游戏数据处理方法、装置、设备及介质与流程

本技术涉及游戏，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：

1、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）。

2、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。

技术实现思路

1、本技术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。

2、本技术实施例一方面提供了一种游戏数据处理方法，包括：

3、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；

4、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；

5、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；

6、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；

7、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。

8、本技术实施例一方面提供了一种游戏数据处理装置，包括：

9、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；

10、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；

11、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；

12、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；

13、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。

14、其中，输入特征确定模块包括：

15、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；

16、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；

17、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。

18、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；

19、输入特征确定模块还包括：

20、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；

21、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；

22、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；

23、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。

24、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；

25、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；

26、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；

27、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；

28、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；

29、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。

30、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；

31、样本特征确定模块包括：

32、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；

33、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；

34、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；

35、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。

36、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；

37、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；

38、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；

39、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；

40、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。

41、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；

42、可选地，特征预测处理模块包括：

43、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；

44、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。

45、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；

46、可选地，特征预测处理模块还包括：

47、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；

48、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；

49、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；

50、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。

51、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；

52、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；

53、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；

54、装置还包括：

55、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；

56、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。

57、异常检测聚类模块包括：

58、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；

59、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；

60、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；

61、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。

62、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；

63、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；

64、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；

65、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；

66、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；

67、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。

68、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。

69、其中，装置还包括：

70、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。

71、其中，样本特征确定模块还包括：

72、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；

73、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；

74、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。

75、本技术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技术实施例中上述一方面提供的方法。

76、本技术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技术实施例中上述一方面提供的方法。

77、根据本技术的一个方面，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。

78、本技术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，本技术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，本技术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。