CN116999853A - 数据处理方法、装置、电子设备及介质 - Google Patents
数据处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116999853A CN116999853A CN202210890134.XA CN202210890134A CN116999853A CN 116999853 A CN116999853 A CN 116999853A CN 202210890134 A CN202210890134 A CN 202210890134A CN 116999853 A CN116999853 A CN 116999853A
- Authority
- CN
- China
- Prior art keywords
- target object
- cheating
- game
- operation data
- operation state
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 194
- 238000005070 sampling Methods 0.000 claims abstract description 156
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims description 54
- 230000006399 behavior Effects 0.000 claims description 44
- 230000009471 action Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000006378 damage Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 7
- 208000014674 injury Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000004698 Polyethylene Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- LKJPSUCKSLORMF-UHFFFAOYSA-N Monolinuron Chemical compound CON(C)C(=O)NC1=CC=C(Cl)C=C1 LKJPSUCKSLORMF-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- A63F13/75—Enforcing rules, e.g. detecting foul play or generating lists of cheating players
-
- 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
- A63F13/80—Special adaptations for executing a specific game genre or game mode
- A63F13/837—Shooting of targets
-
- 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
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
- A63F2300/8076—Shooting
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了数据处理方法、装置、电子设备及介质，可应用于数据处理技术领域。其中方法包括：获取目标对象的待检测操作数据，根据T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；操作状态特征中包括目标对象的状态信息和目标对象的关联对象的状态信息，关联对象为目标对象执行瞄准操作或攻击操作的对象；按照时间先后顺序排列对每个采样时刻对应的操作状态特征进行组合，得到目标对象的操作状态序列；基于操作状态序列确定目标对象的作弊检测结果。采用本申请实施例，有助于提升对作弊行为的检测的准确性。本申请实施例还可应用于云技术、人工智能、智慧交通、辅助驾驶、智能家电等各种场景。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及介质。
背景技术
在一些场景中，用户会通过作弊工具来破坏所对应场景下的公平性。例如，在动作类游戏中，如第一人称射击类游戏(First-person shooting game)，部分玩家会通过作弊工具来破坏游戏公平性，如自动瞄准外挂、透视外挂等等。因此，为了保障游戏的公平性，需要对游戏过程中是否存在作弊行为进行检测，目前，检测作弊行为的方法通常是基于人为设定一些检测规则进行检测，且用于检测数据较为单一，导致对作弊行为的检测准确性较低。
发明内容
本申请实施例提供了一种数据处理方法、装置、电子设备及介质，有助于提升对作弊行为的检测的准确性。
一方面，本申请实施例公开了一种数据处理方法，所述方法包括：
获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
一方面，本申请实施例公开了一种数据处理装置，所述装置包括：
获取单元，用于获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
处理单元，用于根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
所述处理单元，还用于按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
所述处理单元，还用于基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
一方面，本申请实施例提供了一种电子设备，电子设备包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于执行如下步骤：
获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
一方面，本申请实施例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指令，计算机程序指令被处理器执行时，用于执行如下步骤：
获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
一方面，本申请实施例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，该计算机指令被处理器执行时可实现上述一方面提供的方法。
采用本申请实施例，能够获取目标对象的待检测操作数据，如可以是目标对象在游戏对局中的操作数据，从而根据该待检测操作数据确定出每个采样时刻对应的操作状态特征，该操作状态特征可以包括目标对象以及目标对象瞄准或攻击的对象的状态信息，由此得到具有丰富信息的操作状态特征，从而基于每个采样时刻的操作特征生成操作状态序列，并基于操作状态序列确定作弊检测结果，以确定目标对象是否存在作弊行为。由此可以通过目标对象和关联对象的状态信息确定操作状态序列，尤其是引入了目标对象瞄准或攻击的对象(即关联对象)在每个采样时刻的各个状态信息，以构造用于进行作弊检测操作状态序列，而不仅限于关注目标对象本身的一些状态信息，相当于引入了更丰富的数据用于进行作弊检测，有助于提升对作弊行为的检测的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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数据处理系统的结构示意图；
图2是本申请实施例提供的一种游戏场景的效果示意图；
图3是本申请实施例提供的一种游戏场景的效果示意图；
图4是本申请实施例提供的一种数据处理方法的流程示意图；
图5是本申请实施例提供的一种操作状态序列的效果示意图；
图6是本申请实施例提供的一种数据处理方法的流程示意图；
图7是本申请实施例提供的一种注意力机制网络层的结构示意图；
图8是本申请实施例提供的一种注意力分布图的效果示意图；
图9是本申请实施例提供的一种作弊检测流程的示意图；
图10是本申请实施例提供的一种作弊检测流程的示意图；
图11是本申请实施例提供的一种数据处理装置的结构示意图；
图12是本申请实施例提供的一种电子设备的结构示意图。
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描述。
本申请实施例提出一种数据处理方案，能够获取目标对象的待检测操作数据，如可以是目标对象在游戏对局中的操作数据，从而根据该待检测操作数据确定出每个采样时刻对应的操作状态特征，该操作状态特征可以包括目标对象以及目标对象瞄准或攻击的对象的状态信息，由此得到具有丰富信息的操作状态特征，从而基于每个采样时刻的操作特征生成操作状态序列，并基于操作状态序列确定作弊检测结果，以确定目标对象是否存在作弊行为。由此可以通过目标对象和关联对象的状态信息确定操作状态序列，尤其是引入了目标对象瞄准或攻击的对象(即关联对象)在每个采样时刻的各个状态信息，以构造用于进行作弊检测操作状态序列，而不仅限于关注目标对象本身的一些状态信息，相当于引入了更丰富的数据用于进行作弊检测，有助于提升对作弊行为的检测的准确性。
在一种可能的实施方式中，本申请实施例可以应用于一种数据处理系统。请参见图1，图1是本申请实施例提供的一种数据处理系统的结构示意图。如图1所示，该数据处理系统可以包括客户端和服务器。该客户端可以为用户提供游戏服务，即用户可以通过该客户端玩游戏，并且客户端可以采集游戏玩家在游戏对局过程中的操作数据，并将采集到的操作数据发送给服务器，以便于服务器根据采集到的操作数据进行作弊检测。该服务器可以接收客户端上传的操作数据，进而通过上述数据处理方案实现基于接收到的操作数据进行作弊检测，得到作弊检测结果。可选的，在得到作弊检测结果后，若作弊检测结果指示游戏玩家存在作弊行为，则可以触发对存在作弊行为的游戏玩家的惩罚机制，以通过惩罚作弊玩家来保障游戏的公平性。可选的，若作弊检测结果指示游戏玩家存在作弊行为，还可以则游戏对局中的各个游戏玩家的客户端发送提示信息，以提示在游戏对局中某个游戏玩家存在作弊行为并已经对作弊玩家进行惩罚，以提升各个游戏玩家的用户体验。在一个实施例中，还可以根据作弊检测结果确定安全策略，安全策略用于对游戏应用的防作弊功能进行优化以保障游戏的安全性。例如，统计游戏应用的玩家中存在作弊行为的玩家的数量，从而根据作弊玩家的数量所在的区间确定对应的安全策略从而可以提升游戏对局的安全性，减少作弊行为的发生。可以理解的是，本申请由于基于目标对象以及目标对象瞄准或攻击的对象在每个采样时刻的各个状态信息，构造用于进行作弊检测操作状态序列，而不仅限于关注目标对象本身的一些状态信息，相当于引入了更丰富的数据用于进行作弊检测，有助于提升对作弊行为的检测的准确性，从而保障游戏的公平性。
在一种可能的实施方式中，针对不同的游戏可能会有不同类型的作弊工具，也可以涉及到不同的作弊功能，因此本申请实施例在针对不同类型的作弊工具，可以是适应性地获取合适的操作状态特征，以便于更能准确检测出作弊行为，提升作弊检测的泛化能力，降低长期运营的成本。可选的，本申请实施例主要以第一人称射击类游戏(First-personshooting game)的作弊检测为例进行介绍。
例如，请参见图2，图2是本申请提供的一种游戏场景的效果示意图。如图2所示，该游戏界面是开启了作弊工具的游戏界面，目标对象前面存在遮挡物，但通过开启作弊功能后，能够定位遮挡物后的游戏对象，例如图2中的201所指示的方框用于定位游戏玩家名称4所对应的由此玩家的位置。在该游戏界面中还可以包括安装作弊工具后，游戏对象所能选择的作弊功能选项，如图2中的202所示可以包括作弊功能选项1-8，例如，该作弊功能选项可以为是否开启定位框、是否显示敌对玩家信息、是否显示敌对玩家的生命值、是否显示游戏任务天线、是否开启自动瞄准功能、自动瞄准操作的键位、自动瞄准部位、自动瞄准范围、自动瞄准速度等等，此处不做限制。可以理解的是，若目标对象开启了自动瞄准的作弊功能，则可以将目标对象所瞄准的目标自动移动至攻击目标上，因此后续在进行作弊检测时，可以获取到目标对象的瞄准目标的信息作为一种状态信息。
又如，请参见图3，图3是本申请实施例提供的一种游戏场景的效果示意图。如图3所示，该游戏界面是一种隔着遮挡物攻击游戏玩家的游戏界面。可以看到图3中的遮挡物后的游戏对象(如图3中的301所示)被攻击。可以理解的是，若目标对象在有遮挡物的情况下瞄准和攻击游戏对象，说明目标对象极有可能开启了能够进行透视的作弊功能，因此后续在进行作弊检测时，可以获取到目标对象与关联对象之间是否有遮挡物的信息作为一种状态信息。
在一种可能的实施方式中，本申请可以应用于人工智能技术领域，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。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一种可能的实施方式中，本申请还可以应用过于云技术领域，云技术(Cloudtechnology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
需要进行说明的是，本申请在收集用户的相关数据之前以及在收集用户的相关数据的过程中，都可以显示提示界面、弹窗或输出语音提示信息，该提示界面、弹窗或语音提示信息用于提示用户当前正在搜集其相关数据，使得本申请仅仅在获取到用户对该提示界面或者弹窗发出的确认操作后，才开始执行获取用户相关数据的相关步骤，否则(即未获取到用户对该提示界面或者弹窗发出的确认操作时)，结束获取用户相关数据的相关步骤，即不获取用户的相关数据。换句话说，本申请所采集的所有用户数据都是在用户同意并授权的情况下进行采集的，且相关用户数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本申请的技术方案可运用在电子设备中，如上述的数据处理设备。该电子设备可以是终端，也可以是服务器，或者也可以是用于进行数据处理的其他设备，本申请不做限定。可选的。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、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。终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器、智能音箱、智能家电等。
可以理解，上述场景仅是作为示例，并不构成对于本申请实施例提供的技术方案的应用场景的限定，本申请的技术方案还可应用于其他场景。例如，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
基于上述的描述，本申请实施例提出一种数据处理方法。请参见图4，图4是本申请实施例提供的一种数据处理方法的流程示意图。该方法可以由上述的电子设备执行。该数据处理方法可以包括以下步骤。
S401、获取目标对象的待检测操作数据。
其中，该目标对象可以是参与游戏对局的游戏对象(也称游戏玩家、玩家等等)。
在一种可能的实施方式中，可以对参与游戏对局的各个游戏对象均进行作弊检测，即可以将参与游戏对局的各个游戏对象分别作为该目标对象，并分别获取对应的待检测操作数据。
在一种可能的实施方式中，也可以只对参与游戏对局的部分游戏对象进行作弊检测，即可以将参与游戏对局的部分游戏对象分别作为该目标对象，并分别获取对应的待检测操作数据。
在一个实施例中，确定目标对象的方式可以为：获取参与游戏对局的各个游戏对象针对游戏对局的对局结果特征，若检测到存在对局结果特征满足作弊检测条件，则将满足作弊检测条件的对局结果特征对应的游戏对象确定为目标对象。其中，该对局结果特征可以表征游戏对象在游戏对局中的表现。例如，该对局结果特征可以包括以下一项或多项：游戏玩家的排名(如第1名、第2名等等)，游戏玩家击败的玩家数量，游戏玩家输出的伤害值、游戏玩家承受的伤害值、综合击败的玩家数量、输出或承受的伤害值等信息计算得到的评分，等等此处不做限制。
该作弊检测条件是指对游戏对象进行作弊检测时对局结果特征所需要满足的条件。例如，该作弊检测条件可以为以下的一种或多种：游戏玩家的排名高于或等于目标排名(如第1名、第3名等等)、游戏玩家击败的玩家数量大于或等于玩家数量阈值、游戏玩家输出的伤害值大于或等于输出伤害阈值、游戏玩家承受的伤害值小于或等于承受伤害阈值、评分大于或等于评分阈值，等等，此处不做限制。可以理解的是，受作弊工具的影响，作弊的游戏玩家在游戏对局结束后通常会得到更好的对局结果特征，也就是说，对局结果特征更好的游戏玩家作弊的概率更高，由此可以在游戏对局结束后，自动检测对局结果特征更好的游戏对象，以将对局结果特征满足作弊检测条件的游戏对象确定为目标对象，从而可以不用对每个游戏对象均进行作弊检测，减少计算量，提升游戏对局结算的效率。
在一个实施例中，确定目标对象的方式也可以为：接收针对目标游戏对象的作弊检测请求，将作弊检测请求所指示的目标游戏对象确定为目标对象。其中，作弊检测请求可以是用于请求对目标游戏对象进行作弊检测，该作弊检测请求可以由参与游戏对局的任一游戏对象的客户端进行发送。可以理解的是，在游戏过程中，若任一游戏对象感觉存在其他游戏对象存在作弊的可能性，则可以在游戏过程中或游戏结束后，发起针对该可能作弊的游戏对象的作弊检测请求，从而对该作弊检测请求所指示的游戏对象(即目标游戏对象)进行作弊检测，由此可以提供给游戏玩家的作弊反馈功能，提升游戏体验。
其中，待检测操作数据是指用于进行作弊检测的操作数据，待检测操作数据中包括目标对象在T个采样时刻的操作数据，T为正整数。可以理解的是，在游戏对局中，目标对象的所有操作和视野变化都会产生对应的游戏协议(protocol)，相当于针对目标对象的操作和视野变化的日志数据，由此可以基于产生的游戏协议，得到目标对象在T个采样时刻的操作数据，即待检测操作数据。
在一个实施例中，上述T个采样时刻可以为根据一定的采样间隔进行确定的。该采样间隔是指相邻采样时刻之间的时间差。例如，在一段10分钟的游戏对局中，确定采样间隔为0.5s，则可以每间隔0.5s确定一个采样时刻，由此可以得到1200个采样时刻，并获取每个采样时刻的操作数据，进而可以从该1200个采样时刻的操作数据中确定出上述待检测操作数据。可以理解的是，该采样间隔可以根据实际应用场景灵活设置，此处不做限制。
在一种可能的实施方式中，获取待检测操作数据的时机可以为在游戏对局结束后，也可以为在游戏对局过程中，此处不做限制。
在一些场景中，可以在游戏对局结束后检测玩家对游戏对局中是否有作弊行为。例如，在游戏对局结束后，若参与游戏对局的任一玩家在游戏对局中感觉存在某个玩家有作弊行为，则在游戏对局结束后可以发起针对该疑似有作弊行为的玩家的作弊检测请求，从而在接收到针对该作弊检测请求后，获取该疑似有作弊行为的玩家在游戏对局中的全部或部分采样时刻的操作数据作为待检测数据，从而检测该疑似有作弊行为的玩家在整个游戏对局过程中是否存在作弊行为。又如，可以在游戏对局结束后，获取参与游戏对局的各个游戏玩家针对游戏对局的对局结果特征，若检测到存在对局结果特征满足作弊检测条件，则将满足作弊检测条件的对局结果特征对应的游戏玩家确定为目标对象，并获取在游戏对局中的全部或部分采样时刻的操作数据作为待检测数据。
在一些场景中，还可以在游戏过程中检测玩家对游戏对局中是否有作弊行为。例如，可以在玩家每次击败其他玩家时，获取击败玩家的时刻以及击败玩家之前一定时间段内的操作数据作为待检测操作数据，这是由于作弊行为通常是为了能够更好地实现击败其他玩家的目的，则击败玩家这一时刻在检测作弊行为时非常重要。又如，可以在每间隔一定时间时，获取玩家的操作数据作为待检测操作数据以进行作弊检测。又如，若参与游戏对局的任一玩家在游戏对局中感觉存在某个玩家有作弊行为，则可以在游戏对局过程中发起针对该疑似有作弊行为的玩家的作弊检测请求，从而在接收到针对该作弊检测请求后，获取该疑似有作弊行为的玩家在发起作弊检测请求之前的全部或部分采样时刻的操作数据作为待检测数据，从而检测该疑似有作弊行为的玩家在整个游戏对局过程中是否存在作弊行为。
在一个实施例中，上述待检测操作数据可以为游戏对局中的部分采样时刻的操作数据。那么，获取目标对象的待检测操作数据，可以具体包括以下步骤：①获取目标对象的初始操作数据。其中，初始操作数据中包括目标对象在M个采样时刻的操作数据，M为正整数，M大于或等于T。例如，该初始操作数据可以为游戏对局中的全部采样时刻的操作数据。
②若检测到M个采样时刻中存在连续的至少R个无瞄准采样时刻，则对M个采样时刻中连续的至少R个无瞄准采样时刻的操作数据进行过滤处理，得到待检测操作数据。其中，无瞄准采样时刻为目标对象没有执行瞄准操作或攻击操作的采样时刻。R可以为正整数，R可以是指能进行过滤处理操作数据的连续的无瞄准采样时刻的连续时刻数量的最小值，该连续时刻数量是指无瞄准采样时刻连续的数量。R的取值可以根据实际应用场景进行设置，此处不做限制。例如，设置R为30，若初始操作数据中存在的一段连续的无瞄准采样时刻的连续时刻数量为10，则由于5<30，则不对该段连续的无瞄准采样时刻的操作数据进行过滤处理；若初始操作数据中存在的一段连续的无瞄准采样时刻的连续时刻数量为60，则由于60>30，则可以对该段连续的无瞄准采样时刻的操作数据进行过滤处理。其中，过滤处理可以为将连续的至少R个无瞄准采样时刻的操作数据从初始操作数据中剔除。可以理解的是，对无瞄准采样时刻进行过滤处理是因为，在射击类游戏中，通常采用的透视作弊工具或自动瞄准工具都与玩家的瞄准操作或这攻击操作有关，则无瞄准采样时刻的操作数据对于判断玩家是否作弊的影响较小，由此在进行作弊检测时，可以对大于一定时间段没有进行瞄准的时间段内的操作数据进行过滤，以便于在进行作弊检测时，减少需要进行处理的数据量，提升检测效率。
S402、根据T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征。
其中，操作状态特征中包括目标对象的状态信息和目标对象的关联对象的状态信息，关联对象为目标对象执行瞄准操作或攻击操作的对象。不同采样时刻的关联对象可以不同。其中，目标对象的状态信息可以是指描述目标对象的状态的信息，目标对象的关联对象的状态信息可以是指描述关联对象的状态的信息。由此可以理解的是，每个采样时刻的操作数据记录了游戏对象的所有操作和视野变化，由此可以基于待检测操作数据确定每个采样时刻对应的操作状态特征。由此可以从待检测操作数据中获取一些可能与作弊行为有关的各种类型的操作状态特征，从而基于丰富的操作状态特征检测游戏玩家是否存在作弊行为。
在一个实施例中，目标对象可能在一个采样时刻中瞄准或攻击多个对象，则可以将目标对象可能瞄准或攻击多个对象中的距离目标对象最近的游戏对象作为目标对象的关联对象。
在一个实施例中，目标对象的状态信息包括以下一种或多种：目标对象的位置信息、目标对象的动作信息、目标对象的瞄准目标信息、目标对象的生命值信息。其中，目标对象的位置信息可以为目标对象在游戏对局的参考坐标系下的位置的信息，还可以为目标对象参照上一采样时刻的位置变化信息，此处不做限制。目标对象的速度信息可以为目标对象所对应的移动速度。可以理解的是，由于在移动速度高时击败玩家的难度更大，若目标对象在速度很快时击败关联对象，则目标对象作弊的可能性更高。目标对象的动作信息可以为目标对象所进行的动作的信息，如目标对象正在进行攻击、目标对象正在进行瞄准、目标对象的攻击次数等等，此处不做限制。目标对象的瞄准目标信息可以是指目标对象所瞄准的目标的信息，如目标对象所瞄准的其他游戏对象的信息，或者所瞄准的物体的信息等等，此处不做限制。目标对象的生命值信息可以是指目标对象在游戏对局中的能够承受的伤害的最大值。
可以理解的是，针对不同类型的射击类游戏或者所可能的涉及的不同的作弊工具，则在确定的操作状态特征中的目标对象的状态信息可以有所不同。例如，在一些类型的游戏中，可以有提升玩家的经济值的作弊工具，从而可以通过快速累积经济值以快速获取更厉害的装备，因此针对这种类型的游戏和作弊工具，可以获取目标对象的经济值作为操作状态特征中的一种目标对象的状态信息。由此可以通过灵活地设置操作状态特征所需包括的状态信息，来适应不同的作弊检测场景，以提升作弊检测的准确性和灵活性。
在一个实施例中，目标对象的关联对象的状态信息包括以下一种或多种：关联对象是否被遮挡、关联对象的位置信息、关联对象的速度信息、关联对象的动作信息、关联对象的生命值信息。其中，关联对象是否被遮挡可以用于指示关联对象与目标对象之间是否存在遮挡物，可以理解的是，遮挡物可以使得目标对象的视野里看不到遮挡物后的游戏对象，正常情况下，目标对象一般不会且很难透过遮挡物瞄准其他游戏玩家，则若目标对象瞄准被遮挡物遮挡的游戏对象，说明目标对象作弊的可能行较高。关联对象的位置信息可以为关联对象在游戏对局的参考坐标系下的位置的信息，还可以为目标对象参照上一采样时刻的位置变化信息，或者，该关联对象的位置信息可以为关联对象与目标对象的距离，还可以为关联对象与目标对象的距离参照上一个采样时刻的距离变化信息等等，此处不做限制。关联对象的速度信息可以为关联对象所对应的移动速度。可以理解的是，由于击败移动速度高的玩家的难度更大，若目标对象在关联对象的速度很快时击败关联对象，则目标对象作弊的可能性更高。关联对象的动作信息可以为关联对象所进行的动作的信息，如关联对象正在进行攻击、关联对象正在进行瞄准、关联对象正在奔跑、关联对象的攻击次数等等，此处不做限制。关联对象的生命值信息可以是指关联对象在游戏对局中的能够承受的伤害的最大值。
在一个实施例中，若目标对象没有进行瞄准或攻击的游戏对象，则对应采样时刻的状态特征数据中，针对目标对象的关联对象的状态信息为空。
S403、按照时间先后顺序排列对每个采样时刻对应的操作状态特征进行组合，得到目标对象的操作状态序列。
其中，该操作状态序列可以为用于表示目标对象在T个采样时刻分别对应的操作状态特征的序列。可以理解的是，正常游戏时的操作数据所的得到的操作状态序列与作弊时的操作状态序列在数据表现上存在区分度，从而后续可以基于操作状态序列进行作弊检测。
在一个实施例中，该操作状态序列可以表征为特征矩阵。该特征矩阵的维度可以为T*D，D表示每个采样时刻对应的操作状态特征的特征维度，也就是说，特征矩阵中的每一行对应一个采样时刻，每行数据代表对应采样时刻的操作状态特征，操作状态特征包括D种类型的状态信息，每列数据对应操作状态特征中的一种状态信息。可以理解的是，特征矩阵的每个数值代表所在行对应的采样时刻和所在列对应类型的状态信息所指示的状态值。该状态值可以为具体的数值(如速度的大小、生命值的大小、攻击的次数等等)，也可以为一种类型的状态信息指示的不同可选项的标识(如是否被遮挡的标识、不同动作类型的标识等等)，此处不做限制。在一个实施例中，操作状态序列中每列数据所对应的状态信息的排列顺序可以任意组合，如可以将目标对象的状态信息排在关联对象的状态信息之前，也可以将关联对象的状态信息排在目标对象的状态信息之前，还可以按照各个状态信息的重要程度进行排列，具体可以根据实际应用场景进行设置，此处不做限制。
例如，针对目标对象的位置信息所指示的状态值可以为目标对象的位置坐标数值；又如，针对目标对象的速度信息所指示的状态值，可以为目标对象具体的速度值；又如，针对目标对象的动作信息，可以为针对每种动作类型对应的动作类型标识，如瞄准这一动作的标识0、攻击这一动作的标识为1、奔跑这一动作的标识为2，等等以此表征多种类型的动作；又如，针对目标对象的关联对象是否被遮挡这一状态信息所指示的状态值可以为被遮挡和不被遮挡对应的标识，如被遮挡对应的标识为1，不被遮挡对应的标识为0；又如，目标对象的瞄准目标信息可以为目标对象所瞄准的目标的标识。
此处结合图示对生成操作状态序列的方法进行介绍。例如，请参见图5，图5是本申请实施例提供的一种操作状态序列的效果示意图。如图5所示，可以获取目标对象在游戏对局中的操作数据(如图5中的501所示)，进而可以基于所获取的操作数据生成操作状态序列(如图5中的502所示)，可以看到，在图5中，每一行数据对应一个采样时刻的状态信息，从而按照时间的先后顺序排列每个采样时刻的状态信息。每一列数据对应一种类型的状态信息，例如其中的特征1、特征2、特征n等等，此处不做限制。针对操作状态序列中的任一个数据，可以表示所在行对应的采样时刻时目标对象在所在列对应类型的状态信息所指示的状态值。如针对如图5中的503所示的数据，可以表示第1个采样时刻时目标对象针对“特征2”这一类型的状态信息所指示的状态值。
S404、基于操作状态序列确定目标对象的作弊检测结果。
其中，作弊检测结果用于指示目标对象是否存在作弊行为。
在一种可能的实施方式中，基于操作状态序列确定目标对象的作弊检测结果可以为：基于操作状态序列确定分类特征，基于分类特征确定作弊检测结果。其中，该分类特征可以为用于最终对是否存在作弊行为进行分类的特征。基于操作状态序列确定分类特征可以为通过一些神经网络进行特征提取得到分类特征，基于分类特征确定作弊检测结果可以为通过全连接层进行确定。
在一种可能的实施方式中，本申请实施例可以调用作弊检测模型对操作状态序列进行处理，得到目标对象的作弊检测结果。具体的，可以调用作弊检测模型对操作状态序列进行处理，得到目标对象的作弊概率，从而根据目标对象的作弊概率确定目标对象的作弊检测结果。该作弊概率可以是指目标对象存在作弊行为的概率。其中，该作弊检测模型可以为一些神经网络模型，如可以CNN模型(卷积网络模型)、TextCNN(一种卷积网络模型)、ATT-CNN(一种卷积网络模型)等等，此处不做限制。由此可以通过作弊检测模型快速识别出操作状态序列所对应的操作数据中是否存在作弊行为，这是由于正常游戏时的操作数据所的得到的操作状态序列与作弊时的操作状态序列存在不同，作弊检测模型在经过训练后能够基于操作状态序列挖掘出一些作弊的操作状态序列的潜在特征，相较于根据统计操作数据的一些数值并通过认为设置的规则进行判断以检测是否作弊，本申请可以基于操作状态序列进行作弊检测的准确性更高。
采用本申请实施例，能够获取目标对象的待检测操作数据，如可以是目标对象在游戏对局中的操作数据，从而根据该待检测操作数据确定出每个采样时刻对应的操作状态特征，该操作状态特征可以包括目标对象以及目标对象瞄准或攻击的对象的状态信息，由此得到具有丰富信息的操作状态特征，从而基于每个采样时刻的操作特征生成操作状态序列，并基于操作状态序列确定作弊检测结果，以确定目标对象是否存在作弊行为。由此可以通过目标对象和关联对象的状态信息确定操作状态序列，尤其是引入了目标对象瞄准或攻击的对象(即关联对象)在每个采样时刻的各个状态信息，以构造用于进行作弊检测操作状态序列，而不仅限于关注目标对象本身的一些状态信息，相当于引入了更丰富的数据用于进行作弊检测，有助于提升对作弊行为的检测的准确性。
请参见图6，图6是本申请实施例提供的一种数据处理方法的流程示意图。该方法可以由上述的电子设备执行。该数据处理方法可以包括以下步骤。
S601、获取目标对象的待检测操作数据。
S602、根据T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征。
S603、按照时间先后顺序排列对每个采样时刻对应的操作状态特征进行组合，得到目标对象的操作状态序列。
其中，步骤S601-S603的相关描述，可以参照上述步骤S401-S403的相关描述，此处不做赘述。
S604、调用作弊检测模型的卷积网络层对操作状态序列进行处理，得到操作状态序列对应的卷积特征。
其中，该卷积特征可以为经过卷积网络层得到的特征。
在一种可能的实施方式中，为了更准确地进行作弊检测，该作弊检测模型中可以包括神经卷积网络层和注意力机制网络层，从而使得作弊检测模型能够更好地挖掘出操作状态序列的深层特征，提升作弊检测的准确性。
例如，该作弊检测模型可以为包含神经卷积网络层和注意力机制网络层的ATT－CNN模型，ATT－CNN模型通常是用于对文本的检测场景，此处将ATT－CNN模型用于作弊检测模型中，相当于对模型的应用场景的迁移，且为了更适用于该作弊应用场景，适应性地对ATT－CNN模型进行调整，以得到适用于作弊检测场景中的作弊检测模型。
一种可能的实施方式中，由于ATT－CNN模型引入了神经卷积网络层和注意力机制网络层，则相较于其他模型取得了较好的检测效果。例如，请参见下表(如表1)所示，表1对比了几种模型的检测效果。
表1
其中，准确率，表示被预测为正类的样本中实际为正类的比例。覆盖率，表示实际为正类的样本中被预测为正类的比例。由此可见，引入了神经卷积网络层和注意力机制网络层的作弊检测模型能够取得更好的检测效果。
在一个实施例中，该卷积网络层可以对输入的操作状态序列进行卷积处理。在一个实施例中，该卷积网络层中可以包括多个卷积层，每个卷积层可以采用不同的大小的卷积核。该卷积特征可以为通过卷积网络层对操作状态序列进行处理后得到的特征。可选的，本申请可以采用一维卷积的方式在时间维度进行卷积，由此提升操作状态序列中前后采样时刻的关联性，一维卷积的卷积核大小决定了序列前后关联的时间跨度。可选的，一般用于文本检测的场景的Text-CNN(一种神经网络模型)模型所采用的卷积网络层中可以采用卷积核大小为2、3或4的卷积层，为了适应于作弊检测场景，考虑到在一般的动作游戏(如FPS游戏)中的击败敌对玩家的片段的时间长度，经过统计，基本上采用卷积核大小能够覆盖2、4、6和8秒时间的操作数据的卷积层的组合的卷积网络层，由此能覆盖绝大部分的击败敌对玩家的片段的时间长度，由此能关联击败敌对玩家的片段内的操作状态特征，有效检测连续时间内的作弊行为。这是由于假设一个人持续很长时间隔着遮挡物瞄准游戏对象，那通过相对大的卷积核能更加肯定该玩家作弊，例如连续8秒间隔遮挡物瞄准游戏对象时目标对象作弊的可能性大于4次连续2秒间隔遮挡物瞄准游戏对象，因此设置卷积核大小为8秒的卷积层，能够提升在较大时间跨度上的操作数据之间的联系，有助于于提升作弊检测的准确性。
可以理解的是，在射击类游戏(如FPS游戏)场景中，玩家每一秒的行为并不是孤立的，则体现在操作状态序列中的数据变化有一定的连贯性。例如，玩家会通过持续移动接近需要攻击的目标，移动准心瞄准目标并带起攻击，完整的操作有几秒的时间跨度。如果直接使用顺序无关的全连接神经网络进行训练，每个采样时刻之间的操作数据没有产生交互，全连接神经网络只作用于单个采样时刻的操作状态特征，无法获取操作状态序列中每个采样时刻的前后关联。因此此处采用卷积网络层，能够提升各个采样时刻的操作数据之间的联系，有助于提升作弊检测的准确性。
S605、调用作弊检测模型的注意力机制网络层对卷积特征进行处理，得到分类特征。
其中，该分类特征可以为用于最终对是否存在作弊行为进行分类的特征。可选的，该分类特征可以为注意力机制网络层输出的特征，也可以为基于注意力机制网络层输出的特征进行处理后的特征，此处不做限制。
该注意力机制也称attention机制，注意力机制(Attention Mechanism)可以使得神经网络具备专注于其输入子集(或特征)的能力，分配有限的信息处理资源给重要的部分。也就是说，通过注意力机制网络层对卷积特征进行处理，可以将注意力集中在特定的重要的采样时刻上，如目标对象击败玩家的采样时刻。这是由于游戏里玩家漫无目的地移动对作弊检测基本没有效果的，但在击败玩家的时刻的数据是否异常非常重要，虽然卷积网络层通过设置卷积核大小为2、4、6、8的卷积核的增强了序列关联，但无法凸显彼此之间时间相隔较远的关键采样时刻(也称击败帧、关键帧等等)的联系，关键采样时刻是指目标对象击败其他游戏对象的采样时刻，所有关键帧本身可作为判断作弊的依据，例如，该关键采样时刻可以为近距离交战击败敌对玩家的采样时刻、持续瞄准以击败敌对玩家的采样时刻、瞬间击败敌对玩家的采样时刻，此处不做限制。因此，通过注意力机制可以使得模型会对这些关键帧进行加权处理，能够更好地提取到一些关键的特征，有助于提升作弊检测的准确性。
在一个实施例中，Attention机制的思想是在导出输入的特征序列(如此处为卷积特征)的上下文序列特征时学习将注意力集中在特定的重要特征上。当预测操作状态序列是否存在作弊行为时，Attention机制能够确定哪些采样时刻的数据应该比操作状态序列的其他采样时刻的数据更受关注。将操作状态序列中的不同采样时刻的数据打分后的以加权和组合得到Attention机制的注意力输出特征。例如，此处可以采用如下公式(如公式1所示)获取Attention机制的注意力输出特征。
gi＝∑j＝iαi，j·xj 公式1
其中，i表示在Attention机制网络层的输入特征的任一行，j表示Attention机制网络层的输入特征的任一列。α被称为Attention权重，则αi，j表示第i行第j列的数据所对应的权重。其中，α≥0且∑jαi，j＝1。xj表示Attention机制网络层的输入特征的的第j列数据的加权平均。gi表示注意力输出特征第i行数据。
在一个实施例中，αi，j可以通过softmax(一种规范化方式)规范化来实现，如可以通过以下公式(如公式2)计算αi，j。
其中，score(xi，xj)表示第i行与第j列数据对应的得分，xi表示Attention机制网络层的输入特征的的第i行数据的加权平均，xj表示Attention机制网络层的输入特征的的第j列数据的加权平均。
在一个实施例中，Attention机制中用来计算得分(也称向量匹配度)的方式有很多，例如可以采用加法Attention score计算，即采用如下公式(如公式3)计算得分。
score(xi，xj)＝va Ttanh(W1xi+W2xj])公式3
其中，W1、W2可以为Attention机制中可以进行训练的权重值。va T是可以训练得到的一个参数。由此可以得到xi与xj之间的得分score(xi，xj)。
可以理解的是，通过Attention机制网络层处理后的注意力输出特征是根据相关性的获得所有采样时刻的加权求和，含有了全局信息操作状态序列表征的是玩家不同采样时刻的行为，其中明显作弊行为发生在某几个时刻，Attention机制网络层适合用于捕获这些作弊时刻。
在一个实施例中，本申请实施例还可以引入每个采样时刻的时刻位置特征，即相当于引入Attention机制网络层的输入的特征中每行数据与其他行数据的位置关系，如在Attention机制网络层的输入的特征(如卷积特征)的每行数据上拼接对应的时刻位置特征。这是由于仅靠上述的Attention结构并不能捕捉操作状态序列的顺序，如果将操作状态序列按行打乱顺序，那么Attention的结果还是一样的。Position Embedding(位置向量)将每个位置编号并对应一个向量。例如可以通过将时刻位置向量和卷积特征中每行数据相结合，或者，将时刻位置向量与操作状态序列的每行数据相结合，就给输入Attention机制网络层的输入的特征的都引入了一定的位置信息，这样Attention就可以分辨出不同位置的数据了。例如，此处可以采用以下公式(如公式4)构造时刻位置向量。
其中，q表示需要构造时刻位置向量的特征的任一列数据，p表示需要构造时刻位置向量的特征的任一行数据。可选的，需要构造时刻位置向量的特征可以为卷积特征或者操作状态序列等。PE2q(P)表示在时刻位置向量中偶数列对应的数值，PE2q(P)表示在时刻位置向量中奇数列对应的数值。dpos需要构造时刻位置向量的特征的总列数。
在一个实施例中，Position Embedding本身是一个绝对位置的信息，但在序列数据中相对位置也很重要。由于有sin(α+β)＝sinαcosβ+cosαsinβ以及cos(α+β)＝cosαcosβ-sinαsinβ，这表明位置p+k的向量可以表示成位置p的向量的线性变换，从而可以获取相对位置信息。
此处结合图示对注意力机制网络层进行介绍。例如请参见图7，图7是本申请实施例提供的一种注意力机制网络层的结构示意图。如图7所示，该注意力网络层中可以包括输入层，用于表征输入注意力机制的特征，如上述的卷积特征。注意力网络层还可以包括隐藏层，在隐藏层中可以包括训练得到的一些模型参数，如图7中的w1与w2。进而后续可以基于softmax(一种规范化方式)来实现规范化处理并进行加权求和，以得到注意力输出特征。
在一个实施例中，若导出注意力机制网络层的注意力分布图后，可以看到注意力机制网络层中各个采样时刻对应的权重，高权重对应的采样时刻可以为关键采样时刻。例如，请参见图8，图8是本申请实施例提供的一种注意力分布图的效果示意图。可以看到，在注意力机制网络层中的高权重可以分别为如图8中的801、802、803所示的权重，可以分别对应开镜狙杀、遇敌交火、蹲点瞄准的时刻，由此可以在进行作弊检测时，作弊检测模型的注意力机制网络层可以对关键帧确定更高的权重，这是由于关键帧在作弊检测的过程中具有更大的参考意义，由此可以提升作弊检测的准确性。
S606、根据分类特征确定目标对象的作弊概率，并根据作弊概率确定目标对象的作弊检测结果。
其中，如上述，该作弊概率可以是指目标对象存在作弊行为的概率。
可选的，若作弊概率大于或等于阈值，则可以确定作弊检测概率用于指示目标对象存在作弊行为；若作弊概率小于阈值，则可以确定作弊检测概率用于指示目标对象不存在作弊行为。
在一种可能的实施方式中，在调用作弊检测模型对操作状态序列进行处理之前，还可以先对作弊检测模型进行训练，以使得作弊检测模型能够根据一段时间的操作数据准确预测游戏对局中是否存在作弊行为。那么，对作弊检测模型进行训练，可以包括以下步骤：
①获取样本操作数据，并基于样本操作数据确定对应的样本操作状态序列。其中，样本操作数据具有样本标签，样本标签用于指示样本操作数据中是否存在作弊行为。该样本操作数据可以为对作弊检测模型进行训练的数据，可以为从实际游戏场景中获取的游戏对象的操作数据。基于样本操作数据确定对应的样本操作状态序列的方式，可以参照上述基于待检测操作数据确定对应的操作状态序列的方式，此处不做赘述。在一个实施例中，若样本操作数据中具有作弊操作，则样本标签可以为1，若样本操作数据中不具有作弊操作，则样本标签可以为0。
②调用初始作弊检测模型的卷积网络层对样本操作状态序列进行处理，得到样本操作状态序列对应的样本卷积特征。该初始作弊检测模型指示未经过训练的作弊检测模型，初始作弊检测网络的卷积网络层与作弊检测网络的卷积网络层之间的模型参数可以不同。生成样本卷积特征的方式可以参照上述获取卷积特征的相关描述，此处不做赘述。
③调用初始作弊检测模型的注意力机制网络层对样本卷积特征进行处理，得到样本分类特征，并根据样本分类特征确定样本作弊概率。其中，初始作弊检测网络的注意力机制网络层与作弊检测网络的卷注意力机制网络层之间的模型参数可以不同。生成样本卷积特征的方式可以参照上述获取卷积特征的相关描述，此处不做赘述。生成样本作弊概率的方式可以参照上述获取作弊概率的相关描述，此处不做赘述。
④根据样本作弊概率与样本标签修正初始作弊检测模型的模型参数，得到作弊检测模型。在一个实施例中，修正初始作弊检测模型的模型参数可以为：基于样本作弊概率与样本标签计算损失值，进而可以基于损失值修正初始作弊检测模型的模型参数，使得损失值逐渐变小直至收敛。在对初始作弊检测模型的模型参数的修正过程中，应使得样本作弊概率与样本标签所指示的是否存在作弊行为的数值逐渐相近，由此可以使得训练得到的作弊检测模型能够通过操作状态序列准确预测是否存在作弊行为，并且，由于该作弊检测模型中引入了注意力机制，大大提升了作弊检测的准确度。
此处结合图示对作弊检测的整个流程进行介绍。例如，请参见图9，图9是本申请实施例提供的一种作弊检测流程的示意图。首先可以获取待检测操作数据(如图9中的901所示)，如获取到采样时刻1对应的操作数据1、采样时刻2对应的操作数据2、采样时刻n对应的操作数据n等等，即该待检测操作数据可以包括连续n个采样时刻的操作数据。进而可以基于获取的待检测操作数据生成状态特征序列(如图9中的902所示)，可以看到，每个采样时刻对应的操作状态特征包括了多种类型的状态信息，如状态信息1、状态信息2、状态信息3、状态信息4等等，由此可以将每个采样时刻对应的多种类型的状态信息组成状态特征序列。进而可以将状态特征序列通过卷积网络层(如图9中的903所示)的处理，得到卷积特征，从而将卷积特征输入注意力机制网络层(如图9中的904所示)，从而得道分类特征，最终得到作弊检测结果(如图9中的905所示)。由此可以通过具有丰富状态信息的操作状态序列实现对目标对象的作弊检测，并且由于在进行作弊检测时，采用了卷积网络层和注意力机制网络层，能够较好地挖掘操作状态序列的深层特征，提升作弊检测的准确性。
在一种可能的实施方式中，上述分类特征还可以为基于上述注意力机制网络层输出的注意力输出特征进行一系列处理后得到的特征。可选的，可以将注意力机制网络层输出的注意力输出特征与统计特征进行拼接处理得到分类特征。其中，该统计特征可以为统计的目标对象在游戏对局中的一些特征，如目标对象在游戏对局中击败的玩家总数量、目标对象在游戏对局中执行攻击操作的次数、目标对象在游戏对局中的死亡次数等等，此处不做限制。这是由于一些统计特征也能够看出目标对象是否作弊，例如，目标对象在游戏对局中的攻击次数与击败的玩家总数量相近，表示目标对象每次攻击都击败了玩家，这在游戏中的难度是较高的，因此目标对象作弊的可能性更多。可选的，还可以将注意力机制网络层输出的注意力输出特征进行池化处理，将池化处理后的注意力输出特征与统计特征进行拼接处理得到分类特征。
此处结合图示对作弊检测的整个流程进行介绍。例如，请参见图10，图10是本申请实施例提供的一种作弊检测流程的示意图。首先可以获取待检测操作数据(如图10中的1001所示)，进而可以基于获取的待检测操作数据生成状态特征序列(如图10中的1002所示)。然后可以将状态特征序列通过卷积网络层(如图10中的1003所示)的处理，得到卷积特征，从而将卷积特征输入注意力机制网络层(如图10中的1004所示)，得到注意力输出特征，并对注意力输出特征进行加权池化处理(如图10中的1005所示)。并且，可以基于待检测操作数据获取统计特征(如图10中的1006所示)，从而将统计特征与进行池化处理后的注意力输出特征进行拼接处理(如图10中的1007所示)，以得到最终的分类特征。从而可以通过分类器(如图10中的1008所示)对分类特征进行处理，得到最终的作弊检测结果。由此可以通过具有丰富状态信息的操作状态序列实现对目标对象的作弊检测，并且由于在进行作弊检测时，采用了卷积网络层和注意力机制网络层，能够较好地挖掘操作状态序列的深层特征，提升作弊检测的准确性。
采用本申请实施例，能够获取目标对象的待检测操作数据，如可以是目标对象在游戏对局中的操作数据，从而根据该待检测操作数据确定出每个采样时刻对应的操作状态特征，该操作状态特征可以包括目标对象以及目标对象瞄准或攻击的对象的状态信息，由此得到具有丰富信息的操作状态特征，从而基于每个采样时刻的操作特征生成操作状态序列，并基于操作状态序列确定作弊检测结果，以确定目标对象是否存在作弊行为。由此可以通过目标对象和关联对象的状态信息确定操作状态序列，尤其是引入了目标对象瞄准或攻击的对象(即关联对象)在每个采样时刻的各个状态信息，以构造用于进行作弊检测操作状态序列，而不仅限于关注目标对象本身的一些状态信息，相当于引入了更丰富的数据用于进行作弊检测，有助于提升对作弊行为的检测的准确性。
请参见图11，图11是本申请实施例提供的一种数据处理装置的结构示意图。可选的，该数据处理装置可以设置于上述电子设备中。如图11所示，本实施例中所描述的数据处理装置可以包括：
获取单元1101，用于获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
处理单元1102，用于根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
所述处理单元1102，还用于按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
所述处理单元1102，还用于基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
在一种实现方式中，所述处理单元1102，具体用于：
调用作弊检测模型的卷积网络层对所述操作状态序列进行处理，得到所述操作状态序列对应的卷积特征；
调用所述作弊检测模型的注意力机制网络层对所述卷积特征进行处理，得到分类特征；
根据所述分类特征确定所述目标对象的作弊概率，并根据所述作弊概率确定所述目标对象的作弊检测结果。
在一种实现方式中，所述处理单元1102，还用于：
获取样本操作数据，并基于所述样本操作数据确定对应的样本操作状态序列，所述样本操作数据具有样本标签，所述样本标签用于指示所述样本操作数据中是否存在作弊行为；
调用初始作弊检测模型的卷积网络层对所述样本操作状态序列进行处理，得到所述样本操作状态序列对应的样本卷积特征；
调用所述初始作弊检测模型的注意力机制网络层对所述样本卷积特征进行处理，得到样本分类特征，并根据所述样本分类特征确定样本作弊概率，
根据所述样本作弊概率与所述样本标签修正所述初始作弊检测模型的模型参数，得到所述作弊检测模型。
在一种实现方式中，所述目标对象的状态信息包括以下一种或多种：所述目标对象的位置信息、所述目标对象的速度信息、所述目标对象的动作信息、所述目标对象的瞄准目标信息、所述目标对象的生命值信息。
在一种实现方式中，所述目标对象的关联对象的状态信息包括以下一种或多种：所述关联对象是否被遮挡、所述关联对象的位置信息、所述关联对象的速度信息、所述关联对象的动作信息、所述关联对象的生命值信息。
在一种实现方式中，所述处理单元1102，具体用于：
获取目标对象的初始操作数据，所述初始操作数据中包括所述目标对象在M个采样时刻的操作数据，M为正整数，M大于或等于T；
若检测到所述M个采样时刻中存在连续的至少R个无瞄准采样时刻，则对所述M个采样时刻中所述连续的至少R个无瞄准采样时刻的操作数据进行过滤处理，得到所述待检测操作数据；R为正整数，所述无瞄准采样时刻为所述目标对象没有执行瞄准操作或攻击操作的采样时刻。
在一种实现方式中，所述处理单元1102，还用于：
获取参与游戏对局的各个游戏对象针对所述游戏对局的对局结果特征，若检测到存在对局结果特征满足作弊检测条件，则将满足所述作弊检测条件的对局结果特征对应的游戏对象确定为所述目标对象；
或者，接收针对目标游戏对象的作弊检测请求，将所述作弊检测请求所指示的所述目标游戏对象确定为所述目标对象。
请参见图12，图12是本申请实施例提供的一种电子设备的结构示意图。本实施例中所描述的电子设备，包括：处理器1201、存储器1202。可选的，该电子设备还可包括网络接口或供电模块等结构。上述处理器1201、存储器1202之间可以交互数据。
上述处理器1201可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述网络接口可以包括输入设备和/或输出设备，例如该输入设备是可以是控制面板、麦克风、接收器等，输出设备可以是显示屏、发送器等，此处不一一列举。
上述存储器1202可以包括只读存储器和随机存取存储器，并向处理器1201提供程序指令和数据。存储器1202的一部分还可以包括非易失性随机存取存储器。其中，所述处理器1201调用所述程序指令时用于执行：
获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
在一种实现方式中，所述处理器1201，具体用于：
调用作弊检测模型的卷积网络层对所述操作状态序列进行处理，得到所述操作状态序列对应的卷积特征；
调用所述作弊检测模型的注意力机制网络层对所述卷积特征进行处理，得到分类特征；
根据所述分类特征确定所述目标对象的作弊概率，并根据所述作弊概率确定所述目标对象的作弊检测结果。
在一种实现方式中，所述处理器1201，还用于：
获取样本操作数据，并基于所述样本操作数据确定对应的样本操作状态序列，所述样本操作数据具有样本标签，所述样本标签用于指示所述样本操作数据中是否存在作弊行为；
调用初始作弊检测模型的卷积网络层对所述样本操作状态序列进行处理，得到所述样本操作状态序列对应的样本卷积特征；
调用所述初始作弊检测模型的注意力机制网络层对所述样本卷积特征进行处理，得到样本分类特征，并根据所述样本分类特征确定样本作弊概率，
根据所述样本作弊概率与所述样本标签修正所述初始作弊检测模型的模型参数，得到所述作弊检测模型。
在一种实现方式中，所述目标对象的状态信息包括以下一种或多种：所述目标对象的位置信息、所述目标对象的速度信息、所述目标对象的动作信息、所述目标对象的瞄准目标信息、所述目标对象的生命值信息。
在一种实现方式中，所述目标对象的关联对象的状态信息包括以下一种或多种：所述关联对象是否被遮挡、所述关联对象的位置信息、所述关联对象的速度信息、所述关联对象的动作信息、所述关联对象的生命值信息。
在一种实现方式中，所述处理器1201，具体用于：
获取目标对象的初始操作数据，所述初始操作数据中包括所述目标对象在M个采样时刻的操作数据，M为正整数，M大于或等于T；
若检测到所述M个采样时刻中存在连续的至少R个无瞄准采样时刻，则对所述M个采样时刻中所述连续的至少R个无瞄准采样时刻的操作数据进行过滤处理，得到所述待检测操作数据；R为正整数，所述无瞄准采样时刻为所述目标对象没有执行瞄准操作或攻击操作的采样时刻。
在一种实现方式中，所述处理器1201，还用于：
获取参与游戏对局的各个游戏对象针对所述游戏对局的对局结果特征，若检测到存在对局结果特征满足作弊检测条件，则将满足所述作弊检测条件的对局结果特征对应的游戏对象确定为所述目标对象；
或者，接收针对目标游戏对象的作弊检测请求，将所述作弊检测请求所指示的所述目标游戏对象确定为所述目标对象。
可选的，该程序指令被处理器执行时还可实现上述实施例中方法的其他步骤，这里不再赘述。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述方法，比如执行上述电子设备执行的方法，此处不赘述。
可选的，本申请涉及的存储介质如计算机可读存储介质可以是非易失性的，也可以是易失性的。
可选的，该计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是，对于前述的各个方法实施例，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，某一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优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
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计算机程序包括计算机指令，该计算机指令被处理器执行时可实现上述方法中的部分或全部步骤。例如，该计算机指令存储在计算机可读存储介质中。计算机设备(即上述的电子设备)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各方法的实施例中所执行的步骤。例如，该计算机设备可以为终端，或者可以为服务器。
以上对本申请实施例所提供的一种数据处理方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种数据处理方法，其特征在于，所述方法包括：
获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
2.根据权利要求1所述方法，其特征在于，所述基于所述操作状态序列确定所述目标对象的作弊检测结果，包括：
调用作弊检测模型的卷积网络层对所述操作状态序列进行处理，得到所述操作状态序列对应的卷积特征；
调用所述作弊检测模型的注意力机制网络层对所述卷积特征进行处理，得到分类特征；
根据所述分类特征确定所述目标对象的作弊概率，并根据所述作弊概率确定所述目标对象的作弊检测结果。
3.根据权利要求1所述方法，其特征在于，所述方法还包括：
获取样本操作数据，并基于所述样本操作数据确定对应的样本操作状态序列，所述样本操作数据具有样本标签，所述样本标签用于指示所述样本操作数据中是否存在作弊行为；
调用初始作弊检测模型的卷积网络层对所述样本操作状态序列进行处理，得到所述样本操作状态序列对应的样本卷积特征；
调用所述初始作弊检测模型的注意力机制网络层对所述样本卷积特征进行处理，得到样本分类特征，并根据所述样本分类特征确定样本作弊概率，
根据所述样本作弊概率与所述样本标签修正所述初始作弊检测模型的模型参数，得到所述作弊检测模型。
4.根据权利要求1所述方法，其特征在于，所述目标对象的状态信息包括以下一种或多种：所述目标对象的位置信息、所述目标对象的速度信息、所述目标对象的动作信息、所述目标对象的瞄准目标信息、所述目标对象的生命值信息。
5.根据权利要求1所述方法，其特征在于，所述目标对象的关联对象的状态信息包括以下一种或多种：所述关联对象是否被遮挡、所述关联对象的位置信息、所述关联对象的速度信息、所述关联对象的动作信息、所述关联对象的生命值信息。
6.根据权利要求1所述方法，其特征在于，所述获取目标对象的待检测操作数据，包括：
获取目标对象的初始操作数据，所述初始操作数据中包括所述目标对象在M个采样时刻的操作数据，M为正整数，M大于或等于T；
若检测到所述M个采样时刻中存在连续的至少R个无瞄准采样时刻，则对所述M个采样时刻中所述连续的至少R个无瞄准采样时刻的操作数据进行过滤处理，得到所述待检测操作数据；R为正整数，所述无瞄准采样时刻为所述目标对象没有执行瞄准操作或攻击操作的采样时刻。
7.根据权利要求1所述方法，其特征在于，所述方法还包括：
获取参与游戏对局的各个游戏对象针对所述游戏对局的对局结果特征，若检测到存在对局结果特征满足作弊检测条件，则将满足所述作弊检测条件的对局结果特征对应的游戏对象确定为所述目标对象；或者，
接收针对目标游戏对象的作弊检测请求，将所述作弊检测请求所指示的所述目标游戏对象确定为所述目标对象。
8.一种数据处理装置，其特征在于，所述装置包括：
获取单元，用于获取目标对象的待检测操作数据，所述待检测操作数据中包括所述目标对象在T个采样时刻的操作数据，T为正整数；
处理单元，用于根据所述T个采样时刻的操作数据确定每个采样时刻对应的操作状态特征；所述操作状态特征中包括所述目标对象的状态信息和所述目标对象的关联对象的状态信息，所述关联对象为所述目标对象执行瞄准操作或攻击操作的对象；
所述处理单元，还用于按照时间先后顺序排列对所述每个采样时刻对应的操作状态特征进行组合，得到所述目标对象的操作状态序列；
所述处理单元，还用于基于所述操作状态序列确定所述目标对象的作弊检测结果，所述作弊检测结果用于指示所述目标对象是否存在作弊行为。
9.一种电子设备，其特征在于，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210890134.XA CN116999853A (zh) | 2022-07-26 | 2022-07-26 | 数据处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210890134.XA CN116999853A (zh) | 2022-07-26 | 2022-07-26 | 数据处理方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116999853A true CN116999853A (zh) | 2023-11-07 |
Family
ID=88562437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210890134.XA Pending CN116999853A (zh) | 2022-07-26 | 2022-07-26 | 数据处理方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116999853A (zh) |
-
2022
- 2022-07-26 CN CN202210890134.XA patent/CN116999853A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784348B (zh) | 账户风险识别方法及装置 | |
| US8528054B2 (en) | Multi-step challenge-response test | |
| US9873046B2 (en) | Asynchronous online game play and defend mode processing to enable social friends to assist and alter game play outcomes | |
| CN110119547B (zh) | 一种预测团战胜负的方法、装置及控制设备 | |
| CN113343089B (zh) | 用户召回方法及装置、设备 | |
| CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
| US20220253679A1 (en) | System and Method for Evaluating Defensive Performance using Graph Convolutional Network | |
| CN111476571A (zh) | 基于区块链的资产处理方法、装置、设备和存储介质 | |
| CN117610026B (zh) | 一种基于大语言模型的蜜点漏洞生成方法 | |
| CN107517200A (zh) | 一种Web服务器的恶意爬虫防御策略选择方法 | |
| CN113318448A (zh) | 游戏资源展示方法及装置、设备、模型训练方法 | |
| Kirkbride et al. | Game-like captchas for intrusion detection | |
| CN112463394A (zh) | 基于大数据和云计算的数据筛选方法及云服务器 | |
| CN116999853A (zh) | 数据处理方法、装置、电子设备及介质 | |
| CN116488850A (zh) | 真实性验证方法和装置 | |
| CN113946604B (zh) | 分阶段围棋教学方法、装置、电子设备及存储介质 | |
| Haugen | Manipulation and deception with social bots: Strategies and indicators for minimizing impact | |
| CN112190950B (zh) | 一种检测异常玩家账号的方法及装置 | |
| Bordeanu | From Data to Insights: Unraveling Spatio-Temporal Patterns of Cybercrime using NLP and Deep Learning | |
| CN114372588A (zh) | 一种共识节点的选取方法及相关装置 | |
| KR102530298B1 (ko) | 악성 게임의 탐지 | |
| CN113591898B (zh) | 游戏中账号的分类方法、装置及电子设备 | |
| Lu et al. | MMOPRG bot detection based on traffic analysis | |
| CN114417339A (zh) | 恶意应用程序的对抗方法、装置及相关产品 | |
| Kim et al. | Server-side Early Detection Method for Detecting Abnormal Players of StarCraft |
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 |