801与存储器802电性连接。本领域技术人员可以理解，图中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器801是计算机设备800的控制中心，利用各种接口和线路连接整个计算机设备800的各个部分，通过运行或加载存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行计算机设备800的各种功能和处理数据，从而对计算机设备800进行整体监控。
在本申请实施例中，计算机设备800中的处理器801会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器802中，并由处理器801来运行存储在存储器802中的应用程序，从而实现各种功能：
获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
可选的，如图8所示，计算机设备800还包括：触控显示屏803、射频电路804、音频电路805、输入单元806以及电源807。其中，处理器801分别与触控显示屏803、射频电路804、音频电路805、输入单元806以及电源807电性连接。本领域技术人员可以理解，图8中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
触控显示屏803可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏803可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及计算机设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-EmittingDiode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器801，并能接收处理器801发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器801以确定触摸事件的类型，随后处理器801根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中，可以将触控面板与显示面板集成到触控显示屏803而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏803也可以作为输入单元806的一部分实现输入功能。
射频电路804可用于收发射频信号，以通过无线通信与网络设备或其他计算机设备建立无线通讯，与网络设备或其他计算机设备之间收发信号。
音频电路805可以用于通过扬声器、传声器提供用户与计算机设备之间的音频接口。音频电路805可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路805接收后转换为音频数据，再将音频数据输出处理器801处理后，经射频电路804以发送给比如另一计算机设备，或者将音频数据输出至存储器802以便进一步处理。音频电路805还可能包括耳塞插孔，以提供外设耳机与计算机设备的通信。
输入单元806可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源807用于给计算机设备800的各个部件供电。可选的，电源807可以通过电源管理系统与处理器801逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源807还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图8中未示出，计算机设备800还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
由上可知，本实施例提供的计算机设备，第一方面，可以通过获取待测时段的前一时段内的第二游戏交易数据中的第二交易数值的交易最大值、交易最小值和交易平均值，确定用于判定待测时段内的第一游戏交易数据是否异常的动态异常阈值，由于可以动态的确定用于判定游戏交易数据是否异常的阈值，因此可以在一定程度上避免随着游戏版本的不断更新，原始的判断规则和预先设定的经验阈值在新游戏版本中可能会存在无法适用的情况；即避免了原始的判断规则和预先设定的经验阈值无法准确判定玩家的游戏交易数据是否异常的问题。第二方面，由于动态异常阈值是基于前一时段内的游戏交易数据确定的，而前一时段内的游戏交易数据在一定程度上反映交易数值的正常值和异常值的分布情况，因此动态异常阈值可以在一定程度上反映交易数值的正常值和异常值的分布情况，从而提高了第一游戏交易数据是否异常的检测准确率。可见，本申请实施例的计算机设备可以提升游戏交易数据异常检测的准确度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种游戏交易数据异常检测方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种游戏交易数据异常检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种游戏交易数据异常检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种游戏交易数据异常检测方法、装置、计算机可读存储介质及计算机设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (13)

1.一种游戏交易数据异常检测方法，其特征在于，包括：
获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
2.如权利要求1所述的游戏交易数据异常检测方法，其特征在于，所述根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常，包括：
统计在所述待测时段内所述第一交易数值与所述交易平均值之间的差值大于所述动态异常阈值的次数；
当所述次数大于预设次数阈值时，确定所述第一游戏交易数据异常。
3.如权利要求1所述的游戏交易数据异常检测方法，其特征在于，所述方法还包括：
获取所述目标游戏用户单次游戏交易的数据的目标原始特征；
通过预先学习得到的特征编码参数，对所述目标原始特征进行编码，得到所述单次游戏交易的数据的目标编码特征；
通过预先学习得到的特征解码参数，对所述目标编码特征进行解码，得到所述单次游戏交易的数据的目标解码特征；
基于所述目标原始特征和所述目标解码特征之间的相似度，确定所述单次游戏交易的数据是否异常。
4.如权利要求3所述的游戏交易数据异常检测方法，其特征在于，所述基于所述目标原始特征和所述目标解码特征之间的相似度，确定所述单次游戏交易的数据是否异常，包括：
获取所述目标原始特征和所述目标解码特征之间的相似度；
获取预设的相似度异常阈值；
当所述相似度小于所述相似度异常阈值时，确定所述单次游戏交易的数据异常。
5.如权利要求4所述的游戏交易数据异常检测方法，其特征在于，所述获取预设的相似度异常阈值，包括：
获取N个样本交易数据中每个样本交易数据的样本原始特征，所述N为正整数；
通过所述特征编码参数，对所述每个样本交易数据的样本原始特征进行编码，得到所述每个样本交易数据的样本编码特征；
通过所述特征解码参数，对所述每个样本交易数据的样本编码特征进行解码，得到所述每个样本交易数据的样本解码特征；
获取所述每个样本交易数据的所述样本原始特征和所述样本解码特征之间的样本相似度，得到N个样本相似度；
基于所述N个样本相似度，确定所述相似度异常阈值。
6.如权利要求5所述的游戏交易数据异常检测方法，其特征在于，所述基于所述N个样本相似度，确定所述相似度异常阈值，包括：
获取所述N个样本相似度的均值和标准差；
基于所述均值和标准差，确定所述相似度异常阈值。
7.如权利要求5所述的游戏交易数据异常检测方法，其特征在于，所述基于所述N个样本相似度，确定所述相似度异常阈值，包括：
获取所述N个样本相似度的下四分位数和上四分位数；
基于所述下四分位数和所述上四分位数，确定所述相似度异常阈值。
8.如权利要求1所述的游戏交易数据异常检测方法，其特征在于，所述方法还包括：
获取所述目标游戏用户单次游戏交易的数据的目标原始特征；
通过预先训练好的孤立森林，基于所述目标原始特征进行分类，确定所述单次游戏交易的数据是否异常。
9.如权利要求8所述的游戏交易数据异常检测方法，其特征在于，所述单次游戏交易的数据包括单次游戏交易的交易获得量和交易前拥有量，所述目标原始特征包括交易变化梯度特征；
所述获取所述目标游戏用户单次游戏交易的数据的目标原始特征，包括：
获取所述目标游戏用户单次游戏交易的交易获得量；
获取所述目标游戏用户单次游戏交易的交易前拥有量；
基于所述交易获得量和所述交易前拥有量，确定所述目标游戏用户单次游戏交易的数据的交易变化梯度特征。
10.如权利要求1-9任一项所述的游戏交易数据异常检测方法，其特征在于，所述方法还包括：
当所述第一游戏交易数据异常时，输出所述目标游戏用户为异常玩家的提示信息。
11.一种游戏交易数据异常检测装置，其特征在于，包括：
第一获取单元，用于获取目标游戏用户在待测时段内的第一游戏交易数据，所述第一游戏交易数据包括在所述待测时段内每次交易的第一交易数值；
第二获取单元，用于获取所述目标游戏用户在所述待测时段的前一时段内的第二游戏交易数据，所述第二游戏交易数据包括在所述前一时段内每次交易的第二交易数值；
所述第二获取单元，还用于获取所述第二游戏交易数据中的所述第二交易数值的交易最大值、交易最小值和交易平均值；
确定单元，用于根据所述交易最大值、所述交易最小值和所述交易平均值，确定动态异常阈值；
检测单元，用于根据所述动态异常阈值和所述第一交易数值，确定所述第一游戏交易数据是否异常。
12.一种终端，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1～10任一项所述的游戏交易数据异常检测方法中的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～10任一项所述的游戏交易数据异常检测方法中的步骤。
CN202111547800.1A 2021-12-16 2021-12-16 游戏交易数据异常检测方法、装置、终端和可读存储介质 Pending CN114225421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111547800.1A CN114225421A (zh) 2021-12-16 2021-12-16 游戏交易数据异常检测方法、装置、终端和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111547800.1A CN114225421A (zh) 2021-12-16 2021-12-16 游戏交易数据异常检测方法、装置、终端和可读存储介质

Publications (1)

Publication Number Publication Date
CN114225421A true CN114225421A (zh) 2022-03-25

Family

ID=80757571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111547800.1A Pending CN114225421A (zh) 2021-12-16 2021-12-16 游戏交易数据异常检测方法、装置、终端和可读存储介质

Country Status (1)

Country Link
CN (1) CN114225421A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115779445A (zh) * 2022-10-19 2023-03-14 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
CN116701914A (zh) * 2023-06-21 2023-09-05 广东星云开物科技股份有限公司 一种硬件设备异常使用识别方法、装置、存储装置及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115779445A (zh) * 2022-10-19 2023-03-14 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
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
CN116701914A (zh) * 2023-06-21 2023-09-05 广东星云开物科技股份有限公司 一种硬件设备异常使用识别方法、装置、存储装置及系统

Similar Documents

Publication Publication Date Title
CN114225421A (zh) 游戏交易数据异常检测方法、装置、终端和可读存储介质
CN111143697B (zh) 一种内容推荐的方法以及相关装置
US7664671B2 (en) Methods and systems for profile-based forecasting with dynamic profile selection
CN112579909A (zh) 对象推荐方法及装置、计算机设备和介质
CN111898675B (zh) 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN111125529A (zh) 产品匹配方法、装置、计算机设备及存储介质
CN113344184B (zh) 用户画像预测方法、装置、终端和计算机可读存储介质
CN110169021B (zh) 用于过滤多条消息的方法和设备
CN114791982B (zh) 对象推荐方法和装置
US20170004401A1 (en) Artificial intuition
CN112052399B (zh) 一种数据处理方法、装置和计算机可读存储介质
CN111340540A (zh) 广告推荐模型的监控方法、推荐方法及装置
CN116307394A (zh) 产品用户体验评分方法、装置、介质及设备
US11826657B2 (en) Game performance prediction from real-world performance data
CN115618232A (zh) 数据预测方法、装置、存储介质及电子设备
CN112997148A (zh) 睡眠预测方法、装置、存储介质及电子设备
CN115311764A (zh) 门锁安全评估方法以及相关设备
CN116415624A (zh) 模型训练方法及装置、内容推荐方法及装置
CN113761379A (zh) 商品推荐方法及装置、电子设备和介质
CN113170018A (zh) 睡眠预测方法、装置、存储介质及电子设备
CN113426136B (zh) 异常告警方法、装置、计算机设备及存储介质
CN113807403B (zh) 模型训练的方法、装置、计算机设备及存储介质
CN113362179B (zh) 交易数据的预测方法、装置、设备、存储介质及程序产品
CN113791978B (zh) 目标对照样本获取方法以及策略检测方法
US20240086773A1 (en) Apparatus and method for generating prediction data structures

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