游戏技术分享（四）：基于深度学习的屏幕触摸异常检测方案，附架构图示！

基于深度学习的屏幕触摸异常检测方案包含三种检测引擎，三个引擎相辅相成，结

果互补，一起对外输出 AI 检测能力。三个引擎包括：监督引擎、无监督引擎、规则

（专家经验）引擎。

异常个体检测

在线实时检测玩家的轨迹是否异常。将“规则”与“监督模型”以微服务的形式部署在线

上，提供实时的 API 检测服务。

• 规则：根据专家经验，对轨迹中点的“密度”、“数量”、“重复次数”等特征进行归纳，筛选明显是外挂行为的轨迹。比如，轨迹在三个相同的点之间来回重复
• 监督模型：提取“时空特征”时训练得到的深度神经网络模型，这里我们采用的是“层级注意力网络”（Hierarchical Attention Networks）的分类模型；

在实际使用中，我们有多套规则与多个监督模型的微服务。利用“集成学习”的思想， 群体性检测用于找出利用同步器等工具实现“伪人为”操作的群体，为人所诟病的工作室往往就包含在这些群体中。群体性检测需要积攒够一定量的玩家轨迹之后，批量地触发检测，既可以选择定时触发，也可以选择定量触发（积攒足够数据量后进行触发）。

在我们的实践中，我们采用 T+1 的方式触发检测，即每日定时触发，根据历史已有的轨迹数据来检测上一天异常群体。聚类得到簇群后，通过“轮廓系数”（Silhouette Coefficient）来筛选“异常的群体”`

• 阈值筛选：对历史数据进行聚类得到簇群与对应的轮廓系数，由专家对簇群进行筛选；筛选出的簇群对应的系数取统计值（平均、中位数等）作为阈值
• 比例筛选：筛选轮廓系数最大的 TOP-X 或 Y% 的簇群；
• 筛选的方式不一而足，根据业务实际情况进行调整（考虑游戏类型、运营目标等）

除了检测异常群体之外，无监督引擎还可以将已知的可疑群体记录下来，交给专家进行判断，进而发现新的异常轨迹形态，新的异常轨迹类型将会归纳总结为新的规则，用于提高”个体检测“的检测覆盖率。

下一期，会分享该方案的落地应用场景，请大家关注我，获取更多内容~

—— 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√