CN115337649A - 外挂检测模型的训练方法、外挂检测方法及装置 - Google Patents

Abstract

本申请涉及一种外挂检测模型的训练方法、外挂检测方法及装置，包括：获取游戏客户端的游戏截图，得到待识别图片；将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。通过本申请的方法可以有效识别外挂图片样本，其覆盖面广、召回率高、几乎不影响玩家的游戏性能，可视化结果更加直观、证据性更强。

Description

外挂检测模型的训练方法、外挂检测方法及装置

技术领域

本发明涉及计算机应用技术领域，具体涉及一种外挂检测模型的训练方法、外挂检测方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的飞速发展，电子游戏作为一种常见的休闲娱乐方式，在人们日常生活中扮演着至关重要的角色。然而，随着电子游戏的广泛普及，游戏竞争过程中的作弊现象也随之而来。

外挂是指在多人对战类的游戏中，使玩家获得从其正常的游戏视角不应该获得的信息的一种游戏作弊器，属于游戏应用中的违规操作。由于其可在游戏过程中增加采用者的能力，提升其游戏获胜率，成为了部分不良玩家的作弊工具。由此导致游戏生态圈一系列不公平竞争现象的发生，影响了游戏生态圈的平衡，降低了游戏的公平度和趣味性。

因此，游戏外挂的检测问题成为了越来越多的游戏开发商关注的焦点。现有的游戏外挂检测方法中，主要利用已有的游戏外挂类型、客户端的文件数据进行检测，由于其可检测的类型有限、应对变异能力弱、误判率高、容易导致游戏性能的降低、以及出现系统崩溃等问题，使其无法满足游戏外挂检测的需求。由于以上原因，获取一种可灵活、准确的进行外挂检测的模型及方法显得尤为重要。

发明内容

本发明提供一种外挂检测模型的训练方法、外挂检测方法、装置、电子设备及存储介质，通过第一类型外挂训练得到预定检测模型，进而实现游戏客户端外挂的检测，上述检测模型及检测方法以一种有效的识别模式，可以针对不同的情况分别进行模型训练，使其对各类形式的外挂都能进行有效识别，其覆盖率广、召回准确率高、也不容易出现系统奔溃问题，可视化结果更加直观、证据性更强。

为实现上述技术效果，本申请实施例采用的技术方案包括：一方面，本申请一实施例提供了一种外挂检测模型的训练方法，包括：

获取图片样本数据集；

根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注；

将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果；

基于对所述图片样本的标注，以及所述模型预测结果，确定所述模型是否满足预设的收敛条件；

若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型。

可选的，所述第一外挂类型，包括以下至少一种：血条、方框、骨骼、射线、雷达、黑屏、面板、非规范文字提示信息。

可选的，所述预定方式进行处理，包括：在所述截图样本上绘制所述第一外挂类型的外挂元素，得到处理后的含有外挂元素的图片样本；将所述处理后的图片样本标注为含有第一外挂类型的外挂元素的图片样本。

可选的，所述预定方式进行处理，包括：对所述图片样本进行识别，识别获得的识别信息内容包括：是否包含外挂，以及所包含的外挂类型；使用上述识别信息，对所述图片样本进行标注，获得所述处理后的图片样本。

另一方面，本申请一实施例还提供了一种游戏客户端外挂检测方法，包括：

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

可选的，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，包括：

将所述待识别图片，分别提供给对应于每一种外挂类型的各个检测模型；

获得每个检测模型的判断结果。

可选的，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，还包括：

将所述待识别图片，依次提供给对应各个外挂类型的检测模型；

获得检测模型的判断结果。

可选的，所述将所述待识别图片，依次提供给对应各个外挂类型的检测模型，包括：

在获得一个外挂类型的检测模型的检测结果后，若检测结果为不包含该外挂类型，则继续提供给下一个外挂类型的检测模型；若检测结果为包含该外挂类型，则进入下一步骤。

可选的，所述依次提供给对应各个外挂类型的检测模型的步骤中，将对应各个外挂类型的所述外挂检测模型，依照下述排序原则之一排序，或者结合下述排序原则综合排序，作为所述对所述待识别图片进行外挂判断的顺序：

根据该外挂类型被使用的概率从高到低排序；

根据该外挂类型的检测模型的检测成功率从高到低排序。

又一方面，本申请一实施例还提供了一种游戏客户端截图的外挂检测系统，包括：

外挂检测客户端，用于获取游戏客户端的游戏截图，得到待识别图片；

外挂检测服务端，用于将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

再一方面，本申请一实施例还提供了一种外挂检测模型的训练装置，包括：

获取单元，用于获取图片样本数据集；

处理单元，用于根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注；

训练单元，用于将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果；

判断单元，用于基于对所述图片样本的标注，以及所述模型预测结果，确定所述模型是否满足预设的收敛条件；

后处理单元，用于若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型；

输出单元，用于输出针对所述第一外挂类型的预定检测模型。

再一方面，本申请一实施例还提供了一种游戏客户端外挂检测装置，包括：

获取单元，用于获取游戏客户端的游戏截图，得到待识别图片；

判断单元，用于将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；；

输出单元，用于发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

另一方面，本申请一实施例还提供了一种电子设备，包括：

存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令，执行所述计算机可执行如下指令：

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

可选的，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，包括：

将所述待识别图片，分别提供给对应于每一种外挂类型的各个检测模型；

获得每个检测模型的判断结果。

可选的，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，还包括：

将所述待识别图片，依次提供给对应各个外挂类型的检测模型；

获得检测模型的判断结果。

可选的，所述将所述待识别图片，依次提供给对应各个外挂类型的检测模型，包括：

在获得一个外挂类型的检测模型的检测结果后，若检测结果为不包含该外挂类型，则继续提供给下一个外挂类型的检测模型；若检测结果为包含该外挂类型，则进入下一步骤。

可选的，所述依次提供给对应各个外挂类型的检测模型的步骤中，将对应各个外挂类型的所述外挂检测模型，依照下述排序原则之一排序，或者结合下述排序原则综合排序，作为所述对所述待识别图片进行外挂判断的顺序：

根据该外挂类型被使用的概率从高到低排序；

根据该外挂类型的检测模型的检测成功率从高到低排序。

再一方面，本申请一实施例提供了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器加载并执行以下步骤：

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

与现有技术相比，本申请提供的外挂检测模型的训练方法、外挂检测方法，能够以一种有效的识别模式，由于可以针对不同的情况分别进行模型训练，使其对各类形式的外挂都能够进行有效识别，其覆盖面广、召回准确率高、几乎不影响玩家的游戏性能，可视化结果更加直观、证据性更强。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的外挂检测模型的训练方法流程图；

图2是本申请一实施例提供的游戏客户端外挂检测的方法流程图；

图3是本申请另一实施例提供的骨骼外挂检测示意图；

图4是本申请另一实施例提供的骨骼外挂检测示意图；

图5是本申请另一实施例提供的骨骼外挂检测示意图；

图6是本申请另一实施例提供的戏客户端外挂检测系统的结构示意图；

图7是本申请一实施例提供的外挂检测模型的训练装置结构示意图；

图8是本申请另一实施例提供的游戏客户端外挂检测的装置结构示意图；

图9是本申请一实施例提供的电子设备的结构示意图；

图10是本申请一实施例提供的存储介质的结构示意图；

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

为使本申请实施例的目的、技术方案及优点更加清晰明了，在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

需要说明的是，本申请实施例各部分及附图中的术语“第一”、“第二”及“第三”等是用于区别类似的对象，而不表示彼此之间具有任何特定的顺序或先后次序。该类数据在适当情况下可以互换，以便本文所描述的本申请实施例能够以除本文图示或描述的内容之外的其他顺序实施。

本申请中的术语“包括”和“具有”以及他们的任何变形，旨在覆盖不排他的包含，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。

另外，本申请中所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。

如前所述，网络游戏中的不良游戏玩家使用外挂的行为，会导致游戏生态圈一系列不公平竞争现象发生，影响游戏生态圈的平衡，阻碍网络游戏行业的健康均衡发展，因此，获得一种误判率低、灵活度高、对游戏性能影响小的外挂检测模型及检测方法显得尤为重要。

本发明实施例可应用于即时对战(Real-Time Strategy Game,RTS)游戏、第一人称射击类(First-person shooting game,FPS)游戏、大逃杀类游戏等。为了使本领域技术人员更好的理解本申请的实施例，作为示例，本申请如下的实施例中将以大逃杀类型中的绝地求生游戏外挂检测作为示例，来对本申请的外挂检测方案进行详细说明。应当理解的是，下述外挂检测方案同样适用于相同或相近类型的其他游戏中进行检测，在下述的内容中本申请将不一一赘述。

在大逃杀类型的游戏中，以绝地求生游戏为例，每一局游戏将有100名玩家参与，他们将被投放在绝地岛的上空，并随机在地图上生成一个白色的安全区，而蓝色为电磁圈(毒圈)，游戏开始跳伞时所有人都一无所有。游戏展开的方式是：玩家赤手空拳地分布在岛屿的各个角落，利用岛上多样的武器与道具。随着时间的流逝，白色安全圈就会变小，岛上的安全地带越来越少，特定地区也会发生爆炸的情况，最终只有一人存活获得胜利。部分不良玩家为了取得游戏最终的胜利，在游戏进程中，会使用游戏的作弊器“外挂”，上述的外挂具有透视自瞄、物资显示、万象天引、千米爆头、被瞄提示、敌人透视、一键连招、按住锁头等诸多的功能，外挂可用于透视游戏角色血条、位置、距离等相关信息，并在玩家的视角显示出标注信息，助力不良玩家非正当公平游戏竞争。

“外挂”作为一张游戏画面图像中的异常特征，如不正常的线框或者是外挂界面等，其中，按外挂元素在游戏画面图像中的图像特征，可以将其分为线框类型、界面类型、异常颜色类型，因此，不同外挂类型的元素的特征不同。例如，血条型外挂，在游戏画面图像中以粗线条型的线框类型元素进行呈现；黑屏外挂，在游戏画面图像中以截图图片所有像素值均较低的界面类型元素进行呈现；文字提示信息外挂，在游戏画面图像中以不同颜色文字的异常颜色类型元素进行呈现。

本发明通过根据待训练检测模型针对的第一外挂类型，训练获得预定检测模型，并且将上述预定检测模型用于游戏客户端游戏截图的外挂检测，上述方法可以有效识别外挂图片样本，其覆盖面广、召回率高、几乎不影响玩家的游戏性能，可视化结果更加直观、证据性更强。

为了便于对本申请进行理解，下面结合具体的实施例对本申请提供的技术方案进行详细的说明，以下各个实施例的描述先后顺序并不构成对具体实施先后顺序的限定。

下面将结合图1介绍本申请第一实施例提供的外挂检测模型的训练方法，请参考图1。

S110，获取图片样本数据集。

本步骤的作用是获取用于外挂检测模型训练的图片样本数据集；该图片样本数据集包含足够数量的图片样本，一般的，这些图片样本从游戏客户端的实际游戏场景截图获得。

具体而言，所述游戏客户端的截图样本，为所述游戏客户端的玩家游戏进程中的截图样本。例如，桌面截图、客户端截图、dwm截图等。

本申请的技术方案是从游戏中的游戏玩家视角出发，基于游戏玩家可以观察到的游戏画面，即游戏玩家本人在游戏进程中的操作画面所得到的截图样本。

所述样本数据集中的图片样本，可包括以下至少一种：含有外挂元素的非正常图片样本、不含有外挂元素的正常图片样本。

此处为了便于理解，做出进一步的解释，在游戏的进程中，某固定不良玩家在某特殊时间段或特殊区域内使用外挂，那么，该玩家客户端的游戏显示界面的图像与正常玩家的游戏客户端图像相比，会存在异常元素，例如血条元素、骨骼元素、黑屏元素等。以黑屏元素做进一步说明，不良玩家的游戏界面截图与正常玩家的游戏界面截图的相比，不良玩家截图的最大像素值比正常玩家的截图平均像素值相比，截图整体像素数值偏低。

示例性地，本步骤获取的是大逃杀类型中的绝地求生游戏中多个玩家的客户端截图样本所组成的数据集。其中，既存在含有外挂元素的非正常图片样本，又存在不含有外挂元素的正常图片样本。

本实施例中，图片样本数据集中图片样本的来源，既可以是从实时在线的游戏玩家客户端取得的截图样本，还可以是从网络上搜集到的游戏客户端的历史截图样本。在本实施例中，对图片样本的来源不作具体限定。

S120，根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注。

本步骤的作用是根据待训练的检测模型所针对的外挂类型，对上一步骤获取的图片样本以预定方式进行处理。所谓第一外挂类型，是指代某一种特定的外挂类型。

本实施例提供的外挂检测模型的训练方法，可以用于训练各种类型的外挂检测模型；但是本实施例作为一个具体的外挂检测模型的训练方法，该方法用于训练用于某个特定类型的外挂的检测模型；即所谓第一外挂类型。

所述第一外挂类型，在本实施例的不同的具体实现中，例如可以使如下外挂类型中的一种：血条、方框、骨骼、射线、雷达、黑屏、面板、非规范文字提示信息。当然，也不排除两种类型的外挂使用一个外挂检测模型进行识别的可能，此时，该训练方法中的第一外挂类型也可以做广义的理解，包含多种类型的外挂，自然，本实施例主要是针对某一种特定类型外挂的检测。

对于不同类型的外挂，具体的预处理方式会有所不同，但无论如何预处理，一定包括对处理后的图片样本的标注；该标注至少包括对该图片样本是否包含所针对的第一外挂类型的外挂的标注。通过该标注，可以使该图片样本的属于正样本还是负样本的样本属性获得确定。

以下对上述列举的可能的外挂类型进行解释说明。

其中，在游戏中血条外挂的作用是在该玩家的视野盲区中显示出敌方敌人的位置；方框外挂可用于显示敌方敌人的方位、方位距离远近、敌方人数、以及敌人的动作和使用的武器等信息；骨骼外挂可用于显示出敌方敌人当前动作，如敌人当前在扔手雷、趴下、扶队友等动作；射线外挂可用于显示出游戏中的游戏角色所在位置；雷达外挂可用于显示出游戏地图中的物资方位；黑屏外挂可用于隐藏该玩家正在使用的外挂；面板外挂可用于显示敌方角色的外挂信息；非规范文字提示信息外挂可用于显示敌方的道具信息等。上述的概括并不代表其全部的可实现方式及作用。

如前所述，不同类型外挂其对应的检测模型是不同的。并且，针对特定外挂的检测模型并不唯一。例如，血条外挂，其对应的是血条外挂检测模型；骨骼外挂，其对应的是骨骼外挂检测模型；非规范文字外挂，其对应的是非规范文字提示信息外挂检测模型，从检测模型的工作原理角度分类，所述检测模型可以采用的具体形式可以是AdvancedEast模型、CRNN模型、CNN模型等。针对某个特定类型的外挂，可以根据其具体情况，选择合适原理的检测模型。

所述以预定方式进行处理，其中的预定方式，是在所述截图样本的基础上，进行进一步的加工，使所述截图样本适于作为训练样本。根据不同情况，可以进行不同的预处理。如前所述，所述预定方式进行处理，至少包括对处理后的图片样本的标注这种处理方式。但除了这一处理之外，根据不同情况，还可以包括一些其他处理步骤，以下对可能的处理过程进行说明。

所述预定方式进行处理的一种可以选择方式，包括：

在所述截图样本上绘制所述第一外挂类型的外挂元素，得到处理后的含有外挂元素的图片样本；

将所述处理后的图片样本标注为含有第一外挂类型的外挂元素的图片样本。

上述预定处理方式可以将普通的图片样本根据不同的外挂类型，加工为包含该类型的外挂的图片样本，从而在训练时作为正样本(即包含外挂的样本)；该处理方式适用于难以找到足够的正训练样本的情况；可适用于待训练模型针对的第一外挂类型为：血条、方框、骨骼、面板及文字提示信息类中的图片样本的处理。

示例性地，在血条外挂检测模型训练中，在所述获取的截图样本中，随机绘制1～5条常见颜色的血条，并将该处理后的含有血条外挂元素的图片样本，标注外挂信息为血条类别；在方框外挂检测模型训练中，在所述获取的截图样本中，随机绘制1～5条常见颜色、线条粗细不同的方框，并将该处理后的含有方框外挂元素的图片样本，标注外挂信息为方框类别；在非规范文字提示信息外挂检测模型训练中，在所述获取的截图样本中，随机的5～15处位置上使用随机颜色、随机字体各写2～8个文字(常用中英文、数字、括号及符号)，并将该处理后的含有非规范文字提示信息的图片样本，标注外挂信息为非规范文字提示信息类别。

所述预定方式进行处理的另外一种可行的方式为：

在所述截图样本的固定区域上绘制所述第一外挂类型的外挂元素，并对该截图样本的固定区域进行裁剪，得到处理后的含有外挂元素的小图片样本；

将所述处理后的小图片样本标注为含有第一外挂类型的外挂元素的图片样本。

上述预定方式处理，可适用于待训练模型针对第一外挂类型为：射线、雷达类中的图片样本的处理。

示例性地，在射线外挂检测模型中，由于射线挂通常出现在屏幕的上中和下中这两个位置射出，在所述获取的截图样本中的上中或下中位置随机绘制1～6条随机颜色的射线，并将该位置裁切为分辨率是128*128的小图片样本；标注外挂类别信息为射线外挂类别。进行裁剪的原因在于，所述检测模型进行识别时，主要是根据截图样本中某个区域中包含的图形元素来识别是否包含上述类型的外挂，因此，可以采用裁切为小图片样本的方式获得所述正样本。

所述预定方式进行处理的另外一种处理方式，包括：

对所述图片样本进行识别，识别获得的识别信息内容包括：是否包含外挂，以及所包含的外挂类型；

使用上述识别信息，对所述图片样本进行标注，获得所述处理后的图片样本。

上述处理方式主要是采用人工识别方式，人工识别结果包括是否包含外挂以及具体的外挂类型，然后根据人工识别结果进行标注。

进一步的，黑屏类外挂可直接从网络线上搜集黑屏外挂图片样本模板，并将该图片样本的外挂信息标注为黑屏类。

该步骤中，对所述处理后的图片样本的标注，是为了便于后期检测模型训练过程中对预测结果是否准确进行判断。

需要理解的是，上述步骤获取的图片样本数据集，存在含有外挂元素的非正常图片样本，即正样本，以及不含有外挂元素的正常图片样本，即负样本。所述正样本，即包含需要检测模型识别出的外挂类型的图片样本，负样本，即不包含需要检测模型识别出的外挂类型的图片样本。在本实施例中，假定待训练检测模型仅仅针对一种外挂类型进行识别，因此，进行训练的过程中，所述待训练检测模型的检测结论只有两种，即包含(第一外挂类型)，和不包含(第一外挂类型)；在检测模型判断后，就可以根据所标注的情况判断检测结果是否准确。

需要说明的是，上述对所述图片样本以对应于该第一外挂类型的预定方式进行处理的步骤中，所述预定方式，可以仅仅包括对图片是否包含第一外挂类型进行标注，而不进行任何其他处理。例如，对于某张正常的截图样本，采用前面所述的预定方式在其上绘制第一外挂类型的外挂元素，然后标注为正样本，同时，将该截图样本原图仅仅进行标注，作为负样本，这样，就同时获得了一对对应的正样本和负样本，可以用于检测模型的训练。

S130，将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果。

本步骤的作用是利用初始检测模型的预测功能获得预测结果，并通过该方式实现初始检测模型的训练。

所述初始检测模型，即根据所针对的外挂类型设定的某种未经过训练的机器学习模型，具体可以采用常见的各种适用于图像识别的机器学习模型类型，例如神经网络模型。所述初始检测模型可以设定初始参数，作为最初训练的基础；所述初始参数可以是根据其他类似的图像识别任务的检测模型迁移过来的参数。

在初始检测模型训练过程中，将处理后的图片样本组成训练样本数据集，用于初始检测模型的训练。一般的，这些图片样本从游戏客户端的实际游戏场景截图获得。所述游戏客户端的截图样本，其中包括了正样本和负样本，其中很多正样本是根据所述第一外挂类型的具体形式人为加工(即前述步骤中以预定方式进行处理)获得的。

所述模型预测结果为所述初始检测模型根据所述图片样本的信息，所预测的所述图片样本的第一外挂类型。

在血条、方框、骨骼类初始检测模型的训练中，该初始检测模型：

模型使用不同的方式以及不同的参数，对上述训练数据集中的图片样本进行二值化处理；

基于上述不同的参数，模型进行直线的寻找，获得预测结果。

在射线、雷达类初始检测模型的训练中，该初始检测模型：

将一定数量的正常游戏客户端截图样本和一定数量的射线、雷达类预处理图片样本，作为一批次的训练数据集，输入初始检测模型中；

初始检测模型根据正常截图样本和预处理截图样本进行射线、雷达类外挂识别预判训练，获得预测结果。

可选的，所述针对所述第一外挂类型的模型预测结果，至少包含以下一种：

不含有第一外挂、含有第一外挂类中的一种，如：血条、方框、骨骼、射线、雷达、黑屏、面板、非规范文字提示信息。

S140，基于对所述图片样本的标注，以及所述模型预测结果，确定所述检测模型是否满足预设的收敛条件。

本步骤的作用是根据图片样本的标注类型判断初始检测模型是否达到预设收敛条件。

其中，根据已知的处理后的图片样本的标注与所述模型预测结果进行匹配比对，计算所述已知的处理后的图片样本的标注结果与所述模型预测结果的损失函数的损失熵、召回率、平均相似度、误判率、f-score值以及漏判率。一种简单的判断指标是误判率低于一个规定的阈值或召回率高于预设阈值，例如，在积累足够的训练样本后，例如5000个训练样本的训练后，误判率低于20％，则认为该检测模型达到需要的训练效果。与此相仿，可以根据损失函数的损失熵、召回率、平均相似度、误判率以及漏判率等指标，设立预设收敛条件，确定所述模型是否满足预设的收敛条件。若达到该预设收敛条件，则检测模型达到了训练效果，可以使用。当然，可以通过不断积累样本数据，不断提高检测模型的识别效果，但训练样本达到一定的数量后，其总体误判率会稳定在某个数值上，即达到了所选择的检测模型类型的极限。

示例性地，在面板、文字提示信息类外挂检测模型中，将预定方式处理后的图片样本(正样本)、以及对应的未处理的图片样本(负样本)压缩为JPG格式文件后，输入AdvancedEast模型中。AdvancedEast模型依据自身的预测功能，对输入的图片进行结果预测。根据预测结果以及上述图片样本的标注结果，计算其f-score值(f-score作为综合指标是准确率和召回率的调和平均)，在模型的迭代训练过程中，当其f-score值不再上升时，可确定面板、文字提示信息类外挂预定检测模型。

S150，若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型。

本步骤的作用是获得满足预设收敛条件的预定检测模型。

所述对所述检测模型进行参数调整是指对所述检测模型中的参数进行调整。该调整是机器模型根据识别结果情况自行调整，可以每次都进行调整，也可以积累一批识别结果后进行调整。

上述第一实施例提供的外挂检测模型的训练方法仅仅说明了针对任何一种外挂类型都会采用的检测模型训练方法原理；针对具体的外挂类型，在初始检测模型的设置上，会有各自的特点，具体结合以下第二实施例提供的游戏客户端外挂检测方法进行说明。在采用已经标注的图片样本对检测模型进行训练的具体过程，和以下外挂检测方法中的具体检测过程是相同的，只不过具体检测方法中是获得识别结果，而第一实施例中的训练过程是在获得识别结果后根据标注情况判断识别结果是否准确，以及根据上述判断进行参数调整，以进一步提高检测模型的识别效果。

本实施例提供的游戏客户端外挂检测方法，请参考图2。

下面结合图2详细介绍游戏客户端外挂检测的过程。如图2所示，本实施例提供的游戏客户端外挂检测方法主要包括：

S210，获取游戏客户端的游戏截图，得到待识别图片。

本步骤的作用是获取待识别的游戏图片。

所述游戏客户端的截图样本，为所述游戏客户端的玩家游戏进程中的截图样本。例如，桌面截图、客户端截图、dwm截图等。

在得到待识别图片后，进行如下处理：

将待识别图片依据玩家信息进行预处理，得到预处理图片。

其中，为了提高预定外挂检测模型在检测过程中的反应速度、预判准确率以及外挂检测系统的威慑力，本实施例采用特定的方式对获取的待识别游戏图片进行预处理，以达到上述的效果。

所述将待识别图片依据玩家信息进行预处理，包括：

获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；

结合所述玩家信息，根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；

在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

上述预处理过程，其目的是找出重点需要识别的图片样本，以便以更短时间确定使用了外挂的玩家，因此，上述预处理过程根据采用外挂的历史以及采用外挂可能获得的效果等间接的、易于获取、易于判断的指标，对需要判别的图片样本进行筛选。

示例性地，以绝地求生游戏中服务器获取的某A、B、C三位游戏玩家的游戏客户端图片样本为例，其中，服务器查询到A玩家的近期战绩为9胜7败，被举报次数为0次，历史外挂检测结果为0次；查询到B玩家的近期战绩为13胜2败，被举报次数为3次，历史外挂检测结果为“方框透视”及“黑屏透视”，具有被封号1年的判罚历史；查询到C玩家的近期战绩为3胜3败，被举报次数为6次，历史外挂使用结果为0次，那么，服务器会根据各因素权重比例进行综合排序，将按照B、C、A的顺序对三位玩家的客户端图片样本进行排序，并输入预定检测模型中进行判定。

S220，将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂。

本步骤的作用是判断所述待识别图片是否含有某种类型的外挂。这里，假设针对每一种类型的外挂训练了专门针对该类型的外挂的检测模型。

可选的，将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，包括：

将所述待识别图片，分别提供给对应于每一种外挂类型的各个检测模型；

获得每个检测模型的判断结果。

例如，如果有六种外挂类型的检测模型，可以将待识别图片提供给分别对应于每一种外挂类型的检测模型，并获得每个检测模型的判断结果。上述针对每种外挂类型的检测模型，在实际运行中，可以采用并行运行的多个处理线程，每个线程对应于一种外挂类型的检测模型，这样可以对一个待识别图片迅速做出不同外挂类型的判断，最大程度缩短发现采用外挂的违规玩家。

可选的，将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，还包括：

将所述待识别图片，依次提供给对应多个对应各个外挂类型的检测模型；

获得检测模型的判断结果。

更进一步的，在获得一个外挂类型的检测模型的检测结果后，若检测结果为不包含该外挂类型，则继续提供给下一个外挂类型的检测模型；若检测结果为包含该外挂类型，则进入获得检测模型的判断结果的步骤；即将检测出包含的外挂类型作为判断结果发出；下一个外挂类型就可以不再检测了。这样，只要待识别图片使用了一种外挂，就可以对其采取措施，可以不需要进一步浪费计算资源。

其中，所述依次提供给对应各个外挂类型的检测模型的步骤中，将对应各个外挂类型的所述外挂检测模型，依照下述排序原则之一排序，或者结合下述排序原则综合排序，作为所述对所述待识别图片进行外挂判断的顺序：根据该外挂类型被使用的概率从高到低排序；根据该外挂类型的检测模型的检测成功率从高到低排序。

例如，血条类外挂在绝地求生游戏中各玩家的使用频率为76％，方框类外挂的使用频率为61％，面板类外挂的使用频率为55％，则对应的外挂检测模型顺序为：血条类外挂预定检测模型-方框类外挂预定检测模型-面板类外挂预定检测模型，待识别图片样本按上述顺序依次提供给预定检测模型。

对于任何一种需要检测的待识别图片，都会依次经过每一种类型的外挂检测模型进行检测；采用串行方式组织对应多个外挂类型的检测模型，即一种类型的外挂检测模型的判断结果做出后，若判断结果为不含外挂，再进行下一个类型的外挂检测模型的判断；若含有外挂，则反馈判断结果。在此种串行检测的方式下，可以将特别常见的外挂类型的检测模型放在前面，这样，检测出包含该种外挂类型的图片后，就可以对对应玩家是否使用了外挂进行判断，对进行处理，而不需要读该图片是否包含了其他外挂进行进一步检测，显然，串行检测的方式可以降低整体计算量，但降低了识别速度。

所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

其中，在血条、方框、骨骼预定检测模型中，由于这三类外挂都属于位置不固定但形状相对固定的外挂，所以均以二值化和寻找符合条件的形状为准则，上述预定模型进行判断检测。

更进一步的，血条类外挂由于一般绘制的线条较粗、受图片压缩的影响较小，可直接利用RGB颜色检测模块过滤大于阈值的图片，即可完成判断；

方框、骨骼类的外挂由于绘制的线条较细，容易收到图片压缩的影响，所以预定检测模型可以采取转灰度图、图片锐化及过滤像素值大于阈值的方案，实现结果的判断。

再进一步的，在寻找符合条件的形状的步骤中，由于血条和方框的形状比较规整，预定模型可以直接利用HoughLine在待识别图片中寻找所以直线，以获得判断结果。而骨骼类的外挂绘制受到角色姿势的影响，骨骼预定检测模型还可以利用离散点合并、宽高过滤以及规则判断完成是否含有骨架元素的判定。

示例性地，将待识别的图片样本依次输入不同类型预定检测模型后，血条预定检测模型通过HoughLine确认存在垂直(水平)方向的直线，即可认定该待识别图片样本含有血条类外挂。

示例性地，将待识别的图片样本依次输入不同类型预定检测模型后，方框预定检测模型通过转灰度图、锐化、二值化、及HoughLine即可确定该待识别图片样本是否含有方框类外挂。

示例性地，将待识别的图片样本依次输入不同类型预定检测模型后，骨骼预定检测模型利用转灰度得到图3、再将图3进行锐化、二值化得到图4，图4结合离散点结合、宽高过滤、规则判断最终找到一个符合要求的骨骼图5，即找到含有骨骼外挂元素的图片样本。

在射线、雷达预定检测模型中，由于这两类外挂都属于位置固定、形状固定的外挂，所以只需要从待识别图片样本上截取一小块图片，预定模型即可进行判断检测。上述的方式能大大降低模型的复杂度，提高检测的效果。

在射线类外挂检测过程中，由于该类外挂一般从屏幕的上中和下中两个位置射出，所以在每张待识别图片的该位置截图一定尺寸大小的小图，通过射线预定检测模型，如CNN模型(深度学习模型)，当该模型输出疑似度超过阈值时，即认定该待识别图片样本含有射线类外挂。

示例性地，从待识别的图片样本顶部裁剪得到分辨率为128*128的小图1，底部裁剪得到分辨率为128*128的小图2，射线预定检测模型CNN模型输出的小图1的疑似度为0.971，所以认定该待识别图片样本的小图1包含射线外挂；小图2的疑似度为0.013，所以认定该待识别图片样本的小图2不包含射线外挂。

在雷达类外挂检测过程中，由于该类外挂一般出现在屏幕的左上角或右上角的位置，直接可以利用待识别图片样本这两个区域与预设的雷达类外挂模板进行匹配，当存在超过阈值的匹配结果是，即认定为该待识别图片样本含有雷达外挂。

示例性地，从待识别的图片样本裁剪右上角区域，并依次和该区域的所有雷达外挂模板做匹配，其中和某个模板的相似度达到0.912，即可认定该待识别图片样本含有雷达外挂。

在黑屏类外挂检测过程中，由于玩家可通过windows自带的反截图函数SetWindowDisplayAffinity、透明度设置，使得外挂元素从游戏的截图中消失，取而代之的是一张除了看起来颜色较黑外一切正常的游戏图片。因此，在黑屏预定检测模型中，通过检测待识别图片样本的所有像素的最大值是否小于预设阈值，即可完成黑屏类外挂的判断。

示例性地，该获取的待识别图片样本，最大像素值为91，小于预设阈值，因此判定该待识别图片样本含有黑屏外挂。

在面板、非规范文字提示信息类外挂检测过程中，由于这两类外挂都是属于文字类的外挂，位置不固定，但是会出现一些与外挂相关的关键词。因此，面板预定检测模型、非规范文字提示信息预定检测模型看而利用OCR(光学字符识别)进行文字信息识别，判断该样本图片上是否含有非规范的外挂类文字信息，以判定是否含有面板、非规范文字提示信息类外挂。

更进一步的，由于待识别图片经过了高度压缩处理，现有的OCR工具会存在误判、漏判的情况，因此，还可利用文本检测AdvancedEast模型，先裁剪出存在文字的小图，再利用文字识别模型CRNN来识别小图上详细的文字信息内容，以提高模型判断的精准度，提高了模型效果以及执行速度。最终识别出的文字辅以关键词过滤，来判断是否使用了此类外挂。

示例性地，在面板预定检测模型中，通过文本检测AdvancedEast模型先检测出文本部分，在将该文本部分小图利用模型CRNN进行内容识别，若识别出的内容为“道具透视、人物透视、一键连招、模拟振刀、内存振刀等”，即可判定该待识别图片样本含有面板类外挂。

示例性地，在非规范文字提示信息预定检测模型中，通过文本检测模型AdvancedEast找出其包含文字的部分，再利用模型CRNN进行内容识别，识别结果为“5m T22[金]太刀”，符合外挂特征，即可判定该待识别图片样本含有非规范文字提示信息类外挂。

上述预定检测模型的检测方式并不固定，利用上述的方式是均可实现预定检测模型对待识别图片样本的判断。

S230，发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

本步骤的作用是输出所述待识别图片的判断结果。

将所述判断结果上报游戏运营，该外挂游戏玩家的ID以及证据上传至相应的游戏服务器中，以便举证和惩罚。

所述证据包括所述外挂游戏玩家的服务器ID、角色ID、时间戳、日期信息、游戏外挂判断数据等信息。

本申请的实施例提供一种游戏客户端截图的外挂检测系统，该系统的架构可以如图6所示，主要包括外挂检测客户端601和外挂检测服务器602。该系统的工作原理如下：

外挂检测客户端601：用于获取游戏客户端的游戏截图，得到待识别图片，并将待识别图片上报给外挂检测服务器602。

外挂检测服务器602：用于将接收到的外挂检测客户端601的待识别图片依次通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

通过上述外挂检测系统来判断待识别图片，其覆盖面广、召回率高、几乎不影响玩家的游戏性能，并且该系统可视化结果更加直观、证据性更强，运营能更容易的区别出外挂玩家和正常玩家。

本申请实施例的游戏外挂检测系统可以由计算机设备执行，其中，该计算机设备包括外挂检测客户端601、外挂检测服务器602。该外挂检测客户端601对应的硬件实体可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机、个人数字助理等终端设备，外挂检测客户端601还可以是游戏应用客户端、携带有游戏程序的浏览器客户端或即时通信客户端等，该外挂检测客户端601的软件实体可以是位于上述游戏客户端的一个伴随游戏运行的监测线程；外挂检测服务器602可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发服务、以及大数据和人工智能平台等基础云计算服务的云服务器。在实际系统中，所述外挂检测服务器602的软件实体可以是位于游戏服务器中的若干实时运行的检测模块线程。

在介绍了本申请示例性实施方式的方法、系统之后，接下来，介绍本申请提供的示例性实施的装置。

如图7所示，本申请提供的一种外挂检测模型的训练装置，包括：

获取单元701，用于获取图片样本数据集；

处理单元702，用于根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注；

训练单元703，用于将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果；

判断单元704，用于基于对所述图片样本的标注，以及所述模型预测结果，确定所述模型是否满足预设的收敛条件；

后处理单元705，用于若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型；

输出单元706，用于输出针对所述第一外挂类型的预定检测模型。

可选的，所述第一外挂类型，包括以下至少一种：血条、方框、骨骼、射线、雷达、黑屏、面板、非规范文字提示信息。

可选的，所述预定方式进行处理，包括：在所述截图样本上绘制所述第一外挂类型的外挂元素，得到处理后的含有外挂元素的图片样本；将所述处理后的图片样本标注为含有第一外挂类型的外挂元素的图片样本。

可选的，所述预定方式进行处理，包括：对所述图片样本进行识别，识别获得的识别信息内容包括：是否包含外挂，以及所包含的外挂类型；使用上述识别信息，对所述图片样本进行标注，获得所述处理后的图片样本。

如图8所示，在本申请的又一实施例中，提供一种游戏客户端外挂的检测装置，包括：

获取单元801，用于获取游戏客户端的游戏截图，得到待识别图片；

判断单元802，用于将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

输出单元803，用于发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

在介绍了本申请示例性实施方式的方法、装置之后，接下来，请参考图9。

如图7所示，介绍本申请提供的一种示例性电子设备900。

该电子设备900包括处理器901和存储器902。

所述存储器902用于存储程序指令；

所述处理器901用于调用所述存储器中的程序指令执行如下步骤：

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

在介绍了本申请示例性实施方式的方法、装置及电子设备之后，接下来，请参考图10。

如图10所示，本申请提供了一种示例性介质，该介质存储有计算机可执行指令，该计算机可执行指令可用于使计算机执行图10对应的本发明示例性实施方式中任一项所述的方法。

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

可选的，在得到待识别图片后，进行如下处理：将待识别图片依据玩家信息进行预处理，得到预处理图片。

可选的，所述将待识别图片依据玩家信息进行预处理，包括：获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

可选的，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (17)

1.一种外挂检测模型的训练方法，其特征在于，包括：

获取图片样本数据集；

根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注；

将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果；

基于对所述图片样本的标注，以及所述模型预测结果，确定所述模型是否满足预设的收敛条件；

若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型。

2.根据权利要求1所述的方法，其特征在于，所述第一外挂类型，包括以下至少一种：

血条、方框、骨骼、射线、雷达、黑屏、面板、非规范文字提示信息。

3.根据权利要求1所述的方法，其特征在于，所述预定方式进行处理，包括：

在所述截图样本上绘制所述第一外挂类型的外挂元素，得到处理后的含有外挂元素的图片样本；

将所述处理后的图片样本标注为含有第一外挂类型的外挂元素的图片样本。

4.根据权利要求1所述的方法，其特征在于，所述预定方式进行处理，包括：

对所述图片样本进行识别，识别获得的识别信息内容包括：是否包含外挂，以及所包含的外挂类型；使用上述识别信息，对所述图片样本进行标注，获得所述处理后的图片样本。

5.一种游戏客户端外挂检测方法，其特征在于，包括：

获取游戏客户端的游戏截图，得到待识别图片；

将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

6.根据权利要求5所述的方法，其特征在于，在得到待识别图片后，进行如下处理：

将待识别图片依据玩家信息进行预处理，得到预处理图片。

7.根据权利要求6所述的方法，其特征在于，所述将待识别图片依据玩家信息进行预处理，包括：

获取以下至少一种玩家信息：近期战绩、被举报的次数、历史外挂检测结果；

结合所述玩家信息、根据预定的标准，对所述待识别图片样本进行优先级排序，得到所述预处理图片样本；

在所述将所述待识别图片依次通过针对不同类型外挂训练获得的预定检测模型的步骤中，按照所述图片样本的优先级排序确定检测顺序。

8.根据权利要求5所述的方法，其特征在于，所述预定检测模型根据所针对的外挂类型，包括以下至少一种：

血条预定检测模型、方框预定检测模型、骨骼预定检测模型、射线预定检测模型、雷达预定检测模型、黑屏预定检测模型、面板预定检测模型、非规范文字提示信息预定检测模型。

9.根据权利要求5所述的方法，其特征在于，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，包括：

将所述待识别图片，分别提供给对应于每一种外挂类型的各个检测模型；

获得每个检测模型的判断结果。

10.根据权利要求5所述的方法，其特征在于，所述将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂，还包括：

将所述待识别图片，依次提供给对应各个外挂类型的检测模型；

获得检测模型的判断结果。

11.根据权利要求10所述的方法，其特征在于，所述将所述待识别图片，依次提供给对应各个外挂类型的检测模型，包括：

在获得一个外挂类型的检测模型的检测结果后，若检测结果为不包含该外挂类型，则继续提供给下一个外挂类型的检测模型；若检测结果为包含该外挂类型，则进入下一步骤。

12.根据权利要求10所述的方法，其特征在于，所述依次提供给对应各个外挂类型的检测模型的步骤中，将对应各个外挂类型的所述外挂检测模型，依照下述排序原则之一排序，或者结合下述排序原则综合排序，作为所述对所述待识别图片进行外挂判断的顺序：

根据该外挂类型被使用的概率从高到低排序；

根据该外挂类型的检测模型的检测成功率从高到低排序。

13.一种游戏客户端截图的外挂检测系统，其特征在于，

外挂检测客户端，用于获取游戏客户端的游戏截图，得到待识别图片；

外挂检测服务端，用于将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

14.一种外挂检测模型的训练装置，其特征在于，包括：

获取单元，用于获取图片样本数据集；

处理单元，用于根据待训练检测模型针对的第一外挂类型，对所述图片样本以对应于该第一外挂类型的预定方式进行处理，所述预定方式至少包括对处理后的图片样本的标注；

训练单元，用于将所述处理后的图片样本组成训练数据集，提供给针对所述第一外挂类型的初始检测模型中，获得针对所述第一外挂类型的模型预测结果；

判断单元，用于基于对所述图片样本的标注，以及所述模型预测结果，确定所述模型是否满足预设的收敛条件；

后处理单元，用于若不满足预设的收敛条件，则对所述检测模型进行参数调整，并基于参数调整后的检测模型进行下一轮的训练，直到满足预设的收敛条件，得到针对所述第一外挂类型的预定检测模型；

输出单元，用于输出针对所述第一外挂类型的预定检测模型。

15.一种游戏客户端外挂检测装置，其特征在于，包括：

获取单元，用于获取游戏客户端的游戏截图，得到待识别图片；

判断单元，用于将所述待识别图片通过针对不同类型外挂训练获得的预定检测模型，以判断所述待识别图片样本是否含有某种类型的外挂；

输出单元，用于发出所述判断结果；所述判断结果包括所述图片样本是否包含任何一种类型的外挂的检测结果信息。

16.一种电子设备，其特征在于，包括：存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行如权利要求1至12中任一项所述的方法。

17.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的方法。

Images