利用深度神经网络从“标准化触摸序列”中提取特征,以特征向量的形式表示提取后
的特征。并将特征向量应用于监督、无监督算法模型中。
我们的标准化序列数据代表着玩家手指在屏幕上移动的轨迹,因此后文我们将用“轨
迹”来指代“标准化序列数据”。
时空特征:
屏幕触摸数据是一种典型的时空序列数据,更为特殊的是一种两层的层次时空序列
数据结构。针对屏幕触摸数据自身特点,我们设计并实现了一种基于层次注意力机
制的深度学习序列模型。具体来说,该模型分别对触摸坐标和触摸事件两个序列按
照层次关系提取序列特征,并通过注意力机制(Attention)强调重要性差异,增强
数据的表征能力,最终加权融合得到高质量的信息表示。
通常,外挂玩家的轨迹呈现一定的模式,例如重复点、重复线、平行线、团簇、规
则多边形等,易于通过序列模型捕捉。而时空特征中可以体现出这些固定的模式。
![](https://i-blog.csdnimg.cn/blog_migrate/dcef149aaca0ff7b508e315c10daf7b7.png)
采用监督学习的训练方法得到一个二分类器,便可根据时空特征识别外挂玩家。
轨迹变化特征:
对于“伪人为”操作的序列,同一个操作者产生的轨迹是极其相似的(考虑到作弊工
具添加的“噪声”)。我们尝试通过判断轨迹的相似性,来找到作弊的群体。然而轨
迹数据通常很长,给聚类带来了极大的困难(机器性能限制),因此我们设计了一
个对轨迹进行压缩编码的方案——轨迹熵编码。
首先对轨迹数据进行预处理,只保留坐标字段,剔除触摸类型和时间戳字段。接下
来将原始的屏幕触摸数据转变为一个无序的坐标集合,其中集合的每个元素为一个
坐标元组,包含 X 轴坐标和 Y 轴坐标。在此基础上,我们定义了一种基于信息熵的
卷积算子(简称“熵卷积”)来编码屏幕触摸数据,得到高质量的信息表示。根据坐
标将轨迹图划分为一个个矩形区域,根据熵卷积计算该区域的“信息熵”。最后将每
个区域的信息熵代入设计好的计算公式,获得“轨迹熵编码向量”。
轨迹熵编码向量中包含了原始轨迹的形状信息,记录了轨迹的变化规律。通过对轨
迹熵编码向量进行无监督聚类,即可找到“伪人为”操作的群体。
![](https://i-blog.csdnimg.cn/blog_migrate/b987dc235cad6bf979ba3732448c8597.png)
轨迹关联特征:
玩家在游戏中的操作是为了达成一定的目的,这些目的需要经过一定的步骤来实
现。体现在操作的轨迹上,则是该玩家产生的一系列轨迹之间存在着关联。通常来
说,不同玩家操作产生的一系列轨迹,其内部的关联性是不同的;即使是同一玩家
重复相同的操作,轨迹之间的关联性也有所差异。玩家在游戏中通常都是左右手同
时操作,对于左右手协同进行操作时产生的轨迹而言,它们内部的关联更为紧密。
将用户的操作序列建模为图结构数据,建模事件点之间的关联
- 建模单手轨迹内的空间关系,分别对左手轨迹和右手轨迹进行编码
- 建模双手指头之间的时间关系;
我 们 将 触 控 轨 迹 建 模 成 手 指 操 作 图 , 基 于 对 比 图 学 习 ( 图 +对比学习)和
Transformer 来捕获左右手操作以及其交互作用中的时空信息,从而学习高质量的
触控轨迹嵌入表示(编码向量)。
![](https://i-blog.csdnimg.cn/blog_migrate/1c520b41c302e8fcbe07d8746248d1ca.png)
首先通过一个“图 Transformer”神经网络,对左右手的轨迹进行编码。接下来,由
于外挂正样本(外挂标记)少,为了增强轨迹关联性特征的可靠性,在训练模型时
采用“对比学习”的策略
- 对比不同玩家的轨迹:提取不同玩家之间操作内部的关联性;
- 对比相同玩家的轨迹:提取某个玩家自身操作内部的关联性;
最后得到轨迹的“关联特征”编码向量,对编码向量进行无监督聚类,即可找到“伪人
为”操作的群体。
下一期,将分别就
- 模型构建;
- 依次展开介绍;
—— END——
今天先聊到这里,看到这里的游戏人,期待下次为大家分享更多游戏行业洞察!
我来自网易~ 是你最得力的游戏行业战略家,也是最硬核的游戏技术布道师,一起让技术发光~ 欢迎各位游戏人一起探讨交流~
tips:《网易智企游戏AI指南》免费领取方式——评论区留言【指南】,立即get√