应用对象识别及其识别模型的训练方法、装置和介质与流程

本申请涉及互联网技术领域，尤其涉及应用对象识别及应用对象识别模型的训练方法、装置和存储介质。

背景技术：

由于游戏外挂能够帮助玩家轻松过关，使得很多玩家在玩游戏时喜欢使用外挂。然而外挂的使用通常使得游戏缺乏公平性。相关技术中，也出现了识别游戏外挂的方法。

通常，识别外挂的方法包括：获取外挂样本，然后基于外挂样本分析外挂的特征，基于外挂的特征监控玩家是否使用外挂。然而，外挂会定期更新，且频繁更新，这将导致外挂的特征会经常变动、需要人工频繁的去维护外挂特征，这将耗费人力资源。此外，外挂样本更新的时候，外挂样本也会随之变化，对应的外挂特征识别的策略也会随之失效，在更新之前，对外挂的检测是处于失效的状态，导致对外挂的检测将存在一定滞后性。

技术实现要素：

本申请实施例提供一种应用对象识别及逻辑回归模型的训练方法、装置和存储介质，用于解决现有技术中使用外挂特征去识别外挂时，需要人工频繁更新外挂特征并且基于外挂特征的检测具有一定滞后性等的问题。

第一方面，本申请实施例提供一种应用对象识别，该方法包括：

实时获取游戏玩家在游戏中的行为数据；

根据获取的行为数据，构建所述游戏玩家的行为特征；

将构建的行为特征输入给应用对象识别模型；所述应用对象识别模型为预先根据黑白样本训练得到的，其中黑样本为游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征；

得到所述应用对象识别模型输出的所述游戏玩家是否使用外挂的检测结果。

第二方面，本申请实施例提供一种应用对象识别模型的训练方法，包括：

采集使用外挂的游戏玩家的行为数据，以及未使用外挂的游戏玩家的行为数据；

根据采集的行为数据构建行为特征，并将相应的黑白标签和行为特征进行关联得到训练样本；

根据训练样本训练模型，得到能够检测游戏玩家是否使用外挂的应用对象识别模型。

第三方面，本申请实施例提供一种应用对象识别装置，所述装置包括：

行为数据获取模块，用于实时获取游戏玩家在游戏中的行为数据；

行为特征构建模块，用于根据获取的行为数据，构建所述游戏玩家的行为特征；

检测模块，用于调将构建的行为特征输入给应用对象识别模型；所述应用对象识别模型为预先根据黑白样本训练得到的，其中黑样本为游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征；

结果确定模块，用于得到所述应用对象识别模型输出的所述游戏玩家是否使用外挂的检测结果。

第四方面，本申请实施例提供一种应用对象识别模型的训练装置，包括：

采集模块，用于采集的使用外挂的游戏玩家的行为数据，以及未使用外挂的游戏玩家的行为数据；

特征构建模块，用于根据采集的行为数据构建行为特征，并将相应的黑白标签和行为特征进行关联得到训练样本；

训练模块，用于根据训练样本训练模型，得到能够检测游戏玩家是否使用外挂的应用对象识别模型。

本申请另一实施例还提供了一种计算装置，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一应用对象识别方法和/或应用对象识别模型的训练方法。

本申请另一实施例还提供了一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本申请实施例中的任一应用对象识别方法和/或应用对象识别模型的训练方法。

本申请实施例中，为了避免人工频繁的维护外挂特征，以及避免因外挂特征的频繁更新导致外挂的检测具有滞后性的问题，使用游戏玩家在游戏中的行为数据对应用对象识别模型进行训练。具体的使用有标签的样本对模型进行训练。包括游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征。由于玩家在游戏中的行为相对稳定，所以行为特征也相对稳定，所以基于该特征的检测不会像外挂特征那样频繁的进行更新和维护，进而避免了因更新维护导致的无法进行外挂检测，也就避免了现有技术中外挂检测的滞后性问题。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中的应用对象识别核心策略示意图；

图2为本申请实施例中的应用对象识别及应用对象识别模型训练方法适用的应用场景示意图；

图3为本申请实施例中的应用对象识别模型训练方法的流程示意图；

图4为本申请实施例中的采集样本的示意图；

图5为本申请实施例中打提前枪的示意图；

图6为本申请实施例中卷积神经网络的结构示意图；

图7为本申请实施例中获得逻辑回归模型的参数配置的示意图；

图8为本申请实施例中逻辑回归模型的训练效果的示意图；

图9为本申请实施例中应用对象识别方法的流程示意图；

图10为本申请实施例中游戏界面的示意图之一；

图11为本申请实施例中游戏界面的示意图之二；

图12为本申请实施例中应用对象识别装置的结构示意图；

图13为本申请实施例中应用对象识别模型的训练装置的结构示意图；

图14为根据本申请实施方式的计算装置的结构示意图。

具体实施方式

为了便于提高处理资源的使用效率，本申请实施例中提供一种应用对象识别及其识别模型的训练方法、装置和存储介质。为了更好的理解本申请实施例提供的技术方案，这里对该方案涉及的名词做一下简单说明：

gameclient：游戏客户端，指游戏玩家登陆并进行操作的游戏终端。

gameserver：游戏服务器；提供游戏服务的服务器，用于与游戏客户端交互完成游戏玩家的游戏操作。

laserver：逻辑分析服务器(logicanalysisserver)，接收并处理从gameclient/gameserver发送过来的pbc协议数据，以及gameclient上报的cfr协议数据，从这些数据中分析挖掘游戏玩家对游戏角色的控制行为。

pbc：玩家行为定制化方案(playerbehaviorcustomized)，用来上报玩家定制化行为数据的方案。

pbc_client_sdk：玩家行为定制化方案在游戏客户端的接口，游戏开发商通过调用这个接口把玩家在gameclient产生的协议数据发送到laserver。

pbc_server_sdk：玩家行为定制化方案在游戏服务器的接口，游戏开发商通过调用这个接口把玩家在gameserver产生的协议数据发送到laserver。

cfr：第一人称射击类游戏(如穿越火线游戏)录像文件(crossfirereplay)，该文件中保存着玩家关键游戏事件的数据。

cfrdataserver：cfr录像文件存储服务器。

cfrparseserver：cfr录像文件的协议解析服务器，通过这个解析服务器来解析cfr录像文件，并把解析出来的协议数据按照数据流的方式发送到laserver中。

本申请实施例中，为了避免人工频繁的维护外挂特征，以及避免因外挂特征的频繁更新导致外挂的检测具有滞后性的问题，使用游戏玩家在游戏中的行为数据对应用对象识别模型进行训练。具体的使用有标签的样本对模型进行训练。包括游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征。由于玩家在游戏中的行为相对稳定，所以行为特征也相对稳定，所以基于该特征的检测不会像外挂特征那样频繁的进行更新和维护，进而避免了因更新维护导致的无法进行外挂检测，也就避免了现有技术中外挂检测的滞后性问题。

如图1所示，为本申请实施例中的核心策略示意图。以透视外挂为例，在本申请实施例中，通过白名单样本(即后文中具有白标签的样本)和使用透视外挂的游戏玩家的透视玩家样本(即后文中具有黑标签的样本)进行模型训练，训练好模型后，对模型进行评估，评估结果达到预期时，将模型部署到laserver服务器上得到线上模型。laserver服务器能够实时接收cfr协议数据和pbc协议数据，并根据这两种协议数据，构建游戏玩家的行为特征，例如可包括图1所示的各种行为，然后将构建的行为特征输入给线上模型进行检测，对检测结果为使用外挂的游戏玩家生成透视可疑名单，然后对名单中的游戏玩家进行作弊惩罚。

具体的，如图2所示，为本申请实施例提供的应用对象识别方法的应用场景示意图。该应用场景中包括游戏玩家10、终端11、服务器12、服务器13。终端11中安装有游戏客户端，服务器12为游戏玩家登陆的服务器。游戏玩家10通过游戏客户端进行游戏操作。游戏客户端和游戏服务器配合完成游戏玩家对游戏角色的控制。终端11和服务器12将游戏玩家对游戏的操作数据发送给服务器13，服务器13对操作数据进行分析挖掘得到游戏玩家在游戏中的行为数据。然后服务器13根据获取的行为数据构建游戏玩家的行为特征，并输入给应用对象识别模型进行检测，以此确定游戏玩家是否使用了外挂。当使用外挂时，服务器13会通知服务器12对相应玩家进行惩罚，例如限制一段时间不能操作、不能登录游戏客户端等。

下面结合附图对本申请实施例提供的应用对象识别模型的训练方法以及应用对象识别方法进行说明。

可以针对需要检测的外挂，获取该外挂的各个版本。例如射击类游戏中可以透视敌人的透视外挂，可以先获取不同版本的透视外挂。然后，如图3所示，执行应用对象识别模型的训练，该训练包括以下步骤：

步骤301：采集使用外挂的游戏玩家的行为数据，以及未使用外挂的游戏玩家的行为数据。

步骤302：根据采集的行为数据构建行为特征，并将相应的黑白标签和行为特征进行关联得到训练样本。

其中，黑样本为依据游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为依据游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征。

步骤303：根据训练样本训练模型，得到能够检测游戏玩家是否使用外挂的应用对象识别模型。

以第一人称射击类游戏为例对本申请实施例中的样本的采集进行举例说明。如图4所示，为第一人称射击类游戏的场景示意图，该场景中包括游戏玩家30、gameclient31、gameserver32、cfrdataserver33、cfrparseserver34、laserver35。gameclient31安装外挂后，使用该外挂进行游戏。在游戏过程中gameclient31和gameserver32会产生一些行为数据，其中gameserver32会产生pbc协议数据并发送给laserver35；gameclient31会产生cfr协议数据并保存在cfrdataserver33中，cfrparseserver34从cfrdataserver33中获取cfr协议数据并进行协议解析后发送给laserver35。laserver35对获取到的pbc协议数据和cfr协议数据进行分析挖掘得到行为特征。

针对第一人称射击类游戏可以提取的行为特征，可包括：

1)、开枪类特征，该类特征可包括以下中的至少一种：对可见敌人的开枪次数、打提前枪次数、快速开枪次数等；

其中，打提前枪为敌人未显示时，对未显示的敌人开枪。如图5所示，屏幕中并没有显示敌人，游戏玩家却不断的对预判的敌人进行开枪射击。

快速开枪，为根据开枪的频率确定的，一定时间内开枪的频率高于预设频率时，确定为快速开枪。

2)、伤害类特征、该类特征可包括以下中的至少一种：开枪命中次数、开枪命中上半身部位次数、助攻次数、命中不可见敌人次数、每次命中的平均伤害值等；

其中，不可见敌人即为未在游戏客户端显示的敌人。

3)、击杀类特征，该类特征可包括以下中的至少一种：第一距离击杀敌人次数、第二距离击杀敌人次数、第三距离击杀敌人次数、总爆头数、穿墙射杀敌人次数、指定次数连杀次数、死亡次数、指定时长内连杀次数等；

其中，指定次数连杀次数例如是三连杀次数。指定时长内连杀次数例如是5秒内连杀次数。

4)、走位类特征，该类特征包括：指定走位序列的次数；

其中，走位序列根据具体的第一人称射击类游戏确定，例如穿越火线中可包括走位序列1-4共四种。

5)、瞄准类特征，该类特征可包括以下中的至少一种：准星随不可见敌人移动次数、瞄准不可见敌人次数、遇见敌人反映时间等。

其中遇见敌人反映时间可以为从敌人显示到开始射击敌人的时长。

具体实施时，可以根据具体的游戏协议确定各个参数的确定方式，本申请对此不作限定。

在获得了行为特征样本之后，开始训练应用对象识别模型。其中，具体实施时，为了便于训练，应用对象识别模型可包括卷积神经网络模型和逻辑回归模型中的至少一个。

本申请实施例中，卷积神经网络模型的结构可以如图6所示，包括卷积层(concolution2d)、最大池化层(maxpooling2d)和防止过拟合层(dropout)，其中，卷积层、最大池化层和防止过拟合层依次串联构成一层网络，具体设计时，可以由3-5层网络依次串联，然后由最后一层网络的防止过拟合层将处理结果输送给全连接层(dense)进行分析处理。在图6中，构建的行为特征可以为64维变量。其中，每个维度可以表示一种行为。然后对64维向量构建的矩阵分割为8*8矩阵输送给第一层网络的卷积层进行处理。

其中，具体实施时，卷积层的卷积核可以使用5*5，调用tf.nn.conv2d函数进行处理。池化层的过滤器可设置为2*2，调用的函数可以为tf.nn.max_pool。当然具体实施时，还可以使用avypooling(平均池化层)来代替最大池化层。全连接层用于连接上一层输出的所有特征然后可以交由分类器进行处理。

具体实施时，由于不同行为特征的取值区间不同，所以在训练卷积神经网络之前，先对各行为特征进行归一化。具体可以根据公式(1)进行归一化：

(xi-min(x))/(max–xi)(1)

其中，不同行为特征有自己的取值区间，xi表示行为特征的值；min(x)为行为特征的最小值；max为行为特征的最大值。

进一步的，针对逻辑回归模型，如图7所示，本申请实施中可以先对具有黑白标签的64维特征进行特征提取后用提取的特征训练。具体可实施为：对行为特征进行归一化，得到各游戏玩家对应的归一化后的行为特征；然后根据黑白标签，确定归一化后的各种行为特征的贡献值，将贡献值大于预设值的行为特征作为训练所述逻辑回归模型的训练样本，或者，将贡献值排名前n的行为特征作为训练所述逻辑回归模型的训练样本。然后用选择的训练样本进行逻辑回归训练生成模型配置后得到训练好的逻辑回归模型。其中，前述的贡献值可为woe(weightofevidence，证据权重值)或iv(informationvalue，信息价值)。

下面对贡献值确定的方法进行举例说明，首先对每个控制行为特征对其取值区间进行分段。然后统计每个分段内坏人/好人的比例(即woe值)。其中，坏人既是具有黑标签的样本，好人既是具有白标签的样本。

可以根据公式(2)确定woe值。

其中，为第i个分段的woe值，为第i个分段内坏人站所有坏人的比例，为第i个分段内好人占所有好人的比例。

假设共100个样本，其中，坏人总数量为51(为便于说明这里的样本数量仅是举例说明，具体实施时可以根据实际情况计算)，假设行为特征a取值区间为0-100、划分得到5个分段、各分段内坏人的数量，以及最终得到的woe值可如表1所示。

表1

控制行为特征a的iv值为其各分段区间的累加值。则，对于每个控制行为特征执行相同的操作即可得到每个控制行为特征的iv值。

然后可以选取iv值大于0.2的特征用于训练逻辑回归模型，或者选择iv值由大到小排名前80％的特征用户训练逻辑回归模型。

具体实施时，由于逻辑回归模型的贡献值是可以调节的，在基于应用对象识别模型进行实测的过程中，还可以获取游戏玩家针对将其误判为使用外挂的投诉反馈信息；该投诉反馈信息中包括将未使用外挂时的特殊游戏玩法误判为使用外挂的信息，然后根据投诉反馈信息优化所述逻辑回归模型。具体实施为降低使用特殊游戏玩法对应的控制行为特征的权重；或者，将所述使用特殊游戏玩法对应的控制行为特征从样本中剔除，重新训练所述逻辑回归模型。

综上所述，介绍了本申请实施例提供的应用对象识别模型的样本获取以及训练，在训练模型后，可以根据测试样本对训练的模型进行评估。然后将符合标准的模型部署到线上对游戏玩家进行实时检测。例如，逻辑回归模型在评估时，能够得到检测的准确率以及对坏人的覆盖率。可以选择检测的准确率大于指定准确率和/或覆盖率大于指定覆盖率的模型更新到线上对玩家的游戏行为进行监控。具体的，图8代表训练/测试数据集的评估效果示意图，第一列(coreallbadnum)代表的是针对每个结果的阈值，也就是选取这个分数作为判定坏人的分数线，后两列代表该分数线对应的准确率(accuracy)以及覆盖率(coverage)。一般根据后两列综合来选取判定坏人的分数线，比如优先考虑准确度的就会牺牲覆盖度，优先考虑覆盖度的就会牺牲准确度，具体实施是若优先考虑的是准确度，那么可以选取准确度为95％+的分数线，也就是75分。

下面针对本申请实施例中使用应用对象识别模型进行应用对象识别的方法进行说明，如图9所示，包括以下步骤：

步骤901：实时获取游戏玩家在游戏中的行为数据。

步骤902：根据获取的行为数据，构建所述游戏玩家的行为特征。

步骤903：将构建的行为特征输入给应用对象识别模型；所述应用对象识别模型为预先根据黑白样本训练得到的，其中黑样本为游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征。

步骤904：得到所述应用对象识别模型输出的所述游戏玩家是否使用外挂的检测结果。

如前所述，所述应用对象识别模型包括卷积神经网络模型和逻辑回归模型中的至少一个。

具体实施时，若所述应用对象识别模型可包括卷积神经网络模型和逻辑回归模型，可以调用所述卷积神经网络模型和逻辑回归模型分别对所述控制行为特征进行检测，得到各自的输出结果；根据各自的输出结果可以得到如下3种结论：

结论1、若卷积神经网络模型和逻辑回归模型各自的输出结果中，一个输出结果为所述游戏玩家使用外挂，另一个输出结果为所述游戏玩家未使用外挂，则确定所述游戏玩家未使用外挂；

结论2、若卷积神经网络模型和逻辑回归模型各自的输出结果均为所述游戏玩家使用外挂，则确定所述游戏玩家使用外挂；

结论3、若卷积神经网络模型和逻辑回归模型各自的输出结果均为所述游戏玩家未使用外挂，则确定所述游戏玩家未使用外挂。

这样，根据多个模型可以综合考虑被检测的游戏玩家是否使用外挂，上面的实施例是一种宽松检测方式，具体实施时，可以使用严格检测方式，即只要有一种模型的检测结果为使用外挂时，则确定其使用外挂。

当然具体实施时，还可以根据历史检测的准确度，为每个模型配置相应的权重，然后采用加权求和的方式确定游戏玩家是否使用外挂。例如卷积神经网络模型的权重为0.4，其检测结果为使用外挂的评分为0.8，逻辑回归模型的权重为0.6，其使用外挂的评分为0.6，则最终的检测结果为使用外挂的评分为0.4*0.8+0.6*0.6＝0.68，若使用外挂的评分阈值为0.75，则最终可判断为未使用外挂。

进一步的，如前所述，若游戏为第一人称射击类游戏，所述控制行为特征包括以下特征中的至少一种：开枪类特征、伤害类特征、击杀类特征、走位类特征和瞄准类特征。其中:

所述开枪类特征包括以下中的至少一种：对可见敌人的开枪次数、打提前枪次数、快速开枪次数；

所述伤害类特征包括以下中的至少一种：开枪命中次数、开枪命中上半身部位次数、助攻次数、命中不可见敌人次数、每次命中的平均伤害值；

所述击杀类特征包括以下中的至少一种：第一距离击杀敌人次数、第二距离击杀敌人次数、第三距离击杀敌人次数、总爆头数、穿墙射杀敌人次数、指定次数连杀次数、死亡次数、指定时长内连杀次数；

所述走位类特征包括：指定走位序列的次数；

所述瞄准类特征包括以下中的至少一种：准星随不可见敌人移动次数、瞄准不可见敌人次数、遇见敌人反映时间。

具体实施时，各种类特征可以按需增加，本申请对此不作限定。通过上述特征，可以在第一人称射击类游戏中通过检测的数据处理即可提取相应的控制行为特征，使得控制行为特征的获取容易实现。

进一步的，在本申请实施例中，在检测到游戏玩家使用外挂时，还可以对游戏玩家进行相应的惩罚，具体可实施为若检测到游戏玩家使用外挂，则限制该游戏玩家的账号进行指定操作。例如如图10所示，可以将游戏玩家剔出游戏，在一定时间段内不允许该账号登录游戏。同时，可以给予处罚的同时提示用户使用第三方软件等不规范的游戏行为，将给与严厉的封号处罚。当受到惩罚的游戏玩家登陆游戏客户端时，可显示如图11所示的界面，以告知游戏玩家因何不能游戏以及何时才能进行游戏。当然，具体实施时，可以根据实际情况确定，本申请对此不作限定。

基于相同的发明构思，本申请实施例还提供一种应用对象识别装置。如图12所示，该装置包括：

行为数据获取模块1201，用于实时获取游戏玩家在游戏中的行为数据；

行为特征构建模块1202，用于根据获取的行为数据，构建所述游戏玩家的行为特征；

检测模块1203，用于调将构建的行为特征输入给应用对象识别模型；所述应用对象识别模型为预先根据黑白样本训练得到的，其中黑样本为游戏玩家使用外挂时采集得到的行为数据构建得到的行为特征、白样本为游戏玩家未使用外挂时采集得到的行为数据构建得到的行为特征；

结果确定模块1204，用于得到所述应用对象识别模型输出的所述游戏玩家是否使用外挂的检测结果。

进一步的，所述应用对象识别模型包括卷积神经网络模型和逻辑回归模型中的至少一个。

进一步的，所述应用对象识别模型包括卷积神经网络模型和逻辑回归模型，所述结果确定模块，具体用于：

若卷积神经网络模型和逻辑回归模型各自的输出结果中，一个输出结果为所述游戏玩家使用外挂，另一个输出结果为所述游戏玩家未使用外挂，则确定所述游戏玩家未使用外挂；

若卷积神经网络模型和逻辑回归模型各自的输出结果均为所述游戏玩家使用外挂，则确定所述游戏玩家使用外挂；

若卷积神经网络模型和逻辑回归模型各自的输出结果均为所述游戏玩家未使用外挂，则确定所述游戏玩家未使用外挂。

进一步的，若游戏为第一人称射击类游戏，所述控制行为特征包括以下特征中的至少一种：

开枪类特征、伤害类特征、击杀类特征、走位类特征和瞄准类特征。

进一步的，所述开枪类特征包括以下中的至少一种：对可见敌人的开枪次数、打提前枪次数、快速开枪次数；

所述伤害类特征包括以下中的至少一种：开枪命中次数、开枪命中上半身部位次数、助攻次数、命中不可见敌人次数、每次命中的平均伤害值；

所述击杀类特征包括以下中的至少一种：第一距离击杀敌人次数、第二距离击杀敌人次数、第三距离击杀敌人次数、总爆头数、穿墙射杀敌人次数、指定次数连杀次数、死亡次数、指定时长内连杀次数；

所述走位类特征包括：指定走位序列的次数；

所述瞄准类特征包括以下中的至少一种：准星随不可见敌人移动次数、瞄准不可见敌人次数、遇见敌人反映时间。

进一步的，所述装置还包括：

执行模块，用于若检测到游戏玩家使用外挂，则限制该游戏玩家的账号进行指定操作。

进一步的，所述应用对象识别模型包括逻辑回归模型，所述装置还包括：

模型训练模块，用于根据以下方法训练所述应用对象识别模型：

采集使用外挂的游戏玩家的行为数据，以及未使用外挂的游戏玩家的行为数据；

根据采集的行为数据构建行为特征，并将相应的黑白标签和行为特征进行关联；

对行为特征进行归一化，得到各游戏玩家对应的归一化后的行为特征；

根据黑白标签，确定归一化后的各种行为特征的贡献值，该贡献值为证据权重值woe或信息价值iv；

将贡献值大于预设值的行为特征作为训练所述逻辑回归模型的训练样本，或者，将贡献值排名前n的行为特征作为训练所述逻辑回归模型的训练样本。

基于相同的发明构思，本申请实施例还提供一种应用对象识别模型的训练装置，如图13所示，包括：

采集模块1301，用于采集的使用外挂的游戏玩家的行为数据，以及未使用外挂的游戏玩家的行为数据；

特征构建模块1302，用于根据采集的行为数据构建行为特征，并将相应的黑白标签和行为特征进行关联得到训练样本；

训练模块1303，用于根据训练样本训练模型，得到能够检测游戏玩家是否使用外挂的应用对象识别模型。

进一步的，所述应用对象识别模型包括卷积神经网络模型和逻辑回归模型中的至少一个。

进一步的，所述应用对象识别模型包括逻辑回归模型，所述特征构建模块，包括：

归一化单元，用于对行为特征进行归一化，得到各游戏玩家对应的归一化后的行为特征；

贡献值确定单元，用于根据黑白标签，确定归一化后的各种行为特征的贡献值，该贡献值为证据权重值woe或信息价值iv；

特征选择单元，用于将贡献值大于预设值的行为特征作为训练所述逻辑回归模型的训练样本，或者，将贡献值排名前n的行为特征作为训练所述逻辑回归模型的训练样本。

进一步的，所述装置还包括：

反馈信息获取模块，用于获取游戏玩家针对将其误判为使用外挂的投诉反馈信息；所述投诉反馈信息中包括将未使用外挂时的特殊游戏玩法误判为使用外挂的信息；

优化模块，用于降低使用特殊游戏玩法对应的控制行为特征的权重；或者，将所述使用特殊游戏玩法对应的控制行为特征从样本中剔除，重新训练所述逻辑回归模型。

在介绍了本申请示例性实施方式的应用对象识别方法及应用对象识别模型训练方法、和装置之后，接下来，介绍根据本申请的另一示例性实施方式的计算装置。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本申请的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的应用对象识别及应用对象识别模型训练方法中的步骤。例如，处理器可以执行如图3中所示的步骤301-303或者图9中的步骤901-904。

下面参照图14来描述根据本申请的这种实施方式的计算装置150。图14显示的计算装置150仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图14所示，计算装置150以通用计算装置的形式表现。计算装置150的组件可以包括但不限于：上述至少一个处理器151、上述至少一个存储器152、连接不同系统组件(包括存储器152和处理器151)的总线153。

总线153表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。

存储器152可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1321和/或高速缓存存储器1522，还可以进一步包括只读存储器(rom)1523。

存储器152还可以包括具有一组(至少一个)程序模块1524的程序/实用工具1525，这样的程序模块1524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

计算装置150也可以与一个或多个外部设备154(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置150交互的设备通信，和/或与使得该计算装置150能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口155进行。并且，计算装置150还可以通过网络适配器156与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器156通过总线153与用于计算装置150的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置150使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

在一些可能的实施方式中，本申请提供的应用对象识别及逻辑回归模型训练方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的应用对象识别及逻辑回归模型训练方法中的步骤，例如，计算机设备可以执行如图3中所示的步骤301-303或者图9中的步骤901-904。

程序产品可以使用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

本申请的实施方式的用于应用对象识别及应用对象识别模型训练的程序产品可以使用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以使用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算装置，或者，可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。