反作弊的性能优化方法及装置与流程

本发明涉及一种互联网技术领域，特别是涉及一种反作弊的性能优化方法及装置。

背景技术：

随着互联网技术的快速发展，越来越多的用户使用应用程序来满足自身不同的业务需求。应用程序开发商们为了争抢更多的用户，会通过一些激励方式向用户提供一些利益或便利条件，以使得用户选择使用他们的应用程序，例如，某外卖平台通过发红包邀请更多的用户使用该外卖平台。然而，有些恶意用户通过一些作弊方式获取开发商发放的大量利益，造成了开发商的巨大损失。为了减少用户的作弊，开发商使用反作弊方法找到恶意用户，并阻止恶意用户继续获取提供的利益或便利条件。

目前，随着作弊方法的快速变化，现有的反作弊方法是通过人工进行每天更新，但是，由于人工每天更新反作弊方法会产生大量的工作量，且用户每天产生的信息不同，使得反作弊方法更新加大了难度，浪费大量的人力资源。

技术实现要素：

有鉴于此，本发明提供一种反作弊的性能优化方法及装置，主要目的在于现有人工更新反作弊方法产生大量的工作量，浪费大量的人力资源的问题。

依据本发明一个方面，提供了一种反作弊的性能优化方法，包括：

获取用户使用应用程序所生成的日志信息；

提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；

判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；

若符合，则将所述反作弊算法确定为待使用的反作弊算法。

进一步地，所述判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准之后，所述方法还包括：

若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

进一步地，所述根据训练优化方式调整所述预设训练算法包括：

解析所述反作弊算法的评价值；

根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

进一步地，所述判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准包括：

根据所述特征信息及预设训练算法训练反作弊算法；

统计训练后的反作弊算法的评价值；

判断所述评价值与预设的评价标准是否匹配。

进一步地，所述提取所述日志信息中的特征信息之前，所述方法还包括：

对所述日志信息进行预处理，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息。

进一步地，所述判断根据所述特征信息训练的反作弊算法是否符合预设的评价标准之前，所述方法还包括：

按照预设时间间隔接收待训练的反作弊算法。

进一步地，所述方法还包括：

接收用户输入的更新指令，所述更新指令中携带有待更新的特征信息。

进一步地，所述方法还包括：

接收用户输入的展示指令，所述展示指令中携带有待展示的内容；

根据所述展示指令的内容，根据所述内容进行展示。

依据本发明一个方面，提供了一种反作弊的性能优化装置，包括：

获取单元，用于获取用户使用应用程序所生成的日志信息；

提取单元，用于提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；

判断单元，用于判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；

确定单元，用于若符合，则将所述反作弊算法确定为待使用的反作弊算法。

进一步地，所述装置还包括：

调整单元，用于若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

进一步地，所述调整单元包括：

解析模块，用于解析所述反作弊算法的评价值；

确定模块，用于根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

进一步地，所述判断单元包括：

训练模块，用于根据所述特征信息及预设训练算法训练反作弊算法；

统计模块，用于统计训练后的反作弊算法的评价值；

判断模块，用于判断所述评价值与预设的评价标准是否匹配。

进一步地，所述装置还包括：

处理单元，用于对所述日志信息进行预处理，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息。

进一步地，所述装置还包括：

第一接收单元，用于按照预设时间间隔接收待训练的反作弊算法。

进一步地，所述装置还包括：

第二接收单元，用于接收用户输入的更新指令，所述更新指令中携带有待更新的特征信息。

进一步地，所述装置还包括：

第三接收单元，用于接收用户输入的展示指令，所述展示指令中携带有待展示的内容；

展示单元，用于根据所述展示指令的内容，根据所述内容进行展示。

借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

本发明提供了一种反作弊的性能优化方法及装置，首先获取用户使用应用程序所生成的日志信息，然后提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息，再判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准，若符合，则将所述反作弊算法确定为待使用的反作弊算法。与现有人工更新反作弊方法产生大量的工作量相比，本发明实施例通过采集用户使用应用程序产生的日志信息，从日志信息中提取特征信息，根据特征信息及训练算法训练反作弊算法，然后检验训练后的反作弊算法的评价结果，若是符合标准，则将训练后的反作弊算法作为即将使用的反作弊算法，实现反作弊算法的实时自动化训练，无需人工更新反作弊算法，节省人力成本，提高反作弊算法的更新效率及准确率。

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它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一提供的一种反作弊的性能优化方法流程图；

图2示出了本发明实施例二提供的另一种反作弊的性能优化方法流程图；

图3示出了本发明实施例三提供的一种反作弊的性能优化装置框图；

图4示出了本发明实施例四提供的另一种反作弊的性能优化装置框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供了一种反作弊的性能优化方法，如图1所示，所述方法包括：

101、获取用户使用应用程序所生成的日志信息。

其中，所述应用程序为向用户发放利益或便利条件的应用程序，例如，发红包、刷点击率等，本发明实施例不做具体限定，所述日志信息为用户在使用应用程序时产生的所有信息，可以由应用程序进行数据采集，以每天为单位生成日志形式的信息，并进行存储。

需要说明的是，日志信息可以由各个终端设备中的应用程序进行数据采集，将采集到的数据上传至当前服务器，若采集的数据量过大或数据没有采集完整时，可以将数据先上传至云端数据库中，避免数据的丢失。日志信息可以包括用户行为信息、终端设备机型、触发应用程序中发放利益或便利的时间、ip、时间序列、启动应用程序期间的电量等，本发明实施例不做具体限定。

102、提取所述日志信息中的特征信息。

其中，所述特征信息为用于反应作弊情况的信息，即是指通过特征信息可以确定出用户是否直接作弊或者间接作弊，例如，正常用户启动应用程序期间的电量消耗为a，但是若用户使用作弊手段进行作弊，说明在使用应用程序期间还有其他程序在后台运行并耗电，则将启动应用程序期间的电量作为特征信息，又如，用户使用同一个ip在一定时间内抢红包的次数大于常规次数，则将ip作为特征信息，再如，同一网段下，用户的手机机型及配置信息均相同，则可认定用户使用作弊手段，网段也可以作为特征信息，其他特征的选取本发明实施例不做具体限定。

需要说明的是，特征信息可以是日志信息中的部分信息，也可以是日志信息中的全部信息，具体需要用户进行预先设定，本发明实施例不做具体限定。

103、判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

其中，所述预设训练算法为用于分类的机器学习算法，例如朴素贝叶斯、决策树、k-means算法等，本发明实施例不做具体限定。所述反作弊算法作为训练对象可以由技术人员预先选取，也可以从上一天确认好的反作弊算法中选取，本发明实施例不做具体限定。所述预设的评价标准用于评价反作弊算法是否为采集日志信息中可以根据作弊情况得到的最优的、最适用的反作弊算法，预设的评价标准可以包括准确率、召回率、roc/auc等，本发明实施例不做具体限定。

需要说明的是，预设的评价标准的具体数值是由技术人员预先设定的，在训练后反作弊算法在进行机器学习后，可以直接计算出准确率、召回率、roc/auc等数值，以便进行判断是否符合预设的评价标准。

104、若符合，则将所述反作弊算法确定为待使用的反作弊算法。

其中，所述待使用的反作弊算法为用于线上使用的反作弊算法，通过使用符合预设的评价标准的反作弊算法，实现反作弊算法的自动更新，避免大量人工操作。

本发明提供了一种反作弊的性能优化方法，与现有人工更新反作弊方法产生大量的工作量相比，本发明实施例通过采集用户使用应用程序产生的日志信息，从日志信息中提取特征信息，根据特征信息及训练算法训练反作弊算法，然后检验训练后的反作弊算法的评价结果，若是符合标准，则将训练后的反作弊算法作为即将使用的反作弊算法，实现反作弊算法的实时自动化训练，无需人工更新反作弊算法，节省人力成本，提高反作弊算法的更新效率及准确率。

本发明实施例提供了另一种反作弊的性能优化方法，如图2所示，所述方法包括：

201、获取用户使用应用程序所生成的日志信息。

本步骤与图1所示的步骤101方法相同，在此不再赘述。

对于本发明实施例，为了获取到准确的信息，并确定的反作弊算法对第三方进行使用，因此需要当前执行主体与第三方互通，以便数据的交流，例如，点睛反作弊数据互通，支付反作弊数据互通，当前的执行主体可以为sparkmlib，本发明实施例不做具体限定。对于客户端信息的采集还可以包括imsi、基站、cpu/memory、手机电量、屏幕、wifi信息等，本发明实施例不做具体限定。

202、对所述日志信息进行预处理。

其中，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息，以及可以用来将数据经过抽取、转换、加载的过程，例如，可以为数据仓库技术etl，通过对日志信息的预处理，减少日志信息中的冗余数据，并对隐藏的数据进行抽取。

需要说明的是，etl是构建数据仓库的重要一环，用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。对于数据的抽取，由于部分数据是由较长的字符串或者较长的数据代码组成，而对于需要提取的特征信息，并不需要全部的数据，所以需要对数据中的有效或有用数据进行提取，从而得到特征信息。

203、提取所述日志信息中的特征信息。

本步骤与图1所示的步骤102方法相同，在此不再赘述。

204、按照预设时间间隔接收待训练的反作弊算法。

其中，所述预设时间间隔可以为技术人员预先设定的时间间隔，也可以为用于增加或减少待训练的反作弊算法的时间间隔，如1小时、1天等，本发明实施例不做具体限定。所述待训练的反作弊算法可以由用户发送配置好的反作弊算法，也可以从本地存储位置中直接提取已经存在的反作弊算法，本发明实施例不做具体限定。通过接收待训练的反作弊算法，实现对反作弊算法的及时更新优化。

需要说明的是，待训练的反作弊算法可以为一个，也可以为多个，多为多个反作弊算法，则可以进行并行训练，可以为不同的反作弊算法选择不同的训练模型，例如可以为朴素贝叶斯、决策树、k-means算法等。

205、根据所述特征信息及预设训练算法训练反作弊算法。

其中，所述预设训练算法为用于分类的机器学习算法，例如朴素贝叶斯、决策树、k-means算法等，本发明实施例不做具体限定。所述训练过程即为根据机器学习算法对接收到的反作弊算法进行训练，得到与特征信息最为匹配的反作弊算法。

对于本发明实施例，为了根据特征信息来调整出最适合当前应用程序的反作弊算法，需要对训练模型进行分类训练，因此，机器学习算法为可以用于分类的算法，例如，深度学习、神经网络、朴素贝叶斯、决策树、k-means算法等，

206、统计训练后的反作弊算法的评价值。

其中，所述评价值可以根据训练过程中的各个参数进行计算，对于需要进行评价的参数，如准确率、召回率、roc/auc等，可以通过技术人员进行设定，具体算法本发明实施例不做限定。

对于本发明实施例，对于由于特征信息是可以根据具体信息进行添加或减少的，因此需要进行评价的参数也是可以更新设定的，以便评价出更为优选的反作弊算法。

207、判断所述评价值与预设的评价标准是否匹配。

其中，所述预设的评价标准可以为一个具体数值，也可以为一个取值范围，若为具体数值，判断所述评价值是否大于等于预设的预设的评价标准，若为取值范围，判断所述评价值是否位于取值范围内，本发明实施例不做具体限定。通过判断评价值与预设的评价标准是否匹配，检验训练后的反作弊算法是否为最优的，以便判断是否需要上线使用。

208a、若根据所述特征信息及预设训练算法训练的反作弊算法符合预设的评价标准，则将所述反作弊算法确定为待使用的反作弊算法。

本步骤与图1所示的步骤104方法相同，在此不再赘述。

对于本发明实施例，与步骤208a并列的步骤208b、若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

其中，所述训练优化方式包括更新预设训练算法、和/或调整反作弊算法的训练比例，所述更新预设训练算法可以为选取其他的训练算法作为预设训练算法，所述调整反作弊算法的训练比例可以为将当前的比例调整为更优的比例。所述比例为不同训练算法对反作弊算法训练的占比。

需要说明的是，训练优化方式中的两种方法既可以同时进行，也可以使用其中的一种，本发明实施例不做具体限定。另外，通过训练优化方式调整预设算法后的步骤，则为返回步骤205，重新训练反作弊算法。以便验证当前调整后的训练算法是否为适合的训练算法，从而再次训练反作弊算法，从本发明实施例中的整体架构中实现结果的反馈检验。

对于本发明实施例，步骤208b具体可以包括：解析所述反作弊算法的评价值；根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

为了进一步地确定不符合预设评价标准的反作弊算法进行重新训练的训练算法，所述解析反作弊算法的评价值可以为将具体的评价值提取数值，所述解析的结果可以包括超过预设的评价标准过多，或接近预设的评价标准，具体的数值范围本发明可以根据技术人员进行限定，本发明实施例不做具体限定。例如，若评价值中的准确率超过预设的准确率很多，可以将更新预设训练算法及调整反作弊算法的训练比例一起确定为训练优化方式，重新进行训练，若若评价值中的召回率与预设的召回率接近，则可以从更新预设训练算法或调整反作弊算法的训练比例中随意选择一种方式，本发明实施例不做具体限定。

进一步地，本发明实施例还可以包括：接收用户输入的更新指令。

其中，所述更新指令中携带有待更新的特征信息，所述更新包括添加或减少，所述更新的特征信息可以通过当天获取的日志信息中的信息进行添加，也可以通过技术人员的分析，将预计影响反作弊算法的特征进行添加，还可以将无关特征进行删除，本发明实施例不做具体限定。例如，根据客户端采集到的信息挖掘出新的特征，留存率、安装的applist分析统计(异常app和xposed)、imei的合法性分析、时间序列分析等。通过接收更新的内容，来更新特征信息，以便实现特征信息的自动化选取，避免特征信息的冗余。

进一步地，本发明实施例还可以包括：接收用户输入的展示指令，所述展示指令中携带有待展示的内容；根据所述展示指令的内容，根据所述内容进行展示。

其中，所述待展示的内容可以包括日志信息、特征信息、所述预设训练算法、反作弊算法、评价值、训练优化方式、确定为待使用的反作弊算法等，本发明实施例不做具体限定。接收到展示指令后，可以将要展示的内容通过预先设定好的平台进行展示，且在本发明实施例中所有的步骤中，均可以进行展示，以达到可视化的目的。

对于本发明实施例，可以根据实施例中的各个步骤搭建成一个反作弊算法的自动化训练模型框架，以便适用不同反作弊业务需求，并仅仅通过更改没个步骤中的信息或算法实现重复使用，例如，可以适用具有发红包功能的所有应用程序，还可以适用ios推广过程中的作弊，以及拉起程序的作弊，本发明实施例不做具体限定。

本发明提供了另一种反作弊的性能优化方法，本发明实施例通过采集用户使用应用程序产生的日志信息，从清洗后的日志信息中提取特征信息，根据特征信息及训练算法训练反作弊算法，然后检验训练后的反作弊算法的评价结果，若不符合标准，则根据训练优化方式调整预设训练算法，并进行重新训练，直至训练后的反作弊算法符合预设评价标准，当接收到展示指令时，根据展示内容进行展示，实现反作弊算法的实时自动化训练框架的搭建，并可以将所有的步骤进行可视化，实时对反作弊算法进行检测，无需人工更新反作弊算法，节省人力成本，可以快速进行推广，适用范围更广的反作弊业务需求，从而提高反作弊算法的更新效率及准确率。

进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种反作弊的性能优化装置，如图3所示，该装置包括：获取单元31、提取单元32、判断单元33、确定单元34。

获取单元31，用于获取用户使用应用程序所生成的日志信息；所述获取单元31为反作弊的性能优化装置执行获取用户使用应用程序所生成的日志信息的功能模块。

提取单元32，用于提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；所述提取单元32为反作弊的性能优化装置执行提取所述日志信息中的特征信息的功能模块。

判断单元33，用于判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；所述判断单元33为反作弊的性能优化装置执行判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准的功能模块。

确定单元34，用于若符合，则将所述反作弊算法确定为待使用的反作弊算法。所述确定单元34为反作弊的性能优化装置执行将所述反作弊算法确定为待使用的反作弊算法的功能模块。

本发明提供了一种反作弊的性能优化装置，与现有人工更新反作弊方法产生大量的工作量相比，本发明实施例通过采集用户使用应用程序产生的日志信息，从日志信息中提取特征信息，根据特征信息及训练算法训练反作弊算法，然后检验训练后的反作弊算法的评价结果，若是符合标准，则将训练后的反作弊算法作为即将使用的反作弊算法，实现反作弊算法的实时自动化训练，无需人工更新反作弊算法，节省人力成本，提高反作弊算法的更新效率及准确率。

进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种反作弊的性能优化装置，如图4所示，该装置包括：获取单元41、提取单元42、判断单元43、确定单元44、调整单元45、处理单元46、第一接收单元47、第二接收单元48、第三接收单元49、展示单元410。

获取单元41，用于获取用户使用应用程序所生成的日志信息；

提取单元42，用于提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；

判断单元43，用于判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；

确定单元44，用于若符合，则将所述反作弊算法确定为待使用的反作弊算法。

进一步地，所述装置还包括：

调整单元45，用于若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

具体的，所述调整单元45包括：

解析模块4501，用于解析所述反作弊算法的评价值；

确定模块4502，用于根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

具体的，所述判断单元43包括：

训练模块4301，用于根据所述特征信息及预设训练算法训练反作弊算法；

统计模块4302，用于统计训练后的反作弊算法的评价值；

判断模块4303，用于判断所述评价值与预设的评价标准是否匹配。

进一步地，所述装置还包括：

处理单元46，用于对所述日志信息进行预处理，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息。

进一步地，所述装置还包括：

第一接收单元47，用于按照预设时间间隔接收待训练的反作弊算法。

进一步地，所述装置还包括：

第二接收单元48，用于接收用户输入的更新指令，所述更新指令中携带有待更新的特征信息。

进一步地，所述装置还包括：

第三接收单元49，用于接收用户输入的展示指令，所述展示指令中携带有待展示的内容；

展示单元410，用于根据所述展示指令的内容，根据所述内容进行展示。

本发明提供了另一种反作弊的性能优化装置，本发明实施例通过采集用户使用应用程序产生的日志信息，从清洗后的日志信息中提取特征信息，根据特征信息及训练算法训练反作弊算法，然后检验训练后的反作弊算法的评价结果，若不符合标准，则根据训练优化方式调整预设训练算法，并进行重新训练，直至训练后的反作弊算法符合预设评价标准，当接收到展示指令时，根据展示内容进行展示，实现反作弊算法的实时自动化训练框架的搭建，并可以将所有的步骤进行可视化，实时对反作弊算法进行检测，无需人工更新反作弊算法，节省人力成本，可以快速进行推广，适用范围更广的反作弊业务需求，从而提高反作弊算法的更新效率及准确率。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的反作弊的性能优化方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

本发明的实施例公开了：

a1、一种反作弊的性能优化方法，包括：

获取用户使用应用程序所生成的日志信息；

提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；

判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；

若符合，则将所述反作弊算法确定为待使用的反作弊算法。

a2、根据a1所述的方法，所述判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准之后，所述方法还包括：

若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

a3、根据a2所述的方法，所述训练优化方式包括更新预设训练算法、和/或调整反作弊算法的训练比例，所述根据训练优化方式调整所述预设训练算法包括：

解析所述反作弊算法的评价值；

根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

a4、根据a1-a3任一项所述的方法，所述判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准包括：

根据所述特征信息及预设训练算法训练反作弊算法；

统计训练后的反作弊算法的评价值；

判断所述评价值与预设的评价标准是否匹配。

a5、根据a4所述的方法，所述提取所述日志信息中的特征信息之前，所述方法还包括：

对所述日志信息进行预处理，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息。

a6、根据a1所述的方法，所述判断根据所述特征信息训练的反作弊算法是否符合预设的评价标准之前，所述方法还包括：

按照预设时间间隔接收待训练的反作弊算法。

a7、根据a1所述的方法，所述方法还包括：

接收用户输入的更新指令，所述更新指令中携带有待更新的特征信息。

a8、根据a1所述的方法，所述方法还包括：

接收用户输入的展示指令，所述展示指令中携带有待展示的内容；

根据所述展示指令的内容，根据所述内容进行展示。

b9、一种反作弊的性能优化装置，包括：

获取单元，用于获取用户使用应用程序所生成的日志信息；

提取单元，用于提取所述日志信息中的特征信息，所述特征信息为用于反应作弊情况的信息；

判断单元，用于判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准；

确定单元，用于若符合，则将所述反作弊算法确定为待使用的反作弊算法。

b10、根据b9所述的装置，所述装置还包括：

调整单元，用于若根据所述特征信息训练的反作弊算法不符合预设的评价标准，则根据训练优化方式调整所述预设训练算法，以便重新判断根据所述特征信息及预设训练算法训练的反作弊算法是否符合预设的评价标准。

b11、根据b10所述的装置，所述调整单元包括：

解析模块，用于解析所述反作弊算法的评价值；

确定模块，用于根据解析的结果确定调整所述预设训练算法的方式为更新预设训练算法、和/或调整反作弊算法的训练比例。

b12、根据b9-b11任一项所述的装置，所述判断单元包括：

训练模块，用于根据所述特征信息及预设训练算法训练反作弊算法；

统计模块，用于统计训练后的反作弊算法的评价值；

判断模块，用于判断所述评价值与预设的评价标准是否匹配。

b13、根据b12所述的装置，所述装置还包括：

处理单元，用于对所述日志信息进行预处理，所述预处理用于将所述日志信息中的信息清洗为特征信息清晰的信息。

b14、根据b9所述的装置，所述装置还包括：

第一接收单元，用于按照预设时间间隔接收待训练的反作弊算法。

b15、根据b9所述的装置，所述装置还包括：

第二接收单元，用于接收用户输入的更新指令，所述更新指令中携带有待更新的特征信息。

b16、根据b9所述的装置，所述装置还包括：

第三接收单元，用于接收用户输入的展示指令，所述展示指令中携带有待展示的内容；

展示单元，用于根据所述展示指令的内容，根据所述内容进行展示。