游戏技术分享（三）：基于移动设备屏幕触摸数据的模拟点击检测研究与应用，附架构图示

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。

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。

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

1. 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
2. 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）。

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

1. 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;
2. 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

1. 模型构建;
2. 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√