一种基于行为特性模型的网络游戏反外挂的解决方案的制作方法

本发明涉及一种反外挂系统，具体是一种基于行为特性模型的网络游戏反外挂系统。

背景技术：

经过10年的高速发展，客户端网络游戏已经进入一个发展的相对增长率较慢的阶段了，客户端网络游戏的蛋糕再做大的趋势越来越弱，各个网络游戏厂商需要做的是精细化自身的服务在已有蛋糕中分取尽量多的份额，这就要求了网络游戏为玩家提供的服务是更细化、更精致、更有针对性的。网络游戏的精细化运营要求为网络游戏安全平衡运营保驾护航的反外挂技术也需要提供精细化的服务。而传统的以客户端主动防御结合实时在线检测的反外挂技术，依然是以一种游离于游戏内容之外的传统的安全技术来解决游戏安全问题。由于不同游戏的类型不同，特点也不同，因此外挂的行为特征也不一样，导致现有的技术在打击外挂方面不具备针对性，反外挂的解决方案与游戏特点结合不够紧密，因此现有技术对外挂的打击不再适应游戏精细化的要求，也无法地为游戏运营提供精致有效的支持。

技术实现要素：

本发明的目的在于提供一种基于行为特性模型的网络游戏反外挂系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于行为特性模型的网络游戏反外挂系统，所述系统从游戏服务器端和客户端同时取数据，将得到的数据经过预处理、特征提取、分析、分类后输出想要的结果，分析的过程中会根据情况将分析后的结果反馈回分析器调优。

作为本发明进一步的方案：所述特征提取包括：a.包装类方法和过滤类方法，包装类方法为聚类，过滤类方法为最大方差；b.降维方法：Principal Component Analysis、Laplacian Eigenmaps和Locally linear embedding；c.无监督多聚类特征选取：谱嵌入聚类分析、学习稀疏系数和特征选取；d.无监督特征选取PCA：子空间选取和两阶段CSSP；

所述分类的算法如下：决策树：ID3算法，计算熵Entropy(s)＝-p⁺log₂p⁺-p^-log₂p^-；计算收益：其中，V(A)是属性A的值域，S是样本集合，S_v是S中在属性A上值等于V的样本集合；根据Gain(S，A)分类；

贝叶斯分类：给定一封邮件，判定是否为垃圾邮件；

SVM分类：选取ω^Tx+b＝0，选取方法采用几何间隔，再根据超平面ω^Tx+b分类。

作为本发明进一步的方案：所述分析后的结果包括：A)该用户是否为正常的游戏玩家；B)如果不是正常的游戏玩家，该用户使用了哪些游戏辅助软件或者该用户开了多少客户端；C)如果该用户不是正常的游戏玩家，该对该用户采取下列何种方式处罚：封禁一段时间；打怪、活动、任务收益减半/无收益；不做处罚；禁言。

作为本发明进一步的方案：所述数据包括游戏服务器主动记录的数据和系统客户端定点模块记录后推送的数据。

作为本发明进一步的方案：所述数据的类型包括用户状态和用户行为。

作为本发明进一步的方案：所述预处理包括以下步骤：依次对数据进行包括数据汇总、数据清理、数据集成、数据变换、数据规则操作，其中数据汇总，即将数据采集模块的数据汇聚到一起；其中数据清理，即通过填写空缺值，平滑噪声数据，识别删除孤立点，并解决不一致来清理数据以达到格式标准化、异常数据清除、错误纠正、重复数据的清除的目的。

作为本发明进一步的方案：所述空缺值的处理策略包括忽略元组、人工填写空缺值、使用固定值、使用属性平均值和使用最有可能值。

作为本发明进一步的方案：平滑噪声数据的策略为按箱平均值平滑，这此前需要做分箱处理，箱的深度表示不同的箱里有相同个数的数据；箱的宽度表示每个箱值的取值区间是个常数。

作为本发明再进一步的方案：识别删除孤立点的策略为：先通过聚类等方法找出孤立点，这些孤立点可能包含有用的信息，人工再审查这些孤立点。

与现有技术相比，本发明的有益效果是：针对新出的外挂处理不够迅速，因为获取外挂程序、找到外挂程序的特征码进行提取、写检测程序、发到客户端扫描，才能检测到相应外挂，而这些步骤都需要时间，因此不能及时快速的进行封禁和打击。本发明则只需要运营团队进行外挂行为特征的定义和配置，即可迅速定位游戏中所有的疑似外挂，并进行封禁。

附图说明

图1为基于行为特性模型的网络游戏反外挂系统的结构框图；

图2为基于行为特性模型的网络游戏反外挂系统中预处理的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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。

请参阅图1～2，本发明实施例中，一种基于行为特性模型的网络游戏反外挂系统，所述系统从游戏服务器端和客户端同时取数据，将得到的数据经过预处理、特征提取、分析、分类后输出想要的结果，分析的过程中会根据情况将分析后的结果反馈回分析器调优。

所述特征提取包括：a.包装类方法和过滤类方法，包装类方法为聚类，过滤类方法为最大方差；b.降维方法：Principal Component Analysis、Laplacian Eigenmaps和Locally linear embedding；c.无监督多聚类特征选取：谱嵌入聚类分析、学习稀疏系数和特征选取；d.无监督特征选取PCA：子空间选取和两阶段CSSP；

所述分类的算法如下：决策树：ID3算法，计算熵Entropy(s)＝-p⁺log₂p⁺-p^-log₂p^-：计算收益：其中，V(A)是属性A的值域， S是样本集合，S_v是S中在属性A上值等于V的样本集合；根据Gain(S，A)分类；

贝叶斯分类：给定一封邮件，判定是否为垃圾邮件；

SVM分类：选取ω^Tx+b＝0，选取方法采用几何间隔，再根据超平面ω^Tx+b分类。

所述分析后的结果包括：A)该用户是否为正常的游戏玩家；B)如果不是正常的游戏玩家，该用户使用了哪些游戏辅助软件或者该用户开了多少客户端；C)如果该用户不是正常的游戏玩家，该对该用户采取下列何种方式处罚：封禁一段时间；打怪、活动、任务收益减半/无收益；不做处罚；禁言。

所述数据包括游戏服务器主动记录的数据和系统客户端定点模块记录后推送的数据。

所述数据的类型包括用户状态和用户行为。

所述预处理包括以下步骤：依次对数据进行包括数据汇总、数据清理、数据集成、数据变换、数据规则操作，其中数据汇总，即将数据采集模块的数据汇聚到一起；其中数据清理，即通过填写空缺值，平滑噪声数据，识别删除孤立点，并解决不一致来清理数据以达到格式标准化、异常数据清除、错误纠正、重复数据的清除的目的。

所述空缺值的处理策略包括忽略元组、人工填写空缺值、使用固定值、使用属性平均值和使用最有可能值。

平滑噪声数据的策略为按箱平均值平滑，这此前需要做分箱处理，箱的深度表示不同的箱里有相同个数的数据；箱的宽度表示每个箱值的取值区间是个常数。

识别删除孤立点的策略为：先通过聚类等方法找出孤立点，这些孤立点可能包含有用的信息，人工再审查这些孤立点。

用户状态包括：血量及上限、法力值及上限、当前等级、当前职业、当前装备、充值钱数、金币数、元宝数、好友数量、宠物ID、活力值、体力值。

用户行为：最近所在地图、最近所在副本、最近交易ID列表、最近杀怪ID列表、最近一段时间杀怪数、最近一段时间获取金币数、最近聊天好友ID、最近释放技能ID、最 近补血状态、最近补蓝状态、最近完成任务ID、最近使用道具ID数量、最近商城购买道具ID。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。