CN115944921B - 游戏数据处理方法、装置、设备及介质 - Google Patents

Abstract

本申请提供了一种游戏数据处理方法、装置、设备及介质，该方法包括：获取目标游戏对象在目标游戏的游戏技能释放过程中的技能释放时间戳，基于技能释放时间戳和目标游戏对象在游戏技能释放过程中的属性技能数据信息确定时序输入特征；将时序输入特征输入至目标预测模型得到预测时序特征；基于目标游戏对象在游戏技能释放过程中的对象属性数据信息和技能释放时间戳确定负样本特征，基于负样本特征和预测时序特征确定正样本特征；对正样本特征和负样本特征进行聚类处理，若聚类处理结果指示负样本特征属于异常聚类簇，则确定目标游戏对象在游戏技能释放过程中存在异常属性技能。采用本申请，可以在游戏技能释放过程中提升异常检测的准确性。

Description

游戏数据处理方法、装置、设备及介质

技术领域

本申请涉及游戏技术领域，尤其涉及一种游戏数据处理方法、装置、设备及介质。

背景技术

目前，在对游戏对象（例如，游戏角色）的游戏技能释放过程进行异常检测时，需要开发测试人员通过人工或自动化释放技能脚本操控游戏对象释放游戏技能，以检查游戏对象在游戏技能释放过程中的位移变化、血量变化、技能特效等是否与预期结果相同，从而判断游戏对象在游戏技能释放过程中是否存在异常属性技能（例如，位移异常、血量异常等）。

但是，发明人在实践中发现，为了体现和丰富游戏的战术性，游戏技能设计一般都是多样性和灵活性的，这意味着对于不同游戏技能的组合，将出现游戏对象量级和游戏技能量级的几何数量级增加，进而导致开发测试人员只能对小部分游戏对象和游戏技能释放过程进行测试，无法覆盖所有的游戏对象和所有的游戏技能释放过程，因此经常会有问题反馈回来（例如，某个游戏角色在释放位移技能时出现卡顿），严重破坏了游戏玩家的游戏体验。此外，在反馈回问题之后，开发测试人员需针对性地构造游戏技能释放场景，以识别出存在的技能释放问题，一方面导致人力成本和维护成本较高，另一方面由于某些游戏技能释放场景过于复杂（例如，不同游戏技能的组合），以至于开发测试人员难以精准复现，使得容易引入漏测的可能，导致在游戏技能释放过程中存在异常检测不准确的现象。

发明内容

本申请实施例提供一种游戏数据处理方法、装置、设备及介质，可以在游戏技能释放过程中提升异常检测的准确性。

本申请实施例一方面提供了一种游戏数据处理方法，包括：

获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息，基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；

将目标时序输入特征输入至目标预测模型，由目标预测模型对目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由目标预测模型输出的目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征；

获取目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征；

通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到目标游戏对象在第一游戏技能释放过程中的聚类处理结果；

若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能。

本申请实施例一方面提供了一种游戏数据处理装置，包括：

输入特征确定模块，用于获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息，基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；

特征预测处理模块，用于将目标时序输入特征输入至目标预测模型，由目标预测模型对目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由目标预测模型输出的目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征；

样本特征确定模块，用于获取目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征；

异常检测聚类模块，用于通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到目标游戏对象在第一游戏技能释放过程中的聚类处理结果；

异常检测判断模块，用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能。

其中，输入特征确定模块包括：

时间轴确定单元，用于确定目标游戏对象在目标游戏的第一游戏技能释放过程的技能释放时间轴；

时间戳采集单元，用于采集技能释放时间轴上的时间戳，将采集到的时间戳作为目标游戏对象在第一游戏技能释放过程中的第一技能释放时间戳；

信息采集单元，用于基于第一技能释放时间戳中的每个时间戳，采集目标游戏对象在第一游戏技能释放过程中的每个时间戳上的时间属性技能信息，将采集到的每个时间戳上的时间属性技能信息作为目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息。

其中，第一技能释放时间戳包含M个时间戳；M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；M为正整数；j=i+1；i和j为小于或者等于M的正整数；第一属性技能数据信息包含时间戳i对应的时间属性技能信息m和时间戳j对应的时间属性技能信息n；

输入特征确定模块还包括：

第一矩阵生成单元，用于获取与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵；

第一矩阵生成单元，还用于获取与时间属性技能信息n相关联的第二多维度向量特征，将由第二多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第一信息矩阵；

第一矩阵拼接单元，用于按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第一信息矩阵和时间戳j对应的第一信息矩阵进行矩阵拼接处理，得到与第一技能释放时间戳相关联的第一信息拼接矩阵；

输入特征确定单元，用于基于第一信息拼接矩阵，得到用于输入目标预测模型的目标时序输入特征，目标时序输入特征包含M个第一信息矩阵，一个第一信息矩阵对应一个时间戳。

其中，时间属性技能信息m包含对象属性信息、对象位置信息、技能释放状态信息、场景特征信息；

第一矩阵生成单元，具体用于对对象属性信息进行向量映射，得到对象属性信息对应的属性维度向量特征；

第一矩阵生成单元，还具体用于对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征；

第一矩阵生成单元，还具体用于对技能释放状态信息进行向量映射，得到技能释放状态信息对应的技能维度向量特征；

第一矩阵生成单元，还具体用于对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征；

第一矩阵生成单元，还具体用于将属性维度向量特征、位置维度向量特征、技能维度向量特征和场景维度向量特征，作为与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵。

其中，第一技能释放时间戳包含M个时间戳；M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；M为正整数；j=i+1；i和j为小于或者等于M的正整数；第一对象属性数据信息包含时间戳i对应的时间对象属性信息m和时间戳j对应的时间对象属性信息n；

样本特征确定模块包括：

第二矩阵生成单元，用于获取与时间对象属性信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵；

第二矩阵生成单元，还用于获取与时间对象属性信息n相关联的第四多维度向量特征，将由第四多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第二信息矩阵；

第二矩阵拼接单元，用于按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第二信息矩阵和时间戳j对应的第二信息矩阵进行矩阵拼接处理，得到与第一技能释放时间戳相关联的第二信息拼接矩阵；

样本特征确定单元，用于基于第二信息拼接矩阵，得到与目标游戏对象相关联的异常检测聚类策略中的负样本特征，负样本特征包含M个第二信息矩阵，一个第二信息矩阵对应一个时间戳。

其中，时间对象属性信息m包含对象位置信息、对象增减益状态信息、场景特征信息；

第二矩阵生成单元，具体用于对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征；

第二矩阵生成单元，还具体用于对对象增减益状态信息进行向量映射，得到对象增减益状态信息对应的状态维度向量特征；

第二矩阵生成单元，还具体用于对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征；

第二矩阵生成单元，还具体用于将位置维度向量特征、状态维度向量特征、场景维度向量特征，作为与时间属性技能信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵。

其中，第一技能释放时间戳包含M个时间戳；M为正整数；第一时间戳是M个时间戳中的任意一个，N个第二时间戳是M个时间戳中在第一时间戳之前且连续的N个时间戳；N为整数；目标时序输入特征包括M个时间戳中每个时间戳对应的时间属性技能信息；

可选地，特征预测处理模块包括：

信息预测处理单元，用于由目标预测模型基于第一时间戳对应的时间属性技能信息和N个第二时间戳对应的时间属性技能信息，对第一时间戳对应的时间对象属性信息进行预测处理，且由目标预测模型输出第一时间戳所对应的预测对象属性信息；

输出特征确定单元，用于基于目标预测模型输出的M个时间戳中每个时间戳所对应的预测对象属性信息，确定特征预测处理后的目标时序输出特征。

其中，目标预测模型包括第一因果特征处理组件、激活处理组件、池化处理组件和第二因果特征处理组件；

可选地，特征预测处理模块还包括：

特征处理单元，用于将目标时序输入特征输入至目标预测模型包括的第一因果特征处理组件，由第一因果特征处理组件对目标时序输入特征进行因果特征处理，得到因果特征；

激活处理单元，用于将因果特征输入至目标预测模型包括的激活处理组件，由激活处理组件对因果特征进行非线性处理，得到非线性特征；

池化处理单元，用于将非线性特征输入至目标预测模型包括的池化处理组件，由池化处理组件对非线性特征进行池化处理，得到池化特征；

特征处理单元，还用于将池化特征输入至目标预测模型包括的第二因果特征处理组件，由第二因果特征处理组件对池化特征进行因果特征处理，得到特征预测处理后的目标时序输出特征。

其中，输入特征确定模块，还用于获取参考游戏对象在目标游戏的第二游戏技能释放过程中的第二技能释放时间戳，通过第二技能释放时间戳采集参考游戏对象在第二游戏技能释放过程中的第二属性技能数据信息，基于第二属性技能数据信息和第二技能释放时间戳，确定用于输入初始预测模型的样本时序输入特征；

特征预测处理模块，还用于将样本时序输入特征输入至初始预测模型，由初始预测模型基于第二技能释放时间戳对样本时序输入特征进行特征预测处理，得到特征预测处理后的样本时序输出特征，将由初始预测模型输出的样本时序输出特征作为与第二技能释放时间戳相关联的样本预测时序特征；

样本特征确定模块，还用于获取参考游戏对象在第二游戏技能释放过程中的第二对象属性数据信息，基于第二对象属性数据信息和第二技能释放时间戳，确定样本真实时序特征；

装置还包括：

模型训练模块，用于基于样本预测时序特征和样本真实时序特征，确定初始预测模型的模型损失函数值，基于模型损失函数值对初始预测模型进行模型迭代训练，得到模型迭代训练结果；

模型训练模块，还用于当模型迭代训练结果指示迭代训练后的初始预测模型满足模型收敛条件时，将满足模型收敛条件的初始预测模型作为目标预测模型。

异常检测聚类模块包括：

构造单元，用于基于正样本特征和负样本特征，构造用于聚类的第一数据集；

聚类处理单元，用于基于异常检测聚类策略获取第一聚类模型以及第一聚类模型所关联的第一密度邻域半径和第一密度点数阈值，在将第一数据集中的样本点输入至第一聚类模型时，由第一聚类模型基于第一密度邻域半径和第一密度点数阈值对第一数据集中的样本点进行聚类处理，得到异常检测聚类策略所指示的正常聚类簇；正常聚类簇中的一个聚类样本点为从第一数据集中所筛选出的与第一密度邻域半径和第一密度点数阈值相符的样本点；

构造单元，还用于将第一数据集中除正常聚类簇中的聚类样本点之外的样本点作为待聚类的噪声样本点，基于噪声样本点构造用于聚类的第二数据集；

聚类处理单元，还用于基于异常检测聚类策略获取第二聚类模型以及第二聚类模型所关联的第二密度邻域半径和第二密度点数阈值，在将第二数据集中的噪声样本点输入至第二聚类模型时，由第二聚类模型基于第二密度邻域半径和第二密度点数阈值对第二数据集中的噪声样本点进行聚类处理，得到异常检测聚类策略所指示的异常聚类簇，第一密度邻域半径大于第二密度邻域半径，第一密度点数阈值大于第二密度点数阈值。

其中，聚类处理单元，具体用于将第一数据集中的正样本特征和负样本特征作为第一数据集中的样本点，从第一数据集中的样本点中获取目标样本点；

聚类处理单元，还具体用于记录以目标样本点为中心点，且以第一密度邻域半径为搜索半径的样本点，将记录到的样本点的样本数量与第一密度点数阈值进行比较，得到第一比较结果；

聚类处理单元，还具体用于若第一比较结果指示记录到的样本点的样本数量达到第一密度点数阈值，则将目标样本点作为在第一数据集中所确定出的核心样本点；

聚类处理单元，还具体用于当第一数据集中的每个样本点均作为目标样本点时，得到在第一数据集中所确定出的所有核心样本点；

聚类处理单元，还具体用于在确定出的所有核心样本点中获取起始核心样本点，并在第一数据集中查找与起始核心样本点具有密度可达关系的核心样本点，将查找到的核心样本点作为可达核心样本点；

聚类处理单元，还具体用于将起始核心样本点的第一邻域内的样本点和可达核心样本点的第二邻域内的样本点合并至正常聚类簇；第一邻域是以起始核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域；第二邻域是以可达核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域。

其中，异常检测判断模块，还用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的正常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中不存在异常属性技能。

其中，装置还包括：

差异性对比模块，用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则将负样本特征和目标预测时序特征各自包括的第一对象属性数据信息进行差异性对比，得到差异性对比结果；差异性对比结果用于指示异常属性技能的异常类型。

其中，样本特征确定模块还包括：

特征数量获取单元，用于获取负样本特征的特征数量，基于负样本特征的特征数量和异常检测聚类策略指示的负样本特征和正样本特征之间的样本比例，确定正样本特征的特征数量；正样本特征的特征数量为S个；S为正整数；

随机噪音生成单元，用于通过随机噪音生成策略为目标预测时序特征生成S个随机噪音；

加噪处理单元，用于基于S个随机噪音，对目标预测时序特征进行加噪处理，得到S个加噪处理后的目标预测时序特征，将S个加噪处理后的目标预测时序特征作为异常检测聚类策略中的正样本特征；一个随机噪音对应一个正样本特征。

本申请实施例一方面提供了一种计算机设备，包括存储器和处理器，存储器与处理器相连，存储器用于存储计算机程序，处理器用于调用计算机程序，以使得该计算机设备执行本申请实施例中上述一方面提供的方法。

本申请实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序适于由处理器加载并执行，以使得具有处理器的计算机设备执行本申请实施例中上述一方面提供的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面提供的方法。

本申请实施例可以获取某个游戏对象（即目标游戏对象）在某个游戏（即目标游戏）的某个游戏技能释放过程（即第一游戏技能释放过程）中的第一技能释放时间戳，并通过该第一技能释放时间戳采集该游戏对象（例如，游戏角色）在该游戏技能释放过程中的第一属性技能数据信息，从而基于该第一属性技能数据信息和该第一技能释放时间戳构造目标时序输入特征；应当理解，该目标时序输入特征能够表征该游戏技能释放过程（即第一游戏技能释放过程）所涉及的游戏技能释放场景，随后，将该目标时序输入特征输入至目标预测模型，由该目标预测模型对目标时序输入特征进行特征预测处理，并输出目标时序输出特征，这里的目标时序输出特征是与第一技能释放时间戳相关联的目标预测时序特征，该目标预测时序特征包括通过目标预测模型预测得到的该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的第一对象属性数据信息；进而可以获取该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与该游戏对象（即目标游戏对象）相关联的异常检测聚类策略中的负样本特征，应当理解，这里的负样本特征包括该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中真实采集到的第一对象属性数据信息；进一步地，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征，并通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的聚类处理结果，应当理解，该聚类处理结果能够反映该正样本特征和该负样本特征之间是否存在明显的差异，也就是说，在聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇时，表明真实采集到的该游戏对象（即目标游戏对象）的第一对象属性数据信息不符合目标预测模型预测得到的期望结果，此时该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中存在异常属性技能（例如，位移异常、技能效果异常等）。由此可见，本申请实施例通过目标时序输入特征表征相应的游戏技能释放场景，使得无需人工复现游戏技能释放过程，解决了人工复现游戏技能释放场景的困难性和不可持续迭代性的痛点问题，而且理论上通过目标时序输入特征可以表征游戏对象的全量游戏技能释放场景（即游戏技能释放过程中的所有时间点对应的游戏场景），能够有效避免异常场景漏检的问题，有利于在游戏技能释放过程中提升异常检测的准确性；应当理解，本申请实施例无需针对特定游戏对象的特定游戏技能释放场景进行单一定制化处理，也就是说，能够实现对所有游戏对象和所有游戏技能释放过程的异常检测，具有较强的通用性，且无需人工介入，就能通过特征预测处理、聚类处理等过程实现对游戏技能释放过程的自动化异常检测，可以节约大量的人力，提升异常检测的检测效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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一种网络架构的结构示意图；

图2是本申请实施例提供的一种交互场景示意图；

图3是本申请实施例提供的一种游戏数据处理方法的示意图一；

图4是本申请实施例提供的一种矩阵拼接的场景示意图；

图5是本申请实施例提供的一种因果特征处理组件的结构示意图；

图6是本申请实施例提供的一种目标预测模型的结构示意图；

图7是本申请实施例提供的一种聚类处理结果的示意图；

图8是本申请实施例提供的一种游戏数据处理方法的示意图二；

图9是本申请实施例提供的一种迭代训练的结果示意图；

图10是本申请实施例提供的一种游戏数据处理方法的示意图三；

图11是本申请实施例提供的一种游戏数据处理方法的示意图四；

图12是本申请实施例提供的一种游戏数据处理装置的结构示意图；

图13是本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

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

为了更清楚地理解本申请实施例所提供的技术方案，在此先对本申请实施例涉及的关键术语进行介绍：

（1）本申请实施例涉及虚拟游戏（可简称为游戏），是指依托于计算机设备（如个人电脑、智能终端或可穿戴式设备等）由计算机程序控制而运行的游戏。虚拟游戏可以包括单机游戏和网络游戏。①网络游戏也可称为在线游戏，一般可以是指以互联网为传播媒介，以游戏服务器（Game Server）和玩家终端为游戏处理设备，以运行在玩家终端中的游戏客户端（Game Client）为信息交互窗口的，旨在实现娱乐、休闲、交流和取得虚拟成就的具有可持续性的个体性多玩家在线游戏；游戏客户端是指与游戏服务器相对应，为参与网络游戏的玩家提供本地游戏服务的程序；游戏服务器是指为游戏客户端提供数据计算、校验、存储和转发功能的服务设备。②单机游戏是指使用一台计算机或其他游戏平台便可以独立运行的电子游戏，单机游戏不需要游戏服务器便可以正常运行。

对于网络游戏，本申请实施例不对网络游戏的游戏类型进行限定；比如，按照游戏运行方式对网络游戏进行分类，可将网络游戏划分为：手机游戏、客户端游戏、网页游戏以及云游戏（Cloud gaming）等。①手机游戏可简称为手游，是运行于智能手机上的游戏；通过需要将手机游戏的安装包下载并安装至智能手机上，才能在智能手机对该手机游戏进行操作。②客户端游戏可简称为端游，是一种运行在智能电脑中的游戏；通过需要在智能电脑（如个人电脑）中下载并安装游戏的安装包之后，才能对客户端游戏进行操作。③网页游戏可称为web（World Wide Web）游戏，或称为网页游戏（可简称为页游），是基于浏览器打开游戏网页后，对游戏进行操作的一种网络在线游戏。④云游戏又可称为游戏点播（gaming ondemand），是一种以云计算技术为基础的在线游戏技术；在云游戏的运行模式下，云游戏并不是运行于游戏用户所持的终端设备（如智能手机、个人电脑或可穿戴式设备等）中，而是运行于云服务器中，并由云服务器将游戏场景渲染为视频音频流，以及云服务器将渲染好的视频音频流通过网络传输给终端设备，这样终端设备直接播放视频音频流即可。基于上述描述可知，云游戏具有如下优势：对游戏用户所持终端设备的计算和处理能力要求不高，云游戏的开发无需考虑硬件的适配性等，这使得云游戏逐渐实现规模化的发展。

又比如，按照游戏玩法对网络游戏进行分类，可将网络游戏划分为：角色扮演游戏（Role-playing Game，RPG）、射击游戏及动作游戏（Action Game，ACT）等等。①角色扮演游戏是一种由游戏用户扮演游戏中的一个或数个游戏对象（或称为游戏角色，虚拟对象等），有完整的故事情节的游戏；在多人在线角色扮演游戏中，游戏用户可通过完成游戏设定的游戏任务或购买销售的虚拟物品等，来提高游戏对象的游戏能力（如对抗能力或回血能力等），以实现和其他游戏用户控制的游戏对象在网络虚拟空间中更好地互动。②射击游戏包括第一人称射击类游戏（First-person Shooting game，FPS）、第三人称射击类游戏（Third-Personal Shooting，TPS），或者，多人在线战术竞技游戏（Multiplayer OnlineBattle Arena，MOBA）等。第一人称射击游戏是指：游戏用户能够以第一人称视角进行游戏的射击游戏，游戏中的虚拟场景的画面是以第一虚拟对象的视角对虚拟场景进行观察的画面。第三人称射击游戏是指：游戏用户通过第三人称视角进行游戏的射击游戏，游戏中的虚拟场景的画面是以第三人称视角对虚拟场景进行观察的画面。多人在线战术竞技游戏是指：多个游戏用户能够在线组成同一游戏群组或游戏阵营，进行竞技的竞技游戏。③动作游戏是游戏用户控制游戏角色，采用各种方式消灭敌人或确保过关的游戏；动作游戏往往不刻意追求故事情节，设计主旨是面向普通的游戏用户，以纯粹的娱乐休闲为目的，属于大众化游戏。此处的游戏用户可是指使用计算机设备（如个人电脑、智能终端或可穿戴式设备等）来游玩目标游戏（如任一虚拟游戏）的任一用户。

其中，上述提及的游戏对象，可以是通过游戏用户在游戏客户端中的操作进行控制的、用于代表游戏用户的虚拟形象，也可以是设置在虚拟场景（如该虚拟场景可以是对真实世界的仿真环境，也可以是半仿真半虚构的虚拟环境，还可以是纯虚构的虚拟环境；虚拟场景可以是二维虚拟场景、2.5维虚拟场景或者三维虚拟场景中的任意一种）中由人工智能(Artificial Intelligence，AI)进行驱动的虚拟形象，还可以是设置在虚拟场景中的用于代表非玩家角色（Non-Player Character，NPC）的虚拟形象。该虚拟形象是目标游戏中可以进行交互的各种虚拟人和虚拟物的形象，或在目标游戏中的可活动对象；其中，该可活动对象可以是虚拟人物、虚拟动物、虚拟植物和动漫人物等。例如，可活动对象是在目标游戏提供的任一虚拟场景中显示的虚拟人物和虚拟动物等。在目标游戏中，可以通过操控游戏对象释放游戏技能，执行相应的行为操作；如控制游戏对象跳跃、奔跑或伏地等行为操作。

随着计算机技术的高速发展，虚拟游戏的内容日渐丰富，种类日趋繁多，上述只是本申请实施例给出的几种示例性的游戏分类方式；为便于阐述，本申请实施例后续以虚拟游戏为目标游戏为例，对本申请实施例继续进行阐述。

（2）本申请实施例涉及人工智能（Artificial Intelligence，AI），是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。比如，本申请实施例可以通过该人工智能技术控制游戏对象自动释放不同的游戏技能。

在一种可能的实现方式中，本申请实施例提供的游戏数据处理方法可以与人工智能中的机器学习（Machine Learning，ML）技术相结合。ML是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。比如，本申请实施例可以应用ML技术对初始预测模型训练得到目标预测模型。

（3）本申请实施例涉及游戏技能交互，是指控制某个游戏对象（例如，目标游戏对象）按照一定的时间序列释放多个游戏技能。该时间序列是按多个游戏技能先后发生的时间顺序排列而成的数列，可以用于描述释放多个游戏技能的时序关系，比如，该时间序列指示游戏技能释放顺序为游戏技能a—游戏技能b—游戏技能c，则可以控制某个游戏对象（例如，目标游戏对象）先释放游戏技能a，再自动控制该游戏对象继续释放游戏技能b，进而自动控制该游戏对象释放游戏技能c。

可以理解的，通常在游戏场景的操作界面上，会有预先设定的多个操作位。操作位，也称为技能槽位，是对象操作的承载对象，也就是游戏技能的承载对象。例如，在游戏A中，游戏角色的每个技能槽位对应了一种主动技能，其中包括但不限于常规技能、攻击技能、防御技能、治疗技能、辅助技能、斩杀技能等。每个技能槽位都会有各自唯一的槽位标识，根据槽位标识预先配置了对应的游戏技能，而每个游戏技能也会有各自的技能动作。技能动作是指一次连贯的技能释放行为。对应地，每个技能动作都有各自唯一的技能动作标识。当通过触发操作触发技能槽位时会产生对应的技能指令，根据技能指令包括的槽位标识获取到相应的技能动作标识，即可通过控制游戏对象执行该技能动作标识对应的技能动作实现游戏技能的释放。当释放游戏技能之后，由于游戏技能普遍会具有一段技能冷却时长，在经过技能冷却时长之后才能再次触发释放同一个游戏技能，在技能冷却时长的期间内，通常会将该游戏技能的技能槽位设置为冷却状态，比如技能冷却状态中技能槽位的底色呈暗色并且还会显示技能冷却时长的倒计时，当技能槽位处于冷却状态时，即使游戏用户触发了技能槽位，仍然不会释放相应的游戏技能。

可选地，上述触发操作可以包括但不限于手势操作、语音信号输入操作等；其中，手势操作可以包括但不限于：单击操作、双击操作（如在短时间（如3秒）内连续两次点击界面中的相同位置的操作）、长按操作（如对界面中的任一位置执行持续的按压操作）、滑动操作（如向不同方向的快速滑动操作、预设形状（如滑动轨迹为“S”形等）的滑动操作等）、拖拽操作等；语音信号输入操作可以指通过终端设备的麦克风采集物理环境（即游戏用户所在的周围环境）中用于指示显示某个界面的语音信号的操作。这里对触发操作的具体形式不做限定。

应当理解，每个游戏对象都可以具有各自的固定的一个或多个游戏技能，而不同的游戏对象通常具有不同的游戏技能，不同的游戏技能可以产生不同的技能释放效果。比如，若某个游戏对象释放攻击技能击中了敌对游戏对象，那么会对敌对游戏对象造成一定的伤害，通常表现为扣除敌对游戏对象的一部分虚拟生命值（例如，血量），同时通常会扣除本身的一部分虚拟魔法值（例如，蓝条能量）；又比如，若某个游戏对象释放治疗技能命中了友方游戏对象，那么会对友方游戏对象产生一定的治疗，通常表现为回复友方游戏对象的一部分虚拟生命值（例如，血量），其他各类互动技能均可以产生相应的技能释放效果，这里不再一一枚举。

其中，可以理解的是，上述提及的游戏技能交互可以实现不同游戏技能的组合，通常不同游戏技能的相互组合容易对游戏对象施加特殊的增益效果（比如，增加游戏角色的血量、攻速等）。应当理解，在对游戏技能释放过程进行异常检测时，由于单一游戏技能的游戏技能释放过程的复杂性低、复现容易，往往进行异常检测也较为简单，而不同游戏技能相互组合的游戏技能释放过程（例如，当使用基础攻击技能命中其他游戏角色的次数达到次数阈值时，特殊攻击技能的操作位才能够被触发，以释放该特殊攻击技能）由于涉及的量级大、复杂性高，使得开发测试人员难以覆盖全部的游戏技能释放场景，导致开发测试人员得在反馈回问题后，才能对反馈回的问题进行针对性处理（即复现特定游戏对象的特定游戏技能释放场景），不仅严重影响了游戏玩家的游玩体验，也降低了在游戏技能释放过程中异常检测的准确性和检测效率。

请参见图1，图1是本申请实施例提供的一种网络架构的结构示意图。如图1所示，该网络架构可以包括业务服务器100以及终端集群，终端集群可以包括多个终端设备，本申请实施例不对终端集群所包含的终端设备的数量进行限定。其中，如图1所示，终端集群具体可以包括：终端设备200a、终端设备200b、终端设备200c、…、终端设备200n，其中，终端集群之间可以存在通信连接，例如终端设备200a与终端设备200b之间存在通信连接，终端设备200a与终端设备200c之间存在通信连接。同时，终端集群中的任一终端设备可以与业务服务器100存在通信连接，例如终端设备200a与业务服务器100之间存在通信连接，以便于终端集群中的每个终端设备可以通过该通信连接与业务服务器100进行数据交互。其中，上述通信连接不限定连接方式，可以通过有线通信方式进行直接或间接地连接，也可以通过无线通信方式进行直接或间接地连接，还可以通过其它方式，本申请在此不做限制。

应当理解，如图1所示的终端集群中的每个终端设备均可以安装有应用客户端，当该应用客户端运行于各终端设备中时，可以分别与上述图1所示的业务服务器100之间进行数据交互。其中，该应用客户端可以为游戏应用、直播应用、短视频应用、视频应用、音乐应用、购物应用、小说应用、支付应用、浏览器等具有显示文字、图像、音频以及视频等数据信息功能的应用客户端。其中，该应用客户端可以为独立的客户端，也可以为集成在某客户端（例如游戏客户端等）中的嵌入式子客户端，在此不做限定。其中，业务服务器100可以为应用客户端对应的后台服务器、数据处理服务器等多个服务器的集合，因此，每个终端设备均可以通过安装好的应用客户端与业务服务器100进行数据传输。

以应用客户端为游戏客户端为例，该游戏客户端可以是为参与目标游戏的玩家提供本地游戏服务的程序。在对目标游戏中的某个游戏对象（例如，目标游戏对象）进行开发测试的阶段，游戏用户（例如，针对该目标游戏进行开发测试时的开发测试人员）可以通过手动或通过自动化释放技能脚本控制该游戏对象（例如，目标游戏对象）释放游戏技能（具体可以是游戏技能交互），游戏客户端可以采集该游戏技能释放过程中的游戏数据（例如，可以包括该游戏对象在该游戏技能释放过程中的属性技能数据信息和对象属性数据信息），并通过部署有该游戏客户端的终端设备（例如，游戏开发终端）将采集到的游戏数据发送给业务服务器100。此外，当目标游戏中的某个游戏对象（例如，目标游戏对象）已经进入上线应用阶段，游戏用户（例如，游戏玩家）可以在某个游戏对象（例如，目标游戏对象）的某个游戏技能释放过程（例如，第一游戏技能释放过程）存在问题时，通过游戏客户端采集该游戏技能释放过程中的游戏数据（例如，可以包括该游戏对象在该游戏技能释放过程中的属性技能数据信息和对象属性数据信息），并通过部署有该游戏客户端的终端设备（例如，游戏玩家终端）将采集到的游戏数据发送给业务服务器100。

其中，上述业务服务器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，还可以是提供云数据库、云服务、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、CDN、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。上述终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、掌上电脑、移动互联网设备（mobile internet device，MID）、可穿戴设备（例如智能手表、智能手环等）、智能电脑、智能车载、游戏手柄、遥控器、街机设备等可以运行游戏应用的智能终端。

可以理解的是，在本申请实施例中，可以有一个或多个游戏用户（例如，游戏玩家、开发测试人员）通过操控其对应的游戏对象以参与到上述目标游戏中，为便于说明和区分，本申请实施例将多个游戏用户中的任意一个游戏用户称为目标游戏用户，相应的终端设备可称为目标终端（例如，图1中的终端设备200a），目标游戏用户通过目标终端所操控的游戏对象可称为目标游戏对象。

其中，上述目标终端中部署有提供目标游戏的游戏应用程序（可简称为游戏应用），游戏用户可以通过该游戏应用启动目标游戏以及实现对目标游戏的游玩。其中，应用程序是指为完成某项或多项特定工作的计算机程序；根据应用程序的运行方式不同，本申请实施例涉及的游戏应用可包括但不限于：客户端，作为子程序运行于客户端中的小程序，以及通过浏览器打开的web应用程序等，本申请实施例对游戏应用的类型不作限定。

可以理解，业务服务器（例如，图1中的业务服务器100）可以是目标终端的后台服务器，用于与目标终端进行交互，可以为目标终端提供计算和应用服务支持以及实现异常检测。其中，业务服务器和目标终端之间可以通过有线或无线方式进行直接或间接地通信连接，本申请实施例对此不进行限定。

正如前述所说，在现有的异常检测中，开发测试人员难以精确复现游戏技能释放场景，漏检情况的发生，降低了在游戏技能释放过程中异常检测的准确性，针对这个问题，本申请实施例提供了一种游戏数据处理方案，该方案可以由上述目标终端和业务服务器共同执行，具体可由目标终端中部署的游戏应用以及业务服务器共同执行。下面以目标终端和业务服务器共同执行该游戏数据处理方案为例，对该方案的处理流程进行简单介绍。

具体来说，目标终端检测到目标游戏用户打开并启动目标游戏的触发操作时，可以启动目标游戏，并进行游戏画面的渲染显示，以实现在目标终端的显示屏幕（或简称为显示屏）中输出目标游戏的游戏界面，该游戏界面可以为游玩目标游戏过程中出现的各个界面，具体该游戏界面上可以显示有用于操控目标游戏对象的主动技能控件（即主动技能（通过游戏用户主动触发释放的游戏技能）对应的技能槽位）。当游戏界面上显示有主动技能控件时，目标游戏用户可以根据需要触发主动技能控件以操控目标游戏对象释放游戏技能。应当理解，目标游戏用户（例如，开发测试人员）除了手动触发主动技能控件操控目标游戏对象释放游戏技能以外，还可以通过自动化释放技能脚本驱动目标游戏对象自动释放游戏技能。应当理解，目标游戏对象释放的游戏技能可以为一个或多个，当释放的游戏技能为多个时，该多个游戏技能可以为不同的游戏技能，即存在不同游戏技能的相互组合，也就是说，产生了游戏技能交互。

业务服务器可以确定目标游戏对象在目标游戏中的第一游戏技能释放过程；可以理解的，第一游戏技能释放过程可以是任一游戏技能释放过程，也可以是通过目标游戏用户（例如，开发测试人员或游戏玩家）指定的游戏技能释放过程）。由于第一游戏技能释放过程需要持续一段时间，因而业务服务器可以获取该目标游戏对象在该第一游戏技能释放过程中的第一技能释放时间戳，这里的第一技能释放时间戳是指该第一游戏技能释放过程的时间信息，可以包括从该第一游戏技能释放过程的开始时间戳起到结束时间戳至范围内的M个时间戳，其中M为正整数，本申请实施例对第一技能释放时间戳包括的时间戳的具体数量不作限制。应当理解，开始时间戳为该第一游戏技能释放过程开始时的时间戳，结束时间戳为该第一游戏技能释放过程结束时的时间戳。进而通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息，这里的第一属性技能数据信息可以描述目标游戏对象在上述M个时间戳中每个时间戳时所产生的技能释放效果（例如，虚拟生命值、所处的位置、释放的游戏技能、技能冷却时长、是否受到碰撞等），因此可以基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征，可理解的，通过第一属性技能数据信息和第一技能释放时间戳，可以使得该目标时序输入特征不仅能够描述目标游戏对象在第一游戏技能释放过程中的各个时间戳时的技能释放效果，而且还能描述各个技能释放效果之间的时序关系（例如，先产生技能释放效果1，后产生技能释放效果2，或者在同一时间戳同时产生了技能释放效果1和技能释放效果2），因此通过该目标时序输入特征能够有效表征目标游戏对象在该第一游戏技能释放过程中时所涉及的全量游戏技能释放场景，无需人工耗费大量时间和精力去复现该游戏技能释放过程，能够有效避免异常场景漏检的问题，提升在游戏技能释放过程中异常检测的准确性。

另外，业务服务器还可以通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息。同样地，这里的第一对象属性数据信息也可以描述目标游戏对象在上述M个时间戳中每个时间戳时的技能释放效果（例如，虚拟生命值、所处的位置、生命值损失量等），应当理解，由于第一对象属性数据信息是真实采集到的信息，因此该第一对象属性数据信息可以描述该目标游戏对象在第一游戏技能释放过程中真实产生的技能释放效果。

需要说明的是，本申请实施例中的业务服务器在获取目标游戏对象的第一属性技能数据信息、第一技能释放时间戳、第一对象属性数据信息等数据时，可以显示提示界面或者弹窗，该提示界面或者弹窗用于提示目标游戏用户当前正在搜集第一属性技能数据信息、第一技能释放时间戳、第一对象属性数据信息等数据，仅仅在获取到游戏用户对该提示界面或者弹窗发出确认操作后，开始执行数据获取的相关的步骤，否则结束。

可以理解，后续业务服务器可以通过加载好的目标预测模型，基于第一技能释放时间戳对目标时序输入特征进行特征预测处理，获取特征预测处理后的目标时序输出特征，从而将目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征。这里的目标预测时序特征是预测的该目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，也就是说，目标预测时序特征可以描述该目标游戏对象在第一游戏技能释放过程中预测产生的技能释放效果。因此可以基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征，具体可以通过对目标预测时序特征添加随机噪音来模拟真实的第一对象属性数据信息，从而得到正样本特征。此外，业务服务器还可以基于采集到的第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征。应当理解，由于负样本特征包括目标游戏对象在第一游戏技能释放过程中真实采集到的第一对象属性数据信息，正样本特征包括模拟的目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，因此可以采用异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，理论上，当负样本特征与正样本特征之间的差异性比较小（此时负样本特征与目标预测时序特征相匹配）时，表明负样本特征符合目标预测模型的预测逻辑，会将负样本特征和正样本特征归属为一个聚类簇（即归属为异常检测聚类策略所指示的正常聚类簇），进而可以认定目标游戏对象在第一游戏技能释放过程中不存在异常属性技能；而当负样本特征与正样本特征之间的差异性比较大（此时负样本特征与目标预测时序特征不相匹配）时，负样本特征不符合目标预测模型的预测逻辑，会将负样本特征归属为异常检测聚类策略所指示的异常聚类簇，进而可以认定目标游戏对象在第一游戏技能释放过程中存在异常属性技能。

其中，应当理解，若某个游戏对象（例如，目标游戏对象）的某个游戏技能释放过程（例如，第一游戏技能释放过程）所产生的技能释放效果与期望效果（即经过目标预测模型特征预测处理得到的目标预测时序特征）相匹配，则本申请实施例可以称该游戏对象（例如，目标游戏对象）在该游戏技能释放过程（例如，第一游戏技能释放过程）中不存在异常属性技能，反之，若某个游戏对象（例如，目标游戏对象）的某个游戏技能释放过程（例如，第一游戏技能释放过程）所产生的技能释放效果与期望效果（即经过目标预测模型特征预测处理得到的目标预测时序特征）不相匹配，则本申请实施例可以称该游戏对象（例如，目标游戏对象）在该游戏技能释放过程（例如，第一游戏技能释放过程）中存在异常属性技能。

其中，应当理解，当目标游戏中的目标游戏对象处于开发测试阶段（例如，开发了新的游戏技能的游戏对象）时，游戏用户（例如，开发测试人员）可以获取目标游戏对象在目标游戏中的各个游戏技能释放过程；需说明的是，开发测试人员可以通过手工或自动化释放技能脚本控制目标游戏对象进入游戏技能释放过程，或者，以内测游戏的形式发布目标游戏，再由游戏玩家将相应的游戏技能释放过程返回。进而游戏用户（例如，开发测试人员）可以通过计算机设备执行上述提及的游戏数据处理方案，以对目标游戏对象进行异常检测。可以理解的是，由于通过目标时序输入特征可以表征目标游戏对象（例如，游戏角色）的任一游戏技能释放场景，因此理论上本申请可以对目标游戏对象的所有游戏技能释放场景进行异常检测，即可以实现对目标游戏对象的多技能交互（即前述游戏技能交互）的异常检测，能够有效避免异常场景漏检的问题，使得开发测试人员可以提前发现潜在的问题，解决频现的技能释放异常的痛点问题，并提升目标游戏的质量。

应当理解，本申请实施例无需针对特定游戏对象的特定游戏技能释放场景进行单一定制化，能实现对所有游戏对象和所有游戏技能释放过程的异常检测，具有更强的通用性。

此外，即使目标游戏包括的目标游戏对象已经进入上线应用阶段，当游戏玩家反馈回问题之后，也无需耗费大量人力对游戏技能释放场景进行复现，而是获取目标游戏对象在相应游戏技能释放过程中的游戏数据（例如，属性技能数据信息、对象属性数据信息等），就可自动化地完成对目标游戏对象在该游戏技能释放过程的异常检测，无需人工介入，解决了人工复现游戏技能释放场景的困难性和不可持续迭代性的痛点问题，可以提升对游戏对象进行异常检测的检测效率。

可以理解的是，图1只是示例性地表征本申请技术方案的可能存在的网络架构，并不对本申请技术方案的具体架构进行限定，即本申请技术方案还可以提供其他形式的网络架构。

为便于理解，进一步的，请参见图2，图2是本申请实施例提供的一种交互场景示意图。其中，如图2所示的终端2a可以为针对某款游戏（即目标游戏，例如，图2所示的游戏W）进行开发测试时的游戏开发终端，该游戏开发终端具体可以为上述图1所对应实施例中的终端集群中的终端设备。此时，该终端2a所对应的用户A具体可以为针对该目标游戏（例如，图2所示的游戏W）进行开发测试时的开发测试人员。

如图2所示的终端2a中可以集成安装用于进行异常检测的游戏数据处理装置。如图2所示，在目标游戏所对应的游戏场景下，安装有该游戏数据处理装置的终端2a（即游戏开发终端）可以获取目标游戏对象在第一游戏技能释放过程中的游戏数据（例如，第一技能释放时间戳、第一属性技能数据信息、第一对象属性数据信息等）。可以理解的是，在本申请实施例中，图2所示的终端2a可以在获取得到任一游戏对象的任一游戏技能释放过程时，将当前获取到的游戏对象统称为目标游戏对象，将当前获取到的游戏技能释放过程统称为第一游戏技能释放过程。进而执行图2所示的步骤S1，即本申请实施例可以基于获取到的游戏数据中的第一技能释放时间戳和第一属性技能数据信息生成目标游戏对象的目标时序输入特征。

应当理解，本申请实施例可以将训练好的目标预测模型提前部署到终端2a中。这样，集成有该游戏数据处理装置的终端2a可以执行图2所示的步骤S2，即将目标时序输入特征输入训练好的目标预测模型，得到与第一技能释放时间戳相关联的目标预测时序特征。

进一步的，如图2所示，集成有该游戏数据处理装置的终端2a可以继续执行步骤S3，以通过上述游戏数据中的第一技能释放时间戳和第一对象属性数据信息生成目标游戏对象相关联的异常检测聚类策略中的负样本特征，以及基于负样本特征和目标预测时序特征，确定目标游戏对象相关联的异常检测聚类策略中的正样本特征。

应当理解，通过循环步骤S1-S3可以确定多个不同的游戏对象在目标游戏中的多个不同游戏技能释放过程，进而可以生成多个不同游戏对象对应的正样本特征和负样本特征。例如，针对游戏对象1的游戏技能释放过程1至少可以生成正样本特征1和负样本特征1，针对游戏对象1的游戏技能释放过程2至少可以生成正样本特征2和负样本特征2，针对游戏对象2的游戏技能释放过程3至少可以生成正样本特征3和负样本特征3，此时可以利用得到的所有正样本特征和所有负样本特征构建数据集，进一步的，如图2所示，集成有该游戏数据处理装置的终端2a可以进一步执行步骤S4，即基于异常检测聚类策略，对上述数据集中的正样本特征和负样本特征进行聚类处理，得到聚类处理结果。其中，应当理解，聚类处理结果所得到的聚类簇是对上述数据集中所有数据的分类，当数据集中包括的各个游戏对象对应的负样本特征与相应的正样本特征相匹配（例如，包含的信息一样或差别极小即可认为相匹配）时，理论上同一数据集经聚类处理后应当有一个聚类簇，当存在多出来的聚类簇时，表明存在异常数据，因此可以通过分析聚类处理结果，实现对某个游戏对象（例如，目标游戏对象）的某个游戏技能释放过程（第一游戏技能释放过程）的异常检测。因此，集成有该游戏数据处理装置的终端2a可以进一步执行步骤S5，以基于前述步骤S4所得到的聚类处理结果，判断各个游戏对象在相应游戏技能释放过程中是否存在异常属性技能。以目标游戏对象在目标游戏中的第一游戏技能释放过程为例进行说明，若目标游戏对象相关联的异常检测聚类策略中的负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能，若该负样本特征所属的聚类簇属于异常检测聚类策略所指示的正常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中不存在异常属性技能。

应当理解，当用户A通过终端2a完成对该游戏W中的目标游戏对象（任一游戏对象，例如新开发的游戏角色）的异常检测时，可以在异常检测结果指示目标游戏对象的各个游戏技能释放过程中均不存在异常属性技能时，表明完成对目标游戏对象的研发测试，进而可以在完成游戏W中的所有游戏对象的研发测试时，将游戏W（比如，该游戏W的游戏数据包）发布至图2所示的服务器2b。

需要说明的是，本申请实施例中的终端2a在获取目标游戏对象的游戏数据等数据时，可以显示提示界面或者弹窗，该提示界面或者弹窗用于提示用户A当前正在搜集游戏数据等数据，仅仅在获取到用户A对该提示界面或者弹窗发出确认操作后，开始执行数据获取的相关的步骤，否则结束。

其中，终端2a对某个游戏对象（即目标游戏对象）的某个游戏技能释放过程（即第一游戏技能释放过程）进行异常检测（即判断是否存在异常属性技能）的具体实现方式，可以参见图3至图13所对应实施例的描述。

为便于理解，进一步的，请参见图3，图3是本申请实施例提供的一种游戏数据处理方法的示意图一。可以理解的是，该游戏数据处理方法可以由计算机设备执行，这里的计算机设备包括但不限于终端设备或业务服务器。为便于理解，这里以终端设备为例，此时，这里的终端设备可以为在游戏开发过程中所涉及的游戏开发终端，这里的游戏开发终端可以为上述图1所对应实施例中的终端设备200a。应当理解，在本申请实施例中，该游戏数据处理方法至少可以包括以下步骤S101至步骤S105：

步骤S101，获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息，基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；

可以理解，目标游戏可以是任一游戏，目标游戏对象可以是游戏用户（例如，开发测试人员）在目标游戏中当前开发测试的游戏对象。具体的，终端设备（例如，上述游戏开发终端）可以在启动目标游戏后，通过手工或已有的自动化能力（例如，自动化释放技能脚本）操控目标游戏对象释放游戏技能，应当理解，释放的游戏技能可以是一个或多个，可以将目标游戏对象释放该一个或多个游戏技能的过程称为第一游戏技能释放过程，由于每个游戏技能在触发后是具有技能释放持续时长的（例如，10秒），因此在第一游戏技能释放过程中的同一时间可能存在多个游戏技能处于技能释放状态，进而考虑到不同游戏技能的组合释放（即游戏技能交互）是导致游戏技能释放过程异常的本质原因，因此本申请以第一游戏技能释放过程中包括多个游戏技能的组合释放为例进行后续的说明。

应当理解，目标游戏对象的第一游戏技能释放过程需要持续一段时间，因此可以获取到该第一游戏技能释放过程的技能释放时间轴，这里的技能释放时间轴是一条时间线，可以表示该第一游戏技能释放过程的技能释放时长，比如，该第一游戏技能释放过程的技能释放时长为10秒，技能释放时间轴可以是从0秒开始到10秒结束的一段时间线。接着可以采集技能释放时间轴上的时间戳，采集到的时间戳可以有M个，其中，这里的M为正整数，本申请实施例对采集到的时间戳的数量不作限制。进而将采集到的时间戳作为目标游戏对象在第一游戏技能释放过程中的第一技能释放时间戳，应当理解，第一技能释放时间戳包括M个时间戳。如在技能释放时间轴上的M个时间戳分别为3.0365秒、5.092秒、7.132秒、9.973秒，则第一技能释放时间戳包括3.0365秒、5.092秒、7.132秒、9.973秒。其中，应当理解，在采集技能释放时间轴上的时间戳时，可以设置固定时间间隔，按照固定时间间隔采集该技能释放时间轴上的时间戳，例如，固定时间间隔为2秒，则采集到的时间戳可以分别为：2秒、4秒、6秒、8秒、10秒；也可以随机采集该技能释放时间轴上的时间戳，例如，采集到的时间戳可以分别为：1秒、2秒、4秒、7秒、10秒。

进一步地，基于第一技能释放时间戳中的每个时间戳，采集目标游戏对象在第一游戏技能释放过程中的每个时间戳上的时间属性技能信息，应当理解，当第一技能释放时间戳包括M个时间戳时，可以采集到M个时间属性技能信息，且一个时间戳对应一个时间属性技能信息。例如，在时间戳1时采集到目标游戏对象的时间属性技能信息1，在时间戳2时采集目标游戏对象的时间属性技能信息2，则时间戳1对应于时间属性技能信息1，时间戳2对应于时间属性技能信息2。这里的时间属性技能信息是指目标游戏对象在某个时间戳时所具有的属性特征和技能特征，其中，属性特征是指与游戏对象的属性相关的信息，例如目标游戏对象的血量、防御以及攻击力、目标游戏对象所处的位置、是否受到攻击等信息；技能特征是指与游戏对象所释放的游戏技能相关的信息，例如，目标游戏对象释放的游戏技能标识、技能释放方式、技能冷却时间等信息。可见，时间属性技能信息是与游戏技能释放（包括游戏技能交互释放）所产生的技能释放效果高度相关的。

需说明的是，上述提及的时间属性技能信息可以包含对象属性信息、对象位置信息、技能释放状态信息、场景特征信息。

对象属性信息，是指游戏对象（例如，目标游戏对象）当前所具有的属性信息，例如虚拟生命值（health）、虚拟防御值（defend）、虚拟攻击值（包括魔法攻击值、物理攻击值、攻速等）（attack）、技能冷却时长（cd_time）等。具体实施中，对象属性信息（Pre_Buff）可以表示为：Pre_Buff={health,defend,attack,cd_time}。

举例说明，若在时间戳1采集到目标游戏对象的对象属性信息为：血量25、防御值5、物理攻击值10、技能冷却时长11秒，则时间戳1对应的对象属性信息表示为Pre_Buff={25,5,10,11}。应当理解，当游戏对象在某一时间戳存在多个游戏技能处于释放状态时，cd_time可以包括这多个游戏技能各自的技能冷却时长。例如，游戏技能1对应的技能冷却时长为1秒，游戏技能2对应的技能冷却时长为2秒，cd_time可以表示为[1,2]，此时对象属性信息表示为Pre_Buff={25,5,10,[1,2]}。

对象位置信息包括空间位置信息和朝向位置信息。其中，空间位置信息为游戏对象当前在游戏场景中的空间信息，具体实施中，空间位置信息（Position）可以表示为：Position={x,y,z}，x、y、z表示确定游戏对象在游戏场景中的位置参数；朝向位置信息为游戏对象当前在游戏场景中的朝向信息，具体实施中，朝向位置信息（Raw）可以表示为：Raw={ω,θ,ε,φ}，ω、θ、ε、φ表示确定游戏对象在游戏场景中的空间参数。

技能释放状态信息，是指与游戏对象当前所释放的游戏技能相关的状态信息，例如释放的游戏技能标识（用于唯一标识游戏技能）（id）、游戏技能的释放方式（例如，单击操作、双击操作、长按操作、滑动操作、语音信号输入操作等）（release_way）、技能冷却时长（cd_time）等。具体实施中，技能释放状态信息（Skill）可以表示为：Skill={id,cd_time,release_way}。

场景特征信息，是指与游戏对象当前所处的场景环境相关的信息，例如光照强度（light）、是否碰撞物体（collosion）、是否受到攻击（monsters）等。具体实施中，场景特征信息（Scence）可以表示为：Scence={light,collosion,monsters}。

举例说明，若在时间戳1采集到目标游戏对象的场景特征信息为：光照强度（可以包括亮、中等、暗，并分别用0,1,2标识）为亮、碰撞到物体（用1标识）、未受到攻击（用0标识），则时间戳1对应的场景特征信息表示为Scence={0,1,2}。

应当理解，时间属性技能信息包含的对象属性信息、对象位置信息、技能释放状态信息、场景特征信息是与游戏技能释放过程高度相关的，且在时序上具有因果关系，例如，游戏对象的位置变化在时序上通常具有一定的规律性。可选地，时间属性技能信息还可以包含对象属性信息、对象位置信息(包括空间位置信息和朝向位置信息中的一种或两种)、技能释放状态信息、场景特征信息中的一种或多种。

进一步地，本申请实施例可以将采集到的每个时间戳上的时间属性技能信息作为目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息。例如，在时间戳1时采集到目标游戏对象的时间属性技能信息1，在时间戳2时采集目标游戏对象的时间属性技能信息2，则第一属性技能数据信息包括时间属性技能信息1、时间属性技能信息2。

可选地，终端设备可以在目标游戏对象的第一游戏技能释放过程中根据第一技能释放时间戳包括的M个时间戳，实时采集到目标游戏对象在每个时间戳时的时间属性技能信息；或者，获取目标游戏对象的第一游戏技能释放过程的游戏数据（例如，游戏视频），从该游戏数据中提取目标游戏对象在每个时间戳上的时间属性技能信息（例如，从相应时间戳对应的游戏视频帧中提取）。

进一步地，基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征。以第一技能释放时间戳包括的M个时间戳中的任意相邻两个时间戳：时间戳i和时间戳j为例进行说明，其中，i为正整数，j=i+1；i和j为小于或者等于M的正整数。应当理解，时间戳i和时间戳j相邻是指M个时间戳中不存在在时间戳i和时间戳j之间的任一时间戳。此时，第一属性技能数据信息包含时间戳i对应的时间属性技能信息m和时间戳j对应的时间属性技能信息n。应当理解，第一属性技能数据信息包含M个时间戳中每个时间戳对应的时间属性技能信息。进一步地，获取与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵；以及获取与时间属性技能信息n相关联的第二多维度向量特征，将由第二多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第一信息矩阵。应当理解，获取时间戳i对应的第一信息矩阵过程与获取时间戳j对应的第一信息矩阵（以及其他时间戳对应的第一信息矩阵）过程相同，本申请以获取时间戳i对应的第一信息矩阵为例进行说明。

具体的，时间属性技能信息m包括对象属性信息、对象位置信息（包括空间位置信息和朝向位置信息）、技能释放状态信息、场景特征信息。本申请实施例可以对对象属性信息进行向量映射，得到对象属性信息对应的属性维度向量特征，其中，对象属性信息对应的属性维度向量特征具体可以表示为

。接着，对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征。具体包括，对空间位置信息进行向量映射，得到空间位置信息对应的空间维度向量特征；对朝向位置信息进行向量映射，得到朝向位置信息对应的朝向维度向量特征。其中，空间位置信息对应的空间维度向量特征具体可以表示为/>

，这里的NAN用于补充向量维度，朝向位置信息对应的朝向维度向量特征具体可以表示为/>

。进一步地，对技能释放状态信息进行向量映射，得到技能释放状态信息对应的技能维度向量特征，其中，技能释放状态信息对应的技能维度向量特征具体可以表示为

。进一步地对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征，其中场景特征信息对应的场景维度向量特征具体可以表示为/>

。应当理解，向量映射实际是把各个信息以向量形式进行组合。

进一步地，将属性维度向量特征、位置维度向量特征、技能维度向量特征和场景维度向量特征，作为与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵。具体的，将第一多维度向量特征所包括的属性维度向量特征、位置维度向量特征、技能维度向量特征和场景维度向量特征在0维度进行向量拼接处理，即将属性维度向量特征、位置维度向量特征、技能维度向量特征和场景维度向量特征进行横向拼接，此时得到的时间戳i对应的第一信息矩阵可以为如下述表1所示的二维矩阵：

表1

其中，Others用于指示游戏对象是否受到干扰，上述表1所示的二维矩阵具体可以表示为

。

在得到时间戳i对应的第一信息矩阵和时间戳j对应的第一信息矩阵后，可以按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第一信息矩阵和时间戳j对应的第一信息矩阵进行矩阵拼接处理，具体是将时间戳i对应的第一信息矩阵和时间戳j对应的第一信息矩阵进行纵向拼接（即堆叠），从而得到与第一技能释放时间戳相关联的第一信息拼接矩阵。进一步地，基于第一信息拼接矩阵，得到用于输入目标预测模型的目标时序输入特征。应当理解，本申请实施例可以按照上述M个时间戳中的各个时间戳之间的时间先后顺序，将各个时间戳所对应的第一信息矩阵依次进行纵向拼接，从而基于各个第一信息矩阵纵向拼接得到的第一信息拼接矩阵组合得到用于输入目标预测模型的目标时序输入特征。应当理解，此时目标时序输入特征包含M个第一信息矩阵，一个第一信息矩阵对应一个时间戳。

举例说明，请参见图4，图4是本申请实施例提供的一种矩阵拼接的场景示意图，其中，M个时间戳的时间先后顺序为时间戳1：T1，时间戳2：T2，时间戳3：T3，时间戳4：T4，可以将T1对应的第一信息矩阵a与T2对应的第一信息矩阵b进行纵向拼接，进而将T2对应的第一信息矩阵b与T3对应的第一信息矩阵c进行纵向拼接，进而将T3对应的第一信息矩阵c与T4对应的第一信息矩阵d进行纵向拼接，假设各个第一信息矩阵（即第一信息矩阵a、第一信息矩阵b、第一信息矩阵c、第一信息矩阵d）的形状为a×b，则最终得到的目标时序输入特征的形状为4×a×b的三维矩阵，其包括4个第一信息矩阵（即第一信息矩阵a、第一信息矩阵b、第一信息矩阵c、第一信息矩阵d）。

步骤S102，将目标时序输入特征输入至目标预测模型，由目标预测模型对目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由目标预测模型输出的目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征；

可以理解的是，目标时序输入特征包括第一属性技能数据信息中的各个时间属性技能信息，同时通过目标时序输入特征中各个时间属性技能信息（即第一信息矩阵）的拼接顺序可以表征该各个时间属性技能信息之间的时序关系。应当理解，本申请实施例可以通过目标时序输入特征，预测目标游戏对象在上述M个时间戳中每个时间戳时的时间对象属性信息（即每个时间戳对应的时间对象属性信息）。这里的时间对象属性信息是指目标游戏对象在某个时间戳时所具有的属性特征，例如目标游戏对象的血量、防御以及攻击力、目标游戏对象所处的位置、是否受到攻击等信息。

其中，上述提及的时间对象属性信息可以包含对象增减益状态信息、对象位置信息、场景特征信息。其中，对象位置信息和场景特征信息可以参见前述图3所对应实施例中的步骤S101中的说明，此处不再赘述。对象增减益状态信息（Cur_Buff）可以包括游戏对象当前的增益状态信息和减益状态信息，增益状态信息用于描述各种性能加成，例如增益状态信息可以包括血量增加值、攻速增加值、魔法抗性增加值等，反之，减益状态信息用于描述各种性能衰减，例如减益状态信息可以包括血量减少值、攻速减少值、魔法抗性减少值等。应当理解，对象增减益状态信息是与游戏技能释放过程中的游戏技能效果高度相关的，例如，游戏对象在释放了血量恢复技能之后，血量会慢慢回升。

在一个实施方式中，可以将目标时序输入特征输入至目标预测模型，由目标预测模型对目标时序输入特征进行特征预测处理，以得到预测的目标游戏对象在上述M个时间戳中的每个时间戳上的时间对象属性信息，从而得到特征预测处理后的目标时序输出特征。具体的，以第一技能释放时间戳包括的第一时间戳为例，第一时间戳是第一技能释放时间戳包括的M个时间戳中的任意一个，此时可以确定该M个时间戳中在第一时间戳之前且连续的N个时间戳作为N个第二时间戳，这里的N为整数。例如，M个时间戳包括1秒、2秒、4秒、7秒、10秒，第一时间戳为4秒，则可以将1秒和2秒均作为第二时间戳。应当理解，游戏技能释放的效果在时间上是具有因果关系的，例如，目标游戏对象在前一时刻释放了游戏技能1，可能会导致目标游戏对象下一时刻的虚拟能量值减少，也就是说，目标游戏对象在第一时间戳时的时间属性技能信息和在N个第二时间戳时的时间属性技能信息会间接或直接导致产生目标游戏对象在第一时间戳时的时间对象属性信息，基于此，本申请实施例可以由目标预测模型基于第一时间戳对应的时间属性技能信息和N个第二时间戳对应的时间属性技能信息，对第一时间戳对应的时间对象属性信息进行预测处理，且由目标预测模型输出第一时间戳所对应的预测对象属性信息，这里的预测对象属性信息是指预测的第一时间戳对应的时间对象属性信息。应当理解，在将M个时间戳均作为第一时间戳后，可以得到M个时间戳中每个时间戳对应的时间对象属性信息，进而可以基于M个时间戳中每个时间戳所对应的预测对象属性信息，确定特征预测处理后的目标时序输出特征。其中，应当理解，目标预测模型可以以矩阵形式输出每个时间戳所对应的预测对象属性信息，则可以按照上述M个时间戳中的各个时间戳之间的时间先后顺序，将该各个时间戳所对应的预测对象属性信息（以矩阵形式存在）进行纵向拼接，以得到特征预测处理后的目标时序输出特征。

应当理解，本申请实施例在预测目标游戏对象在当前时间戳上的时间对象属性信息时，是联合目标游戏对象在当前时间戳上的时间属性技能信息和在当前时间戳之前的各个时间戳上的时间属性技能信息得到的，也就是说，为了能更好地利用不同时间戳对应的时间属性技能信息之间的时序关系来预测当前时间戳对应的时间对象属性信息，这里的N优先选择正整数。

在一实施方式中，目标预测模型可以包括第一因果特征处理组件、激活处理组件、池化处理组件和第二因果特征处理组件，则首先可以将目标时序输入特征输入至目标预测模型包括的第一因果特征处理组件，由第一因果特征处理组件对目标时序输入特征进行因果特征处理，得到因果特征。

为便于理解，请参见图5，图5是本申请实施例提供的一种第一因果特征处理组件的结构示意图，可见，第一因果特征处理组件可以包括多个隐藏层（此处以3个隐藏层为例，即图5中的隐藏层5a、隐藏层5b、隐藏层5c），且第一因果特征处理组件的输出层会产生与输入层的输入数据（此时为目标时序输入特征）相同长度的输出数据。具体实现中，会将第一因果特征处理组件中的每一层（包括隐藏层、输出层和输入层）的一个神经元都对应一个时间戳，使得上一层t时刻的值依赖于下一层t时刻以及t时刻之前的值，进而使得第一因果特征处理组件可以用于对目标时序输入特征进行因果特征处理。以图5为例进行详细说明，假设第一因果特征处理组件包括的各个神经元均采用卷积核大小为2的一维卷积核，且X₁到X₈分别表示时间戳t-7到时间戳t各自对应的时间属性技能信息。那么在当前时间戳为时间戳t-7时，可以由隐藏层5a对当前时间戳时的输入特征X₁进行一维卷积处理（是指通过一维卷积核对输入特征X₁进行卷积计算），将卷积处理后所得到的卷积特征H₁₁（也可以称之为隐藏特征H₁₁）作为下一隐藏层（图5所示的隐藏层5b）在当前时间戳的输入特征（例如，X₁₁，此时，X₁₁=H₁₁），比如，如图5所示，可以在当前时间戳为时间戳t-7时，将隐藏特征H₁₁作为隐藏层5b在当前时间戳时的输入特征，以进一步输入至隐藏层5b，由隐藏层5b对隐藏特征H₁₁进行一维卷积处理，得到隐藏特征H₂₁。同理，可以在当前时间戳为时间戳t-7时，将隐藏特征H₂₁作为隐藏层5c在当前时间戳时的输入特征（例如，X₂₁，此时，X₂₁=H₂₁），以进一步输入至隐藏层5c，由隐藏层5c对隐藏特征H₂₁进行一维卷积处理，得到隐藏特征H₃₁。最终在当前时间戳为时间戳t-7时，将隐藏特征H₃₁作为输出层在当前时间戳时的输入特征（例如，X₃₁，此时，X₃₁=H₃₁），以进一步输入至输出层，由输出层对隐藏特征H₃₁进行一维卷积处理，得到输出特征Y₁（也可以称之为因果特征Y₁）。应当理解，卷积核大小为2的一维卷积核其视野域为2，即每一个卷积后的数据都需基于两个原始数据得到，所以必要时可以在输入特征（例如，输入特征X1、隐藏特征H₁₁、隐藏特征H₂₁、隐藏特征H₃₁）的左侧应用零填充以确保能实现一维卷积处理。

另一方面，如图5所示，与此同时，本申请实施例还可以将卷积处理后所得到的卷积特征H₁₁（也可以称之为隐藏特征H₁₁）作为下一隐藏层（图5所示的隐藏层5b）在下一时间戳（例如，时间戳t-6）时的局部输入特征，具体的，如图5所示，本申请实施例可以在当前时间戳为时间戳t-6时，将隐藏层5a在上一时间戳（例如，时间戳t-7）时的隐藏特征H₁₁和隐藏层5a在当前时间戳（例如，时间戳t-6）时的隐藏特征H₁₂一并作为隐藏层5b在当前时间戳时的输入特征（例如，X₁₂，此时，X₁₂=H₁₁+H₁₂），由隐藏层5b对隐藏特征H₁₁和隐藏特征H₁₂进行一维卷积处理，得到隐藏特征H₂₂。同理，可以在当前时间戳为时间戳t-6时，将隐藏层5b在上一时间戳（例如，时间戳t-7）时的隐藏特征H₂₁和隐藏层5b在当前时间戳（例如，时间戳t-6）时的隐藏特征H₂₂一并作为隐藏层5c在当前时间戳时的输入特征（例如，X₂₂，此时，X₂₂=H₂₁+H₂₂），由隐藏层5c对隐藏特征H₂₁和隐藏特征H₂₂进行一维卷积处理，得到隐藏特征H₃₂。最终可以在当前时间戳为时间戳t-6时，将隐藏层5c在上一时间戳（例如，时间戳t-7）时的隐藏特征H₃₁和隐藏层5c在当前时间戳（例如，时间戳t-6）时的隐藏特征H₃₂一并作为输出层在当前时间戳时的输入特征（例如，X₃₂，此时，X₃₂=H₃₁+H₃₂），由输出层对隐藏特征H₃₁和隐藏特征H₃₂进行一维卷积处理，得到输出特征Y₂（也可以称之为因果特征Y₂）。

这样，可以使得在t时刻的因果特征，由在t时刻以及t时刻之前的时间属性技能信息决定，比如，如图5所示，当前时间戳为时间戳t时，可以将分别在时间戳t-4至时间戳t时的输入特征X₄、输入特征X₅、在输入特征X₆、输入特征X₇、输入特征X₈输入至隐藏层5a，由隐藏层5a对输入特征X₄、输入特征X₅、输入特征X₆、输入特征X₇、输入特征X₈进行一维卷积处理，得到隐藏特征H₁₅、隐藏特征H₁₆、隐藏特征H₁₇、隐藏特征H₁₈；接着将隐藏特征H₁₅、隐藏特征H₁₆、隐藏特征H₁₇、隐藏特征H₁₈输入至隐藏层5b，由隐藏层5b对隐藏特征H₁₅、隐藏特征H₁₆、隐藏特征H₁₇、隐藏特征H₁₈进行一维卷积处理，得到隐藏特征H₂₆、隐藏特征H₂₇、隐藏特征H₂₈；进而将隐藏特征H₂₆、隐藏特征H₂₇、隐藏特征H₂₈输入至隐藏层5c，由隐藏层5c对隐藏特征H₂₆、隐藏特征H₂₇、隐藏特征H₂₈进行一维卷积处理，得到隐藏特征H₃₇、隐藏特征H₃₈；最终将隐藏特征H₃₇、隐藏特征H₃₈输入输出层，由输出层对隐藏特征H₃₇和隐藏特征H₃₈进行一维卷积处理得到输出特征Y₇（也可以称之为因果特征Y₇）。可见，经因果特征处理后得到的因果特征，遵循了时间序列发展的顺序性，保证了未来数据由历史数据和当前数据推导的客观规律，有着严格的因果关系。

应当理解，通过因果特征处理，可以使预测的目标游戏对象在当前时间戳所产生的时间对象属性信息，取决于目标游戏对象在当前时间戳以及之前的一系列时间戳对应的时间属性技能信息，符合时间序列发展的客观规律，有利于提升时间对象属性信息的预测准确性。

进一步地，将因果特征输入至目标预测模型包括的激活处理组件，由激活处理组件对因果特征进行非线性处理，得到非线性特征。该激活处理组件可以是非线性激活层，非线性处理的目的主要是引入非线性因素，解决线性模型无法解决的问题，以增加目标预测模型的拟合能力。进一步地，将非线性特征输入至目标预测模型包括的池化处理组件，由池化处理组件对非线性特征进行池化处理，得到池化特征。该池化处理组件可以是池化层，通过池化处理可以将输入数据的特征参数量缩小，以便于提升后续目标预测模型的处理效率。最终将池化特征输入至目标预测模型包括的第二因果特征处理组件，由第二因果特征处理组件对池化特征进行因果特征处理，得到特征预测处理后的目标时序输出特征。其中，该第二因果特征处理组件的结构和因果特征处理的方式可以与第一因果特征处理组件的结构和因果特征处理的方式相同，此处不再赘述。

可以理解，基于因果特征处理组件（包括第一因果特征处理组件和第二因果特征处理组件）的目标预测模型针对具有时序关系的目标时序输入特征具有极强的非线性拟合能力，因此可以通过训练初始预测模型学习如何基于一系列时间属性技能信息预测相应时间戳的时间对象属性信息，从而得到目标时序输出特征，模型训练的具体过程可以参见后续图8所对应的实施例。

应当理解，目标时序输入特征能够有效表征在各个时间上游戏技能交互所产生的技能释放效果以及全量的游戏技能交互场景，进一步通过上述特征预测处理以及后续的聚类处理执行异常检测，能够有效提升对游戏技能交互异常检测的检测准确性。

为便于理解，请参见图6，图6是本申请实施例提供的一种目标预测模型的结构示意图。如图6所示，在得到目标时序输入特征之后，可以将目标时序输入特征输入卷积网络1（即第一因果特征处理组件），得到因果特征，进而将因果特征输入非线性激活层（即激活处理组件）得到非线性特征，进而将非线性特征输入池化层（即池化处理组件）得到池化特征，最终将池化特征输入卷积网络2（即第二因果特征处理组件），得到特征预测处理后的目标时序输出特征，并将由目标预测模型输出的目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征。应当理解，目标预测时序特征本质就是预测的目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息。

需要说明的是，本申请实施例所采用的目标预测模型是一个轻量级神经网络，可以实现很好的实现特征预测处理，且网络参数量较少，网络复杂度低，从而可以减少计算时间和CPU消耗。

步骤S103，获取目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征；

应当理解，终端设备在获取到第一技能释放时间戳包括的M个时间戳后，可以基于第一技能释放时间戳中的每个时间戳，采集目标游戏对象在第一游戏技能释放过程中的每个时间戳上的时间对象属性信息，应当理解，当第一技能释放时间戳包括M个时间戳时，可以采集到M个时间对象属性信息，且一个时间戳对应一个时间对象属性信息。例如，在时间戳1时采集到目标游戏对象的时间对象属性信息1，在时间戳2时采集目标游戏对象的时间对象属性信息2，则时间戳1对应于时间对象属性信息1，时间戳2对应于时间对象属性信息2。进一步地，本申请实施例可以将采集到的每个时间戳上的时间对象属性信息作为目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息。例如，在时间戳1时采集到目标游戏对象的时间对象属性信息1，在时间戳2时采集目标游戏对象的时间对象属性信息2，则第一对象属性数据信息包括时间对象属性信息1、时间对象属性信息2。

可选地，终端设备可以在目标游戏对象的第一游戏技能释放过程中根据第一技能释放时间戳包括的M个时间戳，实时采集到目标游戏对象在每个时间戳时的时间对象属性信息；或者，获取目标游戏对象的第一游戏技能释放过程的游戏数据（例如，游戏视频），从该游戏数据中提取目标游戏对象在每个时间戳上的时间对象属性信息（例如，从相应时间戳对应的游戏视频帧中提取）。

进一步地，基于第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征。以第一技能释放时间戳包括的M个时间戳中的任意相邻两个时间戳：时间戳i和时间戳j为例进行说明，其中，i为正整数，j=i+1，i和j为小于或者等于M的正整数。此时，第一对象属性数据信息包含时间戳i对应的时间对象属性信息m和时间戳j对应的时间对象属性信息n，应当理解，第一属性技能数据信息包含M个时间戳中每个时间戳对应的时间对象属性信息。进一步地，获取与时间对象属性信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵；以及获取与时间对象属性信息n相关联的第四多维度向量特征，将由第四多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第二信息矩阵。应当理解，获取时间戳i对应的第二信息矩阵过程与获取时间戳j对应的第二信息矩阵（以及其他时间戳对应的第二信息矩阵）过程相同，本申请以获取时间戳i对应的第二信息矩阵为例进行说明。

具体的，时间对象属性信息m包含对象位置信息、对象增减益状态信息、场景特征信息，本申请实施例可以对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征。具体包括，对空间位置信息进行向量映射，得到空间位置信息对应的空间维度向量特征；对朝向位置信息进行向量映射，得到朝向位置信息对应的朝向维度向量特征。进一步地，对对象增减益状态信息进行向量映射，得到对象增减益状态信息对应的状态向量特征。进一步地，对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征。其中，向量映射处理过程可以参见前述图3所对应实施例中的步骤S101中的相关描述，此处不再赘述。

进一步地，将位置维度向量特征、状态维度向量特征、场景维度向量特征，作为与时间属性技能信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵。其中，向量拼接过程可以参见前述图3所对应实施例中的步骤S101中的相关描述，此处不再赘述。

进一步地，终端设备可以按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第二信息矩阵和时间戳j对应的第二信息矩阵进行矩阵拼接处理，例如将时间戳i对应的第二信息矩阵和时间戳j对应的第二信息矩阵进行纵向拼接，从而得到与第一技能释放时间戳相关联的第二信息拼接矩阵。进一步地，基于第二信息拼接矩阵，得到与目标游戏对象相关联的异常检测聚类策略中的负样本特征。应当理解，本申请实施例可以按照上述M个时间戳中的各个时间戳之间的时间先后顺序，将各个时间戳所对应的第二信息矩阵依次进行纵向拼接，从而基于各个第二信息矩阵纵向拼接得到的第二信息拼接矩阵组合得到与目标游戏对象相关联的异常检测聚类策略中的负样本特征。其中，这里的负样本特征包含M个第二信息矩阵，一个第二信息矩阵对应一个时间戳。应当理解，负样本特征本质就是真实的目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息。

可以理解的，本申请实施例针对一个游戏对象的一个游戏技能释放过程可以生成一个负样本特征，因此本申请实施例针对目标游戏对象的第一游戏技能释放过程生成的负样本特征的特征数量（用于指示负样本特征的个数）为1，进一步地，可以获取异常检测聚类策略指示的负样本特征和正样本特征之间的样本比例，基于该样本比例和负样本特征的特征数量确定正样本特征的特征数量。该样本比例是负样本特征的特征数量和正样本特征的特征数量（用于指示正样本特征的个数）之间的比值，例如，若负样本特征和正样本特征之间的样本比例为1:4，则当负样本特征的特征数量为1时，正样本特征的特征数量为4。其中，假设这里的正样本特征的特征数量为S个，S为正整数，本申请实施例不对正样本特征的特征数量进行限定。进一步地，可以基于正样本特征的特征数量S，通过随机噪音生成策略为目标预测时序特征生成S个随机噪音。应当理解，通过该随机噪音生成策略生成S个随机噪音的过程，具体可以通过调用随机生成器random（）实现，例如，假设目标预测时序特征的形状为M×a×b，此时设置σ为size（M,a,b），通过random（σ）即可生成一个形状为M×a×b的随机噪音，该随机噪音中的各个元素的取值为(0,1)之间的浮点数；或者，还可以设置σ为size（S,M,a,b），此时通过random（σ）即可生成S个形状为M×a×b的随机噪音。进一步地，可以基于S个随机噪音，对目标预测时序特征进行加噪处理，得到S个加噪处理后的目标预测时序特征，该加噪处理可以通过矩阵求和实现。可以理解，一个随机噪音和目标预测时序特征进行矩阵求和可以得到一个加噪处理后的目标预测时序特征，本申请实施例可以将S个随机噪音分别与目标预测时序特征进行矩阵求和得到S个加噪处理后的目标预测时序特征，并将S个加噪处理后的目标预测时序特征作为异常检测聚类策略中的正样本特征，应当理解，一个随机噪音对应一个正样本特征，S个加噪处理后的目标预测时序特征可以得到S个正样本特征。上述处理过程可以通过下述式（1）进行表示：

{A₁，A₂，A₃，...A_S}=f（X）+random(σ)（1）

其中，A₁，A₂，A₃，...A_S表示S个正样本特征，f（X）表示目标预测时序特征，X表示目标时序输入特征，f（）表示目标预测模型。

则针对一个游戏对象的一个游戏技能释放过程产生的正样本特征和负样本特征合并得到的数据集C可以表示为：C={A₁，A₂，A₃，...A_S，B}，其中，B表示负样本特征。

其中，应当理解，由于目标预测时序特征是预测的目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，因此本申请实施例添加随机噪音的过程可以增加数据的随机因素，使得预测得到的第一对象属性数据信息更贴合实际情况下得到的第一对象属性数据信息。应当理解，本申请实施例将正样本特征所包括的第一对象属性数据信息，作为目标游戏对象在第一游戏技能释放过程中不存在异常属性技能时会产生的第一对象属性数据信息。

步骤S104，通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到目标游戏对象在第一游戏技能释放过程中的聚类处理结果；

在一个实施方式中，本申请实施例可以将正样本特征和负样本特征合并至第一数据集，并将第一数据集中的正样本特征和负样本特征作为第一数据集中的样本点。接着基于异常检测聚类策略获取第一聚类模型以及第一聚类模型所关联的第一密度邻域半径（eps1）和第一密度点数阈值（MinPts1）。这里的第一聚类模型可以是利用基于密度的聚类算法搭建的聚类模型，例如基于密度空间的聚类算法（Density-Based SpatialClustering of Applications with Noise，DBSCAN）。接着在将第一数据集中的样本点输入至第一聚类模型时，由第一聚类模型基于第一密度邻域半径和第一密度点数阈值对第一数据集中的样本点进行聚类处理，得到异常检测聚类策略所指示的正常聚类簇；正常聚类簇中的一个聚类样本点为从第一数据集中所筛选出的与第一密度邻域半径和第一密度点数阈值相符的样本点。

具体的，从第一数据集中的样本点中获取目标样本点，应当理解，目标样本点可以是第一数据集中的任意一个样本点；接着记录以目标样本点为中心点，且以第一密度邻域半径（正数，可以人为设置）为搜索半径的样本点，将记录到的样本点的样本数量与第一密度点数阈值进行比较，得到第一比较结果，若第一比较结果指示记录到的样本点的样本数量达到第一密度点数阈值（正整数，可以人为设置），则将目标样本点作为在第一数据集中所确定出的核心样本点。应当理解，能成为核心样本点的目标样本点，其邻域内的样本数量需大于第一密度点数阈值。应当理解，任一样本点的邻域是指以该任一样本点为中心点，且以第一密度邻域半径为搜索半径的搜索区域。进一步地，当第一数据集中的每个样本点均作为目标样本点时，得到在第一数据集中所确定出的所有核心样本点。接着在确定出的所有核心样本点中获取起始核心样本点（可以是所有核心样本点中的任意一个），并在第一数据集中查找与起始核心样本点具有密度可达关系的核心样本点，将查找到的核心样本点作为可达核心样本点。需说明的是，假设第一数据集为D＝{x₁,x₂,...,x_m}，其中每个样本点x_j可以表示正样本特征或负样本特征，设任意两个样本点的距离函数为dist()。其中，针对x_j∈D，其邻域包含D中与x_j的距离不大于eps1的样本点，即NEps(x_j)＝{x_i∈D|dist(x_i,x_j)≤eps1}。若x_j位于x_i的邻域中，且x_i是核心样本点，则称x_j由x_i密度直达，x_j与x_i具有密度直达关系。对于x_j与x_i，若存在样本点序列p₁,p₂,...,p_n（样本点序列中的各个样本点均为核心样本点），其中，p₁到p₂密度直达，p2到p₃密度直达，……，p_(n-1)到p_n密度直达，p₁＝x_i，p_n＝x_j，则称x_j由x_i密度可达，x_j与x_i具有密度可达关系。在查找到可达核心样本点之后，将起始核心样本点的第一邻域内的样本点和可达核心样本点的第二邻域内的样本点合并至正常聚类簇，此时第一邻域内的样本点和第二邻域内的样本点之间具有密度相连关系，这里的第一邻域是以起始核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域；第二邻域是以可达核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域。需说明的是，本申请实施例需将所有核心样本点均作为起始核心样本点，此时可能得到多个起始核心样本点各自对应的正常聚类簇，由于第一数据集中包括的负样本特征与相应的正样本特征相匹配（例如，包含的信息一样或差别极小即可认为相匹配）时，理论上第一数据集经聚类处理后应当有一个聚类簇，因此第一密度邻域半径和第一密度点数阈值可以设置为较大数值，从而将得到的多个起始核心样本点各自对应的正常聚类簇合并为最终的正常聚类簇，或者通过不断地调节第一密度邻域半径和第一密度点数阈值使得第一数据集聚类处理后得到一个聚类簇（即正常聚类簇）。需说明的是，此时可能出现正常聚类簇包括第一数据集中所有样本点的情况，可以进一步对第一密度邻域半径和第一密度点数阈值进行调参，以避免这种极端情况的发生。

上述第一聚类模型所涉及的具体算法流程描述如下：

DBSCAN(D, eps1, MinPts1) {//输入第一数据集、第一密度邻域半径，第一密度点数阈值

C = 0//类别标示

for each point P in dataset D {//遍历第一数据集中的各个样本点

if P is visited

continue next point//样本点P被访问，则访问下一个样本点

mark P as visited//将样本点P标记为已访问

NeighborPts = regionQuery(P, eps1)//计算样本点P的邻域

if MinPts1>sizeof(NeighborPts)

mark P as NOISE//如果样本点P邻域内的样本数量小于第一密度点数阈值，则将样本点P标记为噪声样本点

else {

C = next cluster

expandCluster(P, NeighborPts, C, eps1, MinPts1)//样本点P作为核心样本点，并根据该样本点P创建聚类簇C

}

}

}

expandCluster(P, NeighborPts, C, eps1, MinPts1) {

add P to cluster C//将核心样本点P加入聚类簇C

for each point P' in NeighborPts {

if P' is not visited {//若核心样本点P邻域内的样本点P'没有被访问

mark P' as visited//访问样本点P'

NeighborPts' = regionQuery(P', eps1)

if sizeof(NeighborPts')>= MinPts1

NeighborPts = NeighborPts joined with NeighborPts'//如果样本点P'为核心样本点，则扩充聚类簇C

}

if P' is not yet member of any cluster

add P' to cluster C//如果样本点P'不是核心样本点，并且无类别，则加入聚类簇C

}

}

regionQuery(P, eps1)

return all points within P's eps1-neighborhood (including P)//计算样本点P的邻域

进一步地，本申请实施例，将第一数据集中除正常聚类簇中的聚类样本点（所属聚类簇属于正常聚类簇的样本点）之外的样本点作为待聚类的噪声样本点，并基于噪声样本点构造用于聚类的第二数据集。接着，基于异常检测聚类策略获取第二聚类模型以及第二聚类模型所关联的第二密度邻域半径（eps2）和第二密度点数阈值（MinPts2）。同样地，这里的第二聚类模型可以是利用基于密度的聚类算法搭建的聚类模型，例如基于密度空间的聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）。接着在将第二数据集中的噪声样本点输入至第二聚类模型时，由第二聚类模型基于第二密度邻域半径和第二密度点数阈值对第二数据集中的噪声样本点进行聚类处理，得到异常检测聚类策略所指示的异常聚类簇。

具体的，从第二数据集中的噪声样本点中获取目标噪声样本点，应当理解，目标噪声样本点可以是第二数据集中的任意一个噪声样本点；接着记录以目标噪声样本点为中心点，且以第二密度邻域半径（正数，可以人为设置）为搜索半径的噪声样本点，将记录到的噪声样本点的样本数量与第二密度点数阈值进行比较，得到第二比较结果，若第二比较结果指示记录到的噪声样本点的样本数量达到第二密度点数阈值，则将目标噪声样本点作为在第二数据集中所确定出的核心噪声样本点。应当理解，能成为核心噪声样本点的目标噪声样本点，其邻域内的样本数量需大于第二密度点数阈值（正整数，可以人为设置）。进一步地，当第二数据集中的每个噪声样本点均作为目标噪声样本点时，得到在第二数据集中所确定出的所有核心噪声样本点。接着在确定出的所有核心噪声样本点中获取起始核心噪声样本点（可以是所有核心噪声样本点中的任意一个），并在第二数据集中查找与起始核心噪声样本点具有密度可达关系的核心噪声样本点，将查找到的核心噪声样本点作为可达核心噪声样本点。接着将起始核心噪声样本点的第三邻域内的噪声样本点和可达核心噪声样本点的第二邻域内的噪声样本点合并至异常聚类簇。应当理解，本申请实施例需将所有核心噪声样本点均作为起始核心噪声样本点，此时可能得到多个起始核心噪声样本点各自对应的异常聚类簇，不同起始核心噪声样本点对应的异常聚类簇可能有不同的异常特性（例如，位移异常、血量异常、技能特效异常等）。其中，需说明的是，第一密度邻域半径需大于第二密度邻域半径，第一密度点数阈值需大于第二密度点数阈值，以使得聚类处理得到的异常聚类簇所包括的范围小于正常聚类簇所包括的范围。为便于理解，请参见图7，图7是本申请提供的一种聚类处理结果的示意图，如图7所示，显示了对第一数据集中的各个样本点进行聚类处理得到的聚类处理结果的示意图，采用了不同颜色来进行分类，其中包含了最多样本点的聚类簇（即聚类簇_1）为正常聚类簇，其余聚类簇（即聚类簇_2、聚类簇_3、聚类簇_4、聚类簇_5、聚类簇_6、聚类簇_7、聚类簇_8）为异常聚类簇。

应当理解，通过将不同的游戏对象作为目标游戏对象，以及将一个游戏对象的不同游戏技能释放过程作为第一游戏技能释放过程，并执行步骤S101-S103，可以得到不同游戏对象在不同游戏技能释放过程中所对应的正样本特征和负样本特征，可以将得到的所有正样本和所有负样本合并至上述第一数据集，并执行上述聚类处理过程，从而同时对不同游戏对象的不同游戏技能释放过程进行异常检测，可以有效提升对游戏对象进行异常检测的检测效率。

步骤S105，若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能。

应当理解，若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的正常聚类簇，则表明负样本特征和对应的正样本特征之间的差异性较小，也就是说，目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息与目标预测模型预测得到的第一对象属性数据信息相匹配，符合目标预测模型预测得到的期望结果，可以确定目标游戏对象在第一游戏技能释放过程中不存在异常属性技能。

应当理解，若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则表明负样本特征和对应的正样本特征之间的差异性较大，也就是说，目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息与目标预测模型预测得到的第一对象属性数据信息不相匹配，不符合目标预测模型预测得到的期望结果，可以确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能，这里的异常属性技能是指目标游戏对象的属性特征（例如，血量、防御、攻击力、位置等）和技能特征（例如，技能冷却时长、技能特效等）中的一种或两种处于异常状态（即不符合预期结果）。进一步地，可以将负样本特征和目标预测时序特征各自包括的第一对象属性数据信息进行差异性对比，得到差异性对比结果。这里的差异性对比结果可以用于指示异常属性技能的异常类型。例如，负样本特征指示目标游戏对象在M个时间戳的攻速按M个时间戳的时间先后排列后分别为：4、15、17、5，负样本特征指示目标游戏对象在M个时间戳的攻速按M个时间戳的时间先后排列后分别为：1、11、25、18，则可以认为差异性对比结果指示攻速之间的差异较大，目标游戏对象的攻速异常，将攻速异常作为目标游戏对象在第一游戏技能释放过程中会出现的异常类型。如下述表2所示，为针对图7所示的各个聚类簇进行差异性分析得到的异常检测结果：

表2

本申请实施例可以获取某个游戏对象（即目标游戏对象）在某个游戏（即目标游戏）的某个游戏技能释放过程（即第一游戏技能释放过程）中的第一技能释放时间戳，并通过该第一技能释放时间戳采集该游戏对象（例如，游戏角色）在该游戏技能释放过程中的第一属性技能数据信息，从而基于该第一属性技能数据信息和该第一技能释放时间戳构造目标时序输入特征；应当理解，该目标时序输入特征能够表征该游戏技能释放过程（即第一游戏技能释放过程）所涉及的游戏技能释放场景，随后，将该目标时序输入特征输入至目标预测模型，由该目标预测模型对目标时序输入特征进行特征预测处理，并输出目标时序输出特征，这里的目标时序输出特征是与第一技能释放时间戳相关联的目标预测时序特征，该目标预测时序特征包括通过目标预测模型预测得到的该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的第一对象属性数据信息；进而可以获取该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与该游戏对象（即目标游戏对象）相关联的异常检测聚类策略中的负样本特征，应当理解，这里的负样本特征包括该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中真实采集到的第一对象属性数据信息；进一步地，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征，并通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中的聚类处理结果，应当理解，该聚类处理结果能够反映该正样本特征和该负样本特征之间是否存在明显的差异，也就是说，在聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇时，表明真实采集到的该游戏对象（即目标游戏对象）的第一对象属性数据信息不符合目标预测模型预测得到的期望结果，此时该游戏对象（即目标游戏对象）在该游戏技能释放过程（即第一游戏技能释放过程）中存在异常属性技能（例如，位移异常、技能效果异常等）。由此可见，本申请实施例通过目标时序输入特征表征相应的游戏技能释放场景，使得无需人工复现游戏技能释放过程，解决了人工复现游戏技能释放场景的困难性和不可持续迭代性的痛点问题，而且理论上通过目标时序输入特征可以表征游戏对象的全量游戏技能释放场景（即游戏技能释放过程中的所有时间点对应的游戏场景），能够有效避免异常场景漏检的问题，有利于在游戏技能释放过程中提升异常检测的准确性；应当理解，本申请实施例无需针对特定游戏对象的特定游戏技能释放场景进行单一定制化处理，也就是说，能够实现对所有游戏对象和所有游戏技能释放过程的异常检测，具有较强的通用性，且无需人工介入，就能通过特征预测处理、聚类处理等过程实现对游戏技能释放过程的自动化异常检测，可以节约大量的人力，提升异常检测的检测效率。

进一步的，请参见图8，图8是本申请实施例提供的一种游戏数据处理方法的示意图二。可以理解的是，该游戏数据处理方法可以由计算机设备执行，这里的计算机设备包括但不限于终端设备或业务服务器。为便于理解，本申请实施例以该计算机设备为终端设备为例，以阐述在该终端设备中对初始预测模型进行模型训练的具体过程。如图8所示，该方法至少可以包括下述步骤S201-步骤S205：

步骤S201，获取参考游戏对象在目标游戏的第二游戏技能释放过程中的第二技能释放时间戳，通过第二技能释放时间戳采集参考游戏对象在第二游戏技能释放过程中的第二属性技能数据信息，基于第二属性技能数据信息和第二技能释放时间戳，确定用于输入初始预测模型的样本时序输入特征；

可以理解，终端设备可以将任一游戏对象作为参考游戏对象，将参考游戏对象在目标游戏中的任一游戏技能释放过程作为第二游戏技能释放过程，进而确定参考游戏对象在第二游戏技能释放过程的技能释放时间轴，通过该技能释放时间轴采集第二技能释放时间戳，进而基于第二技能释放时间戳中的每个时间戳，采集参考游戏对象在第二游戏技能释放过程中的每个时间戳上的时间属性技能信息，从而得到第二属性技能数据信息，进一步基于第二属性技能数据信息和第二技能释放时间戳，确定用于输入初始预测模型的样本时序输入特征。详细实现过程可以参见上述图3所对应实施例中的步骤S101，这里不再进行赘述。

步骤S202，将样本时序输入特征输入至初始预测模型，由初始预测模型基于第二技能释放时间戳对样本时序输入特征进行特征预测处理，得到特征预测处理后的样本时序输出特征，将由初始预测模型输出的样本时序输出特征作为与第二技能释放时间戳相关联的样本预测时序特征；

应当理解，初始预测模型是需要进一步进行模型训练，以更新模型参数的神经网络模型。终端设备可以将样本时序输入特征输入至初始预测模型，由初始预测模型基于参考游戏对象在当前时间戳及之前一系列时间戳上的时间属性技能信息，预测参考游戏对象在当前时间戳上的时间对象属性信息，从而得到特征预测处理后的样本时序输出特征，并将由初始预测模型输出的样本时序输出特征作为与第二技能释放时间戳相关联的样本预测时序特征。详细实现过程可以参见上述图3所对应实施例中的步骤S102，这里不再进行赘述。初始预测模型的一种示例性的结构可以参见上述图6所对应的实施例。

步骤S203，获取参考游戏对象在第二游戏技能释放过程中的第二对象属性数据信息，基于第二对象属性数据信息和第二技能释放时间戳，确定样本真实时序特征；

应当理解，终端设备可以基于第二技能释放时间戳中的每个时间戳，采集参考游戏对象在第二游戏技能释放过程中的每个时间戳上的时间对象属性信息，从而得到第二对象属性数据信息，进而基于第二对象属性数据信息和第二技能释放时间戳，确定样本真实时序特征。应当理解，样本真实时序特征是真实的参考游戏对象在第二游戏技能释放过程中的第二对象属性数据信息。详细实现过程可以参见上述图3所对应实施例中的步骤S103，这里不再进行赘述。

步骤S204，基于样本预测时序特征和样本真实时序特征，确定初始预测模型的模型损失函数值，基于模型损失函数值对初始预测模型进行模型迭代训练，得到模型迭代训练结果；

可以理解，终端设备可以基于样本预测时序特征和样本真实时序特征生成初始预测模型的模型损失函数值，进而可以基于该模型损失函数值对初始预测模型中的模型参数进行修正，从而实现对初始预测模型进行模型迭代训练。

其中，应当理解，对初始预测模型进行模型迭代训练的训练目标是使目标预测模型得到更好的模型参数，从而能准确地根据样本预测时序特征预测出对应的样本真实时序特征。

其中，应当理解，基于该模型损失函数值对初始预测模型中的模型参数进行修正，具体可以是：按照减小模型损失函数值的方向，修正初始预测模型的模型参数。需要说明的是，“按照减小模型损失函数值的方向”是指：以最小化模型损失函数值为目标的模型优化方向。通过此方向进行模型优化，使得初始预测模型在模型参数修正后所产生的模型损失函数值，需小于初始预测模型修正前所产生的模型损失函数值。例如，本次计算得到的模型损失函数值为0.85，那么通过按照减小模型损失函数值的方向修正初始预测模型的模型参数后，通过模型参数修正后的初始预测模型所产生的模型损失函数值应小于0.85。

在一种可选的实施方式中，为确定模型损失函数值所使用的模型损失函数可以为均方差损失函数，其公式描述如下述式（2）所示：

（2）

其中，loss表示模型损失函数值，n表示样本数量，

表示样本i的样本真实时序特征，/>

表示样本i的样本预测时序特征。样本i可以是指任一游戏对象的任一游戏技能释放过程。

此外，还可以使用其他形式的模型损失函数，本申请实施例对此不进行限定。

步骤S205，当模型迭代训练结果指示迭代训练后的初始预测模型满足模型收敛条件时，将满足模型收敛条件的初始预测模型作为目标预测模型；

应当理解，模型迭代训练结果指示迭代训练后的初始预测模型满足模型收敛条件包括：模型损失函数值小于设定损失阈值、模型迭代次数达到预设次数中的一个或多个。此时可以将满足模型收敛条件的初始预测模型作为目标预测模型。

为便于理解，请参见图9，图9是本申请实施例提供的一种迭代训练的结果示意图。如图9所示，图9中的9a所指示的图像显示了对初始预测模型进行迭代训练过程中的模型损失函数值曲线，图9中的9b所指示的图像显示了对初始预测模型进行迭代训练过程中的准确率曲线。同时将本申请所采用的目标预测模型与主流的卷积神经网络，例如CNN（Convolutional Neural Network，卷积神经网络）模型和ResNet（Residual Network，残差网络）模型进行对比，对比结果如下述表3所示：

表3

可见，基于表3中的数据可以发现本申请实施例提出的目标预测模型识别的准确率更高，主要原因在于本申请实施例考虑了时间属性对象信息之间的时序关系，而游戏技能的释放常常会依赖于前一时刻的状态。

上述可知，本申请实施例通过对初始预测模型进行训练，可以得到目标预测模型，该目标预测模型能够根据具有时序关系的时间属性技能信息准确地预测出相应时间戳对应的时间对象属性信息，同时该目标预测模型是一个通用的预测模型，适用于所有游戏对象，无需针对特定游戏对象进行单一定制化，使得本方案提出的异常检测方法具有更强的通用性，避免多游戏对象维护工作量大的问题；应当理解，由于该模型是一个轻量的神经网络模型，因此可以降低特征预测处理过程的计算复杂度，减少CPU消耗，能够自动化地快速输出预测的时间对象属性信息，从而提升对游戏对象进行异常检测的效率。

为便于理解，请参见图10，图10是本申请实施例提供的一种游戏数据处理方法的示意图三，该方法包括以下步骤S301-步骤S306：

步骤S301，构建训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本时序输入特征和样本真实时序特征；

其中，应当理解，训练样本集包括的每个训练样本，可以通过前述图8所示例的实施例中的步骤S201和步骤S203所涉及的说明过程得到，此处不再赘述。

步骤S302，利用训练样本集对初始预测模型进行迭代训练，并输出目标预测模型；

应当理解，前述图8所示例的实施例中的步骤S201-步骤S204以一个训练样本为例介绍了初始预测模型的一次迭代训练过程，在初始预测模型的实际迭代训练过程中，需要不断地从训练样本集中获取训练样本对初始预测模型进行迭代训练，每迭代训练一次，对初始预测模型的模型参数修正一次，若经多次修正后初始预测模型满足模型收敛条件，则可以确定初始预测模型的迭代训练过程结束，可以将最后一次修正得到的初始预测模型确定为目标预测模型。其中，应当理解，满足模型收敛条件包括：模型损失函数值小于设定损失阈值、模型迭代次数达到预设次数中的一个或多个。

步骤S303，基于目标游戏对象在目标游戏中的第一游戏技能释放过程，生成目标时序输入特征，通过将目标时序输入特征输入至目标预测模型，得到正样本特征；

其中，应当理解，基于目标游戏对象在目标游戏中的第一游戏技能释放过程，生成目标时序输入特征，通过将目标时序输入特征输入至目标预测模型，得到正样本特征；可以参见前述图3所示例的实施例中的步骤S101-步骤S103，此处不再赘述。

步骤S304，基于目标游戏对象在目标游戏中的第一游戏技能释放过程，生成负样本特征；

其中，应当理解，基于目标游戏对象在目标游戏中的第一游戏技能释放过程，生成负样本特征可以参见前述图3所示例的实施例中的步骤S103，此处不再赘述。

步骤S305，融合负样本特征和正样本特征得到第一数据集；

应当理解，目标游戏对象可以是新开发的游戏对象，或者是处于新游戏场景中的游戏对象，或者是开发了新的游戏技能（包括游戏技能交互）的游戏对象。为便于理解，请参见图11，图11是本申请实施例提供的一种游戏数据处理方法的示意图四，如图11所示，本申请实施例可以选择新的游戏对象（即目标游戏对象），通过自动化释放技能脚本操控目标游戏对象实现自动化游戏技能交互，接着基于目标预测模型理论预测得到正样本特征，并基于得到的所有正样本特征构建数据集A，以及采集目标游戏对象在真实情况下的实际输出构造负样本特征，并基于得到的所有负样本特征构造数据集B，通过将数据集A和数据集B融合，构造数据集C（即第一数据集）。

步骤S306，基于异常检测聚类策略对第一数据集进行聚类分析，得到目标游戏对象的异常检测结果。

其中，基于异常检测聚类策略对第一数据集进行聚类分析，得到目标游戏对象的异常检测结果，可以参见前述图3所示例的实施例中的步骤S104和步骤S105，此处不再赘述。

由上述可知，本申请实施例能够对众多量级的游戏对象的游戏技能释放过程进行测试，且可以覆盖所有的游戏技能释放场景（主要由于无需人工复现），也就是说，能够实现对所有游戏对象在所有游戏技能释放场景下的游戏技能交互的异常检测，提升了异常检测的覆盖率，能够帮助开发测试人员提前定位到游戏对象存在游戏技能交互异常的问题，从而提升游戏质量以及玩家体验。

进一步地，请参见图12，图12是本申请实施例提供的一种游戏数据处理装置的结构示意图。该游戏数据处理装置1可以是运行于计算机设备中的一个计算机程序（包括程序代码），例如该游戏数据处理置1可以为一个应用软件；该游戏数据处理装置1可以用于执行本申请实施例提供的方法中的相应步骤。其中，该游戏数据处理装置1可以包括：输入特征确定模块11、特征预测处理模块12、样本特征确定模块13，异常检测聚类模块14和异常检测判断模块15；

输入特征确定模块11，用于获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过第一技能释放时间戳采集目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息，基于第一属性技能数据信息和第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；

特征预测处理模块12，用于将目标时序输入特征输入至目标预测模型，由目标预测模型对目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由目标预测模型输出的目标时序输出特征作为与第一技能释放时间戳相关联的目标预测时序特征；

样本特征确定模块13，用于获取目标游戏对象在第一游戏技能释放过程中的第一对象属性数据信息，基于第一对象属性数据信息和第一技能释放时间戳，确定与目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于负样本特征和目标预测时序特征，确定异常检测聚类策略中的正样本特征；

异常检测聚类模块14，用于通过异常检测聚类策略，对正样本特征和负样本特征进行聚类处理，得到目标游戏对象在第一游戏技能释放过程中的聚类处理结果；

异常检测判断模块15，用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中存在异常属性技能。

其中，输入特征确定模块11包括：

时间轴确定单元111，用于确定目标游戏对象在目标游戏的第一游戏技能释放过程的技能释放时间轴；

时间戳采集单元112，用于采集技能释放时间轴上的时间戳，将采集到的时间戳作为目标游戏对象在第一游戏技能释放过程中的第一技能释放时间戳；

信息采集单元113，用于基于第一技能释放时间戳中的每个时间戳，采集目标游戏对象在第一游戏技能释放过程中的每个时间戳上的时间属性技能信息，将采集到的每个时间戳上的时间属性技能信息作为目标游戏对象在第一游戏技能释放过程中的第一属性技能数据信息。

其中，第一技能释放时间戳包含M个时间戳；M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；M为正整数；j=i+1；i和j为小于或者等于M的正整数；第一属性技能数据信息包含时间戳i对应的时间属性技能信息m和时间戳j对应的时间属性技能信息n；

输入特征确定模块11还包括：

第一矩阵生成单元114，用于获取与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵；

第一矩阵生成单元114，还用于获取与时间属性技能信息n相关联的第二多维度向量特征，将由第二多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第一信息矩阵；

第一矩阵拼接单元115，用于按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第一信息矩阵和时间戳j对应的第一信息矩阵进行矩阵拼接处理，得到与第一技能释放时间戳相关联的第一信息拼接矩阵；

输入特征确定单元116，用于基于第一信息拼接矩阵，得到用于输入目标预测模型的目标时序输入特征，目标时序输入特征包含M个第一信息矩阵，一个第一信息矩阵对应一个时间戳。

其中，时间属性技能信息m包含对象属性信息、对象位置信息、技能释放状态信息、场景特征信息；

第一矩阵生成单元114，具体用于对对象属性信息进行向量映射，得到对象属性信息对应的属性维度向量特征；

第一矩阵生成单元114，还具体用于对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征；

第一矩阵生成单元114，还具体用于对技能释放状态信息进行向量映射，得到技能释放状态信息对应的技能维度向量特征；

第一矩阵生成单元114，还具体用于对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征；

第一矩阵生成单元114，还具体用于将属性维度向量特征、位置维度向量特征、技能维度向量特征和场景维度向量特征，作为与时间属性技能信息m相关联的第一多维度向量特征，将由第一多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第一信息矩阵。

其中，第一技能释放时间戳包含M个时间戳；M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；M为正整数；j=i+1；i和j为小于或者等于M的正整数；第一对象属性数据信息包含时间戳i对应的时间对象属性信息m和时间戳j对应的时间对象属性信息n；

样本特征确定模块13包括：

第二矩阵生成单元131，用于获取与时间对象属性信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵；

第二矩阵生成单元131，还用于获取与时间对象属性信息n相关联的第四多维度向量特征，将由第四多维度向量特征所拼接得到的向量矩阵，作为时间戳j对应的第二信息矩阵；

第二矩阵拼接单元132，用于按照时间戳i和时间戳j之间的时间先后顺序，对时间戳i对应的第二信息矩阵和时间戳j对应的第二信息矩阵进行矩阵拼接处理，得到与第一技能释放时间戳相关联的第二信息拼接矩阵；

样本特征确定单元133，用于基于第二信息拼接矩阵，得到与目标游戏对象相关联的异常检测聚类策略中的负样本特征，负样本特征包含M个第二信息矩阵，一个第二信息矩阵对应一个时间戳。

其中，时间对象属性信息m包含对象位置信息、对象增减益状态信息、场景特征信息；

第二矩阵生成单元131，具体用于对对象位置信息进行向量映射，得到对象位置信息对应的位置维度向量特征；

第二矩阵生成单元131，还具体用于对对象增减益状态信息进行向量映射，得到对象增减益状态信息对应的状态维度向量特征；

第二矩阵生成单元131，还具体用于对场景特征信息进行向量映射，得到场景特征信息对应的场景维度向量特征；

第二矩阵生成单元131，还具体用于将位置维度向量特征、状态维度向量特征、场景维度向量特征，作为与时间属性技能信息m相关联的第三多维度向量特征，将由第三多维度向量特征所拼接得到的向量矩阵，作为时间戳i对应的第二信息矩阵。

其中，第一技能释放时间戳包含M个时间戳；M为正整数；第一时间戳是M个时间戳中的任意一个，N个第二时间戳是M个时间戳中在第一时间戳之前且连续的N个时间戳；N为整数；目标时序输入特征包括M个时间戳中每个时间戳对应的时间属性技能信息；

可选地，特征预测处理模块12包括：

信息预测处理单元121，用于由目标预测模型基于第一时间戳对应的时间属性技能信息和N个第二时间戳对应的时间属性技能信息，对第一时间戳对应的时间对象属性信息进行预测处理，且由目标预测模型输出第一时间戳所对应的预测对象属性信息；

输出特征确定单元122，用于基于目标预测模型输出的M个时间戳中每个时间戳所对应的预测对象属性信息，确定特征预测处理后的目标时序输出特征。

其中，目标预测模型包括第一因果特征处理组件、激活处理组件、池化处理组件和第二因果特征处理组件；

可选地，特征预测处理模块12还包括：

特征处理单元123，用于将目标时序输入特征输入至目标预测模型包括的第一因果特征处理组件，由第一因果特征处理组件对目标时序输入特征进行因果特征处理，得到因果特征；

激活处理单元124，用于将因果特征输入至目标预测模型包括的激活处理组件，由激活处理组件对因果特征进行非线性处理，得到非线性特征；

池化处理单元125，用于将非线性特征输入至目标预测模型包括的池化处理组件，由池化处理组件对非线性特征进行池化处理，得到池化特征；

特征处理单元123，还用于将池化特征输入至目标预测模型包括的第二因果特征处理组件，由第二因果特征处理组件对池化特征进行因果特征处理，得到特征预测处理后的目标时序输出特征。

其中，输入特征确定模块11，还用于获取参考游戏对象在目标游戏的第二游戏技能释放过程中的第二技能释放时间戳，通过第二技能释放时间戳采集参考游戏对象在第二游戏技能释放过程中的第二属性技能数据信息，基于第二属性技能数据信息和第二技能释放时间戳，确定用于输入初始预测模型的样本时序输入特征；

特征预测处理模块12，还用于将样本时序输入特征输入至初始预测模型，由初始预测模型基于第二技能释放时间戳对样本时序输入特征进行特征预测处理，得到特征预测处理后的样本时序输出特征，将由初始预测模型输出的样本时序输出特征作为与第二技能释放时间戳相关联的样本预测时序特征；

样本特征确定模块13，还用于获取参考游戏对象在第二游戏技能释放过程中的第二对象属性数据信息，基于第二对象属性数据信息和第二技能释放时间戳，确定样本真实时序特征；

装置1还包括：

模型训练模块16，用于基于样本预测时序特征和样本真实时序特征，确定初始预测模型的模型损失函数值，基于模型损失函数值对初始预测模型进行模型迭代训练，得到模型迭代训练结果；

模型训练模块16，还用于当模型迭代训练结果指示迭代训练后的初始预测模型满足模型收敛条件时，将满足模型收敛条件的初始预测模型作为目标预测模型。

异常检测聚类模块14包括：

构造单元141，用于基于正样本特征和负样本特征，构造用于聚类的第一数据集；

聚类处理单元142，用于基于异常检测聚类策略获取第一聚类模型以及第一聚类模型所关联的第一密度邻域半径和第一密度点数阈值，在将第一数据集中的样本点输入至第一聚类模型时，由第一聚类模型基于第一密度邻域半径和第一密度点数阈值对第一数据集中的样本点进行聚类处理，得到异常检测聚类策略所指示的正常聚类簇；正常聚类簇中的一个聚类样本点为从第一数据集中所筛选出的与第一密度邻域半径和第一密度点数阈值相符的样本点；

构造单元141，还用于将第一数据集中除正常聚类簇中的聚类样本点之外的样本点作为待聚类的噪声样本点，基于噪声样本点构造用于聚类的第二数据集；

聚类处理单元142，还用于基于异常检测聚类策略获取第二聚类模型以及第二聚类模型所关联的第二密度邻域半径和第二密度点数阈值，在将第二数据集中的噪声样本点输入至第二聚类模型时，由第二聚类模型基于第二密度邻域半径和第二密度点数阈值对第二数据集中的噪声样本点进行聚类处理，得到异常检测聚类策略所指示的异常聚类簇，第一密度邻域半径大于第二密度邻域半径，第一密度点数阈值大于第二密度点数阈值。

其中，聚类处理单元142，具体用于将第一数据集中的正样本特征和负样本特征作为第一数据集中的样本点，从第一数据集中的样本点中获取目标样本点；

聚类处理单元142，还具体用于记录以目标样本点为中心点，且以第一密度邻域半径为搜索半径的样本点，将记录到的样本点的样本数量与第一密度点数阈值进行比较，得到第一比较结果；

聚类处理单元142，还具体用于若第一比较结果指示记录到的样本点的样本数量达到第一密度点数阈值，则将目标样本点作为在第一数据集中所确定出的核心样本点；

聚类处理单元142，还具体用于当第一数据集中的每个样本点均作为目标样本点时，得到在第一数据集中所确定出的所有核心样本点；

聚类处理单元142，还具体用于在确定出的所有核心样本点中获取起始核心样本点，并在第一数据集中查找与起始核心样本点具有密度可达关系的核心样本点，将查找到的核心样本点作为可达核心样本点；

聚类处理单元142，还具体用于将起始核心样本点的第一邻域内的样本点和可达核心样本点的第二邻域内的样本点合并至正常聚类簇；第一邻域是以起始核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域；第二邻域是以可达核心样本点为中心点，且以第一密度邻域半径为搜索半径所对应的搜索区域。

其中，异常检测判断模块15，还用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的正常聚类簇，则确定目标游戏对象在第一游戏技能释放过程中不存在异常属性技能。

其中，装置1还包括：

差异性对比模块17，用于若聚类处理结果指示负样本特征所属的聚类簇属于异常检测聚类策略所指示的异常聚类簇，则将负样本特征和目标预测时序特征各自包括的第一对象属性数据信息进行差异性对比，得到差异性对比结果；差异性对比结果用于指示异常属性技能的异常类型。

其中，样本特征确定模块13还包括：

特征数量获取单元134，用于获取负样本特征的特征数量，基于负样本特征的特征数量和异常检测聚类策略指示的负样本特征和正样本特征之间的样本比例，确定正样本特征的特征数量；正样本特征的特征数量为S个；S为正整数；

随机噪音生成单元135，用于通过随机噪音生成策略为目标预测时序特征生成S个随机噪音；

加噪处理单元136，用于基于S个随机噪音，对目标预测时序特征进行加噪处理，得到S个加噪处理后的目标预测时序特征，将S个加噪处理后的目标预测时序特征作为异常检测聚类策略中的正样本特征；一个随机噪音对应一个正样本特征。

本申请实施例通过目标时序输入特征表征相应的游戏技能释放场景，使得无需人工复现游戏技能释放过程，解决了人工复现游戏技能释放场景的困难性和不可持续迭代性的痛点问题，而且理论上通过目标时序输入特征可以表征游戏对象的全量游戏技能释放场景（即游戏技能释放过程中的所有时间点对应的游戏场景），能够有效避免异常场景漏检的问题，有利于在游戏技能释放过程中提升异常检测的准确性；应当理解，本申请实施例无需针对特定游戏对象的特定游戏技能释放场景进行单一定制化处理，也就是说，能够实现对所有游戏对象和所有游戏技能释放过程的异常检测，具有较强的通用性，且无需人工介入，就能通过特征预测处理、聚类处理等过程实现对游戏技能释放过程的自动化异常检测，可以节约大量的人力，提升异常检测的检测效率。

进一步地，请参见图13，图13是本申请实施例提供的一种计算机设备的结构示意图。如图13所示，该计算机设备1300可以为终端设备，例如，上述图1所对应实施例中的终端设备200a，还可以为服务器，例如，上述图1所对应实施例中的业务服务器100，这里将不对其进行限制。为便于理解，本申请以计算机设备为终端设备为例，该计算机设备1300可以包括：处理器1301，网络接口1304和存储器1305，此外，该计算机设备1300还可以包括：用户接口1303，和至少一个通信总线1302。其中，通信总线1302用于实现这些组件之间的连接通信。其中，用户接口1303还可以包括标准的有线接口、无线接口。网络接口1304可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1305可以是高速RAM存储器，也可以是非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器1305可选的还可以是至少一个位于远离前述处理器1301的存储装置。如图13所示，作为一种计算机可读存储介质的存储器1305中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。

其中，该计算机设备1300中的网络接口1304还可以提供网络通讯功能。在图13所示的计算机设备1300中，网络接口1304可提供网络通讯功能；而用户接口1303主要用于为用户提供输入的接口；而处理器1301可以用于调用存储器1305中存储的设备控制应用程序，以执行前文图3、图8或者图10所对应实施例中对游戏数据处理方法的描述，也可执行前文图12所对应实施例中对游戏数据处理装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。

此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且计算机可读存储介质中存储有前文提及的游戏数据处理装置1所执行的计算机程序，且计算机程序包括计算机指令，当处理器执行计算机指令时，能够执行前文图3、图8或者图10所对应实施例中对游戏数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，计算机指令可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链系统。

此外，需要说明的是：本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或者计算机程序可以包括计算机指令，该计算机指令可以存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器可以执行该计算机指令，使得该计算机设备执行前文图3、图8或者图10所对应实施例中对游戏数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机程序产品或者计算机程序实施例中未披露的技术细节，请参照本申请方法实施例的描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储器（Read-Only Memory，ROM）或随机存储器（Random Access Memory，RAM）等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (17)

1.一种游戏数据处理方法，其特征在于，包括：

获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过所述第一技能释放时间戳采集所述目标游戏对象在所述第一游戏技能释放过程中的第一属性技能数据信息，基于所述第一属性技能数据信息和所述第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；所述第一游戏技能释放过程为控制所述目标游戏对象释放一个或者多个游戏技能的过程；所述第一技能释放时间戳包含M个时间戳，M为正整数；所述M个时间戳是由所述第一游戏技能释放过程的技能释放时长所确定的；所述第一属性技能数据信息包含采集到的所述目标游戏对象在所述M个时间戳中的每个时间戳时的时间属性技能信息；一个时间戳对应一个时间属性技能信息；

将所述目标时序输入特征输入至所述目标预测模型，由所述目标预测模型对所述目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由所述目标预测模型输出的所述目标时序输出特征作为与所述第一技能释放时间戳相关联的目标预测时序特征；

获取所述目标游戏对象在所述第一游戏技能释放过程中的第一对象属性数据信息，基于所述第一对象属性数据信息和所述第一技能释放时间戳，确定与所述目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于所述负样本特征和所述目标预测时序特征，确定所述异常检测聚类策略中的正样本特征；

通过所述异常检测聚类策略，对所述正样本特征和所述负样本特征进行聚类处理，得到所述目标游戏对象在所述第一游戏技能释放过程中的聚类处理结果；

若所述聚类处理结果指示所述负样本特征所属的聚类簇属于所述异常检测聚类策略所指示的异常聚类簇，则确定所述目标游戏对象在所述第一游戏技能释放过程中存在异常属性技能。

2.根据权利要求1所述的方法，其特征在于，所述获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过所述第一技能释放时间戳采集所述目标游戏对象在所述第一游戏技能释放过程中的第一属性技能数据信息，包括：

确定目标游戏对象在目标游戏的第一游戏技能释放过程的技能释放时间轴；所述技能释放时间轴用于表示所述技能释放时长；

采集所述技能释放时间轴上的M个时间戳，将采集到的所述M个时间戳作为所述目标游戏对象在所述第一游戏技能释放过程中的第一技能释放时间戳；

基于所述第一技能释放时间戳中的每个时间戳，采集所述目标游戏对象在所述第一游戏技能释放过程中的每个时间戳上的时间属性技能信息，将采集到的每个时间戳上的时间属性技能信息作为所述目标游戏对象在所述第一游戏技能释放过程中的第一属性技能数据信息。

3.根据权利要求1所述的方法，其特征在于，所述M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；j=i+1；i和j为小于或者等于M的正整数；所述第一属性技能数据信息包含所述时间戳i对应的时间属性技能信息m和所述时间戳j对应的时间属性技能信息n；

所述基于所述第一属性技能数据信息和所述第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征，包括：

获取与所述时间属性技能信息m相关联的第一多维度向量特征，将由所述第一多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第一信息矩阵；

获取与所述时间属性技能信息n相关联的第二多维度向量特征，将由所述第二多维度向量特征所拼接得到的向量矩阵，作为所述时间戳j对应的第一信息矩阵；

按照所述时间戳i和所述时间戳j之间的时间先后顺序，对所述时间戳i对应的第一信息矩阵和所述时间戳j对应的第一信息矩阵进行矩阵拼接处理，得到与所述第一技能释放时间戳相关联的第一信息拼接矩阵；

基于所述第一信息拼接矩阵，得到用于输入目标预测模型的目标时序输入特征，所述目标时序输入特征包含M个第一信息矩阵，一个第一信息矩阵对应一个时间戳。

4.根据权利要求3所述的方法，其特征在于，所述时间属性技能信息m包含对象属性信息、对象位置信息、技能释放状态信息、场景特征信息；

所述获取与所述时间属性技能信息m相关联的第一多维度向量特征，将由所述第一多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第一信息矩阵，包括：

对所述对象属性信息进行向量映射，得到所述对象属性信息对应的属性维度向量特征；

对所述对象位置信息进行向量映射，得到所述对象位置信息对应的位置维度向量特征；

对所述技能释放状态信息进行向量映射，得到所述技能释放状态信息对应的技能维度向量特征；

对所述场景特征信息进行向量映射，得到所述场景特征信息对应的场景维度向量特征；

将所述属性维度向量特征、所述位置维度向量特征、所述技能维度向量特征和所述场景维度向量特征，作为与所述时间属性技能信息m相关联的第一多维度向量特征，将由所述第一多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第一信息矩阵。

5.根据权利要求1所述的方法，其特征在于，所述第一技能释放时间戳包含M个时间戳；所述M个时间戳中的任意相邻两个时间戳包含时间戳i和时间戳j；M为正整数；j=i+1；i和j为小于或者等于M的正整数；所述第一对象属性数据信息包含所述时间戳i对应的时间对象属性信息m和所述时间戳j对应的时间对象属性信息n；

所述基于所述第一对象属性数据信息和所述第一技能释放时间戳，确定与所述目标游戏对象相关联的异常检测聚类策略中的负样本特征，包括：

获取与所述时间对象属性信息m相关联的第三多维度向量特征，将由所述第三多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第二信息矩阵；

获取与所述时间对象属性信息n相关联的第四多维度向量特征，将由所述第四多维度向量特征所拼接得到的向量矩阵，作为所述时间戳j对应的第二信息矩阵；

按照所述时间戳i和所述时间戳j之间的时间先后顺序，对所述时间戳i对应的第二信息矩阵和所述时间戳j对应的第二信息矩阵进行矩阵拼接处理，得到与所述第一技能释放时间戳相关联的第二信息拼接矩阵；

基于所述第二信息拼接矩阵，得到与所述目标游戏对象相关联的异常检测聚类策略中的负样本特征，所述负样本特征包含M个第二信息矩阵，一个第二信息矩阵对应一个时间戳。

6.根据权利要求5所述的方法，其特征在于，所述时间对象属性信息m包含对象位置信息、对象增减益状态信息、场景特征信息；

所述获取与所述时间对象属性信息m相关联的第三多维度向量特征，将由所述第三多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第二信息矩阵，包括：

对所述对象位置信息进行向量映射，得到所述对象位置信息对应的位置维度向量特征；

对所述对象增减益状态信息进行向量映射，得到所述对象增减益状态信息对应的状态维度向量特征；

对所述场景特征信息进行向量映射，得到所述场景特征信息对应的场景维度向量特征；

将所述位置维度向量特征、所述状态维度向量特征、所述场景维度向量特征，作为与所述时间对象属性信息m相关联的第三多维度向量特征，将由所述第三多维度向量特征所拼接得到的向量矩阵，作为所述时间戳i对应的第二信息矩阵。

7.根据权利要求1所述的方法，其特征在于，所述第一技能释放时间戳包含M个时间戳；M为正整数；第一时间戳是所述M个时间戳中的任意一个，N个第二时间戳是所述M个时间戳中在所述第一时间戳之前且连续的N个时间戳；N为整数；所述目标时序输入特征包括所述M个时间戳中每个时间戳对应的时间属性技能信息；

所述由所述目标预测模型对所述目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，包括：

由所述目标预测模型基于所述第一时间戳对应的时间属性技能信息和所述N个第二时间戳对应的时间属性技能信息，对所述第一时间戳对应的时间对象属性信息进行预测处理，且由所述目标预测模型输出所述第一时间戳所对应的预测对象属性信息；

基于所述目标预测模型输出的所述M个时间戳中每个时间戳所对应的预测对象属性信息，确定所述特征预测处理后的目标时序输出特征。

8.根据权利要求1所述的方法，其特征在于，所述目标预测模型包括第一因果特征处理组件、激活处理组件、池化处理组件和第二因果特征处理组件；

所述将所述目标时序输入特征输入至所述目标预测模型，由所述目标预测模型对所述目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，包括：

将所述目标时序输入特征输入至所述目标预测模型包括的第一因果特征处理组件，由所述第一因果特征处理组件对所述目标时序输入特征进行因果特征处理，得到因果特征；

将所述因果特征输入至所述目标预测模型包括的激活处理组件，由所述激活处理组件对所述因果特征进行非线性处理，得到非线性特征；

将所述非线性特征输入至所述目标预测模型包括的池化处理组件，由所述池化处理组件对所述非线性特征进行池化处理，得到池化特征；

将所述池化特征输入至所述目标预测模型包括的第二因果特征处理组件，由所述第二因果特征处理组件对所述池化特征进行因果特征处理，得到特征预测处理后的目标时序输出特征。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取参考游戏对象在目标游戏的第二游戏技能释放过程中的第二技能释放时间戳，通过所述第二技能释放时间戳采集所述参考游戏对象在所述第二游戏技能释放过程中的第二属性技能数据信息，基于所述第二属性技能数据信息和所述第二技能释放时间戳，确定用于输入初始预测模型的样本时序输入特征；

将所述样本时序输入特征输入至所述初始预测模型，由所述初始预测模型基于所述第二技能释放时间戳对所述样本时序输入特征进行特征预测处理，得到特征预测处理后的样本时序输出特征，将由所述初始预测模型输出的所述样本时序输出特征作为与所述第二技能释放时间戳相关联的样本预测时序特征；

获取所述参考游戏对象在所述第二游戏技能释放过程中的第二对象属性数据信息，基于所述第二对象属性数据信息和所述第二技能释放时间戳，确定样本真实时序特征；

基于所述样本预测时序特征和所述样本真实时序特征，确定所述初始预测模型的模型损失函数值，基于所述模型损失函数值对所述初始预测模型进行模型迭代训练，得到模型迭代训练结果；

当所述模型迭代训练结果指示迭代训练后的初始预测模型满足模型收敛条件时，将满足所述模型收敛条件的初始预测模型作为所述目标预测模型。

10.根据权利要求1所述的方法，其特征在于，所述通过所述异常检测聚类策略，对所述正样本特征和所述负样本特征进行聚类处理，得到所述目标游戏对象在所述第一游戏技能释放过程中的聚类处理结果，包括：

基于所述正样本特征和所述负样本特征，构造用于聚类的第一数据集；

基于所述异常检测聚类策略获取第一聚类模型以及所述第一聚类模型所关联的第一密度邻域半径和第一密度点数阈值，在将所述第一数据集中的样本点输入至所述第一聚类模型时，由所述第一聚类模型基于所述第一密度邻域半径和所述第一密度点数阈值对所述第一数据集中的样本点进行聚类处理，得到所述异常检测聚类策略所指示的正常聚类簇；所述正常聚类簇中的一个聚类样本点为从所述第一数据集中所筛选出的与所述第一密度邻域半径和所述第一密度点数阈值相符的样本点；

将所述第一数据集中除所述正常聚类簇中的聚类样本点之外的样本点作为待聚类的噪声样本点，基于所述噪声样本点构造用于聚类的第二数据集；

基于所述异常检测聚类策略获取第二聚类模型以及所述第二聚类模型所关联的第二密度邻域半径和第二密度点数阈值，在将所述第二数据集中的噪声样本点输入至所述第二聚类模型时，由所述第二聚类模型基于所述第二密度邻域半径和所述第二密度点数阈值对所述第二数据集中的噪声样本点进行聚类处理，得到所述异常检测聚类策略所指示的异常聚类簇，所述第一密度邻域半径大于所述第二密度邻域半径，所述第一密度点数阈值大于所述第二密度点数阈值。

11.根据权利要求10所述的方法，其特征在于，所述由所述第一聚类模型基于所述第一密度邻域半径和所述第一密度点数阈值对所述第一数据集中的样本点进行聚类处理，得到所述异常检测聚类策略所指示的正常聚类簇，包括：

将所述第一数据集中的所述正样本特征和所述负样本特征作为所述第一数据集中的样本点，从所述第一数据集中的样本点中获取目标样本点；

记录以所述目标样本点为中心点，且以所述第一密度邻域半径为搜索半径的样本点，将记录到的样本点的样本数量与所述第一密度点数阈值进行比较，得到第一比较结果；

若所述第一比较结果指示记录到的样本点的样本数量达到所述第一密度点数阈值，则将所述目标样本点作为在所述第一数据集中所确定出的核心样本点；

当所述第一数据集中的每个样本点均作为目标样本点时，得到在所述第一数据集中所确定出的所有核心样本点；

在确定出的所有核心样本点中获取起始核心样本点，并在所述第一数据集中查找与所述起始核心样本点具有密度可达关系的核心样本点，将查找到的核心样本点作为可达核心样本点；

将所述起始核心样本点的第一邻域内的样本点和所述可达核心样本点的第二邻域内的样本点合并至所述正常聚类簇；第一邻域是以所述起始核心样本点为中心点，且以所述第一密度邻域半径为搜索半径所对应的搜索区域；第二邻域是以所述可达核心样本点为中心点，且以所述第一密度邻域半径为搜索半径所对应的搜索区域。

12.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述聚类处理结果指示所述负样本特征所属的聚类簇属于所述异常检测聚类策略所指示的正常聚类簇，则确定所述目标游戏对象在所述第一游戏技能释放过程中不存在异常属性技能。

13.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述聚类处理结果指示所述负样本特征所属的聚类簇属于所述异常检测聚类策略所指示的异常聚类簇，则将所述负样本特征和所述目标预测时序特征各自包括的第一对象属性数据信息进行差异性对比，得到差异性对比结果；所述差异性对比结果用于指示所述异常属性技能的异常类型。

14.根据权利要求1所述的方法，其特征在于，所述基于所述负样本特征和所述目标预测时序特征，确定所述异常检测聚类策略中的正样本特征，包括：

获取所述负样本特征的特征数量，基于所述负样本特征的特征数量和所述异常检测聚类策略指示的所述负样本特征和所述正样本特征之间的样本比例，确定所述正样本特征的特征数量；所述正样本特征的特征数量为S个；S为正整数；

通过随机噪音生成策略为所述目标预测时序特征生成S个随机噪音；

基于所述S个随机噪音，对所述目标预测时序特征进行加噪处理，得到S个加噪处理后的目标预测时序特征，将所述S个加噪处理后的目标预测时序特征作为所述异常检测聚类策略中的正样本特征；一个随机噪音对应一个正样本特征。

15.一种游戏数据处理装置，其特征在于，包括：

输入特征确定模块，用于获取目标游戏对象在目标游戏的第一游戏技能释放过程中的第一技能释放时间戳，通过所述第一技能释放时间戳采集所述目标游戏对象在所述第一游戏技能释放过程中的第一属性技能数据信息，基于所述第一属性技能数据信息和所述第一技能释放时间戳，确定用于输入目标预测模型的目标时序输入特征；所述第一游戏技能释放过程为控制所述目标游戏对象释放一个或者多个游戏技能的过程；所述第一技能释放时间戳包含M个时间戳，M为正整数；所述M个时间戳是由所述第一游戏技能释放过程的技能释放时长所确定的；所述第一属性技能数据信息包含采集到的所述目标游戏对象在所述M个时间戳中的每个时间戳时的时间属性技能信息；一个时间戳对应一个时间属性技能信息；

特征预测处理模块，用于将所述目标时序输入特征输入至所述目标预测模型，由所述目标预测模型对所述目标时序输入特征进行特征预测处理，得到特征预测处理后的目标时序输出特征，将由所述目标预测模型输出的所述目标时序输出特征作为与所述第一技能释放时间戳相关联的目标预测时序特征；

样本特征确定模块，用于获取所述目标游戏对象在所述第一游戏技能释放过程中的第一对象属性数据信息，基于所述第一对象属性数据信息和所述第一技能释放时间戳，确定与所述目标游戏对象相关联的异常检测聚类策略中的负样本特征，基于所述负样本特征和所述目标预测时序特征，确定所述异常检测聚类策略中的正样本特征；

异常检测聚类模块，用于通过所述异常检测聚类策略，对所述正样本特征和所述负样本特征进行聚类处理，得到所述目标游戏对象在所述第一游戏技能释放过程中的聚类处理结果；

异常检测判断模块，用于若所述聚类处理结果指示所述负样本特征所属的聚类簇属于所述异常检测聚类策略所指示的异常聚类簇，则确定所述目标游戏对象在所述第一游戏技能释放过程中存在异常属性技能。

16.一种计算机设备，其特征在于，包括存储器和处理器；

所述存储器与所述处理器相连，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机设备执行权利要求1-14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，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-14任一项所述的方法。

Images