CN116700994A - 一种资源加速方法及系统 - Google Patents
一种资源加速方法及系统 Download PDFInfo
- Publication number
- CN116700994A CN116700994A CN202310963749.5A CN202310963749A CN116700994A CN 116700994 A CN116700994 A CN 116700994A CN 202310963749 A CN202310963749 A CN 202310963749A CN 116700994 A CN116700994 A CN 116700994A
- Authority
- CN
- China
- Prior art keywords
- data
- resource
- user
- module
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000001133 acceleration Effects 0.000 title claims abstract description 18
- 230000006835 compression Effects 0.000 claims abstract description 52
- 238000007906 compression Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013433 optimization analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 7
- 239000000523 sample Substances 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 45
- 230000008451 emotion Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000011068 loading method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/77—Game security or game management aspects involving data related to game devices or game servers, e.g. configuration data, software version or amount of memory
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提出了一种资源加速方法,所述方法包括:步骤1、获得用户当前的网络状况数据;步骤2、根据用户在预设时间段内的行为数据进行用户行为预测,获得预测用户行为数据;步骤3、根据预测用户行为数据获得相应的原始预缓存数据;步骤4、获得用户的资源偏好特征数据,根据资源偏好特征数据及网络状况数据确定所述原始预缓存数据的压缩规则;步骤5、按照所述压缩规则对所述原始预缓存数据进行压缩,获得压缩预缓存数据;步骤6、将所述压缩预缓存数据传输至客户端并存储至资源缓存模块;过用户行为预测确定需要进行预缓存的资源数据,同时充分考虑到不同用户对不同类型资源的重要性偏好,减少了网络资源浪费;提升了用户体验。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种资源加速方法及系统。
背景技术
游戏资源指的是在计算机游戏中用于支持游戏运行和图形渲染等方面的各种数据,例如纹理、模型、声音、动画等。随着游戏设计技术的不断进步,现代计算机游戏变得更加复杂,相应地,游戏资源的数据量也在不断增大。这给游戏的加载速度和性能带来了挑战。
然而,由于游戏资源量庞大,传统的加载和处理方法已经无法满足高效的要求。例如,虽然硬件技术在不断进步,但仍然有许多用户受制于有限带宽或不稳定的网络状态,导致游戏资源加载时间较长,可能导致游戏体验不佳。不仅如此,由于不同类型用户对游戏质量的要求不同,采用相同的资源加速方法难以满足用户的个性化需求,这也将降低用户的评价。
发明内容
针对上述存在的拘束局限性,本发明提出了一种资源加速方法及系统,通过预测用户行为确定需要预先缓存的资源数据,并按照用户的资源偏好特征对数据进行压缩,实现游戏资源加速。
为实现上述目的,本发明采用了以下技术方案:
一种资源加速方法,所述方法包括以下步骤:
步骤1、获得用户当前的网络状况数据;
步骤2、根据用户在预设时间段内的行为数据进行用户行为预测,获得预测用户行为数据;
步骤3、根据预测用户行为数据获得相应的原始预缓存数据;
步骤4、获得用户的资源偏好特征数据,根据资源偏好特征数据及网络状况数据确定所述原始预缓存数据的压缩规则;
步骤5、按照所述压缩规则对所述原始预缓存数据进行压缩,获得压缩预缓存数据;
步骤6、将所述压缩预缓存数据传输至客户端并存储至资源缓存模块。
一种资源加速系统,所述系统由用户分析模块、用户监控模块、行为预测模块、资源缓存模块、资源过滤模块、资源查找模块、优化分析模块、资源优化模块、数据传输模块组成。
所述用户分析模块用于根据用户行为数据获得用户的资源偏好特征数据;
所述用户监控模块用于实时获得用户行为数据以及用户当前的网络状况数据;
所述行为预测模块用于根据用户行为数据进行用户行为预测;
所述资源缓存模块用于存储服务端发送的压缩预缓存数据;
所述资源过滤模块用于根据行为预测模块得到的预测用户行为数据筛选需要从服务端获得的资源数据;
所述资源查找模块用于根据资源获取请求从游戏数据库中查询相应的资源数据,得到原始预缓存数据;
所述优化分析模块用于根据资源偏好特征数据及网络状况数据得到原始预缓存数据的压缩规则;
所述资源优化模块用于按照所述压缩规则对原始预缓存数据进行压缩;
所述数据传输模块用于服务端机客户端的资源数据传输,数据传输模块由客户端数据传输子模块及服务端数据传输子模块组成。
本发明与现有技术相对比,本发明具有以下优点:
(1)采用预缓存策略,通过用户行为预测确定需要进行预缓存的资源数据,避免了对无效资源的预缓存,从而减少网络资源浪费;
(2)充分考虑到不同用户对不同类型资源的重要性偏好,确保在弱网条件下优先保障用户偏好的资源类型,提升用户体验。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1为本发明实施例提供的一种资源加速方法的流程图。
图2为本发明实施例提供的一种资源加速系统的结构图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。为了进一步了解本发明,下面结合最佳实施例对本发明作进一步的详细说明。
本发明的发明点是提供一种资源加速方法及系统,通过对用户行为和偏好的分析和预测,提前加载和缓存用户可能需要的资源,减少下载等待时间和网络拥塞。
本发明的一方面在于,一种资源加速方法,参考图1,所述方法包括以下步骤:
步骤1、获得用户当前的网络状况数据;
步骤2、根据用户在预设时间段内的行为数据进行用户行为预测,获得预测用户行为数据;
步骤3、根据预测用户行为数据获得相应的原始预缓存数据;
步骤4、获得用户的资源偏好特征数据,根据资源偏好特征数据及网络状况数据确定所述原始预缓存数据的压缩规则;
步骤5、按照所述压缩规则对所述原始预缓存数据进行压缩,获得压缩预缓存数据;
步骤6、将所述压缩预缓存数据传输至客户端并存储至资源缓存模块;
步骤7、当需要加载资源时,从资源缓存模块直接加载相应的资源数据。
进一步地,所述资源偏好特征数据为用户对不同类型游戏资源的重要性偏好度;
所述重要性偏好度用于衡量在弱网条件下用户对相应类型游戏资源的重视程度;若某类型游戏资源的重要性偏好度数值越高,则代表用户在弱网情况下越重视保持该类型游戏资源的质量。
所述资源偏好特征数据存储在游戏服务端的数据库中,需要获取该数据时,通过用户id直接从数据库中查询得到。
所述游戏资源的资源类型包括纹理贴图、图片素材、音效素材、音乐素材、视频资源、模型资源、视觉特效资源、文本资源。
本发明的另一方面在于,一种资源加速系统,参考图2,所述系统由用户分析模块、用户监控模块、行为预测模块、资源缓存模块、资源过滤模块、资源查找模块、优化分析模块、资源优化模块、数据传输模块组成。
所述用户分析模块用于根据用户行为数据获得用户的资源偏好特征数据;
所述用户监控模块用于实时获得用户行为数据以及用户当前的网络状况数据;
所述行为预测模块用于根据用户行为数据进行用户行为预测;
所述资源缓存模块用于存储服务端发送的压缩预缓存数据;
所述资源过滤模块用于根据行为预测模块得到的预测用户行为数据筛选需要从服务端获得的资源数据(待获取资源数据);
所述资源查找模块用于根据资源获取请求从游戏数据库中查询相应的资源数据,得到原始预缓存数据;
所述优化分析模块用于根据资源偏好特征数据及网络状况数据得到原始预缓存数据的压缩规则;
所述资源优化模块用于按照所述压缩规则对原始预缓存数据进行压缩;
所述数据传输模块用于服务端机客户端的资源数据传输,数据传输模块由客户端数据传输子模块及服务端数据传输子模块组成。
进一步地,所述用户监控模块、行为预测模块、资源过滤模块、资源缓存模块、客户端数据传输子模块部署在游戏客户端;所述用户分析模块、资源查找模块、优化分析模块、资源优化模块、服务端数据传输子模块部署在游戏服务端。
作为一种实施例,步骤2中进行用户行为预测包括以下步骤:
步骤21、获得玩家在预设时间段内的游戏行为数据,并进行数据预处理及特征提取,得到第一玩家行为数据;
所述游戏行为数据包括角色区域坐标、游戏操作、玩家道具资源列表、玩家任务列表;
步骤22、基于第一玩家行为数据借助区域预测模型进行角色区域预测,获得第一预测结果;
所述区域预测模型为基于神经网络算法的预测模型;所述第一预测结果为玩家角色到达游戏各地图区域的概率值;
步骤23、基于第一玩家行为数据借助操作预测模型进行玩家操作预测,获得第二预测结果;
所述操作预测模型为基于神经网络算法的预测模型;所述第二预测结果为玩家执行各类操作的概率值;
步骤24、按照预设预测结果筛选规则对第一预测结果及第二预测结果进行筛选,得到预测用户行为数据;
所述预测用户行为数据由区域预测结果及操作预测结果组成。
进一步地,所述区域预测模型通过以下方式获得:
S11、获得用户的游戏行为数据,并进行数据预处理及特征提取,得到原始区域预测数据集;并将原始区域预测数据集拆分为区域预测训练集和区域预测测试集;
S12、采用循环神经网络模型借助所述区域预测训练集进行模型训练;
S13、通过反向传播算法更新模型的参数,并使用区域预测测试集来评估模型的性能;
S14、当模型性能满足预设区域预测模型性能要求时,将此时训练得到的模型作为区域预测模型。
所述循环神经网络模型由以下结构组成:
输入层、第一LSTM层、第二LSTM层、双向LSTM层、注意力层、全连接层、输出层。
输入层用于接收输入数据;输入层与第一LSTM层连接,第一LSTM层与第二LSTM层连接;第二LSTM层与双向LSTM层连接;双向LSTM层与注意力层连接;注意力层、全连接层、输出层依次顺序连接。
进一步地,所述操作预测模型通过以下方式获得:
S21、获得用户的游戏行为数据,并进行数据预处理及特征提取,得到原始操作预测数据集;并将原始操作预测数据集拆分为操作预测训练集和操作预测测试集;
S22、采用神经网络算法借助所述预测训练集进行模型训练;
S23、通过反向传播算法更新模型的参数,并使用操作预测测试集来评估模型的性能;
S24、当模型性能满足预设操作预测模型性能要求时,将此时训练得到的模型作为操作预测模型。
进一步地,预设预测结果筛选规则是指:
筛选出第一预测结果及第二预测结果中概率值大于预设预测概率阈值的所有数据。
进一步地,步骤24后还包括:
步骤25、将预测用户行为数据传输至资源过滤模块。
作为一种实施例,步骤3中根据预测用户行为数据获得相应的原始预缓存数据包括:
步骤31、按照预测用户行为数据中的区域预测结果获得第一区域资源数据;所述第一区域资源数据是指区域预测结果中所有地图区域需要的资源数据;
步骤32、将第一区域资源数据存在于资源缓存模块中的资源数据进行剔除,得到第二区域资源数据;
步骤33、按照预测用户行为数据中的操作预测结果获得第一操作资源数据;所述第一操作资源数据是操作预测结果中所有游戏操作需要的资源数据;
步骤34、将第一操作资源数据存在于资源缓存模块中的资源数据进行剔除,得到第二操作资源数据;第二区域资源数据及第二操作资源数据组合成为待获取资源数据。
进一步地,步骤34获得所述待获取资源数据后还包括:
步骤35、根据待获取资源数据生成资源获取请求,并通过客户端数据传输子模块传输至服务端的资源查找模块;
步骤36、资源查找模块根据资源获取请求的内容从游戏数据库中查找相应的资源数据,得到原始预缓存数据。
作为一种实施例,所述用户分析模块通过以下方式获得资源偏好特征数据:
读取服务端存储的目标用户的用户行为数据;将所述用户行为数据输入用户偏好分析模型中,获得目标用户的资源偏好特征数据;同时,将所述资源偏好特征数据按照用户id存储至服务端数据库中。
所述用户偏好分析模型基于机器学习算法训练得到。
作为一种实施例,所述用户偏好分析模型通过以下方式获得:
收集用户行为数据及对应的资源偏好特征数据,并进行数据预处理,得到原始偏好分析数据集;
将所述原始偏好分析数据集拆分为偏好分析训练集和偏好分析测试集,并基于偏好分析训练集借助机器学习算法进行模型训练;
借助偏好分析测试集对模型进行评估并调整优化模型直到满足预设偏好分析模型效果,得到用户偏好分析模型。
作为一种实施例,所述资源偏好特征数据通过以下方式得到:
S31、获得用户反馈数据并进行文本预处理;所述用户反馈数据为用户对游戏相关问题的评价反馈文本;
S32、借助关键词匹配的方法,筛选用户反馈数据中涉及弱网问题的文本,获得第一评价文本数据;
所述第一评价文本数据包括用户id及对应的评价文本;
S33、借助关键词匹配的方法,识别第一评价文本数据中每一条文本涉及的资源类型,获得第二评价文本数据;
所述第二评价文本数据包括用户id、对应的评价文本及对应的资源类型;
S34、对第二评价文本数据中的每一条文本进行情感分析,获得每一条文本的情感倾向值,获得原始资源类型倾向数据;
所述原始资源类型倾向数据包括用户id、资源类型及对应的情感倾向值;
S35、按照用户id对第一资源类型倾向数据进行分组,并计算每一用户对各资源类型的重要性偏好度,得到资源偏好特征数据。
进一步地,所述情感分析采用基于卷积神经网络的文本情感分析方法实现。
需要说明的是,基于卷积神经网络的文本情感分析方法为现有成熟技术,本领域技术人员根据前述实施例的描述可顺利实现,在此不再赘述。
进一步地,所述情感倾向值取值范围为0-1,情感倾向值越大,表示用户对相应资源类型的负面情绪越强烈。
进一步地,所述重要性偏好度的计算方式为:同一用户对同一资源类型的所有情感倾向值的最大值。
作为一种实施例,步骤4具体包括以下步骤:
步骤41、根据用户id从服务端的数据库中查询对应用户的资源偏好特征数据;
步骤42、根据资源偏好特征数据及网络状况计算不同类型资源的预计压缩率;
步骤43、若资源类型的预计压缩率大于预设压缩标准阈值,则设置该资源类型对应压缩规则的压缩标志为“不压缩”;否则,设置该资源类型对应压缩规则的压缩标志为“压缩”,且目标压缩率设置为对应的预计压缩率。
可以理解的是,压缩规则由资源类型、对应的压缩标志(表示该资源类型是否进行压缩)及目标压缩率组成。
进一步地,所述预计压缩率通过重要性偏好度、数据大小级别及网络状况指标计算得到,具体计算方式为:
其中,r为预计压缩率,α为目标用户对目标类型资源的重要性偏好度,β为数据大小级别,γ为目标用户的网络状况指标,w 1 、w 2 、w 3 分别为重要性偏好度权重、数据大小等级权重、网络状况等级权重。
所述网络状况指标通过网络延迟、丢包率及带宽计算得到,具体计算方式为:
其中,γ为网络状况指标,d为延迟指数,plr为丢包率,p为归一化带宽值;
所述延迟指数通过以下方式计算:
当网络延迟大于第一延迟阈值时,延迟指数为0;当网络延迟小于第一延迟阈值,大于第二延迟值时,延迟指数为0.3;当网络延迟小于第二延迟阈值,大于第三延迟值时,延迟指数为0.5;当网络延迟小于第三延迟阈值,大于第四延迟值时,延迟指数为0.7;当网络延迟小于第四延迟阈值,大于第五延迟值时,延迟指数为0.9;当网络延迟小于第五延迟阈值时,延迟指数为1;
所述归一化带宽值通过以下方式计算:
其中,p为归一化带宽值,bd为实际带宽值,Dmax为预设最大带宽值,Dmin为预设最小带宽值。
作为一种实施例,步骤5、对所述原始预缓存数据进行压缩具体是指:
将原始预缓存数据按照资源类型进行分组;按照资源类型在所述压缩规则中对应的压缩标志判断是否需要对当前资源类型的数据进行压缩;若需要进行压缩(压缩标志为“压缩”),则按照目标压缩率对相应的原始预缓存数据进行压缩。
作为一种实施例,步骤6中将所述压缩预缓存数据传输至客户端通过数据传输模块的服务端数据传输子模块完成。
作为一种实施例,本发明所述方法可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用计算机或任何其他类似硬件设备来实现。
本发明所述的方法可以软件程序的形式实施,所述软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,所述软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。
另外,本发明所述方法的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明所述的方法的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本发明所述方法的程序指令,可被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。
作为一种实施例,本发明还提供一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述的多个实施例的方法和/或技术方案。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
最后,需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
另外,各个实施例之间的技术方案可以互相结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求保护的范围之内。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种资源加速方法,其特征在于,
所述方法包括以下步骤:
步骤1、获得用户当前的网络状况数据;
步骤2、根据用户在预设时间段内的行为数据进行用户行为预测,获得预测用户行为数据;
步骤3、根据预测用户行为数据获得相应的原始预缓存数据;
步骤4、获得用户的资源偏好特征数据,根据资源偏好特征数据及网络状况数据确定所述原始预缓存数据的压缩规则;
步骤5、按照所述压缩规则对所述原始预缓存数据进行压缩,获得压缩预缓存数据;
步骤6、将所述压缩预缓存数据传输至客户端并存储至资源缓存模块。
2.根据权利要求1所述的方法,其特征在于,
步骤2中进行用户行为预测包括以下步骤:
步骤21、获得玩家在预设时间段内的游戏行为数据,并进行数据预处理及特征提取,得到第一玩家行为数据;
步骤22、基于第一玩家行为数据借助区域预测模型进行角色区域预测,获得第一预测结果;
步骤23、基于第一玩家行为数据借助操作预测模型进行玩家操作预测,获得第二预测结果;
步骤24、按照预设预测结果筛选规则对第一预测结果及第二预测结果进行筛选,得到预测用户行为数据;所述预测用户行为数据由区域预测结果及操作预测结果组成。
3.根据权利要求2所述的方法,其特征在于,
所述游戏行为数据包括角色区域坐标、游戏操作、玩家道具资源列表、玩家任务列表;
所述区域预测模型为基于神经网络算法的预测模型;所述第一预测结果为玩家角色到达游戏各地图区域的概率值;
所述操作预测模型为基于神经网络算法的预测模型;所述第二预测结果为玩家执行各类操作的概率值。
4.根据权利要求2所述的方法,其特征在于,
所述区域预测模型通过以下方式获得:
S11、获得用户的游戏行为数据,并进行数据预处理及特征提取,得到原始区域预测数据集;并将原始区域预测数据集拆分为区域预测训练集和区域预测测试集;
S12、采用循环神经网络模型借助所述区域预测训练集进行模型训练;
S13、通过反向传播算法更新模型的参数,并使用区域预测测试集来评估模型的性能;
S14、当模型性能满足预设区域预测模型性能要求时,将此时训练得到的模型作为区域预测模型。
5.根据权利要求1所述的方法,其特征在于,
步骤3中根据预测用户行为数据获得相应的原始预缓存数据包括:
步骤31、按照预测用户行为数据中的区域预测结果获得第一区域资源数据;所述第一区域资源数据是指区域预测结果中所有地图区域需要的资源数据;
步骤32、将第一区域资源数据存在于资源缓存模块中的资源数据进行剔除,得到第二区域资源数据;
步骤33、按照预测用户行为数据中的操作预测结果获得第一操作资源数据;所述第一操作资源数据是操作预测结果中所有游戏操作需要的资源数据;
步骤34、将第一操作资源数据存在于资源缓存模块中的资源数据进行剔除,得到第二操作资源数据;第二区域资源数据及第二操作资源数据组合成为待获取资源数据。
6.根据权利要求1所述的方法,其特征在于,
步骤4中,通过以下方式获得资源偏好特征数据:
读取服务端存储的目标用户的用户行为数据;将所述用户行为数据输入用户偏好分析模型中,获得目标用户的资源偏好特征数据;同时,将所述资源偏好特征数据按照用户id存储至服务端数据库中。
7.根据权利要求1所述的方法,其特征在于,
步骤4具体包括以下步骤:
步骤41、根据用户id从服务端的数据库中查询对应用户的资源偏好特征数据;
步骤42、根据资源偏好特征数据及网络状况计算不同类型资源的预计压缩率;
步骤43、若资源类型的预计压缩率大于预设压缩标准阈值,则设置该资源类型对应压缩规则的压缩标志为“不压缩”;否则,设置该资源类型对应压缩规则的压缩标志为“压缩”,且目标压缩率设置为对应的预计压缩率。
8.根据权利要求7所述的方法,其特征在于,
所述预计压缩率通过重要性偏好度、数据大小级别及网络状况指标计算得到,具体计算方式为:
其中,r为预计压缩率,α为目标用户对目标类型资源的重要性偏好度,β为数据大小级别,γ为目标用户的网络状况指标,w 1 、w 2 、w 3 分别为重要性偏好度权重、数据大小等级权重、网络状况等级权重;
所述网络状况指标通过网络延迟、丢包率及带宽计算得到,具体计算方式为:
其中,γ为网络状况指标,d为延迟指数,plr为丢包率,p为归一化带宽值。
9.根据权利要求1所述的方法,其特征在于,
步骤5、对所述原始预缓存数据进行压缩具体是指:
将原始预缓存数据按照资源类型进行分组;按照资源类型在所述压缩规则中对应的压缩标志判断是否需要对当前资源类型的数据进行压缩;若需要进行压缩,则按照目标压缩率对相应的原始预缓存数据进行压缩。
10.一种资源加速系统,其特征在于,
所述系统由用户分析模块、用户监控模块、行为预测模块、资源缓存模块、资源过滤模块、资源查找模块、优化分析模块、资源优化模块、数据传输模块组成;
所述用户分析模块用于根据用户行为数据获得用户的资源偏好特征数据;
所述用户监控模块用于实时获得用户行为数据以及用户当前的网络状况数据;
所述行为预测模块用于根据用户行为数据进行用户行为预测;
所述资源缓存模块用于存储服务端发送的压缩预缓存数据;
所述资源过滤模块用于根据行为预测模块得到的预测用户行为数据筛选需要从服务端获得的资源数据(待获取资源数据);
所述资源查找模块用于根据资源获取请求从游戏数据库中查询相应的资源数据,得到原始预缓存数据;
所述优化分析模块用于根据资源偏好特征数据及网络状况数据得到原始预缓存数据的压缩规则;
所述资源优化模块用于按照所述压缩规则对原始预缓存数据进行压缩;
所述数据传输模块用于服务端机客户端的资源数据传输,数据传输模块由客户端数据传输子模块及服务端数据传输子模块组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963749.5A CN116700994B (zh) | 2023-08-02 | 2023-08-02 | 一种资源加速方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310963749.5A CN116700994B (zh) | 2023-08-02 | 2023-08-02 | 一种资源加速方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116700994A true CN116700994A (zh) | 2023-09-05 |
CN116700994B CN116700994B (zh) | 2024-03-12 |
Family
ID=87832486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310963749.5A Active CN116700994B (zh) | 2023-08-02 | 2023-08-02 | 一种资源加速方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700994B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769135A (zh) * | 2018-12-07 | 2019-05-17 | 北京交通大学 | 基于联合请求速率的在线视频缓存管理方法和系统 |
CN111375200A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园网络科技有限公司 | 智能配置游戏资源方法、系统及计算机存储介质、设备 |
CN111897596A (zh) * | 2020-07-21 | 2020-11-06 | 珠海剑心互动娱乐有限公司 | Unity游戏资源加载优化方法及系统 |
CN113018866A (zh) * | 2021-03-31 | 2021-06-25 | 完美世界(北京)软件科技发展有限公司 | 地图资源的加载方法和装置、存储介质、电子装置 |
CN114357338A (zh) * | 2022-01-14 | 2022-04-15 | 上海非码网络科技有限公司 | 基于用户行为分析页面数据预加载方法、终端及存储介质 |
CN115766965A (zh) * | 2022-11-29 | 2023-03-07 | 广东职业技术学院 | 一种试卷图像文件处理方法及存储介质 |
-
2023
- 2023-08-02 CN CN202310963749.5A patent/CN116700994B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109769135A (zh) * | 2018-12-07 | 2019-05-17 | 北京交通大学 | 基于联合请求速率的在线视频缓存管理方法和系统 |
CN111375200A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园网络科技有限公司 | 智能配置游戏资源方法、系统及计算机存储介质、设备 |
CN111897596A (zh) * | 2020-07-21 | 2020-11-06 | 珠海剑心互动娱乐有限公司 | Unity游戏资源加载优化方法及系统 |
CN113018866A (zh) * | 2021-03-31 | 2021-06-25 | 完美世界(北京)软件科技发展有限公司 | 地图资源的加载方法和装置、存储介质、电子装置 |
CN114357338A (zh) * | 2022-01-14 | 2022-04-15 | 上海非码网络科技有限公司 | 基于用户行为分析页面数据预加载方法、终端及存储介质 |
CN115766965A (zh) * | 2022-11-29 | 2023-03-07 | 广东职业技术学院 | 一种试卷图像文件处理方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116700994B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11461388B2 (en) | Generating a playlist | |
CN107391760B (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
US11017010B2 (en) | Intelligent playing method and apparatus based on preference feedback | |
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
US7853582B2 (en) | Method and system for providing information services related to multimodal inputs | |
CN107704495A (zh) | 主题分类器的训练方法、装置及计算机可读存储介质 | |
US20090319449A1 (en) | Providing context for web articles | |
KR102324048B1 (ko) | 커뮤니티 질의 응답 데이터의 검증 방법, 장치, 컴퓨터 기기 및 저장 매체 | |
CN110175245A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN112231497B (zh) | 信息分类方法、装置、存储介质及电子设备 | |
US8799259B2 (en) | Method and apparatus for quality ranking of media | |
CN115798518B (zh) | 一种模型训练方法、装置、设备及介质 | |
CN110728983B (zh) | 一种信息显示方法、装置、设备及可读存储介质 | |
CN111858969A (zh) | 多媒体数据推荐方法、装置、计算机设备和存储介质 | |
CN111294620A (zh) | 视频的推荐方法及装置 | |
CN114973086A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN116700994B (zh) | 一种资源加速方法及系统 | |
CN113163234B (zh) | 一种基于第三方服务的盗版视频网站检测方法及系统 | |
CN110764731A (zh) | 一种多媒体文件播放控制方法、智能终端及服务器 | |
CN113032616B (zh) | 音频推荐的方法、装置、计算机设备和存储介质 | |
CN111209428A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN113420809A (zh) | 视频质量评价方法、装置和电子设备 | |
CN113449212B (zh) | 针对搜索结果的质量评估、优化方法和装置、设备 | |
US20240196048A1 (en) | Dynamic Insertion of Supplemental Audio Content into Audio Recordings at Request Time |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |