本發(fā)明涉及防作弊檢測，更具體地說，它涉及基于ai的防作弊檢測方法及系統(tǒng)。

背景技術(shù)：

1、在當(dāng)今數(shù)字化娛樂產(chǎn)業(yè)蓬勃發(fā)展的大背景下，在線游戲已成為人們?nèi)粘蕵返闹匾M成部分，從多人在線戰(zhàn)術(shù)競技游戲到沉浸式的大型多人在線角色扮演游戲，各類在線游戲吸引了海量玩家參與，然而，隨著游戲產(chǎn)業(yè)的繁榮，游戲作弊問題也日益凸顯，成為影響游戲生態(tài)健康發(fā)展的關(guān)鍵阻礙。

2、隨著游戲技術(shù)的發(fā)展，游戲作弊行為形式多樣且不斷演變，一些作弊者利用游戲漏洞，通過修改游戲客戶端數(shù)據(jù)或服務(wù)器交互數(shù)據(jù)，實(shí)現(xiàn)資源非法獲取、等級快速提升等目的，玩家可能利用漏洞刷取大量游戲貨幣或珍稀道具打破游戲內(nèi)經(jīng)濟(jì)平衡，或者通過數(shù)據(jù)篡改實(shí)現(xiàn)等級瞬間提升，擾亂游戲正常的成長體系，嚴(yán)重影響游戲的公平競爭環(huán)境和其他玩家的游戲體驗(yàn)。

3、目前，游戲行業(yè)主要采用多種防作弊技術(shù)來應(yīng)對作弊問題，常見的基于ai的防作弊檢測方法通過預(yù)先設(shè)定的規(guī)則來判斷玩家行為是否違規(guī)，例如設(shè)定玩家的瞄準(zhǔn)速度上限、技能釋放間隔下限等規(guī)則，如果玩家行為超出這些規(guī)則范圍則判定為作弊，然而，這種方法存在局限性，一方面，規(guī)則的制定難以涵蓋所有可能的作弊行為和正常游戲中的特殊情況，因此容易導(dǎo)致誤判。另一方面，作弊者可以通過研究規(guī)則漏洞采用更加隱蔽的作弊方式繞過檢測，使得基于規(guī)則的檢測方法逐漸失效。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供基于ai的防作弊檢測方法及系統(tǒng)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：

3、基于ai的防作弊檢測方法，該方法包括以下步驟：

4、步驟s1：將當(dāng)前游戲?qū)值耐婕倚袨樘卣鬏斎胫磷鞅最A(yù)測模型中預(yù)測得到作弊預(yù)測結(jié)果；

5、步驟s2：如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征一致則生成得到第一防作弊處理方案；

6、步驟s3：如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征不一致，則將當(dāng)前游戲?qū)峙c歷史游戲?qū)值耐婕倚袨樘卣鬟M(jìn)行比對得到相似行為特征和差異行為特征的分布情況，將相似行為特征和差異行為特征的分布情況進(jìn)行處理分析得到第一行為分布特征和第二行為分布特征；

7、步驟s4：根據(jù)第一行為分布特征和第二行為分布特征對作弊預(yù)測結(jié)果相應(yīng)的防作弊方案集進(jìn)行比對以提取出重合部分方案集和差異部分方案集；

8、步驟s5：對差異部分方案集進(jìn)行各個(gè)差異部分方案之間的變化特征分析以篩選得到差異部分方案篩選結(jié)果集，將差異部分方案篩選結(jié)果集與重合部分方案集進(jìn)行方案整合得到第二防作弊處理方案。

9、優(yōu)選地，步驟s1具體包括以下步驟：

10、獲取當(dāng)前游戲?qū)炙幍挠螒蚰Ｊ叫畔⒑蜁r(shí)間段信息，根據(jù)所述游戲模式信息和時(shí)間段信息統(tǒng)計(jì)相同條件下的所有歷史游戲?qū)值臍v史作弊記錄信息；

11、獲取當(dāng)前游戲?qū)种型婕倚袨樘卣鞯姆植紶顩r，根據(jù)玩家行為特征的分布狀況從所有歷史游戲?qū)种泻Y選出與當(dāng)前行為特征分布狀況相同的歷史游戲?qū)郑?/p>

12、對歷史游戲?qū)种忻總€(gè)玩家行為與相鄰行為的特征信息進(jìn)行統(tǒng)計(jì)標(biāo)記為第一特征信息集，根據(jù)所述第一特征信息集建立作弊預(yù)測模型；

13、獲取當(dāng)前游戲?qū)种忻總€(gè)玩家行為與相鄰行為的特征信息并比標(biāo)記為第二特征信息集；

14、獲取當(dāng)前游戲?qū)种心繕?biāo)玩家的行為特征信息，將所述第二特征信息集和目標(biāo)玩家的行為特征信息輸入至作弊預(yù)測模型得到作弊預(yù)測結(jié)果。

15、優(yōu)選地，步驟s2具體包括以下步驟：

16、如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征一致時(shí)，則提取歷史游戲?qū)謶?yīng)對作弊預(yù)測結(jié)果的防作弊處理方案；

17、將防作弊處理方案作為當(dāng)前游戲?qū)轴槍ψ鞅最A(yù)測結(jié)果的防作弊解決方案并標(biāo)記為第一防作弊處理方案。

18、優(yōu)選地，步驟s3具體包括以下步驟：

19、如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征不一致時(shí)，則統(tǒng)計(jì)歷史游戲?qū)峙c當(dāng)前游戲?qū)值南嗨菩袨樘卣骱筒町愋袨樘卣鞣植记闆r；

20、如果相似行為特征之間相鄰且呈集中狀態(tài)且差異行為特征之間相鄰且呈集中狀態(tài)時(shí)則輸出第一行為分布特征；

21、如果相似行為特征和差異行為特征之間交叉相鄰在一起時(shí)則輸出第二行為分布特征。

22、優(yōu)選地，步驟s4具體包括以下步驟：

23、提取作弊預(yù)測結(jié)果中的作弊嫌疑行為在歷史游戲?qū)值男袨槲恢貌?biāo)記為第一類行為位置信息集；

24、提取作弊預(yù)測結(jié)果中的作弊嫌疑行為在第一行為分布特征的行為位置并標(biāo)記為第二類行為位置信息集；

25、提取作弊預(yù)測結(jié)果中的作弊嫌疑行為在第二行為分布特征的行為位置并標(biāo)記為第三類行為位置信息集；

26、根據(jù)所述第一類行為位置信息集、第二類行為位置信息集和第三類行為位置信息集提取處理作弊預(yù)測結(jié)果相應(yīng)的第一類防作弊方案集、第二類防作弊方案集和第三類防作弊方案集；

27、將第一類防作弊方案集、第二類防作弊方案集和第三類防作弊方案集進(jìn)行比對提取出重合部分的防作弊方案和差異部分的防作弊方案，將所有重合部分的防作弊方案組合形成重合部分方案集，將所有差異部分的防作弊方案組合形成差異部分方案集。

28、優(yōu)選地，步驟s5具體包括以下步驟：

29、根據(jù)差異部分方案集針對作弊預(yù)測結(jié)果防作弊方案決策的主要影響因素進(jìn)行統(tǒng)計(jì)得到差異主決策因素集；

30、將差異主決策因素集中各個(gè)主決策因素的分布和發(fā)展變化方向進(jìn)行處理得到差異方案決策影響集；

31、獲取當(dāng)前游戲平臺(tái)最近時(shí)期的歷史防作弊方案；

32、將歷史防作弊方案和差異部分方案集所在相應(yīng)行為的歷史差異部分方案集進(jìn)行處理得到第二占比變幅數(shù)據(jù)集；

33、根據(jù)第二占比變幅數(shù)據(jù)集和差異方案決策影響集，從差異部分方案集中篩選出各類差異部分方案得到差異部分方案篩選結(jié)果集；

34、將差異部分方案篩選結(jié)果集與重合部分方案集進(jìn)行方案整合得到防作弊第二處理方案。

35、優(yōu)選地，將差異主決策因素集中各個(gè)主決策因素的分布和發(fā)展變化方向進(jìn)行處理得到差異方案決策影響集，具體包括以下步驟：

36、計(jì)算差異主決策因素集中各個(gè)主決策因素分布占比值的變化幅度得到第一占比變幅數(shù)據(jù)集；

37、對差異部分方案集中各個(gè)主決策因素的發(fā)展變化方向進(jìn)行評估得到差異方案發(fā)展變化信息集；

38、將第一占比值變幅數(shù)據(jù)集與差異方案發(fā)展變化信息集之間進(jìn)行決策影響系數(shù)的評估得到差異方案決策影響集。

39、優(yōu)選地，將歷史防作弊方案和差異部分方案集所在相應(yīng)行為的歷史差異部分方案集進(jìn)行處理得到第二占比變幅數(shù)據(jù)集，具體包括以下步驟：

40、從歷史防作弊方案中提取與差異部分方案集所在相應(yīng)行為的歷史差異部分方案集；

41、提取歷史差異部分方案集中各個(gè)差異部分方案相應(yīng)的第二占比變幅數(shù)據(jù)集。

42、基于ai的防作弊檢測系統(tǒng)，包括：

43、預(yù)測模塊：將當(dāng)前游戲?qū)值耐婕倚袨樘卣鬏斎胫磷鞅最A(yù)測模型中預(yù)測得到作弊預(yù)測結(jié)果；

44、生成模塊：如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征一致則生成得到第一防作弊處理方案；

45、處理模塊：如果當(dāng)前游戲?qū)值耐婕倚袨樘卣髋c歷史游戲?qū)种谐霈F(xiàn)作弊預(yù)測結(jié)果的玩家行為特征不一致，則將當(dāng)前游戲?qū)峙c歷史游戲?qū)值耐婕倚袨樘卣鬟M(jìn)行比對得到相似行為特征和差異行為特征的分布情況，將相似行為特征和差異行為特征的分布情況進(jìn)行處理分析得到第一行為分布特征和第二行為分布特征；

46、比對模塊：根據(jù)第一行為分布特征和第二行為分布特征對作弊預(yù)測結(jié)果相應(yīng)的防作弊方案集進(jìn)行比對以提取出重合部分方案集和差異部分方案集；

47、整合模塊：對差異部分方案集進(jìn)行各個(gè)差異部分方案之間的變化特征分析以篩選得到差異部分方案篩選結(jié)果集，將差異部分方案篩選結(jié)果集與重合部分方案集進(jìn)行方案整合得到第二防作弊處理方案。

48、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

49、本技術(shù)通過將當(dāng)前游戲?qū)滞婕倚袨樘卣鬏斎胱鞅最A(yù)測模型來預(yù)測作弊結(jié)果，該模型基于大量歷史游戲?qū)謹(jǐn)?shù)據(jù)構(gòu)建，能學(xué)習(xí)到正常玩家行為與作弊玩家行為之間細(xì)微且復(fù)雜的特征差異，極大提高作弊行為檢測的準(zhǔn)確性，減少誤判和漏判情況，同時(shí)對當(dāng)前與歷史游戲?qū)值南嗨坪筒町愋袨樘卣鞣植记闆r進(jìn)行處理，從多個(gè)維度考量玩家行為，還考慮游戲階段、資源獲取等因素，避免單一維度分析的片面性，更全面準(zhǔn)確地識(shí)別作弊行為。

50、當(dāng)前游戲?qū)滞婕倚袨樘卣髋c歷史作弊行為特征一致時(shí)，直接提取歷史防作弊處理方案生成第一防作弊處理方案，這能快速針對已知作弊模式采取有效措施，無需重新摸索應(yīng)對方案，對于與歷史作弊行為特征不一致的情況，從差異部分方案集中篩選合適方案并與重合部分方案集整合，生成第二防作弊處理方案，以玩家利用游戲漏洞獲得特殊優(yōu)勢這種新出現(xiàn)的作弊行為為例，通過分析其獨(dú)特的行為特征分布，篩選出針對該漏洞的封堵措施以及對玩家行為的監(jiān)控策略等，定制出專門應(yīng)對該玩家作弊嫌疑行為的方案，確保防作弊措施精準(zhǔn)適配不同類型的作弊情況。

51、本技術(shù)方案通過持續(xù)分析歷史游戲?qū)謹(jǐn)?shù)據(jù)和歷史防作弊方案，能及時(shí)發(fā)現(xiàn)游戲環(huán)境變化和新出現(xiàn)的作弊趨勢，系統(tǒng)可根據(jù)新積累的歷史數(shù)據(jù)和方案調(diào)整作弊預(yù)測模型和防作弊策略，適應(yīng)游戲變化，始終保持防作弊的有效性。