CN114630701A - 基于传感器数据的机器学习信任评分 - Google Patents

Abstract

本发明提供了一种经训练的机器学习模型，使用该经训练的机器学习模型来确定向视频游戏服务注册的用户账户的得分，并且使用这些得分在多人视频游戏设置中将玩家匹配在一起。例如，可将从客户端机器接收到的传感器数据输入到该经训练的机器学习模型，并且该模型生成得分作为输出，这些得分与从那些客户端机器接收到的游戏控制数据是由手持式设备生成的，而不是已经使用软件被合成和/或修改的概率相关。以这种方式，可至少部分地基于为那些已登录的用户账户确定的这些得分将执行视频游戏的已登录的用户账户的子集分配到不同的匹配(例如，通过将非人类玩家与人类玩家隔离开)，并且在针对每个已登录的用户账户的所分配的匹配中执行该视频游戏。

Description

基于传感器数据的机器学习信任评分

相关申请的交叉引用

本PCT申请要求2019年10月24日提交的名称为“MACHINE-LEARNED TRUSTSCORINGBASED ON SENSOR DATA”的未决美国专利申请系列号16/663，041的优先权，该申请根据35U.S.C.§120、作为部分继续申请要求2018年9月7日提交的名称为“MACHINE-LEARNEDTRUST SCORING FOR PLAYER MATCHMAKING”的未决美国专利申请系列号16/125,224的优先权。申请序列号16/663,041和16/125,224中的每一者全文以引用方式并入本文。

背景技术

广域网通信的恒定或几乎恒定的可用性，加上客户端机器功能的增加，已经引起了在线多人视频游戏的日益流行。在这些多人视频游戏中，视频游戏服务可以使用匹配系统将玩家按组匹配在一起，使得被分组的玩家可在多人模式下一起玩视频游戏。玩家经常在多人模式下玩的一种流行视频游戏类型是第一人称射击类型。在该示例性类型中，两个或多个玩家队伍可以在多个回合中竞争，这些玩家队伍具有赢得足够多的回合以赢得一场比赛的目标。同一队伍的玩家可在与对方队伍的玩家竞争时一起努力以实现目标。

尽管绝大多数视频游戏玩家不参与作弊行为，但通常存在少数为了获得比其他玩家更多的优势而作弊的玩家。通常，作弊玩家采用为他们提供比其他玩家更多的一些信息优势或机械优势的第三方软件。例如，第三方软件可被配置为提取关于其他玩家位置的位置数据，并且可将这些位置呈现给作弊玩家。该信息优势允许作弊玩家伏击其他玩家，或者以其他方式利用由第三方软件透露的位置信息。更明显的作弊方式是使用能够检测另一个玩家的位置并且自动操作作弊者的虚拟形象的动作(例如，通过以编程方式使鼠标光标移动到目标玩家并且以自动方式发射武器)的第三方软件。换句话说，一些玩家通过让第三方软件代替他们玩视频游戏来作弊，该第三方软件使用从机械角度增强作弊玩家的表现的计算机化的算法。

通常，不良的玩家行为(诸如，作弊)会破坏想要合法地玩游戏的玩家的游戏体验。因此，如果打算参与不良行为的玩家与表现出良好行为的其他玩家匹配，则对于行为良好的玩家而言，他们的多人视频游戏体验会被破坏。目前使用的试图识别未来可能参与不良行为的玩家的系统，它们在预测方面有些不准确。从这些系统是基于静态定义的规则和输入的意义上它们在很大程度上也是静态的，这意味着必须手动调整它们以改变系统的输出。本文所做出的公开是相对于这些和其他考虑而提出的。

附图说明

参考附图描述了具体实施方式。在这些图中，参考标号的最左边数字标识首次出现该参考标号的图。在不同附图中使用相同的参考标号指示类似或相同的部件或特征。

图1是示出了包括远程计算系统的示例性环境的示意图，该远程计算系统被配置为训练和使用机器学习模型以确定与玩家的可能行为相关的信任得分，并且以基于机器学习的信任得分将玩家匹配在一起。

图2示出了示出图1的远程计算系统的示例性部件的框图，以及示出如何将机器学习的信任评分用于玩家匹配的示意图。

图3是用于训练机器学习模型以预测玩家按照特定行为表现或不按照特定行为表现的概率的示例性过程的流程图。

图4是用于利用经训练的机器学习模型来确定用户账户的信任得分的示例性过程的流程图，这些信任得分与玩家按照特定行为表现或不按照特定行为表现的概率相关。

图5是用于基于机器学习的信任得分将用户账户分配到多人视频游戏的不同匹配的示例性过程的流程图，这些信任得分与可能的玩家行为相关。

图6是示出了示例性环境的示意图，其包括示出了手持式设备的示例性部件的框图，并且图6示出了如何将由远程计算系统接收的传感器数据用于机器学习的信任评分。

图7是用于使用数据(包括传感器数据)来训练机器学习模型以便预测从客户端机器接收的游戏控制数据已经由手持式设备生成的概率的示例性过程的流程图。

图8是用于利用经训练的机器学习模型来确定用户账户的信任得分的示例性过程的流程图，这些信任得分与游戏控制数据已经由手持式设备生成的概率相关。

图9是用于基于机器学习的信任得分将用户账户分配到多人视频游戏的不同匹配的示例性过程的流程图，这些信任得分与游戏控制数据已经由手持式设备生成的概率相关。

具体实施方式

除其他事项外，本文描述了用于使用机器学习方法来生成信任得分并随后使用机器学习的信任得分来在多人视频游戏设置中将玩家匹配在一起的技术、设备和系统。所公开的技术可至少部分地由远程计算系统实现，该远程计算系统将视频游戏(及其内容)分发至用户社区的客户端机器，作为视频游戏服务的部分。这些客户端机器可单独地安装客户端应用程序，该客户端应用程序被配置为执行从远程计算系统接收(例如，下载、流式传输等)的视频游戏。该视频游戏平台使得社区的注册用户能够作为“玩家”来玩视频游戏。例如，用户可加载客户端应用程序、用已注册的用户账户登录、选择期望的视频游戏，以及经由该客户端应用程序在他/她的客户端机器上执行该视频游戏。

每当上述用户访问和使用该视频游戏平台时，可通过远程计算系统来收集数据，并且可通过与已注册的用户账户相关联的远程计算系统来维护该数据。随着时间的推移，可认识到与已注册的用户账户相关联的大量历史数据的集合可供远程计算系统使用。然后，远程计算系统可以使用历史数据中的一部分数据作为训练数据来训练一个或多个机器学习模型。例如，与用户账户的取样集相关联的历史数据中的一部分数据可由一组特征表示，并且被标记以指示过去在玩视频游戏时以特定方式表现的玩家。通过该数据训练的机器学习模型能够通过输出向视频游戏服务注册的用户账户的机器学习得分(例如，信任得分)来预测玩家行为。这些机器学习得分可用于玩家匹配，使得可能按照特定行为表现或不按照特定行为表现的玩家可以在多人视频游戏设置中被分组在一起。

在示例性过程中，计算系统可确定向视频游戏服务注册的多个用户账户的得分(例如，信任得分)。单个得分可通过以下方式来确定：访问与单个用户账户相关联的数据、将该数据作为输入提供给经训练的机器学习模型以及生成与单个用户账户相关联的得分作为经训练的机器学习模型的输出。该得分与在多人模式下玩一个或多个视频游戏时，与该单个用户账户相关联的玩家按照特定行为表现或不按照特定行为表现的概率相关。随后，该计算系统可从多个客户端机器接收信息，该信息指示登录到执行视频游戏的客户端应用程序的已登录的用户账户，并且该计算系统可定义多个玩家将被分组到其中以用于在多人模式下玩该视频游戏的匹配。这些多个匹配可至少包括第一匹配和第二匹配。该计算系统可至少部分地基于针对已登录的用户账户确定的得分，将已登录的用户账户的第一子集分配到第一匹配，将已登录的用户账户的第二子集分配到第二匹配。并且可使与已登录的用户账户的第一子集相关联的客户端机器的第一子集在第一匹配中执行视频游戏，同时使与已登录的用户账户的第二子集相关联的客户端机器的第二子集在第二匹配中执行视频游戏。

因为想要合法地玩视频游戏的人类玩家经常利用手持式设备(例如，手持式游戏控制器)来玩视频游戏，并且因为被配置为出于作弊目的而合成和/或修改游戏控制数据的软件并不使用手持式设备来生成合成和/或修改的游戏控制数据，所以可使用机器学习的评分来利用与手持式设备的一个或多个传感器相关联的传感器数据，以便将合法的人类玩家与被编程以进行作弊的软件区分开，使得使用软件作弊的玩家可与合法的人类玩家隔离开。因此，本文描述了用于从与视频游戏平台交互的一个或多个客户端机器接收游戏控制数据和传感器数据并至少将该传感器数据作为输入提供给经训练的机器学习模型以生成与用户账户相关联的信任得分的技术、设备和系统。在这种情况下，信任得分可与从给定客户端机器接收的游戏控制数据是由与该给定客户端机器相关联的手持式设备生成的概率相关。因此，这些信任得分可用于玩家匹配，以便减轻非人类玩家(例如，被设计用于作弊的软件)与想要和一个或多个其他人类玩家合法地玩视频游戏的人类玩家匹配的情况。

为了说明，每当用户经由视频游戏平台玩视频游戏时，他们可以使用手持式设备(诸如手持式游戏控制器)来控制该视频游戏的方面。给定的手持式设备可包括一个或多个传感器，诸如但不限于陀螺仪、加速度计和/或触摸传感器以及其他可能的传感器。触摸传感器(例如，电容垫)例如可设置在设备的下方或表面上，以及/或者在手指操作控件内或其上。该触摸传感器可被配置为检测手指与该表面或手指操作控件的接近度，并且作为响应，该触摸传感器可生成指示手指与该触摸传感器的接近度的传感器数据。作为另一个示例，安装在手持式设备的壳体中的陀螺仪和/或加速度计可检测手持式设备在不同方向上的移动(例如，移动诸如通过平移、旋转和/或倾斜的移动)，并且作为响应，该陀螺仪和/或加速度计可生成指示该移动的特性的传感器数据。通常，该传感器数据可以用于各种目的，诸如以控制视频游戏的方面(例如，以控制玩家控制的角色、以旋转指示显示器上可见内容的虚拟相机等)。当以这种方式将传感器数据用作游戏控制数据时，在一些情况下，该传感器数据可在被用于控制视频游戏的方面之前被改变(例如，被过滤/被衰减、被放大等)。然而，本文所述的技术和系统涉及手持式设备，该手持式设备被配置为将由该手持式设备的一个或多个传感器生成的原始的、未过滤的传感器数据发送到远程计算系统(例如，通过经由相关联的客户端机器发送传感器数据)。该原始传感器数据可与该游戏控制数据(例如，通过按钮按压、使操纵杆偏转等而生成的数据，以及改变的传感器数据)一起被发送，该游戏控制数据将被处理以用于控制该视频游戏的方面。

随着时间的推移，当用户使用具有一个或多个传感器的手持式设备来与视频游戏平台交互时，如上文和本文其他地方所述，历史传感器数据和游戏控制数据的大量集合可与已注册的用户账户相关联并且用于训练机器学习模型。例如，远程计算系统可使用该历史传感器数据中的一部分数据作为训练数据来训练一个或多个机器学习模型。例如，与用户账户的取样集相关联的历史传感器数据中的一部分数据可由一组特征表示，并且当人类玩家握持和操作手持式设备以生成游戏控制数据时，该取样集中的每个用户账户可被标记以指示与该用户账户相关联的历史游戏控制数据是否由真实的手持式设备生成。通过该传感器数据训练的机器学习模型能够确定与特定用户账户相关联的游戏控制数据是否由物理的手持式设备生成，而不是已经由软件合成和/或修改。以这种方式，该机器学习模型可基于作为输入被提供给机器学习模型的传感器数据检测作弊行为。例如，当人类操作手持式设备诸如手持式游戏控制器时，可能存在手持式设备的细微移动，这些细微移动是无意的移动，然而这些细微移动可以在由该手持式设备的一个或多个物理传感器(例如，触摸传感器、陀螺仪和/或加速度计等)生成的传感器数据中表现出来。可利用至少该传感器数据作为训练数据来训练该机器学习模型，以便区分人类玩家和非人类玩家。例如，通过识别从客户端机器接收的新的传感器数据中的细微差别，机器学习模型可输出信任得分，该信任得分指示对应的游戏控制数据已经由真实的手持式设备(诸如(例如，由人类用户)机械地操作的设备)的物理传感器生成。相反，由于未能从另一个客户端机器接收到传感器数据，或者未能识别出从另一个客户端机器接收的传感器数据中的细微差别(这些细微差别预期将在传感器数据中表现出来)，所以机器学习模型可输出指示对应的游戏控制数据(诸如由所谓的“自动瞄准机器人(aimbot)”合成和/或修改的游戏控制数据)已经使用软件被合成和/或修改的信任得分，该“自动瞄准机器人”以编程方式生成游戏控制数据，以按自动方式瞄准和发射玩家控制的角色的武器，并且无需人类干预。因此，使用用于进行玩家匹配的机器学习得分可帮助避免将(希望合法地玩视频游戏的)人类玩家与非人类玩家(诸如被设计为在视频游戏的多人模式下作弊的软件)匹配。

在示例性过程中，计算系统可从客户端机器接收游戏控制数据和传感器数据，并且可确定与接收到的数据相关联并且已向视频游戏服务注册的用户账户的得分(例如，信任得分)。例如，该计算系统可将接收到的传感器数据作为输入提供给经训练的机器学习模型，并且生成与用户账户相关联的得分作为经训练的机器学习模型的输出。该得分与接收到的游戏控制数据已经由与客户端机器相关联的手持式设备生成的概率相关。基于该得分，该计算系统可将该用户账户分配到多个匹配中的所分配的匹配，该多个匹配包括为人类玩家指定的第一匹配或为非人类玩家指定的第二匹配中的至少一者。因此，可在所分配的匹配中为该用户账户执行视频游戏。

本文所述的技术和系统可为希望以预期方式在多人模式下玩视频游戏的用户提供改善的游戏体验。这是因为本文所述的技术和系统能够将可能表现不良(例如，作弊)的玩家(包括非人类玩家，如“自动瞄准机器人”)匹配在一起，并且以将这些玩家与可能合法地玩视频游戏的其他可信玩家隔离开。例如，经训练的机器学习模型可通过将指示每个玩家作弊(或不作弊)倾向的对应的信任得分归因于用户账户，来学习预测哪些玩家可能作弊，以及哪些玩家不太可能作弊。以这种方式，具有低(例如，低于阈值的)信任得分的玩家可被匹配在一起，并且可与其用户账户被认为具有高(例如，高于阈值的)信任得分的其他玩家隔离开，让可信玩家在没有任何可能作弊的玩家的情况下参加比赛。尽管阈值得分的用途被描述为提供匹配分配的一种示例性方式，但也设想了其他技术，诸如聚类算法，或使用信任得分将具有“类似”信任得分的用户账户(玩家)优先匹配在一起的其他统计方法(例如，基于相似性度量，诸如距离度量、方差度量等)。

本文所述的技术和系统还在现有的匹配技术的基础上进行了改善，该匹配技术使用静态规则来确定用户的信任级别。然而，机器学习模型可学习识别玩家行为的复杂关系，以更好地预测玩家行为，这在基于静态规则的方法下是不可能的。因此，与现有的信任系统相比，本文所述的技术和系统允许生成更准确地预测玩家行为的信任得分，从而导致较低的误报率以及较少的玩家被不准确的信任得分所定义的实例。本文所述的技术和系统也比现有系统更适应变化的玩家行为动态，因为机器学习模型可利用新的数据来重新进行训练，以便在玩家行为改变时，使机器学习模型随着时间的推移适应对玩家行为的理解。本文所述的技术和系统还可允许一个或多个设备以本文所述的各种方式保存关于处理资源、存储器资源、网络资源等的资源。

应当理解，尽管本文所述的许多示例将“作弊”称为目标行为，通过该目标行为可出于匹配目的对玩家进行评分和分组，本文所述的技术和系统可被配置为使用机器学习的评分方法来识别任何类型的行为(好或坏)，并且以出于玩家匹配的目的预测玩家参与该行为的可能性。因此，这些技术和系统可扩展到在不良行为(如，作弊)的上下文中的“信任”评分的概念之外，并且可更广泛地将得分归因于指示玩家之间的兼容性或亲和力的用户账户。

图1是示出了包括远程计算系统的示例性环境100的示意图，该远程计算系统被配置为训练和使用机器学习模型以确定与玩家的可能行为相关的信任得分，并且以基于机器学习的信任得分将玩家匹配在一起。用户102社区可与一个或多个客户端机器104相关联。图1所示的客户端机器104(1)至客户端机器104(N)表示可被用户102用于在其上执行程序诸如视频游戏的计算设备。因此，图1所示的用户102有时被称为“玩家”102，并且这些名称在本文中可互换使用，以指代客户端机器104的人类操作者。客户端机器104可被实现为任何合适类型的计算设备，该计算设备被配置为执行视频游戏并且在相关联的显示器上呈现图形，包括但不限于：个人计算机(PC)、台式计算机、膝上型计算机、移动电话(例如，智能手机)、平板计算机、便携式数字助理(PDA)、可穿戴计算机(例如，虚拟现实(VR)耳机、增强现实(AR)耳机、智能眼镜等)、车载(例如，车内)计算机、电视(智能电视)、机顶盒(STB)、游戏机和/或任何类似的计算设备。此外，客户端机器104可在它们各自的平台(例如，硬件和软件)的方面有所不同。例如，图1所示的多个客户端机器104可表示在处理能力(例如，中央处理单元(CPU)模型、图形处理单元(GPU)模型等)、图形驱动程序版本等方面具有不同能力的不同类型的客户端机器104。

客户端机器104可通过计算机网络108与远程计算系统106(在本文中有时简称为“计算系统106”或“远程系统106”)通信。计算机网络108可表示和/或包括但不限于：因特网、其他类型的数据和/或语音网络、有线基础设施(例如，同轴电缆、光纤电缆等)、无线基础设施(例如，射频(RF)、蜂窝、卫星等)和/或其他连接技术。在一些情况下，计算系统106可以是经由计算机网络108维护和可访问的网络可访问计算平台的一部分。诸如此类的网络可访问计算平台可被称为术语诸如“按需计算”、“软件即服务(SaaS)”、“平台计算”、“网络可访问平台”、“云服务”、“数据中心”等。

在一些实施方案中，计算系统106充当或有权访问实现视频游戏服务以将视频游戏110(及其内容)分发(例如，下载、流式传输等)至客户端机器104的视频游戏平台。在示例中，客户端机器104可各自在其上安装客户端应用程序。所安装的客户端应用程序可以是视频游戏客户端(例如，用于玩视频游戏110的游戏软件)。具有所安装的客户端应用程序的客户端机器104可被配置为通过计算机网络108从计算系统106下载、流式传输或以其他方式接收程序(例如，视频游戏110及其内容)。任何类型的内容分发模型都可用于该目的，诸如其中可单独购买以用于在客户端机器104上下载和执行的程序(例如，视频游戏110)的直接购买模型，其中程序被出租或租用一段时间、被流式传输或可以其他方式用于客户端机器104的内容分发模型。因此，单个客户端机器104可包括一个或多个所安装的视频游戏110，这些视频游戏可通过加载客户端应用程序来执行。

如图1的附图标号112所示，客户端设备104可用于向视频游戏服务注册并且随后登录到该视频游戏服务。用户102可出于该目的创建用户账户，并且指定/设置绑定到该已注册的用户账户的凭据(例如，密码、PIN、生物特征ID等)。当多个用户102与视频游戏平台交互时(例如，通过用已注册的用户账户访问他们的用户/玩家简档、在他们各自的客户端机器104上玩视频游戏110等)，客户端机器104向远程计算系统106发送数据114。对于给定的客户端机器104，发送到远程计算系统106的数据114可包括但不限于：用户输入数据、视频游戏数据(例如，上传到远程系统的游戏性能统计)、社交网络消息和相关活动、在客户端机器104上所玩的视频游戏110的标识符(ID)等。数据114可被实时(或基本上实时)流式传输，以定义的间隔向远程系统106发送，并且/或者响应于事件(例如，退出视频游戏)而上传。

图1示出了计算系统106可将其从客户端机器104收集的数据114存储在数据存储区116中，该数据存储区可表示由远程计算系统106维护并且可访问该远程计算系统的数据存储库。可以任何合适的方式在数据存储区116内组织数据114，以使用户账户与数据114中与那些用户账户相关的有关部分数据相关联。随着时间的推移，鉴于有时在给定会话期间频繁与视频游戏平台交互达较长时间的大型社区用户102，大量的数据114可被收集和维护在数据存储区116中。

在图1中的步骤1处，计算系统106可使用从数据存储区116取样的历史数据114来训练机器学习模型。例如，计算系统106可访问历史数据114中的一部分数据，该历史数据中的一部分数据与向视频游戏服务注册的用户账户的取样集相关联，并且使用所取样的数据114来训练机器学习模型。在一些实施方案中，数据114中用作训练数据的一部分数据由一组特征表示，并且用标签标记该取样集的每个用户账户，该标签指示该用户账户是否与在过去玩至少一个视频游戏时已经按照特定行为表现的玩家相关联。例如，如果具有特定用户账户的玩家在过去因作弊而被视频游戏服务禁止，则该“禁令”可用作特定用户账户的多个分类标签中的一个分类标签。以这种方式，可采用监督学习方法来训练机器学习模型，以预测将来可能作弊的玩家。

在步骤2处，该计算系统106可使用经训练的机器学习模型对多个已注册的用户账户进行评分。例如，计算系统106可从数据存储区116访问与多个已注册的用户账户相关联的数据114，将数据114作为输入提供给经训练的机器学习模型，并且生成与多个用户账户相关联的得分作为经训练的机器学习模型的输出。这些得分(在本文中有时称为“信任得分”或“信任因素”)与和多个用户账户相关联的玩家在多人模式下玩一个或多个视频游戏时按照特定行为表现或不按照特定行为表现的概率相关。在“不良”行为(诸如作弊)的情况下，该信任得分可与玩家没有作弊的概率相关。在这种情况下，高信任得分指示可信用户账户，而低信任得分则指示不可信用户账户，这可用作可能表现出不良行为(诸如作弊)的玩家的指标。在一些实施方案中，得分是在[0，1]的范围内被归一化的变量。该信任得分可与玩家在玩视频游戏110时按照特定行为表现(或不按照特定行为表现，视情况而定)的概率具有单调关系。该得分和与特定行为相关联的实际概率之间的关系虽然是单调的，但可以是线性关系，也可以不是线性关系。当然，可以任何合适的方式来实现评分，以预测与绑定到用户账户的玩家是否将按照特定方式表现。图1示出了已经根据本文所述的技术评分的多个用户账户120。例如，对于任何合适数量的已注册的用户账户120，第一得分118(1)(得分＝X)归因于第一用户账户120(1)，第二得分118(2)(得分＝Y)归因于第二用户账户120(2)，并且以此类推。

在为多个已注册的用户账户120确定机器学习得分118的情况下，计算系统106可被配置为至少部分地基于机器学习得分118在多人视频游戏设置中将玩家匹配在一起。例如，图1示出了计算系统106可从已经开始执行视频游戏110的多个客户端机器104接受信息122。该信息122可向计算系统106指示：一组已登录的用户账户120当前正在经由所安装的客户端应用程序在每个客户端机器104上执行视频游戏110。换句话说，当玩家102用他们的用户账户120登录并且开始执行特定的视频游戏110，请求在多人模式下玩时，他们各自的客户端机器104可向计算系统106提供指示尽可能多内容的信息122。

在步骤3处，响应于从客户端机器104接收到的信息122，计算系统106可通过定义玩家102将被分组到其中以用于在多人模式下玩视频游戏110的多个匹配并且通过将匹配分配124提供给客户端机器104来将玩家102匹配在一起，以便至少部分地基于为已登录的用户账户120确定的机器学习得分118，将已登录的用户账户120的子集分配到多个匹配中的不同匹配。以这种方式，如果经训练的机器学习模型将低(例如，低于阈值的)得分118分配给已登录的用户账户120的第一子集，并且将高(例如，高于阈值的)得分118分配给已登录的用户账户120的第二子集，则已登录的用户账户120的第一子集可被分配到多个匹配中的第一匹配，并且已登录的用户账户120的第二子集可被分配到多个匹配中的不同的第二匹配。以这种方式，具有类似得分118的玩家102的子集可被分组在一起，并且可与具有与玩家102的子集的得分118不同的得分118的其他玩家保持隔离。

在步骤4处，执行视频游戏110的每个客户端机器104上的客户端应用程序可在针对所讨论的已登录的用户账户120的所分配的匹配中执行视频游戏110。例如，客户端机器104的第一子集可与被分配到第一匹配的已登录的用户账户120的第一子集相关联，并且客户端机器104的该第一子集可在第一匹配中执行视频游戏110，而客户端机器104的第二子集(该第二子集与被分配到第二匹配的已登录的用户账户120的第二子集相关联)可在第二匹配中执行视频游戏110。在至少部分地基于机器学习得分118将玩家分组到匹配中的情况下，玩家102的组中的至少一些组的游戏体验可得到改善，因为系统可将预计(例如，通过作弊)表现不良的玩家分组到同一匹配中，并且通过这样做可使行为不良的玩家与其他想要合法地玩视频游戏110的玩家隔离开。

图2示出了示出图1的远程计算系统106的示例性组件的框图，以及如何将机器学习的信任评分用于玩家匹配的示意图。在所示的具体实施中，除其他部件外，计算系统106包括一个或多个处理器202(例如，中央处理单元(CPU))、存储器204(或非暂态计算机可读介质204)和通信接口206。存储器204(或非暂态计算机可读介质204)可包括采用用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术实现的易失性存储器和非易失性存储器、可移动介质和不可移动介质。这种存储器包括但不限于RAM、ROM、EEPROM、闪存存储器或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光学存储装置、盒式磁带、磁带、磁盘存储装置或其他磁性存储设备、RAID存储系统，或可用于存储所需信息并可由计算设备访问的任何其他介质。计算机可读介质204可被实现为计算机可读存储介质(“CRSM”)，该CRSM可以是处理器202可访问以执行存储在存储器204上的指令的任何可用物理介质。在一种基本的具体实施中，CRSM可包括随机存取存储器(“RAM”)和闪存存储器。在其他具体实施中，CRSM可包括但不限于只读存储器(“ROM”)、电可擦除可编程只读存储器(“EEPROM”)或可用于存储所需信息并可由处理器202访问的任何其他有形介质。视频游戏服务208可表示存储在存储器204中的指令，在该指令由处理器202执行时，使计算系统106执行本文所述的技术和操作。

例如，视频游戏服务208可包括训练部件210、评分部件212和匹配部件214，以及其他可能的部件。训练部件210可被配置为使用数据存储区116中的数据114中的一部分数据作为训练数据来训练机器学习模型，该数据中的一部分数据与用户账户120的取样集相关联，以获得经训练的机器学习模型216。经训练的机器学习模型216可被评分部件212用于确定多个已注册的用户账户120的得分118(例如，信任得分118)。匹配部件214至少部分地基于机器学习得分118提供匹配分配124，使得玩家被分组到用于在多人模式下玩视频游戏110的多个匹配218(例如，第一匹配218(1)、第二匹配218(2)等)中的不同匹配。图2示出了如何将与已登录的用户账户120的第一子集相关联的第一组玩家102(例如，十个玩家102)分配到第一匹配218(1)，以及如何将与已登录的用户账户120的第二子集相关联的第二组玩家102(例如，另外十个玩家102)分配到第二匹配218(2)。当然，可定义任何数量的匹配218，这可取决于请求在多人模式下执行视频游戏110的已登录的用户账户120的数量、计算系统106可处理的网络流量的容量限度，以及/或者其他因素。在一些实施方案中，在匹配过程中考虑可导致玩家进一步细分和/或再分为更少或更多数量的匹配218的其他因素(例如，技能水平、地理区域等)。

如所提及的，由评分部件212确定(例如，由经训练的机器学习模型216输出)的得分118是机器学习得分118。机器学习通常涉及处理一组样本(称为“训练数据”)以便训练机器学习模型。机器学习模型216一旦被训练，就是一种学习机制，该学习机制可接收新的数据作为输入，并且估计或预测结果作为输出。例如，经训练的机器学习模型216可包括分类器，该分类器负责将未知输入(例如，未知图像)分类为多个分类标签的一个分类标签(例如，将图像标记为猫或狗)。在一些情况下，经训练的机器学习模型216被配置为实现多标签分类任务(例如，将图像标记为“猫”、“狗”、“鸭子”、“企鹅”等)。附加地或另选地，可训练经训练的机器学习模型216，以基于作为输入被接收的未知数据为分类任务推断概率或一组概率。在本公开的上下文中，未知输入可以是与向视频游戏服务注册的单个用户账户120相关联的数据114，并且经训练的机器学习模型216负责输出得分118(例如，信任得分118)，该得分指示单个用户账户120属于多个分类中的一个分类的概率，或以其他方式与该概率相关。例如，得分118可与和单个用户账户120相关联的玩家102在多人模式下玩视频游戏110时按照特定行为表现(或不按照特定行为表现，视情况而定)的概率相关。在一些实施方案中，得分118是在[0，1]的范围内被归一化的变量。信任得分118可与玩家102在玩视频游戏110时按照特定行为表现(或不按照特定行为表现，视情况而定)的概率具有单调关系。得分118和与特定行为相关联的实际概率之间的关系虽然是单调的，但可以是线性关系，也可以不是线性关系。在一些实施方案中，经训练的机器学习模型216可输出一组概率(例如，两个概率)或与其相关的得分，其中一个概率(或得分)与玩家102按照特定行为表现的概率相关，并且另一个概率(或得分)与玩家102不按照特定行为表现的概率相关。由经训练的机器学习模型216输出的得分118可与这些概率中的任一个概率相关，以便指导匹配过程。在例示性示例中，该特定行为可以是作弊。在该示例中，由经训练的机器学习模型216输出的得分118与和单个用户账户120相关联的玩家102将会或不会在多人模式下玩视频游戏110的过程期间继续作弊的可能性相关。因此，在一些实施方案中，得分118可指示与单个用户账户120相关联的玩家102的可信度水平，并且这就是为什么本文所述的得分118有时被称为“信任得分”118。

经训练的机器学习模型216可表示单个模型或基本级机器学习模型的集合，并且可被实现为任何类型的机器学习模型216。例如，用于与本文所述的技术和系统一起使用的合适的机器学习模型216包括但不限于：神经网络、基于树的模型、支持向量机(SVM)、核方法、随机森林、样条(例如，多变量自适应回归样条)、隐马尔可夫模型(HMM)、卡尔曼滤波器(或增强型卡尔曼滤波器)、贝叶斯网络(或贝叶斯信念网络)、期望最大化、遗传算法、线性回归算法、非线性回归算法、基于逻辑回归的分类模型或它们的集合。“集合”可包括其输出(预测)诸如通过使用加权平均或投票而被组合的机器学习模型216的集合。集合中的各个机器学习模型可在它们的专业技能上有所不同，并且该集合可作为各个机器学习模型的委员会进行操作，该委员会在总体上比该集合的任何单个机器学习模型都“更智能”。

用于训练机器学习模型216的训练数据可包括各种类型的数据114。通常，用于机器学习的训练数据可包括两个组成部分：特征和标签。然而，在一些实施方案中，用于训练机器学习模型216的训练数据可以是未被标记的。因此，可使用任何合适的学习技术(诸如监督学习、无监督学习、半监督学习、强化学习等)来训练机器学习模型216。包括在训练数据中的特征可由一组特征表示，诸如以关于训练数据的属性的可量化信息的n维特征向量的形式。以下是可以包括在用于训练本文描述的机器学习模型216的训练数据中的示例性特征的列表。然而，应当理解，以下特征列表是非穷举的，并且在训练中使用的特征可以包括本文未描述的附加特征，并且在一些情况下，包括本文列出的特征中的一些(但不是全部)。包括在训练数据中的示例性特征可包括但不限于：玩家通常玩视频游戏110所花费的时间量、玩家玩特定视频游戏110所花费的时间量、玩家一天中登录并玩视频游戏110的次数、玩家的比赛历史数据(例如，总得分(每场比赛、每回合等)、爆头率、击杀数、死亡数、辅助数、玩家排名等)、玩家作弊报告的数量和/或频率、玩家的作弊被判无罪的次数和/或频率、玩家的作弊被判有罪的次数和/或频率、由在视频游戏期间检测到作弊玩家的机器学习模型输出的置信度值(得分)、与单个玩家相关联的多个用户账户120的数量(这可从绑定到多个用户账户120的公用的地址、电话号码、支付工具等推断)、用户账户120已经向视频游戏服务注册了多长时间、绑定到玩家的先前被禁止的用户账户120的数量、玩家在视频游戏平台上的货币交易的次数和/或频率、每笔交易的金额、与玩家的用户账户120相关联的具有货币价值的数字产品数量、用户账户120已经易手(例如，在不同所有者/玩家之间转移)的次数、用户账户120在玩家之间转移的频率、玩家已经从其登录到视频游戏服务的地理位置、已经与用户账户120相关联的不同的支付工具、电话号码、邮寄地址等的数量，以及/或这些事项多久被更改一次，以及/或可与计算信任得分118相关的任何其他合适的特征，该得分指示玩家参与特定行为的倾向。作为训练过程的部分，训练部件210可设置用于机器学习的权重。这些权重可应用于包括在训练数据中的一组特征，如从数据存储区116中的历史数据114导出的。在一些实施方案中，在训练过程期间设置的权重可应用于机器学习模型内部的参数(例如，神经网络的隐藏层中的神经元的权重)。机器学习模型的这些内部参数可或可不与该组特征中的各个输入特征一一映射。这些权重可指示任一给定特征或参数对由经训练的机器学习模型216输出的得分118的影响。

特别是关于作弊(这是可用作匹配玩家的基础的行为类型的例示性示例)，可存在与正计划在视频游戏110中作弊的玩家的用户账户120相关联的行为，这些行为不同于与非作弊玩家的用户账户120相关联的行为。因此，机器学习模型216可学习从训练数据识别那些行为模式，使得可能作弊的玩家可通过高置信度而被识别并且被合适地评分。应当理解，在生态系统中可能存在离群值，该系统可被配置为基于关于离群值的一些已知信息来保护这些离群值。例如，职业玩家可能表现出与普通球员不同的行为，并且这些职业玩家可能面临被错误评分的风险。作为另一个示例，视频游戏服务的服务提供方的雇员可出于调查目的或质量控制目的而用用户账户登录，并且可以不同于普通玩家行为的方式表现。这些类型的玩家/用户102可被视为离群值，并且在机器学习的上下文之外被主动地分配得分118，该得分赋予那些玩家/用户102高度信任。以这种方式，可向知名的职业玩家、服务提供方的雇员等分配权威的得分118，该权威的得分不可被评分部件212修改，以避免使那些玩家/用户102与行为不良的玩家相匹配。

训练数据也可被标记用于监督学习方法。同样，使用作弊作为可用于将玩家匹配在一起的行为的示例性类型，该示例中的标签可指示用户账户120是否被禁止经由视频游戏服务玩视频游戏110。数据存储区116中的数据114可包括与已经因作弊而被禁止的玩家相关联的一些数据114，以及与尚未因作弊而被禁止的玩家相关联的一些数据114。该禁令类型的一个示例是华盛顿州贝尔维尤市维尔福公司(Valve Corporation of Bellevue，Washington)使用的维尔福防作弊系统(Valve Anti-Cheat(VAC))禁令。例如，计算系统106和/或计算系统106的授权用户可能能够检测未授权的第三方软件何时已经被用于作弊。在这些情况下，在经过严格的验证过程以确保确定无误之后，可通过在数据存储区116中将作弊的用户账户120标记为被禁止来禁止该作弊的用户账户。因此，根据用户账户120是否已经被禁止或尚未被禁止的状态，可将其用作正面的和反面的训练示例。

应当理解，过去的玩家行为(诸如，过去的作弊行为)可以其他方式指示。例如，可为用户102或甚至单独的机器学习模型提供用于检测和报告疑似作弊的玩家的机制。这些被报告的玩家可被置于由他们的同行组成的陪审团面前，这些同行会审查被报告的玩家的游戏回放并且做出裁决(例如，作弊或没作弊)。如果足够多的其他玩家认定被报告的玩家的行为相当于作弊，则可达到高置信度阈值，并且被报告的玩家被判定为作弊并接收对他们的用户账户120的禁令，这也可构成用于相关联的训练数据的标签。

图2示出了除作弊之外的其他行为的示例，这些行为的示例可用作玩家匹配的基础。例如，经训练的机器学习模型216可被配置为输出信任得分118，该信任得分与玩家按照放弃游戏行为(例如，通过在比赛中途放弃(或退出)视频游戏)表现或不按照放弃游戏行为表现的概率相关。就像作弊一样，放弃游戏是一种往往会破坏非放弃玩家的游戏体验的行为。作为另一个示例，经训练的机器学习模型216可被配置为输出信任得分118，该信任得分与玩家按照悲伤行为(griefing behavior)表现或不按照悲伤行为表现的概率相关。“悲伤者(griefer)”是在多人视频游戏中故意激怒和骚扰视频游戏110内的其他玩家的玩家，这可能破坏非悲伤玩家的游戏体验。作为另一个示例，经训练的机器学习模型216可被配置为输出信任得分118，该信任得分与玩家按照粗俗语言行为表现或不按照粗俗行为表现的概率相关。通常，多人视频游戏允许玩家参与视频游戏110中其他玩家可见的聊天会话或其他社交网络通信，并且当玩家使用粗俗语言(例如，脏话、攻击性语言等)时，这可破坏不使用粗俗语言的玩家的游戏体验。作为又一个示例，经训练的机器学习模型216可被配置为输出信任得分118，该信任得分与玩家按照“高技能”行为表现或不按照“高技能”表现的概率相关。以这种方式，可使用评分从一组玩家中识别出高技能玩家或新手玩家。这有助于防止有经验的游戏玩家创建新的用户账户假装是新手技能级别的玩家，以便他们可与业余玩家一起玩的情况。因此，在第一匹配218(1)中匹配在一起的玩家可以是可能按照特定“不良”行为表现(如根据机器学习得分118确定)的那些玩家，而在其他匹配(诸如第二匹配218(2))中匹配在一起的玩家可以是不太可能按照特定“不良”行为表现的那些玩家。

这可能是针对多个玩家(用户账户120)输出的信任得分118的分布主要呈双峰的情况。例如，得分118的统计分布的一个峰值可与可能按照特定不良行为表现的玩家相关联，而得分118的统计分布的其他峰值可与不太可能按照该不良行为表现的玩家相关联。换句话说，行为不良玩家的人数和行为良好玩家的人数可在统计分布中以明显的差额分离开。在这个意义上，如果新的用户账户向视频游戏服务注册并且分配了在统计分布的两个峰值之间的信任得分，则当玩家与视频游戏平台交互时，该用户账户将以一种或另一种方式被快速驱动。由于这种趋势，匹配部件214使用的匹配参数可被调整，以类似地对待具有不在统计分布的底峰值内的信任得分118的玩家，并且匹配部件214可主要涉及分离/隔离具有在统计分布的底峰值内的信任得分118的行为不良玩家。尽管阈值得分的用途在本文中被描述为提供匹配分配的一种示例性方式，但也设想了其他技术，诸如聚类算法，或使用信任得分将具有“类似”信任得分的用户账户(玩家)优先匹配在一起的其他统计方法(例如，基于相似性度量，诸如距离度量、方差度量等)。

此外，匹配部件214可不对最近已经向视频游戏服务注册的新的用户账户120使用玩家匹配。相反，可实现这样的规则，即玩家在视频游戏110的多人模式下被评分并且与其他玩家匹配之前，要在个人游戏模式下积累一定水平的经验/表现。应当理解，根据从首次启动视频游戏110到拥有对玩家匹配的访问权的时间的玩家的路径，对于不同玩家来说是非常不同的。一些玩家可能需要很长时间才能通过匹配进入多人模式，而其他用户则可轻松快速地完成资格认证过程。在该资格认证过程到位的情况下，出于匹配目的而将被评分的用户账户将会玩视频游戏，并且提供足够的数据114以为用户账户120给出准确得分118。

同样，如所提及的，尽管本文所述的许多示例将“不良”行为(诸如作弊、放弃游戏、悲伤、粗俗语言等)作为目标行为，通过该目标行为可出于匹配目的对玩家进行评分和分组，本文所述的技术和系统可被配置为使用机器学习的评分方法来识别任何类型的行为，并且出于玩家匹配的目的来预测玩家参与该行为的可能性。

本文所述的过程被示为逻辑流程图中的框的集合，这些框表示可在硬件、软件或它们的组合中实现的一系列操作。在软件的上下文中，这些框表示计算机可执行指令，这些计算机可执行指令在由一个或多个处理器执行时，执行所列举的操作。通常，计算机可执行指令包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。描述操作的顺序不旨在被理解为限制，并且可以任何顺序和/或并行地组合任意数量的所描述的框来实现这些过程。

图3是用于训练机器学习模型以预测玩家按照特定行为表现或不按照特定行为表现的概率的示例性过程300的流程图。出于讨论的目的，参考前面的附图描述过程300。

在302处，计算系统106可向用户102提供对视频游戏服务的访问。例如，计算系统106可允许用户访问和浏览视频游戏110的目录、修改用户简档、进行交易、参与社交媒体活动，以及其他类似和/或相关的动作。计算系统106可将视频游戏110(及其内容)分发至客户端机器104，作为视频游戏服务的部分。在例示性示例中，具有对视频游戏服务的访问权的用户102可加载已安装的客户端应用程序、用已注册的用户账户登录、选择期望的视频游戏110，以及经由该客户端应用程序在他/她的客户端机器104上执行视频游戏110。

在304处，计算系统106可收集和存储与向视频游戏服务注册的用户账户120相关联的数据114。每当用户102用他们已注册的用户账户120访问视频游戏服务并且使用该视频游戏平台(诸如以在其上玩视频游戏110)时，可在框304处收集该数据114。随着时间的推移，可认识到与已注册的用户账户相关联的大量数据114的集合可供计算系统106使用。

在306处，计算系统106可经由训练部件210访问(历史)数据114，该数据与向视频游戏服务注册的用户账户120的取样集相关联。至少(历史)数据114中的一些数据可以是由于玩家在由视频游戏服务提供的视频游戏平台上玩一个或多个视频游戏110而已经生成的。例如，在306处访问的(历史)数据114可表示已经(例如，通过参与匹配在多人模式下)玩过一个或多个视频游戏110的玩家的比赛历史数据。在一些实施方案中，(历史)数据114可指示用户账户120的取样集是否已经在玩家之间转移，或者指示关于用户账户120的其他类型的用户活动。

在308处，计算系统106可经由训练部件210用标签标记用户账户120的取样集的每个用户账户120，该标签指示用户账户是否与在过去玩至少一个视频游戏110时已经按照特定行为表现的玩家相关联。本文描述了标签的示例，诸如用户账户120是否在过去已经因作弊而被禁止，这可在根据玩家的作弊或不作弊的倾向(视情况而定)对他们进行评分的上下文中被用作标签。然而，这些标签可对应于其他类型的行为，诸如指示用户账户是否与过去已经放弃游戏、过去在游戏期间悲伤、过去在游戏期间使用粗俗语言等的玩家相关联的标签。

在310处，计算系统106可经由训练部件210使用(历史)数据114作为训练数据来训练机器学习模型，以获得经训练的机器学习模型216。如子框312所示，在框310处的对机器学习模型的训练可包括设置用于机器学习的权重。这些权重可应用于从历史数据114导出的一组特征。本文描述了示例性特征，诸如上面参考图2描述的那些。在一些实施方案中，在框312处设置的权重可应用于机器学习模型内部的参数(例如，神经网络的隐藏层中的神经元的权重)。机器学习模型的这些内部参数可或可不与该组特征中的各个输入特征一一映射。如从框310到框304的箭头所示，可使用更新的(历史)数据114来重新训练机器学习模型216，以获得适应于最近玩家行为的新的经训练的机器学习模型216。这允许机器学习模型216随着时间的推移适应改变的玩家行为。

图4是用于利用经训练的机器学习模型216来确定用户账户120的信任得分118的示例性过程400的流程图，这些信任得分118与玩家按照特定行为表现或不按照特定行为表现的概率相关(或者指示该概率)。出于讨论的目的，参考前面的附图描述过程400。此外，如图3和图4中的页面外部引用“A”所示，过程400可从过程300的框310继续。

在402处，计算系统106可经由评分部件212访问与向视频游戏服务注册的多个用户账户120相关联的数据114。该数据114可包括该组特征中的任何信息(例如，可量化的信息)，如本文所述，这些特征已经被用于训练机器学习模型216。该数据114构成将被输入到经训练的机器学习模型216的未知输入。

在404处，计算系统106可经由评分部件212将在框402处访问的数据114作为输入提供给经训练的机器学习模型216。

在406处，计算系统106可经由评分部件212生成与多个用户账户120相关联的信任得分118，作为经训练的机器学习模型216的输出。在个体基础上，得分118与多个使用账户120中的单个用户账户120相关联，并且得分118与和单个用户账户120相关联的玩家102在多人模式下玩一个或多个视频游戏110时按照特定行为表现或不按照特定行为表现的概率相关。在这种情况下，特定行为可以是在数据114中表现出的任何合适的行为，使得可训练机器学习模型以预测具有参与该行为的倾向的玩家。示例包括但不限于：作弊行为、游戏放弃行为、悲伤行为或粗俗语言行为。在一些实施方案中，得分118是在[0，1]的范围内被归一化的变量。该信任得分118可与玩家在玩视频游戏110时按照特定行为表现(或不按照特定行为表现，视情况而定)的概率具有单调关系。得分118和与特定行为相关联的实际概率之间的关系虽然是单调的，但可以是线性关系，也可以不是线性关系。

因此，过程400表示机器学习评分方法，其中为用户账户120确定得分118(例如，信任得分118)，这些得分指示使用该用户账户120的玩家在将来参与特定行为的概率。与尝试预测玩家行为的现有方法相比，在该评分过程中使用机器学习模型允许识别玩家行为的复杂关系，以更好地预测玩家行为。这可导致利用更具适应性和通用性的系统对玩家行为进行的更准确的预测，该系统可在无需人工干预的情况下调节以适应变化的玩家行为动态。

图5是用于基于机器学习的信任得分118将用户账户120分配到多人视频游戏的不同匹配的示例性过程500的流程图，这些信任得分与可能的玩家行为相关。出于讨论的目的，参考前面的附图描述过程500。此外，如图4和图5中的页面外部引用“B”所示，过程500可从过程400的框406继续。

在502处，计算系统106可接收来自多个客户端机器104的信息122，信息122指示登录到执行每个客户端机器104上的视频游戏110的客户端应用程序中的已登录的用户账户120。例如，多个玩家102可已经开始执行特定视频游戏110(例如，第一人称射击游戏)，希望在多人模式下玩视频游戏110。在框502处接收122到的信息112可至少指示那些玩家的已登录的用户账户120。

在504处，计算系统106可经由匹配部件214定义玩家102将被分组到其中以用于在多人模式下玩视频游戏110的匹配。可定义任意数量的匹配，这取决于各种因素，包括需求、容量和参与到匹配过程中的其他因素。在示例中，在框504处的多个所定义的匹配可包括至少第一匹配218(1)和第二匹配218(2)。

在506处，计算系统106可至少部分地基于为已登录的用户账户120确定的得分118，经由匹配部件214将已登录的用户账户120的第一子集分配到第一匹配218(1)，并且将已登录的用户账户的第二子集120分配到第二匹配218(2)。如所提及的，可定义任何数量的匹配，使得可在框506处将进一步的细分和附加匹配分配给用户账户。

如子框508所示，将用户账户120分配到不同匹配可基于阈值得分。例如，匹配部件214可确定与已登录的用户账户120的第一子集相关联的得分118小于阈值得分，并且可基于那些得分小于阈值得分而将已登录的用户账户120的第一子集分配到第一匹配。同样，匹配部件214可确定与已登录的用户账户120的第二子集相关联的得分118等于或大于阈值得分，并且可基于那些得分等于或大于阈值得分而将已登录的用户账户120的第二子集分配到第二匹配。然而，这仅仅是提供匹配分配124的一种示例性方式，并且也设想了其他技术。例如，除了使用阈值得分之外，或者作为替代，还可使用聚类算法或其他统计方法。在示例中，信任得分118可用于将具有“类似”信任得分的用户账户(玩家)优先匹配在一起。鉴于信任得分118的分布在整个多个用户账户120上主要呈双峰的自然趋势，基于相似性度量(例如，距离度量、方差度量等)将信任得分118组合在一起可提供与使用阈值得分类似的结果。然而，在匹配池较小的情况下(例如，在较小地理区域中想要玩不太受欢迎的游戏模式的玩家)，出于匹配的目的，使用相似性度量将用户账户按组匹配在一起可能是有用的，因为这可提供更细粒度的方法，该方法允许逐步调整信任得分相对于其他匹配因素(如技能水平)的相对重要性。在一些实施方案中，可使用多个阈值来将用户账户120“桶分化(bucketize)”成多个不同的匹配。

如子框510所示，在框506处的匹配分配中可考虑除了信任得分118之外的其他因素。例如，在框506处确定的匹配分配124可进一步基于与已登录的用户账户相关联的玩家的技能水平、已登录的用户账户已经等待被置于多个匹配中的一个匹配的时间量、与已登录的用户账户相关联的地理区域，和/或其他因素。

在512处，计算系统106可至少部分地基于与客户端机器104相关联的已登录的用户账户120，使(例如，通过提供控制指令)在发送信息122的每个客户端机器104上执行视频游戏110的客户端应用程序发起所定义的匹配中的一个匹配(例如，第一匹配218(1)或第二匹配218(2)中的一者)。例如，在第一匹配218(1)和第二匹配218(2)被定义的情况下，计算系统106可使与已登录的用户账户120的第一子集相关联的多个客户端机器104的第一子集在第一匹配218(1)中执行视频游戏110，并且可使与已登录的用户账户120的第二子集相关联的多个客户端机器104的第二子集在第二匹配218(2)中执行视频游戏110。

因为将机器学习的信任得分118用作匹配过程中的因素，所以可向希望以预期的方式在多人模式下玩视频游戏的用户提供改善的游戏体验。这是因为本文所述的技术和系统可用于将可能表现不良(例如，作弊)的玩家匹配在一起，并且将这些玩家与可能合法地玩视频游戏的其他可信玩家隔离开。

图6是示出了示例性环境600的示意图，其包括示出了手持式设备602的示例性部件的框图，并且图6示出了如何将由远程计算系统106接收的传感器数据604用于机器学习的信任评分。用户102可使用图6的手持式设备602以与视频游戏平台交互，如本文所述。例如，用户102可将手持式设备602与正在其上执行视频游戏客户端(例如，用于玩视频游戏110的游戏软件)的客户端机器104配对。一旦手持式设备602与客户端机器104配对并且能够与其通信(例如，通过向客户端机器104发送数据/从该客户端机器接收数据)，手持式设备602就可用于与本文所述的视频游戏平台交互，诸如以向用户账户120注册手持式设备602、访问可从远程计算系统106获得的视频游戏110，以及使用手持式设备602来玩视频游戏110。

手持式设备602可表示手持式游戏控制器，诸如被设计为由用户102的一只手或两只手握持的游戏控制器，并且被配置有由用户102的手的手指和/或拇指操作的一个或多个手指操作控件。在一些实施方案中，手持式设备602还可被配置为通过在三维(3D)空间中移动(例如，平移、旋转、倾斜等)游戏控制器来操作。应当理解，手持式设备602可表示任何其他合适类型的手持式设备，诸如移动电话(例如，智能电话)、平板计算机、便携式数字助理(PDA)、可穿戴计算机(例如，智能手表、头戴式显示器(HMD))、便携式游戏机和/或任何类似的手持式电子设备。本文中用于描述手持式设备602的术语“手持式”意指被配置为由用户102握持的设备，而不管该设备是否由用户102的手或由用户102的身体的另一个部分握持(例如，穿戴在手腕、手臂、腿、腰部、头部等上的可穿戴设备被认为是“手持式”设备，如本文所使用的术语)。

如图6所示，手持式设备602包括一个或多个输入/输出(I/O)设备608(诸如手指操作控件(例如，操纵杆、触控板、触发器、可按压按钮等))、可能的其他类型的输入或输出设备(诸如触摸屏、用于接收音频输入(诸如用户语音输入)的麦克风、可用作接收手势输入(诸如手持式设备602和/或用户102的手的运动)的输入设备的相机或其他类型的传感器(例如，传感器610)。在一些实施方案中，可以键盘、小键盘、鼠标、触摸屏、操纵杆、控制按钮等的形式提供附加的输入设备。输入设备还可包括控制机构，诸如用于增大/减小音量的基本音量控制按钮，以及电源和复位按钮。输入设备可促进用户102的生物特征数据的输入，诸如获得指纹或掌纹、扫描用户的眼睛和/或面部、捕获用户的声音等，以用于用户102的生物特征识别/认证。

同时，输出设备可包括显示器、发光元件(例如，LED)、产生触觉的振动器、扬声器(例如，头戴式耳机)等。还可存在简单的发光元件(例如，LED)来指示状态，诸如例如在通电时。虽然已经提供了一些示例，但手持式设备602可附加地或另选地包括任何其他类型的输出设备。在一些情况下，一个或多个输出设备的输出可基于由输入设备中的一个或多个输入设备接收到的输入。例如，控件的致动可导致位于该控件附近(例如，下方)或任何其他位置的振动器输出触觉响应。

此外，手持式设备602可包括一个或多个通信接口612，以促进与网络和/或与一个或多个远程系统(例如，执行应用程序的客户端机器104、游戏机、无线接入点等)的无线连接。通信接口612可实现各种无线技术中的一种或多种无线技术，诸如Wi-Fi、蓝牙、射频(RF)等。应当理解，手持式设备602还可包括物理端口，以促进与网络、所连接的外围设备或与其他无线网络通信的插入式网络设备的有线连接。

在所示的具体实施中，手持式设备602还包括一个或多个处理器614和计算机可读介质616。在一些具体实施中，处理器614可包括中央处理单元(CPU)、图形处理单元(GPU)、CPU和GPU两者、微处理器、数字信号处理器或本领域已知的其他处理单元或部件。另选地或除此之外，本文所述的功能可至少部分地由一个或多个硬件逻辑部件执行。例如但不限于：可使用的例示性类型的硬件逻辑部件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统系统(SOC)、复杂的可编程逻辑器件(CPLD)等。另外，处理器614中的每个处理器可拥有自己的本地存储器，这些存储器也可存储程序模块、程序数据和/或一个或多个操作系统。

计算机可读介质616可包括采用用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术实现的易失性存储器和非易失性存储器、可移动介质和不可移动介质。这种存储器包括但不限于RAM、ROM、EEPROM、闪存存储器或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光学存储装置、盒式磁带、磁带、磁盘存储装置或其他磁性存储设备、RAID存储系统，或可用于存储所需信息并可由计算设备访问的任何其他介质。计算机可读介质616可被实现为计算机可读存储介质(“CRSM”)，该CRSM可以是处理器614可访问以执行存储在计算机可读介质616上的指令的任何可用物理介质。在一种基本的具体实施中，CRSM可包括随机存取存储器(“RAM”)和闪存存储器。在其他具体实施中，CRSM可包括但不限于只读存储器(“ROM”)、电可擦除可编程只读存储器(“EEPROM”)或可用于存储所需信息并可由处理器614访问的任何其他有形介质。

若干模块诸如指令、数据存储等可存储在计算机可读介质616内并且被配置为在处理器614上执行。一些示例性功能模块被示为存储在计算机可读介质616中并且在处理器614上执行，但相同的功能可另选地采用硬件、固件或片上系统(SOC)来实现。

操作系统模块618可被配置为管理在手持式设备602内并耦接到该手持式设备的硬件，以用于有利于其他模块。此外，计算机可读介质616可存储网络通信模块620，该网络通信模块使手持式设备602能够经由通信接口612与一个或多个其他设备(诸如执行应用程序(例如，游戏应用程序)的客户端机器104(例如，PC)、游戏机、远程计算系统106等)进行通信。计算机可读介质616还可包括游戏会话数据库622，以存储与在手持式设备602上或在连接到手持式设备602的客户端机器104上执行的游戏(或其他应用程序)相关联的数据。计算机可读介质616还可包括设备记录数据库624，该设备记录数据库存储与手持式设备602耦接到的设备(诸如客户端机器104(例如，PC、游戏机等)、远程计算系统106等)相关联的数据。计算机可读介质616还可存储将手持式设备602配置为用作游戏控制器的游戏控制指令626，以及将手持式设备602配置为用作其他非游戏设备的控制器的通用控制指令628。

手持式设备602还被示出为包括一个或多个传感器610。例如，传感器610可包括运动传感器，诸如惯性测量单元(IMU)，该惯性测量单元可包括一个或多个陀螺仪和/或加速度计和/或磁力计和/或罗盘，或者任何其他合适的运动传感器。在一些实施方案中，传感器610可被实现为独立的陀螺仪、加速度计、磁力计和罗盘等，并且不一定被实现为IMU。在一些实施方案中，这些传感器中的一个或多个传感器可用于提供六分量运动感测。例如，IMU可被配置为感测并生成指示围绕3D空间的平移和/或旋转移动的传感器数据604。由此类传感器610生成的传感器数据604可与3D空间中的平移移动(X、Y和Z移动)的范围、速率和/或加速度，以及3D空间中的旋转移动(翻滚、俯仰和偏航)的范围、速率、和/或加速度相关。可根据3D坐标系(诸如笛卡尔(X，Y和Z)或球面坐标系)来生成测量结果。传感器数据604可包括例如平移移动和角移动的位移(例如，自前一时间记录以来的位移)、速度和/或加速度(分别由变量d、v、a和θ、ω、α表示)方面的测量结果。传感器数据604还可包括生成和/或传输传感器数据604的次数(例如，在任何合适的时间间隔内)，使得传感器数据604的历史可被收集并且暂时地或永久地存储在手持式设备602上。

作为另一个示例，传感器610可包括被配置为感测对象(诸如手指、手掌等)与触摸传感器的接近度的触摸传感器，该触摸传感器可基于任何合适的触摸感测技术，诸如电容式触摸传感器、电阻式触摸传感器、红外触摸传感器、利用声波来检测手指102的接近度的触摸传感器，或者任何其他类型的触摸传感器。例如，触摸传感器可设置在设备的下方或表面上，和/或在手指操作控件内或其上，以便检测手指与表面或与手指操作控件的接近度。响应于检测到接近度(例如，手指接触或悬停在表面上方)，触摸传感器可生成指示手指的接近度的传感器数据604。诸如触摸传感器可嵌入在手持式设备602的手柄中以检测用户102的抓握，以及/或者嵌入在包括触控板、操纵杆、按钮等的各种控件内。在利用基于电容的感测的具体实施中，触摸传感器可包括电极(例如，跨电容型传感器的发射器电极和接收器电极)，并且可向这些电极施加电压，使得这些电极被配置为测量这些电极处的电容变化，这些电容变化可被转换为电容值形式的传感器数据604，这些电容值指示对象与传感器610的接近度。例如，基于电容的触摸传感器的电极处的电容变化可受到靠近电极的对象(诸如手指)的影响。原始电容可被数字化为接近度值以生成传感器数据604。

作为另一个示例，传感器610可包括压力传感器，诸如力感测电阻器(FSR)。例如，FSR可包括与电阻膜间隔开的导电材料(例如，半导体材料，诸如墨水组合物)，以及致动器，该致动器被配置为将力传递到该电阻膜上，使得电阻材料在施加到该致动器的压缩力的作用下接触该导电材料。FSR可响应于可变力而表现出变化的电阻，以生成对应于电阻值的传感器数据604。FSR可以是“分流模式”FSR或“通过模式”FSR。在分流模式FSR的情况下，与电阻膜间隔开的导电材料可以是多个叉指状金属指。当向FSR的致动器施加力时，电阻膜接触叉指状金属指中的一些叉指状金属指，这使金属指分流，从而改变FSR的输出端子上的电阻，该电阻可被数字化为FSR值以生成传感器数据604。在一些实施方案中，压力传感器可附加地或另选地包括其他类型的压力感测机构，诸如压电传感器、应变仪等。

被配置为生成对应的传感器数据604的传感器610的其他示例可包括但不限于：温度传感器、湿度传感器、相机等。不管手持式设备602的传感器610的类型如何，传感器610被配置为以某种方式生成与手持式设备602的物理状态相关的传感器数据604。例如，触摸传感器可生成指示对象(例如，手指)是否正在接触或接近包括触摸传感器的设备602的一部分(例如，方向键(D-pad)、操纵杆、触发按钮、保险杠按钮、选择器按钮等)的传感器数据604。作为另一个示例，压力传感器可生成指示对象是否正按压在设备602的一部分上以及设备602的该部分是正被该对象轻轻地按压还是重重地按压的传感器数据604。作为又一个示例，运动传感器(例如，陀螺仪和/或加速度计)可生成指示手持式设备602在3D空间内的取向和/或空间位置是否已经改变以及/或者手持式设备602是快速移动还是缓慢移动的传感器数据604。因此，手持式设备602的传感器610被配置为生成指示设备602的这些和其他类型的物理状态的传感器数据604。

图6示出了手持式设备602还可包括加密硬件630。例如，视频游戏服务的服务提供方和/或第三方制造商可制造“可信”手持式设备602，该“可信”手持式设备在制造时被制造成具有嵌入其中的防篡改硬件部件。该嵌入的硬件部件可包括图6中描绘的加密硬件630，该加密硬件可依次存储私人密钥632。例如，私人密钥632可存在于手持式设备602的非易失性存储器中。

在一些实施方案中，加密硬件630是防篡改的。例如，加密硬件630可被包括或被封装在防篡改外壳内，并且加密硬件630可被配置为如果防篡改外壳被损坏则自行禁用。例如，加密硬件630可被配置为如果防篡改外壳被损坏或以其他方式被篡改，则擦除或删除私人密钥632，并且/或者向远程计算系统106发送警报。这使得用户难以非法地获得对私人密钥632的访问权，或者至少难以不被检测到这样做了，这防止了与其他人共享私人密钥632以及防止可能使用私人密钥632来通过另一个用户账户120充当“代练(smurf)”。在在线游戏中，“代练”是某个技能水平的玩家以另一个人的账户或二级账户玩游戏以显得等级或技能水平较低的行为。

在一些实施方案中，用户102最初可将手持式设备602与他/她的用户账户120(并且可能与附加的用户账户120，诸如家庭成员账户)相关联或向其注册。这可通过进行针对手持式设备602的初始注册流程来实现。初始注册流程可包括首次激活流程，该首次激活流程使用例如双重因素认证(2FA)步骤以用于增加安全性。例如，用户102可使用例如近程无线协议(诸如蓝牙)将手持式设备602与手持式设备602附近的客户端机器104配对。用户102可使用在客户端机器104上或在用户102的移动设备(例如，移动电话)上执行的客户端应用程序(例如，视频游戏客户端)登录到他/她的用户账户120。响应于用户102登录，远程计算系统602可接收已配对但未注册/未激活的设备602的指示，并且可向用户102发送激活码，诸如通过向移动号码发送消息(诸如文本)或者向用户账户120中指定的电子邮件地址发送电子邮件。用户102可访问该消息以获得激活码，并且可经由在用户的电话上或在客户端机器104上执行的视频游戏客户端输入激活码(例如，通过使用手持式设备602来输入激活码)。如果远程系统106在规定的时限内接收到正确的激活码，则手持式设备602可与用户102的用户账户120相关联，诸如通过在用户账户120中指示手持式设备602是用户账户120的注册设备、注册的时间和日期、手持式设备602被激活的位置等。诸如当用户102将来登录到他/她的用户账户120并且正在使用向该用户账户120注册的手持式设备602时，远程计算系统106还可将用户账户120与手持式设备602的私人密钥632和/或与通过手持式设备602的输入设备获得的用户102的生物特征数据(例如，指纹、眼纹、面纹、声纹等)相关联，作为将来认证用户102的方法。

在一些实施方案中，可实现附加的安全层，以便使手持式设备602更安全地从一个用户账户120切换到另一个用户账户120，这可帮助防止可信手持式设备602在设备602被盗或丢失的情况下的非法使用。例如，自从将设备602与第一用户账户120相关联/注册以来，在设备602被允许切换到第二用户账户120之前，远程计算系统106可强制执行等待期(例如，几天的等待期)(例如，通过将设备602从第一用户账户120解除关联/取消注册，并且将设备602与第二用户账户120相关联/向该第二用户账户注册)。远程计算系统106可附加地或另选地限制在给定时间段内允许用户102在用户账户120之间切换手持式设备602的次数(例如，可允许用户102在一个小时内将手持式设备602从一个用户账户120切换到另一个用户账户120不超过两次)。这些附加的安全层可帮助遏制对可信手持式设备602的未授权使用。

一旦手持式设备602向用户账户120注册，用户102可使用设备602来与视频游戏平台交互，诸如通过将手持式设备602连接到他们的客户端机器104(例如，通过无线通信链路将设备602与客户端机器104配对)(这可在使用设备记录数据库624的第一配对过程之后自动发生)，并且将设备602用作手持式游戏控制器以玩视频游戏110。在这种场景下，当用户102通过操作手持式设备602来玩视频游戏110时，客户端机器104可用于显示视频游戏110的图像。在与视频游戏平台交互期间的任何合适的时间，手持式设备602可经由手持式设备602的输入设备获得用户102的生物特征数据(例如，指纹、眼纹、面纹、声纹等)，并且可经由通信接口612将获得的生物特征数据发送到远程计算系统106(例如，通过将生物特征数据通过客户端机器104路由到远程计算系统106)，并且生物特征数据可被远程计算系统106用于认证用户账户120、认证用户102和/或认证手持式设备602。此外，在与视频游戏平台交互期间的任何合适的时间，私人密钥632可被手持式设备602的逻辑用来加密设备输出(诸如在设备602的使用期间由手持式设备602传输的游戏控制数据606和/或传感器数据604)。例如，私人密钥632可用于标记游戏控制数据606和/或传感器数据604以使用任何合适的加密算法将数据转换为密文形式，并且设备602可经由通信接口612将该加密数据发送到远程计算系统106(例如，通过将加密数据通过客户端机器104路由到远程计算系统106)。远程计算系统106可维护在数据存储区116(或数据库116)中的用于可信手持式设备的私人密钥的储存库，该储存库可包括私人密钥632的副本，该副本被手持式设备602用来加密该设备发送到远程计算系统106的数据。远程计算系统106可在制造可信手持式设备时或之后已经将私人密钥记录在数据存储区116中。利用可访问远程计算系统106的私人密钥，系统106可解密其从手持式设备602接收的加密数据，以验证接收到的数据是用预期的私人密钥632加密的。因此，远程系统106可在了解私人密钥632被手持式设备602用来加密设备输出的情况下，使用私人密钥632的副本以用于认证用户账户120、认证用户102和/或认证手持式设备602，以及私人密钥632的其他可能用途。在一些实施方案中，远程计算系统106响应于接收到与已登录的用户账户120相关联的数据，可请求用户102输入代码(例如，个人识别号码(PIN)、密码、密码短语等)以在用户账户120每次登录时验证用户102。此类请求可经由用户102的2FA设备(例如，经由移动电话、经由客户端机器104等)发送，并且对该请求的响应可由远程系统106从用户102的同一2FA设备接收。在一些实施方案中，不需要附加的用户动作来以便使用与对应的已登录的用户账户120相关联的已经注册的手持式设备602。也就是说，使用与设备602所注册的用户账户120相关联的手持式设备602需要的是设备602使用其私人密钥632来加密数据并将加密的数据发送到远程计算系统106，并且远程计算系统106解密该数据以验证接收到的数据是用预期的私人密钥632加密的。例如，远程系统106可向手持式设备602发送一块数据，该设备可加密该块数据并将加密的数据返回到远程系统106，并且远程系统106可然后验证该加密被正确执行，全程无需传输密钥632本身。

例如，可访问远程计算系统106的数据存储区116(或数据库116)可维护已经与多个可信手持式设备(诸如手持式设备602)相关联的生物特征数据和/或多个私人密钥，并且远程计算系统106可比较生物特征数据和/或私人密钥(诸如私人密钥632)，这些私人密钥用于加密从客户端机器104和/或手持式设备接收的数据，以确定接收到的生物特征数据和/或私人密钥是否与维护在数据库116中的任何生物特征数据和/或私人密钥匹配。如本文所述，可出于认证目的和/或为了计算信任得分而执行这些操作。换句话说，与维护在数据库116中的生物特征数据，和/或用与维护在该数据库中的私人密钥匹配的私人密钥632加密的加密数据匹配的生物特征数据的接收可用于认证用户102、设备602和/或与其相关联的用户账户120，并且/或者匹配的生物特征数据和/或用匹配的私人密钥632加密的加密数据的接收可用于生成相关联的用户账户120的信任得分，该得分可用于玩家匹配。在这个意义上，与手持式设备602(该手持式设备向远程计算系统106提供匹配的生物特征数据和/或使用匹配的私人密钥632加密的加密数据)相关联的用户账户120可被无缝地认证(例如，在一些情况下，无需附加的用户动作)，并且更可能与其他人类玩家的用户账户120匹配，而不是与可能与非人类玩家(例如，被设计用于作弊的软件)相关联的“不可信”用户账户120匹配。

因此，当用户102利用手持式设备602与视频游戏平台交互(例如，以在他们各自的客户端机器104上玩一个或多个视频游戏110)时，传感器数据604和游戏控制数据606可被发送到客户端机器104并且被从客户端机器104转发到远程计算系统106。游戏控制数据606可用于控制视频游戏110的方面，并且从而由视频游戏110处理以确定如何渲染视频游戏110的下一帧。传感器数据604表示原始的、未过滤的传感器数据604，诸如由陀螺仪生成的原始数据、由加速度计生成的原始数据和/或由触摸传感器(例如，电容式触摸板)生成的原始数据。在流式传输的具体实施中，可在远程计算系统106上执行视频游戏110，并且远程计算系统106可捕获视频游戏110数据并可通过网络108将视频游戏110数据发送到用户102的客户端机器104。这可能涉及捕获视频游戏110的状态、将视频和音频数据编码成位、通过计算机网络108将所编码的位传输到客户端机器104的远程计算系统106，并且在客户端机器104上执行的应用程序(例如，视频游戏客户端)可解码这些位以经由显示器输出给定帧的图像并且经由客户端机器104的扬声器(或经由连接到该客户端机器的头戴式耳机)输出给定帧的音频。用户102可通过操作手持式设备602来对他/她正在观看的视频和听的音频做出反应。例如，用户102可致动手持式设备的控件(例如，按压方向键(D-pad)、偏转操纵杆、在触控板上轻扫手指等)，并且/或者可在3D空间中倾斜或移动手持式设备602以控制视频游戏110的方面。响应于手持式设备602的操作，手持式设备602可生成游戏控制数据606，该游戏控制数据直接经由无线接入点并通过计算机网络108，或者经由与手持式设备602相关联的客户端机器104发送到远程计算系统106。在任一种情况下，游戏控制数据606可被实时发送到远程计算系统106，以控制视频游戏110的方面。例如，游戏控制数据606可由视频游戏110处理，以通过使虚拟对象在由客户端机器104的显示器上的场景所表示的虚拟世界内移动来控制视频游戏110的虚拟对象(例如，玩家控制的角色)的移动。

游戏控制数据606可包括由设备602的传感器610生成的至少一些传感器数据604(诸如被过滤/衰减的传感器数据604和/或被放大的传感器数据604)，由设备602发送到远程计算系统106的传感器数据604(如图6中所描绘的)表示原始的、未过滤的传感器数据604，该传感器数据不用于控制视频游戏110的方面，而是用于生成相关联的用户账户120的机器学习的信任得分。

在图6中的步骤1处，计算系统106可使用至少从数据存储区116取样的历史传感器数据604来训练机器学习模型216。例如，计算系统106可访问历史传感器数据604中的一部分数据，该历史传感器数据中的一部分数据与向视频游戏服务注册的用户账户120的取样集相关联，并且可使用所取样的传感器数据604来训练机器学习模型216。如本文所述，由于用户102使用他们的手持式设备602来与视频游戏平台交互，历史传感器数据604可已经与历史游戏控制数据606一起从客户端机器104接收。在一些实施方案中，传感器数据604中用作训练数据的一部分数据由一组特征表示，并且当人类玩家握持和操作手持式设备602时，用标签标记取样集的每个用户账户120，该标签指示与对应的用户账户120相关联的历史游戏控制数据606是否由手持式设备602生成，而不是已经使用软件被合成和/或修改。换句话说，被确定为与通过人类用户102操作手持式设备602而人为生成的游戏控制数据606相关联的用户账户120可被这样标记，同时被确定为与合成和/或修改的游戏控制数据(即，由软件合成和/或修改以控制视频游戏的方面的数据)相关联的其他用户账户120可被这样标记。以这种方式，可采用监督学习方法来训练机器学习模型216，以预测可能是操作手持式设备602的合法人类玩家，而不是被设计用于作弊的非人类软件的玩家。

例如，当人类操作手持式设备602时，可能存在手持式设备602的细微移动，这些细微移动是无意的移动，然而这些细微移动可被手持式设备602的一个或多个物理传感器610检测到，并且因此可在传感器数据604中表现出来。基于此类传感器数据604将表现出这些细微差别的概念，可利用作为训练数据的传感器数据604来训练机器学习模型216，以便通过识别传感器数据604中的这些细微差别(例如，移动、手指接近度等)来区分人类玩家和非人类玩家，该传感器数据是由于手持式设备602已经被机械地操作(例如，由人类用户102)而由真实的、物理的手持式设备602的物理传感器610产生的。相反，如果接收到传感器数据604，但它没有表现出由于手持式设备602的人为操作而产生的预期的细微差别，则可推断对应的游戏控制数据606不是由于真实的、有形的手持式设备602的操作而产生的，而是使用软件来合成和/或修改的。例如，作弊玩家可采用第三方软件，或者开发他们自己的软件，该软件被配置为自动操作作弊玩家的虚拟形象的动作(例如，通过以编程方式使鼠标光标移动到目标并且以自动方式发射武器)。这种所谓的“自动瞄准机器人”软件代替人类玩家有效地玩视频游戏110，使得人类玩家实际上并不正在玩视频游戏110，并且该软件正在合成和/或修改由视频游戏110以与处理真实的游戏控制数据606相同的方式处理的游戏控制数据606，从而使作弊玩家比不作弊的合法人类玩家更具优势。如果此类合成的和/或修改的游戏控制数据606未被检测到，则计算机化的算法可能变得无处不在并且被广泛用于增强多人游戏中的作弊玩家的表现，这可能破坏想要合法地玩视频游戏110的人类玩家和可能与这些计算机化的算法匹配的人类玩家的体验。在这些情况下，尝试模仿由手持式设备602的人为操作生成的传感器数据604可被机器学习模型216检测到，该模型被训练以区分人类玩家和非人类玩家(诸如自动瞄准机器人)，并且诸如可通过在他们自己的多人视频游戏的匹配中隔离非人类玩家，来补救这些以及其他种类的作弊行为。

应当理解的是，除了上述的历史传感器数据604之外，或代替其，还可使用附加的数据来训练的机器学习模型216。例如，可随着时间的推移从客户端机器104收集历史游戏控制数据606，游戏控制数据606已经基于由人类用户提供给手持式设备的用户输入生成，以便控制视频游戏110的方面。这些用户输入可包括对手持式设备602上的控件的致动(诸如按钮的按压、操纵杆的偏转、手指在触控板上的轻扫等)和/或手持式设备602在3D空间中的倾斜或移动。因此，历史游戏控制数据606(例如，指示提供给手持式设备602的用户输入诸如以控制视频游戏110的方面的数据)可与历史传感器数据604一起或代替该历史传感器数据被用作训练数据。使用历史传感器数据604和历史游戏控制数据606两者作为训练数据允许形成游戏控制数据606和同时生成的传感器数据604之间的相关性。作为又一个示例，可随着时间的推移从客户端机器104收集无线通信数据，并且历史无线通信数据可与历史传感器数据604一起或代替该历史传感器数据被用作训练数据。该无线通信数据可包括但不限于：无线(例如，WiFi、蓝牙等)信号强度值、指示从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的实例的数据、指示从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的数量的数据等。该无线通信数据可由手持式设备602、由客户端机器104和/或本地至用户102的环境的任何其他合适的设备获得。

如上所述，训练数据可包括两个组成部分：特征和标签。然而，在一些实施方案中，用于训练机器学习模型216的训练数据可以是未被标记的。因此，可使用任何合适的学习技术(诸如监督学习、无监督学习、半监督学习、强化学习等)来训练机器学习模型216。包括在训练数据中的特征可由一组特征表示，诸如以关于训练数据的属性的可量化信息的n维特征向量的形式。包括在训练数据中的示例性特征可包括但不限于：传感器数据604值(例如，电容值、电阻值、位移值、速度值、加速度值、温度值、湿度值等)、游戏控制数据606值(例如，由手指操作控件的电位计和其他开关生成的值)、生物特征数据值、与使用私人密钥632加密发送到远程计算系统106的数据的手持式设备602相关联的私人密钥632值，这些私人密钥值包括私人密钥632(并且因此，可信手持式设备602)已经与用户账户120相关联/向该用户账户注册的时间量、可信手持式设备602(和/或其私人密钥632)已经被用户账户120使用的次数、无线通信数据值(例如，无线信号强度值、指示从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的实例的值、指示从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的数量或频率的值等)、可信手持式设备602(和/或其私人密钥632)已经在不同的用户账户120之间切换的次数)、玩家通常玩视频游戏110所花费的时间量、玩家玩特定视频游戏110所花费的时间量、玩家一天中登录并玩视频游戏110的次数、玩家的比赛历史数据(例如，总得分(每场比赛、每回合等)、爆头率、击杀数、死亡数、辅助数、玩家排名等)、玩家作弊报告的数量和/或频率、玩家的作弊被判无罪的次数和/或频率、玩家的作弊被判有罪的次数和/或频率、由在视频游戏期间检测到作弊玩家的机器学习模型输出的置信度值(得分)、与单个玩家相关联的多个用户账户120的数量(这可从绑定到多个用户账户120的公用的地址、电话号码、支付工具等推断)、用户账户120已经向视频游戏服务注册了多长时间、绑定到玩家的先前被禁止的用户账户120的数量、玩家在视频游戏平台上的货币交易的次数和/或频率、每笔交易的金额、与玩家的用户账户120相关联的具有货币价值的数字产品的数量、用户账户120已经易手(例如，在不同的所有者/玩家之间转移)的次数、用户账户120在玩家之间转移的频率、玩家已经从其登录到视频游戏服务的地理位置、已经与用户账户120相关联的不同的支付工具、电话号码、邮寄地址等的数量，以及/或者这些事项多久被更改一次，以及/或者可与计算信任得分118相关的任何其他合适的特征，该信任得分指示与用户账户相关联的游戏控制数据602由被人类玩家握持和操作的手持式设备生成而不是已经使用软件被合成和/或修改的概率。

作为在图6中的步骤1处的训练的部分，训练部件210可设置用于机器学习的权重。这些权重可应用于包括在训练数据中的一组特征，如从数据存储区116中的历史数据(包括历史传感器数据604)导出的。在一些实施方案中，在训练过程期间设置的权重可应用于机器学习模型内部的参数(例如，神经网络的隐藏层中的神经元的权重)。机器学习模型的这些内部参数可或可不与该组特征中的各个输入特征一一映射。这些权重可指示任一给定特征或参数对由经训练的机器学习模型216输出的得分118的影响。

在图6的步骤2处，计算系统106可使用经训练的机器学习模型216对一个或多个已注册的用户账户120进行评分。例如，计算系统106可从一个或多个客户端机器104接收与一个或多个已登录、已注册的用户账户120相关联的新的传感器数据604和新的游戏控制数据606。在说明性示例中，计算系统106可接收信息122，该信息指示已登录的用户账户120当前正在玩或已经启动了视频游戏110。可经由安装的客户端应用程序在客户端机器104上执行视频游戏110，或者可在远程计算系统106上执行视频体游戏110时将其流式传输到客户端机器104。在任何情况下，当玩家102用他们的用户账户120登录并执行特定的视频游戏110，请求在多人模式下玩时，他们各自的客户端机器104可向计算系统106提供指示尽可能多内容的信息122，并且当视频游戏110被启动并且玩家开始游戏时，可将传感器数据604和游戏控制数据606从客户端机器104实时地流式传输到远程计算系统106。计算系统106可将其接收到的新的传感器数据604作为输入提供给经训练的机器学习模型216，并且可生成得分118作为经训练的机器学习模型216的输出，这些得分与已登录并且与新的游戏控制数据606相关联的各个用户账户120相关联。在该示例中，得分118可与新的游戏控制数据606已经由与客户端机器相关联的手持式设备602生成的概率相关。在这种情况下，高信任得分指示可信用户账户120(例如，可能与操作手持式设备602的人类玩家相关联的用户账户)，而低信任得分指示不可信用户账户120(例如，可能与非人类玩家(诸如软件)相关联的用户账户，生成看上去与由真实的手持式设备602生成的真实的游戏控制数据606类似的合成和/或修改的游戏控制数据606)。在一些实施方案中，得分118是在[0，1]的范围内被归一化的变量。该信任得分118可与新的游戏控制数据606已经由手持式设备602生成的概率具有单调关系。得分118和实际概率之间的关系虽然是单调的，但可以是线性关系，也可以不是线性关系。当然，评分可以任何合适的方式实现，以预测新的游戏控制数据606是由手持式设备602生成的，还是使用软件合成和/或修改的。

在一些实施方案中，可将新的游戏控制数据606本身作为附加输入提供给经训练的机器学习模型216，以至少部分地基于作为附加输入被提供给经训练的机器学习模型216的游戏控制数据606生成得分118。例如，用户102可在游戏过程中通过致动手持式设备602的控制件(例如，按下按钮诸如方向键(D-pad)、偏转操纵杆、在触控板上滑动手指等)来操作手持式设备602，并且/或者通过在3D空间中倾斜或移动手持式设备602来控制视频游戏110的方面。响应于用户对手持式设备602的操作，手持式设备602可生成被发送到远程计算系统106的游戏控制数据606。可将该新的游戏控制数据606(其指示提供给手持式设备602的用户输入)作为输入提供给经训练的机器学习模型216。应当理解，除了将传感器数据604作为输入提供给经训练的机器学习模型216之外，还可将新的游戏控制数据606作为输入提供给经训练的机器学习模型216。将游戏控制数据606作为输入提供给经训练的机器学习模型216的示例性原因在于，向手持式设备602提供用户输入的人可能“更吵闹”或者不像模拟相同类型的用户输入的计算机程序那么利落。因此，可训练经训练的机器学习模型216以至少部分地基于从客户端机器104接收并作为输入提供给经训练的机器学习模型216的游戏控制数据606来区分人类用户和非人类玩家(例如，被设计用于作弊的软件)。

在一些实施方案中，可将新的无线通信数据作为附加输入提供给经训练的机器学习模型216，以至少部分地基于作为附加输入被提供给经训练的机器学习模型216的无线通信数据生成得分118。例如，无线(例如，WiFi、蓝牙等)信号强度可相对于手持式设备602相对于与其通信的另一设备(诸如客户端机器104)而确定，并且该信号强度可随着环境中的无线信号的干扰和/或手持式设备602和与其通信的另一个设备间隔开的距离而变化(例如，增加或减少)。无线信号强度值的存在以及/或者随时间变化的无线信号强度(例如，观察变化的信号强度值)可指示人类玩家正在使用手持式设备602，因为通常会在游戏系统设置中遇到这些特性。相比之下，不存在信号强度值或者不随时间变化的恒定信号强度值可指示非人类玩家(例如，被设计用于作弊的软件)。作为另一个示例，可确定指示从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的实例和/或从手持式设备602发送到相关联的客户端机器104的丢弃的数据分组的数量的无线通信数据，并将其用作经训练的机器学习模型216的输入。例如，一个或多个丢弃的分组的存在以及/或者随时间变化的丢弃的数据分组的数量可指示人类玩家正在使用手持式设备602。相比之下，如果无线通信数据中不存在丢弃的分组以及/或者如果丢弃的数据分组的数量随时间变化而保持恒定(例如，不变化)，则这可指示非人类玩家(例如，被设计用于作弊的软件)。

在一些实施方案中，确定得分118还基于确定从客户端机器104接收到的生物特征数据与维护在数据库116中的生物特征数据匹配并且/或者用于加密从客户端机器104接收到的数据的私人密钥632与维护在该数据库中的多个私人密钥中的一个私人密钥匹配，维护在该数据库中的这些生物特征数据和私人密钥与多个可信手持式设备602相关联。即可使用生物特征数据和/或私人密钥632作为信任的代理，以向远程计算系统106证明被系统106信任的真实的手持式控制器602正在606发送游戏控制数据。

在图6中的步骤3处，利用基于从对应的客户端机器104接收到的新的传感器数据604为已登录、已注册的用户账户120确定的机器学习得分118，计算系统106可在多人匹配中将玩家102匹配在一起以用于在多人模式下玩视频游戏110，并且通过将匹配分配124提供给客户端机器104，以便至少部分地基于为已登录的用户账户120确定的机器学习得分118将已登录的用户账户120的子集分配到多个匹配中的不同匹配。以这种方式，如果经训练的机器学习模型216将低(例如，低于阈值的)得分118分配给已登录的用户账户120的第一子集，并且将高(例如，高于阈值的)得分118分配给已登录的用户账户120的第二子集，则已登录的用户账户120的第一子集可被分配到多个匹配中的第一匹配，并且已登录的用户账户120的第二子集可被分配到多个匹配中的不同的第二匹配。这可包括在视频游戏110开始时(例如，在发起匹配之前)将用户账户120分配到匹配，以及/或者在视频游戏110中途(例如，在发起匹配之后)将用户账户120重新分配到新的匹配。例如，如果第一已登录的用户账户120最初被分配到为人类玩家102指定的第一匹配，并且随后，基于作为输入被提供给经训练的机器学习模型216的实时数据，为该用户账户120生成机器学习得分118，得分118指示第一用户账户120可能与正在合成和/或修改游戏控制数据606的非人类玩家(例如，软件)相关联，则然后计算系统106可将第一用户账户重新分配到为非人类玩家102(例如，正在使用软件来合成和/或修改游戏控制数据的作弊玩家)指定的第二匹配。在一些实施方案中，当客户端机器104发送游戏控制数据606并且不与游戏控制数据606一起发送原始的、未经过滤的传感器数据604时，基于不存在原始传感器数据604，与其相关联的用户账户120可被认为是不可信的。在其他实施方案中，即使在不存在原始传感器数据604的情况下，也可将游戏控制数据606作为输入提供给经训练的机器学习模型216，以生成用户账户的得分118，或者可以本文所述的任何其他合适的方式为这样的用户账户120生成机器学习得分118，以确定与用户账户120相关联的玩家的作弊倾向。

在图6中的步骤4处，计算系统106可导致视频游戏110在针对每个用户账户120的所分配的匹配中的执行。在流式传输的具体实施中，这可能涉及捕获视频游戏110的状态、在远程系统106上执行、将视频和音频数据编码成位、通过计算机网络108将所编码的位传输到客户端机器104的远程计算系统106，并且在客户端机器104上执行的应用程序(例如，视频游戏客户端)可解码这些位以经由显示器输出给定帧的图像并且经由客户端机器104的扬声器(或经由连接到该客户端机器的头戴式耳机)输出给定帧的音频。应当理解，在一些实施方案中，图1的计算机网络108可表示局域网(LAN)，这可以是“家庭式”视频游戏流式传播场景下的情况。在这种场景下，计算系统106可表示位于客户端机器104的相同地理位置中或附近的主机计算系统。在广域网(WAN)或LAN的具体实施中，客户端机器104可被实现为瘦客户端，这些瘦客户端被配置为在客户端机器104本身上处理最少的数据的情况下(例如，在不必在客户端机器104本身上执行视频游戏110的情况下)将数据发送到计算系统106并且从该计算系统接收数据。在瘦客户端的具体实施中，游戏控制数据606和传感器数据604可被接收到计算系统106，并且计算系统106可将图像数据和音频数据的帧发送到客户端机器104以用于在与客户端机器104相关联的显示器上呈现。在每个机器104上的客户端应用程序正在执行视频游戏110的具体实施中，在步骤4处，信息可被发送到在客户端机器104上执行的每个客户端应用程序，以导致视频游戏110在客户端机器104上在针对所讨论的已登录的用户账户120的所分配的匹配中的执行。在至少部分地基于机器学习得分118将玩家分组到匹配中的情况下，玩家102的组中的至少一些组的游戏内体验可得到改善，因为系统可将预计(例如，通过作弊)表现不良的玩家(包括非人类玩家(例如，被设计用于作弊的软件))分组到同一匹配中，并且通过这样做可使行为不良的玩家与其他想要合法地玩视频游戏110的玩家保持隔离。

图7是用于训练机器学习模型216的示例性过程700的流程图，该机器学习模型使用包括传感器数据604的数据，以便预测从客户端机器104接收到的游戏控制数据606已经由手持式设备602生成的概率。出于讨论的目的，参考前面的附图描述过程700。

在702处，计算系统106可向用户102提供对视频游戏服务的访问。例如，计算系统106可允许用户访问和浏览视频游戏110的目录、修改用户简档、进行交易、参与社交媒体活动，以及其他类似动作。计算系统106可将视频游戏110(及其内容)分发至客户端机器104，作为视频游戏服务的部分。在说明性示例中，具有对视频游戏服务的访问权的用户102可通过流式传输视频游戏110、下载视频游戏110并且在客户端机器104或任何其他合适的游戏分发平台/执行平台上本地执行游戏，来加载已安装的客户端应用程序、使用注册的用户账户登录、选择所需的视频游戏110，并且经由该客户端应用程序在他/她的客户端机器104上执行视频游戏110。

在704处，计算系统106可收集和存储与向视频游戏服务注册的用户账户120相关联的数据。该数据可至少包括本文所述的传感器数据604，但也可包括本文所述的数据114和游戏控制数据606。诸如当用户102用他们已注册的用户账户120访问视频游戏服务并且使用该视频游戏平台诸如以在其上玩视频游戏110时，可在任何合适的时间在框704处收集该数据。因为该数据是以定义的间隔(例如，通过从客户端机器104接收实时流式数据来)生成、接收并且/或者(例如，当用户账户120退出视频游戏时，当网络带宽足以发送数据时等)响应于事件的，所以在客户端机器104本地生成以及/或者由手持式设备602生成的数据可被实时地收集。随着时间的推移，可认识到与已注册的用户账户120相关联的大量数据的集合可供计算系统106使用。

在706处，计算系统106可经由训练部件210访问包括(历史)传感器数据604的(历史)数据，该传感器数据与向视频游戏服务注册的用户账户120的取样集相关联。在接收到游戏控制数据606时，(历史)传感器数据604可能已经与由视频游戏110处理的(历史)游戏控制数据606一起从客户端机器104被接收，诸如以控制视频游戏110的方面。因此，(历史)传感器数据604可与同时生成的对应的(历史)游戏控制数据606相关联。在示例中，当用户102操作那些手持式设备602在视频游戏平台上玩视频游戏110时，在框706处访问的传感器数据604可包括由手持式设备602的一个或多个物理传感器610生成的原始传感器数据604。

在708处，当人类玩家握持和操作设备602以生成与用户账户120相关联的(历史)游戏控制数据606时，计算系统106可经由训练部件210用标签标记用户账户120的取样集的每个用户账户120，该标签指示与用户账户120相关联的(历史)游戏控制数据606是否由手持式设备602生成。

在710处，计算系统106可经由训练部件210使用(历史)传感器数据604以及如本文所述的可能的附加数据(例如，(历史)游戏控制数据606、(历史)无线通信数据等)作为训练数据来训练机器学习模型216，以获得经训练的机器学习模型216。如子框712所示，在框710处的对机器学习模型216的训练可包括设置用于机器学习的权重。这些权重可应用于从历史传感器数据604导出的一组特征。在一些实施方案中，在框712处设置的权重可应用于机器学习模型内部的参数(例如，神经网络的隐藏层中的神经元的权重)。机器学习模型216的这些内部参数可或可不与该组特征中的各个输入特征一一映射。如从框710到框704的箭头所示，可使用更新的(历史)数据，包括更新的(历史)传感器数据604来重新训练机器学习模型216，以获得适应于最近玩家行为的新的经训练的机器学习模型216。这允许机器学习模型216随着时间的推移自动适应改变的玩家行为。

图8是用于利用经训练的机器学习模型216来确定用户账户的信任得分的示例性过程800的流程图，这些信任得分与游戏控制数据606已经由手持式设备602生成的概率相关。出于讨论的目的，参考前面的附图描述过程800。此外，如图7和图8中的页面外部引用“C”所示，过程800可从过程700的框710继续。

在802处，计算系统106可从客户端机器104接收游戏控制数据606和传感器数据604。游戏控制数据606和传感器数据604可与登录到视频游戏服务并向其注册的用户账户120相关联。游戏控制数据606可以是待由视频游戏110处理以用于控制视频游戏110的方面的数据。在框802处接收到的传感器数据604可包括但不限于：电容值、电阻值、位移值、速度值、加速度值、温度值、湿度值等。在一些实施方案中，这些值表示原始(例如，未过滤、未放大的)值，假设这些值是由手持式设备602的实际物理传感器610生成的。此外，在框802处接收到的一些数据或全部数据可被加密(例如，设备602在将数据发送到远程系统106之前可能已经使用私人密钥632来加密数据)。

在804处，计算系统106还可从客户端机器104接收生物特征数据。例如，手持式设备602的输入设备(例如，触摸传感器、相机、麦克风等)可获得来自手持式设备602的用户的生物特征数据，并且手持式设备602可将所获得的生物特征数据传输到客户端机器104，并且客户端机器104可通过计算机网络108将该生物特征数据转发到远程计算系统106。该生物特征数据也可作为加密数据被接收(例如，设备602可在将数据发送到远程系统106之前使用私人密钥632来加密该生物特征数据)。

在806处，计算系统106可评估私人密钥632和/或生物特征数据。如子框808、810和812所示，该评估可包括各种操作。例如，远程系统106可解密在框802和/或804处接收到的任何加密数据，以验证预期的私人密钥632已用于加密接收到的数据。在子框808处，计算系统106可确定生物特征数据和/或私人密钥632与用户账户120相关联，该用户账号与在块802处接收到的游戏控制数据606和传感器数据604相关联。这可通过将该生物特征数据与已经与用户账户120相关联的生物特征数据进行比较并且/或者通过确定该加密数据实际上是使用已经与用户账户120相关联的私人密钥632来加密的来确定。

在子框810处，计算系统106可确定该生物特征数据与维护在数据库116中的生物特征数据匹配，并且/或者私人密钥632与维护在数据库116中的多个私人密钥中的一个私人密钥匹配。维护在数据库116中的生物特征数据和/或私人密钥可与多个可信手持式设备602相关联，使得如果从加密数据导出的私人密钥632与数据库116中的私人密钥中的一个私人密钥匹配，并且/或者如果接收到的生物特征数据与数据库116中的任何生物特征数据匹配，则计算系统106可使用该匹配数据作为信任的代理，知道这是从可信手持式设备602发送的。

在子框812处，计算系统106可确定与生物特征数据和/或私人密钥632相关联的数据。例如，计算系统106可确定生物特征数据和/或私人密钥632已经与用户账户120相关联的时间长度。计算系统106可附加地或另选地确定生物特征数据和/或私人密钥632已经与用户账户120一起使用或用于登录该用户账户的次数。计算系统106可附加地或另选地确定私人密钥632已经在不同用户账户120之间切换(诸如通过从第一用户账户120解除关联/取消注册并且随后与第二用户账户120相关联/向该第二用户账户注册)的次数。

在814处，计算系统106可经由评分部件212将数据作为输入提供给经训练的机器学习模型216。如子框816、818和820所示，在一些实施方案中，这可能涉及将各种类型的数据作为输入提供给在框806处的经训练的机器学习模型216。例如，在子框816处，可将在框802处接收到的传感器数据604作为输入提供给经训练的机器学习模型216。在子框818处，可将在框802处接收到的游戏控制数据606作为附加输入提供给经训练的机器学习模型216。在子框820处，可将私人密钥632数据和/或生物特征数据作为另一附加输入提供给经训练的机器学习模型216，诸如私人密钥632的值和/或在子框812处确定的任何数据。在一些实施方案中，可将无线通信数据(例如，无线信号强度数据、与丢弃的数据分组相关的数据等)作为输入提供给在框814处的经训练的机器学习模型216。在一些实施方案中，如本文所述，可将数据114作为输入提供给在框814处的经训练的机器学习模型216。通常，如本文所述，可将包括在用于训练机器学习模型216的一组特征中的任何可量化数据作为输入提供给经训练的机器学习模型216。在将传感器数据604作为输入提供给模型216的实施方案中，传感器数据604构成用于对所讨论的用户账户120进行评分的未知输入。

在822处，计算系统106可经由评分部件212生成与用户账户120相关联的信任得分118，作为来自经训练的机器学习模型216的输出，该用户账户与在框802处接收到的游戏控制数据606相关联。得分118与游戏控制数据606已经由手持式设备602生成的概率相关，该手持式设备与将游戏控制数据606发送到远程计算系统106的客户端机器104相关联。该得分118也可被认为是与游戏控制数据606已经被“人为生成”，而不是已经由软件(例如，自动瞄准机器人)合成和/或修改的概率相关。由于各种类型的数据可被输入到经训练的机器学习模型216以生成得分118，从而确定得分118可至少部分地基于传感器数据604、至少部分地基于游戏控制数据606、至少部分地基于确定该私人密钥与数据库116中的私人密钥匹配，以及/或者至少部分地基于私人密钥632已经与用户账户120相关联的时间长度，等等。在一些实施方案中，得分118是在[0，1]的范围内被归一化的变量。该信任得分118可与游戏控制数据606已经由手持式设备602生成的概率具有单调关系。得分118和与特定行为相关联的实际概率之间的关系虽然是单调的，但可以是线性关系，也可以不是线性关系。

因此，过程800表示机器学习评分方法，其中为用户账户120确定得分118(例如，信任得分118)，这些得分指示游戏控制数据606已经由手持式设备602生成的概率。因此，在过程800中生成的信任得分118可指示玩家通过使用真实的手持式设备602玩视频游戏110来参与非作弊行为的概率。在该评分过程中使用机器学习模型216允许对人类玩家和非人类玩家(例如，被设计用于作弊的软件)进行区分。

图9是用于基于机器学习的信任得分118将用户账户120分配到多人视频游戏110的不同匹配的示例性过程900的流程图，该机器学习的信任得分与游戏控制数据606已经由手持式设备602生成的概率相关。出于讨论的目的，参考前面的附图描述过程900。此外，如图8和图9中的页面外部引用“D”所示，过程900可从过程800的框822继续。

在902处，对于已经根据过程800进行了评分的已登录的用户账户120，计算系统106可经由匹配部件214将已登录的用户账户120分配到多个匹配218中的所分配的匹配218，该分配至少部分地基于针对用户账户120生成并且与该用户账户相关联的机器学习得分118。多个匹配218可包括为人类玩家指定的至少一个匹配218(1)，以及为非人类玩家(诸如使用软件来合成和/或修改游戏控制数据606的那些)指定的第二匹配218(2)。如所提到的，可定义任何数量的匹配，使得可在框902处将进一步的细分和附加匹配分配给用户账户120。例如，计算系统106可经由匹配部件214根据各种因素(包括需求、容量和在匹配过程中发挥作用的其他因素)来定义玩家102将被分组到其中以用于在多人模式下玩视频游戏110的任何合适数量的匹配。

如子框904所示，将用户账户120分配到所分配的匹配可以是基于阈值得分的。例如，匹配部件214可确定与已登录的用户账户120相关联的得分118小于阈值得分，并且可基于这些得分小于阈值得分而将已登录的用户账户120分配到为非人类玩家指定的第二匹配218(2)。类似地，匹配部件214可确定与已登录的用户账户120相关联的得分118等于或大于阈值得分，并且可基于这些得分等于或大于阈值得分而将已登录的用户账户120分配到为人类玩家指定的第一匹配218(1)。然而，这仅仅是提供匹配分配124的一种示例性方式，并且也设想了其他技术。例如，除了使用阈值得分之外，或者作为替代，还可使用聚类算法或其他统计方法。在示例中，信任得分118可用于将具有“类似”信任得分的用户账户(玩家)优先匹配在一起。鉴于信任得分118的分布在整个多个用户账户120上主要呈双峰的自然趋势，基于相似性度量(例如，距离度量、方差度量等)将信任得分118组合在一起可提供与使用阈值得分类似的结果。然而，在匹配池较小的情况下(例如，在较小地理区域中想要玩不太受欢迎的游戏模式的玩家)，出于匹配的目的，使用相似性度量将用户账户按组匹配在一起可能是有用的，因为这可提供更细粒度的方法，该方法允许逐步调整信任得分相对于其他匹配因素(如技能水平)的相对重要性。在一些实施方案中，可使用多个阈值来将用户账户120“桶分化(bucketize)”成多个不同的匹配。

如子框906所示，在框902处的匹配分配中可考虑除了信任得分118之外的其他因素。例如，在框902处确定的匹配分配124可进一步基于与已登录的用户账户相关联的玩家的技能水平、已登录的用户账户已经等待被置于多个匹配中的一个匹配的时间量、与已登录的用户账户相关联的地理区域，和/或其他因素。

如子框908所示，在块902处的分配操作可包括重新分配操作，其中当前分配到第一匹配218(1)的用户账户120被重新分配到第二匹配218(2)，或者反之亦然。例如，在子框908处的重新分配可包括基于针对用户账户120生成的信任得分118从第一匹配218移除用户账户120，并且将用户账户120重新分配到第二匹配218。这意味着当正在玩视频游戏时，信任评分118可在运行时发生，并且如果基于机器学习的信任评分118预测出有相当高的概率玩家正在作弊(例如，使用“自动瞄准机器人”软件)，则可在玩游戏的中途将玩家重新分配。因此，尽管可在多人视频游戏110开始之前基于机器学习的信任得分118做出匹配分配，但计算系统106可在游戏过程中的任何合适的时间重新生成信任得分118以确定玩家是否要被重新分配到不同的匹配。

在910处，计算系统106可导致视频游戏110在针对已登录的用户账户120的所分配的匹配(例如，第一匹配218(1)或第二匹配218(2)中的一者)中的执行，该已登录的用户账户与被用来玩视频游戏110的客户端机器104相关联。例如，计算系统106可导致视频游戏110在针对与第一信任得分118(1)相关联的第一用户账户120(1)的第一匹配218(1)中的执行，并且可导致视频游戏110在针对与第二信任得分118(2)相关联的第二用户账户120(2)的第二匹配218(2)中的执行。在流式传输具体实施中，可在框910处在远程计算系统106上执行视频游戏110，并且将其流式传输到客户端机器104。在其他具体实施中，远程计算系统106可向在客户端机器104上执行视频游戏110的客户端应用程序提供控制指令，以在所分配的匹配中执行视频游戏110。

因为将机器学习的信任得分118用作匹配过程中的因素，所以可向希望以预期的方式在多人模式下玩视频游戏的用户提供改善的游戏体验。这是因为本文所述的技术和系统可用于将可能表现不良(例如，通过使用软件来合成和/或修改游戏控制数据606进行作弊)的玩家(例如，非人类玩家)匹配在一起，并且将这些玩家与可能合法地玩视频游戏的其他可信玩家隔离开。

尽管已经用特定于结构特征的语言描述了主题，但应当理解，所附权利要求书中定义的主题不必限于所描述的具体特征。相反，具体特征被公开为实现权利要求的例示性形式。

Claims (20)

1.存储计算机可执行指令的一种或多种非暂态计算机可读介质，所述计算机可执行指令在由一个或多个处理器执行时，导致操作的执行，所述操作包括：

从客户端机器接收游戏控制数据和传感器数据，所述游戏控制数据和所述传感器数据与向视频游戏服务注册的用户账户相关联；

将所述传感器数据作为输入提供给经训练的机器学习模型；

生成与所述用户账户相关联的信任得分作为所述经训练的机器学习模型的输出，所述信任得分与所述游戏控制数据是由与所述客户端机器相关联的手持式游戏控制器生成的概率相关；

至少部分地基于所述信任得分将所述用户账户分配到用于在多人模式下玩所述视频游戏的多个匹配中的所分配的匹配，所述多个匹配至少包括为人类玩家指定的第一匹配和为非人类玩家指定的第二匹配，所述非人类玩家使用软件来生成合成或修改的游戏控制数据；以及

导致所述视频游戏在针对所述用户账户的所分配的匹配中的执行。

2.根据权利要求1所述的一种或多种非暂态计算机可读介质，其中所述传感器数据包括由所述手持式游戏控制器的一个或多个物理传感器生成的原始传感器数据，并且其中所分配的匹配是为所述人类玩家指定的所述第一匹配。

3.根据权利要求1所述的一种或多种非暂态计算机可读介质，其中所述游戏控制数据或所述传感器数据中的至少一者作为加密数据被接收，所述操作还包括：

对所述加密数据进行解密；

确定用于加密所述加密数据的私人密钥与所述用户账户相关联；以及

确定所述私人密钥与维护在数据库中的多个私人密钥中的一个私人密钥匹配，所述多个私人密钥与多个可信手持式游戏控制器相关联，

其中所述生成所述信任得分还基于所述确定所述私人密钥与所述多个私人密钥中的所述一个私人密钥匹配。

4.根据权利要求1所述的一种或多种非暂态计算机可读介质，其中所述将所述用户账户分配到所分配的匹配包括：

从所述第一匹配移除所述用户账户；以及

将所述用户账户重新分配到所述第二匹配。

5.一种方法，所述方法包括：

由计算系统从客户端机器接收游戏控制数据和传感器数据，其中所述游戏控制数据和所述传感器数据与登录到视频游戏服务的用户账户相关联，并且其中所述游戏控制数据将由视频游戏处理以用于控制所述视频游戏的方面；

由所述计算系统通过以下方式来确定与所述用户账户相关联的得分：

将所述传感器数据作为输入提供给经训练的机器学习模型；并且

生成所述得分作为所述经训练的机器学习模型的输出，所述得分指示所述游戏控制数据已经由与所述客户端机器相关联的手持式设备生成的概率；

至少部分地基于所述得分将所述用户账户分配到多个匹配中的所分配的匹配，所分配的匹配包括第一匹配或第二匹配中的至少一者；

由所述计算系统导致所述视频游戏针对所述用户账户在所分配的匹配中的执行。

6.根据权利要求5所述的方法，其中所述传感器数据包括由所述手持式设备的一个或多个物理传感器生成的原始传感器数据。

7.根据权利要求6所述的方法，其中所述原始传感器数据包括原始陀螺仪数据、原始加速度计数据或原始电容传感器数据中的至少一者。

8.根据权利要求6所述的方法，其中所述手持式设备是手持式游戏控制器。

9.根据权利要求5所述的方法，还包括：在所述确定所述得分之前：

由所述计算系统访问与向所述视频游戏服务注册的用户账户的取样集相关联的历史传感器数据，所述历史传感器数据已经与由所述视频游戏或不同的视频游戏处理的历史游戏控制数据一起从客户端机器被接收，以控制所述视频游戏或所述不同的视频游戏的方面；

当人类玩家握持和操作所述手持式设备以生成与所述用户账户相关联的所述历史游戏控制数据时，用标签标记所述用户账户的取样集的每个用户账户，所述标签指示与所述用户账户相关联的所述历史游戏控制数据是否由手持式设备生成；以及

使用所述历史传感器数据作为训练数据来训练机器学习模型，以获得所述经训练的机器学习模型。

10.根据权利要求9所述的方法，其中所述训练所述机器学习模型包括为从所述历史传感器数据或所述机器学习模型内部的参数导出的一组特征中的至少一个特征设置权重。

11.根据权利要求5所述的方法，其中所述确定所述得分还包括：

除了将所述传感器数据作为所述输入提供给所述经训练的机器学习模型之外，还将所述游戏控制数据作为附加输入提供给所述经训练的机器学习模型，

其中所述得分是至少部分地基于作为所述附加输入被提供给所述经训练的机器学习模型的所述游戏控制数据而生成的。

12.根据权利要求5所述的方法，其中所述游戏控制数据或所述传感器数据中的至少一者作为加密数据被接收，所述方法还包括：

由所述计算系统对所述加密数据进行解密；

由所述计算系统确定用于加密所述加密数据的私人密钥与所述用户账户相关联；以及

由所述计算系统确定所述私人密钥与维护在数据库中的多个私人密钥中的一个私人密钥匹配，所述多个私人密钥与多个可信手持式设备相关联，

其中所述确定所述信任得分还基于所述确定所述私人密钥与所述多个私人密钥中的所述一个私人密钥匹配。

13.根据权利要求12所述的方法，还包括确定所述私人密钥已经与所述用户账户相关联的时间长度，其中所述确定所述得分还基于所述时间长度。

14.根据权利要求5所述的方法，其中至少部分地基于所述得分将所述用户账户分配到所述第一匹配或所述第二匹配中的所述至少一者包括确定所述得分是否满足阈值得分。

15.一种系统，所述系统包括：

一个或多个处理器；和

存储器，所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述一个或多个处理器执行时，使所述系统：

从多个客户端机器接收游戏控制数据和传感器数据，其中所述游戏控制数据和所述传感器数据与向视频游戏服务注册的多个用户账户中的已登录的用户账户相关联，并且其中所述游戏控制数据将由视频游戏处理以用于控制所述视频游戏的一个或多个方面；

确定已登录的用户账户的得分，其中通过以下方式来确定所述得分中的各个得分：

将与单个用户账户相关联的所述传感器数据作为输入提供给经训练的机器学习模型；并且

生成与所述单个用户账户相关联的得分作为所述经训练的机器学习模型的输出，所述得分与所述游戏控制数据由与所述多个客户端机器的客户端机器相关联的手持式设备生成的概率相关，所述游戏控制数据与所述单个用户账户相关联；

至少部分地基于为所述已登录的用户账户确定的所述得分，将所述已登录的用户账户的第一子集分配到第一匹配，并且将所述已登录的用户账户的第二子集分配到第二匹配；并且

导致所述视频游戏在针对所述已登录的用户账户的所述第一子集的所述第一匹配中以及在针对所述已登录的用户账户的所述第二子集的所述第二匹配中的执行。

16.根据权利要求15所述的系统，其中与所述已登录的用户账户的所述第一子集相关联的所述传感器数据包括由手持式设备的一个或多个物理传感器生成的原始传感器数据。

17.根据权利要求16所述的系统，其中所述原始传感器数据包括原始陀螺仪数据、原始加速度计数据或原始电容传感器数据中的至少一者。

18.根据权利要求15所述的系统，其中还通过以下方式来确定所述得分中的所述各个得分：

除了将与所述单个用户账户相关联的所述传感器数据作为所述输入提供给所述经训练的机器学习模型之外，还将与所述单个用户账户相关联的所述游戏控制数据作为附加输入提供给所述经训练的机器学习模型，

其中与所述单个用户账户相关联的所述得分是至少部分地基于作为所述附加输入被提供给所述经训练的机器学习模型的与所述单个用户账户相关联的所述游戏控制数据而生成的。

19.根据权利要求15所述的系统，其中所述游戏控制数据或所述传感器数据中的至少一者作为加密数据被接收，并且其中所述计算机可执行指令在由所述一个或多个处理器执行时，还使所述系统：

对所述加密数据进行解密；

确定用于加密所述加密数据的私人密钥与所述已登录的用户账户中的一个已登录的用户账户相关联；并且

确定所述私人密钥与维护在数据库中的多个私人密钥中的一个私人密钥匹配，所述多个私人密钥与多个可信手持式设备相关联，

其中基于确定所述私人密钥与所述多个私人密钥中的所述一个私人密钥匹配而进一步确定与所述已登录的用户账户中的所述一个已登录的用户账户相关联的单个得分。

20.根据权利要求19所述的系统，其中所述计算机可执行指令在由所述一个或多个处理器执行时，还使所述系统确定所述私人密钥已经与所述已登录的用户账户中的所述一个已登录的用户账户相关联的时间长度，其中与所述已登录的用户账户中的所述一个已登录的用户账户相关联的所述单个得分还基于所述时间长度。

Images