CN115243771A

CN115243771A - 一种用于游戏的免下载运行方法及平台

Info

Publication number: CN115243771A
Application number: CN202280001452.4A
Authority: CN
Inventors: 许磊; 赵庆鹏
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-08-13
Filing date: 2022-05-25
Publication date: 2022-10-25

Abstract

本发明公开了一种用于游戏的免下载运行方法及平台，对游戏执行时的动态数据进行准确的动态识别、标识和分类，对分类数据分别进行有损和无损压缩；记录游戏执行过程中访问的地址段数据和上述分类数据的对应关系；针对不同数据类型分别进行数据分析得到不同数据类型的特征，并建立数据预测模型；根据训练好的预测数据模型，实时预测游戏执行时各地址段的加载顺序，根据地址段数据和分类数据的对应关系，提前准备好未来需要的数据段，并结合分块压缩技术返回给客户端；客户端在收到服务器提供的预测数据段后，根据标识进行分块解压缩并压缩还原，实现边下边玩。本发明能够实现让游戏即点即玩，不用等待下载安装的免下载运行方法。

Description

一种用于游戏的免下载运行方法及平台

技术领域

本发明涉及网络技术领域，尤其涉及一种用于游戏的免下载运行方法及平台。

背景技术

随着计算机技术的高速发展，游戏程序容量爆炸式增长，主机游戏从PS1时代发展到PS5时代，一个大型游戏程序的容量往往已经超过200GB，所以如何降低用户的使用成本，成为当务之急。

技术问题

现有的游戏客户端下载耗用大量时间且占用网速，不满足目前网络玩家需求。最好能有一种技术可以实现让游戏即点即玩，不用等待安装，不用等待下载，将GB级别的大型游戏，做到和页游一样的游戏启动体验。

目前在虚拟系统建设的基础上，启动优化用户游戏启动体验的一系列工作，但是由于大型游戏的容量较大，现有网络传输速率较低，用户的网络环境复杂，用户通常需要等待几分钟乃至几十分钟才能开始体验游戏，严重影响了用户体验。

技术解决方案

本发明提供一种用于游戏的免下载运行方法及平台，通过动态数据标识和分类的方法，结合大数据分析和机器学习技术，建立数据预测模型，提前预测游戏执行时各地址段的加载顺序，从而提前准备好未来其需要的数据段，能够给与游戏用户即点即玩的游戏体验。

为实现本发明的目的，本发明所采用的技术方案是：

一种用于游戏的免下载运行方法，所述方法包括步骤：

（1）在通过虚拟机执行游戏的过程中，对游戏执行时的动态数据进行准确的动态识别、标识和分类，并对分类数据分别进行有损和无损压缩；

（2）在通过虚拟机执行游戏的过程中，记录执行过程中访问的地址段数据和上述分类数据的对应关系，并存储在服务器中；

（3）利用机器学习技术针对不同数据类型分别进行数据分析得到不同数据类型的特征；并建立数据预测模型；

（4）客户端通过虚拟机启动游戏时，向服务器请求数据输入，服务器根据训练好的预测数据模型，实时预测游戏执行时各地址段的加载顺序，根据地址段数据和分类数据的对应关系，提前准备好未其需要的数据段，并结合分块压缩技术返回给客户端；

（5）客户端在收到服务器提供的预测数据段后，根据类型标识采用不同的方法进行分块解压缩并根据不同数据类型的压缩格式进行压缩还原，实现边下边玩。

一种用于游戏的免下载运行平台，包括数据收集标识和分类系统、大数据分析和机器学习系统、预测系统；

数据收集标识和分类系统，用于在通过虚拟机执行游戏的过程中，对游戏执行时的动态数据进行准确的动态识别、标识和分类，对分类数据分别进行有损和无损压缩；同时，记录游戏执行过程中访问的地址段数据和上述分类数据的对应关系，并存储在服务器的大数据分析和机器学习系统中；

大数据分析和机器学习系统，利用机器学习技术针对不同数据类型分别进行数据分析得到不同数据类型的特征；并建立数据预测模型；

预测系统，客户端通过虚拟机启动游戏时，向服务器请求数据输入，服务器根据训练好的数据预测模型，实时预测游戏执行时各地址段的加载顺序，根据地址段数据和分类数据的对应关系，提前准备好未来需要的数据段，并结合分块压缩技术返回给客户端；

客户端收到服务器提供的预测数据后，根据类型标识采用不同的方法进行分块解压缩并根据不同数据类型的压缩格式进行压缩还原，实现边下边玩。

进一步地，数据收集标识和分类系统，对于游戏执行时的数据进行动态识别的每次IO读取记录数据包括：时间戳、IO读取的起始地址、IO读取的请求数据长度、以及IO读取的类型标识。

进一步地，数据收集标识和分类系统，对数据进行动态识别时，是根据动态数据的流向，来判断本次IO读取的数据类型，并记录类型标识，包括纹理数据、音频数据、视频数据及程序数据。

进一步地，有损压缩包括：视频数据压缩为H264/5格式、音频数据压缩为AAC格式、纹理数据压缩为PNG格式；无损压缩包括：程序数据压缩成7z格式。

进一步地，大数据分析和机器学习系统，利用机器学习技术针对不同数据类型分别进行数据分析得到不同数据类型的特征，包括纹理数据和程序数据的分散特征。

进一步地，大数据分析和机器学习系统，建立基于深度神经网络的数据预测模型，包括输入、预测和输出；

预测模型的输入为最近N次读取的地址，输出为即将读取的目标段地址组合，预测流程是根据最近N次读取的地址预测后续的访问地址组合。

进一步地，对不同数据类型的分块压缩方式：1）程序数据按256KB为单位进行分块压缩；2）纹理数据按照256像素 x 256像素进行分块压缩；3）音频数据按256KB为单位进行分块压缩；4）视频数据按256KB为单位进行分块压缩。

进一步地，建立好数据预测模型之后，对数据预测模型进行预训练，采用游戏执行时进行动态识别的每次IO读取记录的历史数据进行预测模型的训练。

有益效果

与现有技术相比，本发明通过动态数据标识和分类的方法，结合大数据分析和机器学习技术，建立数据预测模型，提前预测游戏执行时各地址段的加载顺序，从而提前准备好未来其需要的数据段，能够给与游戏用户即点即玩的游戏体验。

本发明无需源码，不挑游戏，且全自动无需雇人工测试和标注。本发明在成本上，可将游戏分发、游戏运行的流量成本节约99%；体验上，即点即玩，无需等待的体验，大大降低了用户试玩游戏的成本。

附图说明

图1是本发明所述的用于游戏的免下载运行方法流程图；

图2是本发明所述的用于游戏的免下载运行平台的数据收集标识和分类系统示意图；

图3是本发明所述的用于游戏的免下载运行平台的大数据分析和机器学习系统示意图；

图4是本发明所述的用于游戏的免下载运行平台的预测系统示意图；

图5是预测模型训练示意图；

图6是预测模型示意图。

本发明的实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明所述的用于游戏的免下载运行方法，包括步骤：

（1）根据虚拟化技术，在通过虚拟机执行游戏的过程中，对游戏执行时动态的纹理数据、音频数据、视频数据及程序数据进行准确的动态识别、标识和分类，得到分类数据；并对分类数据分别进行有损和无损压缩；

（2）在通过虚拟机执行游戏的过程中，记录执行过程中访问的地址段数据和上述分类数据的对应关系，并存储在服务器的大数据分析和机器学习系统中；

（3）对建立起来的大数据分析和机器学习系统，利用机器学习技术，针对不同数据类型的特征分别进行数据分析和处理，得到不同数据类型的特征；并基于地址段数据和分类数据的对应关系，以及不同数据类型的特征建立数据预测模型；建立好数据预测模型之后，对数据预测模型进行预训练；

（4）玩家客户端通过虚拟化技术启动游戏时，向服务器请求数据输入，服务器根据训练好的预测数据模型，实时预测游戏执行时各地址段的加载顺序，在尚未执行到访问数据前，提前准备好未来其需要的数据段，并结合分块压缩技术，返回给客户端；

（5）客户端在收到服务器提供的预测数据段后，根据标识进行分块解压缩、压缩还原等数据处理，实现边下边玩不卡顿。

本发明所述的用于游戏的免下载运行平台，包括数据收集标识和分类系统、大数据分析和机器学习系统、预测系统。

如图2所示，数据收集标识和分类系统，基于软件架构实现，在通过虚拟机执行游戏的过程中，对游戏执行时动态的纹理数据（图片数据）、音频数据、视频数据及程序数据等进行准确的动态识别、标识和分类，对分类数据分别进行有损和无损压缩。

将游戏执行时的数据进行动态识别，将数据按照纹理数据、音频数据、视频数据及程序数据进行分类，并对分类数据进行类型标识。

游戏在运行过程中，会把从游戏文件读取的数据，经过预处理后，根据数据类型把数据输送到各个后续处理单元，比如音频处理单元、视频解码单元、图形处理单元等。本发明数据收集标识和分类系统对数据进行动态识别时，是根据数据的流向，来判断本次IO读取的数据类型，并记录类型标识，包括但不限于纹理、音频、视频、模型Mesh、渲染脚本、程序逻辑代码等等。

比如纹理数据（Texture）：纹理是表示物体表面细节的一幅或几幅二维图形，也称纹理贴图（texture mapping）。当把纹理按照特定的方式映射到物体表面上的时候能使物体看上去更加真实。

在游戏的正常运行过程中，对于游戏执行时的数据进行动态识别的每次IO读取，记录如下数据：时间戳、IO读取的起始地址、IO读取的请求数据长度、以及IO读取的类型标识，并上传到服务器，用于数据分析和预测模型的建立。

有损压缩，视频数据压缩为H264/5格式；音频数据压缩为AAC格式；纹理数据压缩为PNG格式。无损压缩，程序数据压缩成7z格式。

对于标识出来的纹理、图像、音频、视频、模型等数据，称其为游戏素材类数据，具有可编辑性，即，对其进行修改、增强、降级等操作，不会影响游戏引擎对其的正常处理和进行。并且由于采用有损压缩，通常压缩率可以做到几倍到几十倍不等。

比如纹理数据（Texture）：纹理是表示物体表面细节的一幅或几幅二维图形，也称纹理贴图（texture mapping）。当把纹理按照特定的方式映射到物体表面上的时候能使物体看上去更加真实。对于纹理数据，可以进行替换（Mod）、压缩、增强分辨率等操作，游戏引擎只要求纹理数据的格式，不检查纹理格式的内容，只是根据纹理的数据进行画面渲染。

然而，对于标识出来的程序数据，包括游戏的逻辑模型，则不具备可编辑性，需要解压缩后的数据和原数据完全一致，不然游戏引擎无法正常处理。对于这类数据，我们采用无损的压缩算法，以保证解压缩后的数据和压缩前完全一致。

数据收集标识和分类系统，在通过虚拟机执行游戏的过程中，记录下执行过程中访问的地址段数据和上述分类数据的对应关系，并存储在服务器的大数据分析和机器学习系统中。

在游戏的正常运行过程中，对于每次IO读取，会记录如下数据：时间戳、IO读取的起始地址、IO读取的请求数据长度、以及IO读取的类型标识，然后上传到服务器，以表格形式存储，一个示例如表1。

如图3所示，大数据分析和机器学习系统，基于服务器设计，利用机器学习技术，针对不同数据类型的特征分别进行数据分析和处理，得到不同数据类型的特征，包括纹理数据和程序数据的分散特征；并建立数据预测模型。

对于音频数据和视频数据，因其数据格式本身的特性就是和时间轴呈线性相关，在预测模型中，主要是以线性预测为主，根据顺序提前加载即可。

而纹理、模型、程序数据等数据，呈现多点读取、随机读取等特征，预测模型中，需要用到深度学习技术进行非线性数据模型训练和预测。

基于地址段数据和分类数据的对应关系，以及不同数据类型的特征建立数据预测模型，建立基于深度神经网络的预测模型，包括输入、预测和输出。

基于神经网络的深度学习方法，是近年来经过大量实践，并取得很好成果的一种很通用的方法。基于深度神经网络的预测模型，深度神经网络可以分为三层，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。本发明可根据计算需要设计多层隐藏层。

本实施例中，数据实践表明对于本场景，采用3层隐藏层，每个隐藏层神经元的数量是对应文件索引数量的三分之二。输入是最近N次读取的段地址组合（N=10），输出层节点数量为对应文件索引数量，然后根据概率排序选择前M个目标地址段（M=10）。

这里主要侧重介绍预测模型的输入输出，以及其运行的流程。预测模型的输入为最近N次读取的段地址组合，输出为即将读取的目标段地址组合，预测流程是根据最近N次读取的段地址组合预测后续的访问地址数据组合。本发明采用对数据段地址加载顺序的预测，从而提前准备好未来其需要的数据段，能够给与游戏用户即点即玩的游戏体验，其预测速度更快，计算量更小。

建立好深度神经网络数据预测模型之后，对数据预测模型进行预训练。如图5所示，在游戏的正常运行过程中，对于每次IO读取记录的历史数据：时间戳、IO读取的起始地址，作为对预测模型进行训练的数据输入。其中，根据时间戳能提供预测模型的反馈机制，即，后续的访问地址组合。

如图6所示，通过大数量的反复训练模型，最终导出的产品预测模型的具体输入为最近N次读取的段地址组合，输出为一个目标段地址组合（代表游戏即将读取的数据地址）。

如图4所示，预测系统，基于玩家客户端设计，客户端通过虚拟化技术启动游戏时，向服务器请求数据输入，服务器根据训练好的数据预测模型，实时预测游戏执行时各地址段的加载顺序，然后在尚未执行到访问数据前，根据地址段数据和分类数据的对应关系，提前准备好未来其需要的数据段，并结合分块压缩技术返回给客户端。

所述预测请求数据输入为目前游戏最近N次读取的段地址组合。

具体地，根据不同类型的分类数据采用不同的分块压缩方式，同时根据不同数据类型的有损或无损压缩格式进行压缩，对数据进行分块压缩之后返回给客户端。

对不同类型的分类数据采用不同的分块压缩方式：1）程序数据按256KB为单位进行分块压缩；2）纹理数据按照256像素 x 256像素进行分块压缩；3）音频数据按照AAC格式，按256KB为单位进行二次压缩；4）视频数据按照H264/5格式，按256KB为单位进行二次压缩。

玩家客户端在收到服务器提供的预测数据后，根据类型标识采用不同的方法进行分块解压缩，根据不同数据类型的有损或无损压缩格式进行压缩还原，从而做到边下边玩不卡顿。

客户端的执行主体可以是手机、笔记本电脑、平板电脑、掌上电脑、PAD、台式电脑等，本申请在此不作限定。

本发明的有益效果在于，与现有技术相比，本发明通过动态数据标识和分类的方法，结合大数据分析和机器学习技术，建立数据预测模型，提前预测游戏执行时各地址段的加载顺序，从而提前准备好未来其需要的数据段，能够给与游戏用户即点即玩的游戏体验。

Claims

1.一种用于游戏的免下载运行方法，其特征在于，所述方法包括步骤：

(1)在通过虚拟机执行游戏的过程中，对游戏执行时的动态数据进行准确的动态识别、标识和分类，并对分类数据分别进行有损和无损压缩；

(2)在通过虚拟机执行游戏的过程中，记录执行过程中访问的地址段数据和上述分类数据的对应关系，并存储在服务器中；

(3)利用机器学习技术针对不同数据类型分别进行数据分析得到不同数据类型的特征；并建立数据预测模型；

(4)客户端通过虚拟机启动游戏时，向服务器请求数据输入，服务器根据训练好的预测数据模型，实时预测游戏执行时各地址段的加载顺序，根据地址段数据和分类数据的对应关系，提前准备好未其需要的数据段，并结合分块压缩技术返回给客户端；

(5)客户端在收到服务器提供的预测数据段后，根据类型标识采用不同的方法进行分块解压缩并根据不同数据类型的压缩格式进行压缩还原，实现边下边玩。

2.一种用于游戏的免下载运行平台，其特征在于，包括数据收集标识和分类系统、大数据分析和机器学习系统、预测系统；

3.根据权利要求2所述的用于游戏的免下载运行平台，其特征在于，

数据收集标识和分类系统，对于游戏执行时的数据进行动态识别的每次IO读取记录数据包括：时间戳、IO读取的起始地址、IO读取的请求数据长度、以及IO读取的类型标识。

4.根据权利要求3所述的用于游戏的免下载运行平台，其特征在于，

数据收集标识和分类系统，对数据进行动态识别时，是根据动态数据的流向，来判断本次IO读取的数据类型，并记录类型标识，包括纹理数据、音频数据、视频数据及程序数据。

5.根据权利要求4所述的用于游戏的免下载运行平台，其特征在于，

有损压缩包括：视频数据压缩为H264/5格式、音频数据压缩为AAC格式、纹理数据压缩为PNG格式；无损压缩包括：程序数据压缩成7z格式。

6.根据权利要求2所述的用于游戏的免下载运行平台，其特征在于，

大数据分析和机器学习系统，利用机器学习技术针对不同数据类型分别进行数据分析得到不同数据类型的特征，包括纹理数据和程序数据的分散特征。

7.根据权利要求3所述的用于游戏的免下载运行平台，其特征在于，

大数据分析和机器学习系统，建立基于深度神经网络的数据预测模型，包括输入、预测和输出；

8.根据权利要求2所述的用于游戏的免下载运行平台，其特征在于，

对不同数据类型的分块压缩方式：1)程序数据按256KB为单位进行分块压缩；2)纹理数据按照256像素x256像素进行分块压缩；3)音频数据按256KB为单位进行分块压缩；4)视频数据按256KB为单位进行分块压缩。

9.根据权利要求2所述的用于游戏的免下载运行平台，其特征在于，

建立好数据预测模型之后，对数据预测模型进行预训练，采用游戏执行时进行动态识别的每次IO读取记录的历史数据进行预测模型的训练。