CN115779444B - 一种应用于人工智能的云游戏数据安全防护方法及服务器 - Google Patents

Abstract

本发明提供一种应用于人工智能的云游戏数据安全防护方法及服务器，本发明实施例是基于全局特征环境下节点聚类集的基础全局风险检测描述对局部特征环境下云游戏玩家行为数据的基础局部风险检测描述进行了优化，由于全局特征环境下一个节点聚类集对应的行为特征节点可能有多个，而每个行为特征节点所对应的云游戏玩家行为数据可能有多个，通过上述技术思路能够对节点聚类集进行打包式的风险检测处理，从而保障完成优化的局部风险检测描述的精度和可信度。此外，经由上述风险检测处理思路，能够高效地实现云游戏玩家行为数据的风险检测，从而保障每组云游戏玩家行为数据的完成优化的局部风险检测描述在后续的游戏数据防护进程中的正常使用。

Description

一种应用于人工智能的云游戏数据安全防护方法及服务器

技术领域

本发明涉及人工智能及云游戏技术领域，尤其涉及一种应用于人工智能的云游戏数据安全防护方法及服务器。

背景技术

云游戏（cloud gaming）是指把所有的游戏都部署于云服务器，通过云服务器进行游戏渲染和画面处理，然后通过网络传输给游戏客户端。相应的，游戏客户端则仅需将相关的游戏操作数据上传到云服务器中，这样便可以实现云游戏的正常运行。为了能够让游戏玩家有一个很好的游戏体验，对于游戏玩家在进行游戏操作过程中的数据安全防护问题是不容忽视的。在对云游戏进行数据安全防护处理时，游戏风险检测是重要一环，然而相关技术在进行游戏风险检测时，其检测效率和质量难以满足实际需求。

发明内容

本发明提供一种应用于人工智能的云游戏数据安全防护方法及服务器，为实现上述技术目的，本申请采用如下技术方案。

第一方面是一种应用于人工智能的云游戏数据安全防护方法，应用于人工智能服务器，该方法至少包括：确定依据n组云游戏玩家行为数据生成的玩家行为特征库以及每组云游戏玩家行为数据的基础局部风险检测描述；其中，n为正整数；将所述玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集；通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述；结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

如此一来，在对基于云游戏玩家行为数据生成的玩家行为特征库进行节点聚类集的聚类整理的基础上，可以基于每组云游戏玩家行为数据对应的基础局部风险检测描述，对整理得到的每个节点聚类集进行全局风险检测，确定对应的基础全局风险检测描述，基于基础全局风险检测描述可以获取针对每组云游戏玩家行为数据的完成优化的局部风险检测描述，换言之，本发明实施例是基于全局特征环境下节点聚类集的基础全局风险检测描述对局部特征环境下云游戏玩家行为数据的基础局部风险检测描述进行了优化，由于全局特征环境下一个节点聚类集对应的行为特征节点可能有多个，而每个行为特征节点所对应的云游戏玩家行为数据可能有多个，通过上述技术思路能够对节点聚类集进行打包式的风险检测处理，从而保障完成优化的局部风险检测描述的精度和可信度，此外，经由上述风险检测处理思路，能够高效地实现云游戏玩家行为数据的风险检测，从而保障每组云游戏玩家行为数据的完成优化的局部风险检测描述在后续的游戏数据防护进程中的正常使用。

对于一种可示性实施例而言，所述将所述玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集，包括：从所述玩家行为特征库涵盖的每个行为特征节点中，任意确定目标数目个行为特征节点，将确定出的每个行为特征节点的关键特征信息分别作为待进行聚类整理的节点聚类集的参考特征信息；确定所述每个行为特征节点中每个行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果，以及将该行为特征节点整理到对应的所述量化对比结果符合指定要求的参考特征信息所属的节点聚类集；获得每个节点聚类集对应的当前的参考特征信息，并结合该当前的参考特征信息，跳转至整理节点聚类集的步骤，直至符合聚类评价指标。

如此一来，可以基于行为特征节点的关键特征信息与各节点聚类集的参考特征信息进行不低于一轮节点聚类集的整理。每进行一轮整理，皆可以对于节点聚类集确定当前的参考特征信息，从而进行下一轮整理。鉴于整理到一个节点聚类集的若干行为特征节点在一定程度上具有关联性，可以借助一个节点聚类集的若干行为特征节点所对应的风险检测内容来确定节点聚类集的基础全局风险检测描述，这样能够保障检测内容的精准性，进一步能够保障后期完成优化的局部风险检测描述的精准性。

对于一种可示性实施例而言，所述获得每个节点聚类集对应的当前的参考特征信息，包括：结合每个节点聚类集涵盖的每个行为特征节点的关键特征信息，获得每个行为特征节点的去极化特征信息，将所述去极化特征信息作为该节点聚类集对应的当前的参考特征信息。

对于一种可示性实施例而言，所述关键特征信息包括关键指示型特征和目标差异化描述，所述参考特征信息包括参考指示型特征和参考差异化描述；所述确定所述每个行为特征节点中每个行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果，包括：针对所述每个行为特征节点中的每个行为特征节点，结合该行为特征节点的关键指示型特征以及每个所述参考特征信息中的参考指示型特征，确定该行为特征节点与每个所述参考特征信息所属的节点聚类集之间的第一量化对比结果，并且结合该行为特征节点的目标差异化描述以及每个所述参考特征信息中的参考差异化描述，确定该行为特征节点与每个所述参考特征信息所属的节点聚类集之间的第二量化对比结果；通过所述第一量化对比结果及其所匹配的重要性指数以及所述第二量化对比结果及其所匹配的重要性指数，确定该行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果。

如此一来，鉴于行为特征节点的指示型特征以及差异化描述对于节点聚类集整理的干扰程度并不一样，能够根据全局处理的思路实施以上关于行为特征节点的关键特征信息，依次与每个参考特征信息之间的量化对比结果的确定，从而保障技术方案能够尽可能应用到不同的场景下。

对于一种可示性实施例而言，所述通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述，包括：针对每个行为特征节点，基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，确定该行为特征节点在n组云游戏玩家行为数据中对应的映射数据集；结合该行为特征节点在所述n组云游戏玩家行为数据中对应的所述映射数据集的所述基础局部风险检测描述，确定该行为特征节点的基础全局风险检测描述；针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述。

如此一来，可以基于云游戏玩家行为数据的基础局部风险检测描述，共同确定对应行为特征节点的基础全局风险检测描述，还可以基于一个节点聚类集涵盖的若干行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述，由此，关于节点聚类集的基础全局风险检测描述的确定依靠于若干行为特征节点的全局风险检测内容，而每个行为特征节点的风险检测内容又依靠于各组云游戏玩家行为数据的局部风险检测内容，如此一来，能够保障确定出的节点聚类集的基础全局风险检测描述的精准性。

对于一种可示性实施例而言，所述结合该行为特征节点在所述n组云游戏玩家行为数据中对应的所述映射数据集的所述基础局部风险检测描述，确定该行为特征节点的基础全局风险检测描述，包括：对于各个所述行为特征节点，结合该行为特征节点在所述n组云游戏玩家行为数据中对应的映射数据集的基础局部风险检测描述，确定对应各类基础局部风险检测描述的关键词统计结果；结合对应各类基础局部风险检测描述的关键词统计结果，确定为该行为特征节点的基础全局风险检测描述。

对于一种可示性实施例而言，所述结合对应各类基础局部风险检测描述的关键词统计结果，确定该行为特征节点的基础全局风险检测描述，包括：将关键词统计结果满足设定统计条件的一类基础局部风险检测描述，确定为该行为特征节点的基础全局风险检测描述；所述针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述，包括：结合每个节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定对应各类基础全局风险检测描述的行为特征节点的统计值；将对应的行为特征节点的统计值最大的一类基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述。

对于一种可示性实施例而言，所述结合对应各类基础局部风险检测描述的关键词统计结果，确定该行为特征节点的基础全局风险检测描述，包括：将对应各类基础局部风险检测描述的关键词统计结果与关键词加和结果进行量化分析处理，确定该行为特征节点匹配于每类基础局部风险检测描述的量化预测结果；依据匹配于各类基础局部风险检测描述的量化预测结果，确定该行为特征节点的基础全局风险检测描述；所述针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述，包括：针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点对应的匹配于每类基础局部风险检测描述的量化预测结果，以及针对该行为特征节点在先设置的对应于每类基础局部风险检测描述的重要性指数，确定该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果；结合该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果，确定该节点聚类集的基础全局风险检测描述。

对于一种可示性实施例而言，在确定任一节点聚类集匹配于多类基础局部风险检测描述的量化预测结果超过指定预测结果的基础上，该方法还包括：对于任意的一个节点聚类集，将该节点聚类集整理为若干节点聚类子集；

所述通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述，包括：

通过所述基础局部风险检测描述，对整理获得的每个节点聚类子集进行全局风险检测，获得每个节点聚类子集的基础全局风险检测描述；

所述结合每个所述节点聚类集的全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：通过所述每个节点聚类子集的基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

如此一来，在确定一个节点聚类集存在多种风险检测可能性的基础上，可以首先对于节点聚类集进行节点聚类子集的整理，进而根据完成整理后的节点聚类子集进行风险检测，这样能够显著提高风险检测的准确度及可信度。

对于一种可示性实施例而言，所述结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：确定完成优化的全局风险检测描述；所述完成优化的全局风险检测描述为针对所述若干节点聚类集中至少一部分节点聚类集的基础全局风险检测描述进行主动型优化后全局风险检测描述；通过所述完成优化的全局风险检测描述，以及没有完成主动型优化的剩余节点聚类集的基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

如此一来，鉴于主动型优化后对于后期相关完成优化的局部风险检测描述的精度的干扰，可以基于至少一部分节点聚类集的主动型优化的完成优化的全局风险检测描述来获取针对每组云游戏玩家行为数据的完成优化的局部风险检测描述，进一步能够显著提高风险检测的准确度及可信度。

对于一种可示性实施例而言，所述通过所述每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：结合每个节点聚类集的基础全局风险检测描述，获得每个节点聚类集在风险检测维度对应的全局预测情况偏移；以及依据任意的且存在关联关系的不匹配于相同全局风险检测描述的两个所述节点聚类集之间的量化差异数据，获得每个节点聚类集在行为倾向维度对应的量化差异偏移；通过所述全局预测情况偏移和所述量化差异偏移，确定风险检测优化模型；确定保证所述风险检测优化模型的输出变量满足设定检测条件的基础上，针对每个节点聚类集确定的已调整全局风险检测描述；结合针对每个节点聚类集的已调整全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

如此一来，可以结合每个节点聚类集对应的全局预测情况偏移以及依据任意的且存在关联关系的节点聚类集指向的量化差异偏移对于每组云游戏玩家行为数据进行局部风险检测描述的优化，自动实现，可以进一步提升标注效率。

对于一种可示性实施例而言，所述结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：对于每个节点聚类集，基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，从所述n组云游戏玩家行为数据中确定与该节点聚类集涵盖的每个行为特征节点对应的云游戏玩家行为数据；针对每组云游戏玩家行为数据，结合该组云游戏玩家行为数据对应的行为特征节点所对应的节点聚类集的基础全局风险检测描述，获取针对该组云游戏玩家行为数据的完成优化的局部风险检测描述。

对于一种可示性实施例而言，所述基础局部风险检测描述为借助基础游戏风险检测模型对所述每组云游戏玩家行为数据进行风险检测所得的，所述获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述之后，还包括：通过所述每组云游戏玩家行为数据的完成优化的局部风险检测描述对所述基础游戏风险检测模型进行配置，得到完成配置的游戏风险检测模型。

第二方面是一种人工智能服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行第一方面的方法。

附图说明

图1为本发明实施例提供的应用于人工智能的云游戏数据安全防护方法的流程示意图。

图2为本发明实施例提供的应用于人工智能的云游戏数据安全防护装置的模块框图。

具体实施方式

以下，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。

图1示出了本发明实施例提供的的应用于人工智能的云游戏数据安全防护方法的流程示意图，应用于人工智能的云游戏数据安全防护方法可以通过人工智能服务器实现，人工智能服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如下步骤所描述的技术方案。

步骤101、确定依据n组云游戏玩家行为数据生成的玩家行为特征库以及每组云游戏玩家行为数据的基础局部风险检测描述。

对于本发明实施例而言，云游戏玩家行为数据可以理解为云游戏玩家在进行游戏操作过程中所产生的一系列记录。比如：键鼠操作记录、游戏会话数据、游戏辅助软件操作数据等。

步骤102、将玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集。

步骤103、基于基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个节点聚类集的基础全局风险检测描述。

步骤104、结合每个节点聚类集的基础全局风险检测描述，获取针对每组云游戏玩家行为数据的完成优化的局部风险检测描述。

可以理解的是，便于对本发明实施例示出的应用于人工智能的云游戏数据安全防护方法进行理解，示例性的可以对该云游戏数据安全防护方法的实施环境进行适应性介绍。可以理解，应用于人工智能的云游戏数据安全防护方法可以应用于任意云游戏交互事项进行风险检测的游戏环境下，比如：可以理解为人机模式中对于游戏充值欺诈的风险检测，还可以理解为玩家玩游戏过程中的钓鱼广告风险检测，还可以理解为其他游戏交互事项的风险检测（比如木马检测等），本发明实施例对此不做进一步限制。

鉴于相关检测思路侧重于地毯式检测，该地毯式的风险检测思路可以是通过主动型检测完成的。鉴于在进行模型配置时，通常需要许多已完成检测的参考游戏玩家行为数据，这样可能会造成不必要的资源浪费。可以理解，为改善上述存在的技术问题，本发明实施例示出了一种更加高效且智能化的风险检测的技术，可以在全局特征环境下进行风险检测，然后基于全局特征环境与局部特征环境之间的对应情况，将全局特征环境下的风险检测描述映射至局部特征环境下，这样能够在一定程度上显著提高风险检测的质量，并减少不必要的资源浪费，提高风险检测的时效性。

为了能够在全局特征环境下进行风险检测，可以首先确定基于一组或者多组云游戏玩家行为数据生成的玩家行为特征库以及每组云游戏玩家行为数据的基础局部风险检测描述。其中，玩家行为特征库可以理解为基于云游戏玩家行为数据进行整体化知识库创建确定的。进一步的，整体化知识库创建通常可以包括以下几个环节：知识单元定位、连接关系确定以及知识库构建，这样可以有序且完整地确定出玩家行为特征库。

此外，本发明实施例中关于云游戏玩家行为数据的基础局部风险检测描述可以理解为借助基础游戏风险检测模型检测所得到的。基于有关云游戏玩家行为数据的基础局部风险检测描述以及全局特征环境与全局特征环境之间的特征对应情况，可以实现对于玩家行为特征库涵盖的行为特征节点的全局风险检测（比如：可以理解为多维度风险检测）。进一步的，基础游戏风险检测模型可以理解为借助历史风险信息集合中记录的已完成风险检测的参考玩家行为数据配置得到的，配置的可以理解为已完成风险检测的参考玩家行为数据与认证注释（比如标注信息）之间的映射情况（比如映射关系或者对应关系）。

对于本发明实施例而言，玩家行为特征库（比如可以通过知识库或者知识图谱形式记录）可以理解为通过行为特征节点组合得到的，换言之，行为特征节点可以理解为玩家行为特征库的Min unit（最小的实体/知识单元）。在实际实施时，鉴于不同行为特征节点所存在的行为类别可以理解为相同的，还可以理解为不同的，进一步的，可以根据行为类别行为特征节点进行节点聚类集的整理，这样便于对节点聚类集内属于相同行为类别的行为特征节点进行统一的风险检测，这样能够在保障风险检测精度的基础上，显著提高风险检测的质量。

本发明实施例中关于节点聚类集的基础全局风险检测描述可以理解为基于有关云游戏玩家行为数据的基础局部风险检测描述来确定的。主要是鉴于一个节点聚类集与若干行为特征节点之间的映射情况，一个行为特征节点与多组云游戏玩家行为数据之间的映射情况，这样在确定云游戏玩家行为数据的基础局部风险检测描述的基础上，可以基于映射情况确定节点聚类集的基础全局风险检测描述。

对于本发明实施例而言，在获得每个节点聚类集的基础全局风险检测描述的基础上，可以基于全局特征环境与局部特征环境的特征对应情况，不重复的确定全部云游戏玩家行为数据的完成优化的局部风险检测描述，相较于局部特征环境下的逐一注释的思路能够显著提高检测的质量和效率。

对于本发明实施例而言，基于云游戏玩家行为数据的完成优化的局部风险检测描述可以对基础游戏风险检测模型进行配置。由于完成优化的局部风险检测描述的精度更加准确，由此所配置得到的游戏风险检测模型的检测更加全面，进而方便后期在各类环境下的使用。

对于一种可示性实施例而言，鉴于节点聚类集的整理对于后期进行风险检测起到非常重要的作用，可以对整理节点聚类集的思路进行进一步描述。关于节点聚类集的整理思路示例性的可以包括步骤1021-步骤1023所记录的内容。

步骤1021、从玩家行为特征库涵盖的每个行为特征节点中，任意确定目标数目个行为特征节点，将确定出的每个行为特征节点的关键特征信息分别作为待进行聚类整理的节点聚类集的参考特征信息。

举例而言，参考特征信息可以理解为基础特征信息。

步骤1022、获得每个行为特征节点中每个行为特征节点的关键特征信息，依次与每个参考特征信息之间的量化对比结果，以及将该行为特征节点整理到对应的量化对比结果符合指定要求的参考特征信息所属的节点聚类集。

举例而言，量化对比结果符合指定要求的参考特征信息可以理解为对比结果最小或者最低的参考特征信息。

步骤1023、获得每个节点聚类集对应的当前的参考特征信息，并结合该当前的参考特征信息，跳转至整理节点聚类集的步骤，直至符合聚类评价指标。

举例而言，当前的参考特征信息可以理解为获取到的最新的参考特征信息。聚类评价指标可以理解为符合行为特征节点整理条件，其中整理可以是划分处理或者分类处理。

对于本发明实施例而言，关键特征信息（可以理解为玩家行为特征库的最小的实体的目标向量）包括关键指示型特征和/或目标差异化描述，可以从不同层面反映行为特征节点的描述内容。有关关键指示型特征和目标差异化描述可以理解为基于整体化知识库创建结果确定的。

本发明实施例可以基于各节点聚类集的参考特征信息与各行为特征节点的关键特征信息之间的量化对比结果进行不低于一轮整理步骤，直至符合聚类评价指标可以得到最后的整理结果。

可以理解的是，在每轮完成整理后，可以确定节点聚类集对应的当前的参考特征信息，并基于当前的参考特征信息进行下一轮整理。关于节点聚类集的参考特征信息可以理解为该节点聚类集的每个行为特征节点的关键特征信息所确定的去极化特征信息，换言之，可以理解为对节点聚类集中全部行为特征节点的关键特征信息确定去极化结果。

本发明实施例中的聚类评价指标可以理解为对于一个节点聚类集，若干轮计算的参考特征信息趋于稳定，还可以理解为整理轮数符合设定轮数，还可以理解为其它聚类评价指标，本发明实施例对此不做进一步限制。

鉴于指示型特征和差异化描述对于节点聚类集整理的干扰程度并不一样，由此可以根据两种特征确定两个量化对比结果，并采用全局性加和的思路确定量化对比结果，示例性的可以包括步骤10221和步骤10222。

步骤10221、针对每个行为特征节点中的每个行为特征节点，结合该行为特征节点的关键指示型特征以及每个参考特征信息中的参考指示型特征，确定该行为特征节点与每个参考特征信息所属的节点聚类集之间的第一量化对比结果，并且结合该行为特征节点的目标差异化描述以及每个参考特征信息中的参考差异化描述，确定该行为特征节点与每个参考特征信息所属的节点聚类集之间的第二量化对比结果。

步骤10222、基于第一量化对比结果及其所匹配的重要性指数以及第二量化对比结果及其所匹配的重要性指数，确定该行为特征节点的关键特征信息，依次与每个参考特征信息之间的量化对比结果。

对于本发明实施例而言，可以根据不同的应用场景对第一量化对比结果（比如特征距离、欧式距离、余弦距离等）对应的重要性指数（权重）以及第二量化对比结果对应的重要性指数进行设置。比如：在一些情况下，差异化描述与参考差异化描述之间的异同情况对于节点聚类集的整理起到较为明显的辅助作用，这样一来能够整理出可信度更高的重要性指数。

本发明实施例提供的整理方法旨在使得相同行为类别的行为特征节点对应于同一个节点聚类集，不同行为类别的行为特征节点对应于不同的节点聚类集。

对于本发明实施例而言，基于云游戏玩家行为数据对应的基础局部风险检测描述获取针对节点聚类集的基础全局风险检测描述，示例性的可以包括步骤1031-步骤1033所记录的内容。

步骤1031、针对每个行为特征节点，基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，确定该行为特征节点在n组云游戏玩家行为数据中对应的映射数据集。

步骤1032、结合该行为特征节点在n组云游戏玩家行为数据中对应的映射数据集的基础局部风险检测描述，确定该行为特征节点的基础全局风险检测描述。

步骤1033、针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述。

对于本发明实施例而言，鉴于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，可以首先对于每个行为特征节点，确定该行为特征节点在各组云游戏玩家行为数据中对应的映射数据集。其中，连续空间可以是机器学习和人工智能中常用的一种参考空间，比如：特征空间或者映射空间。

可以理解在是，映射数据集可以理解为根据行为特征节点的样本空间、玩家行为状态、游戏网络环境状态等数据映射至云游戏玩家行为数据得到的每个特征单元的汇总。鉴于各组云游戏玩家行为数据的基础局部风险检测描述是事先检测所得到的，这样一来，云游戏玩家行为数据对应的映射数据集的基础局部风险检测描述也可以确定。

在针对行为特征节点确定其映射数据集的基础局部风险检测描述的基础上，可以确定对应各类基础局部风险检测描述的关键词统计结果（比如：标签数），换言之，可以得到行为特征节点分别对应的其中一个关键词的统计数，将各关键词的统计数进行无量纲处理（归一化处理）可以得到行为特征节点对应于其中一个关键词的行为类别可能性，进一步，可以选择行为类别可能性最高，换言之关键词统计结果满足设定统计条件的基础局部风险检测描述，作为行为特征节点的基础全局风险检测描述。

节点聚类集是基于行为特征节点合并而成的，针对每个节点聚类集可以基于节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定对应各类基础全局风险检测描述的行为特征节点的统计值，行为特征节点的统计值越高的基础全局风险检测描述，对应为节点聚类集的基础全局风险检测描述的概率也越大。可以选择对应的行为特征节点的统计值最大的基础全局风险检测描述，作为节点聚类集的基础全局风险检测描述。

另外，本发明实施例示例性的还可以根据以下操作确定节点聚类集的基础全局风险检测描述。

步骤201、将对应各类基础局部风险检测描述的关键词统计结果与关键词加和结果进行量化分析处理（比如：可以进行比值计算），确定该行为特征节点匹配于每类基础局部风险检测描述的量化预测结果（比如：概率值）。

步骤202、依据匹配于各类基础局部风险检测描述的量化预测结果，确定该行为特征节点的基础全局风险检测描述。

步骤203、针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点对应的匹配于每类基础局部风险检测描述的量化预测结果，以及针对该行为特征节点在先设置的对应于每类基础局部风险检测描述的重要性指数，确定该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果。

步骤204、结合该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果，确定该节点聚类集的基础全局风险检测描述。

对于本发明实施例而言，可以先对行为特征节点进行匹配于每类基础局部风险检测描述的量化预测结果的确定，然后再根据一个节点聚类集涵盖的行为特征节点实现针对每个节点聚类集的基础全局风险检测描述的确定。

进一步地，关于一个行为特征节点匹配于每类基础局部风险检测描述的量化预测结果是基于关键词统计结果的计算结果（比如比值）确定的。可以记录一个行为特征节点在匹配各组云游戏玩家行为数据中对应的映射数据集的过程中，所确定的针对每组基础局部风险检测描述的命中统计值（对应关键词统计结果），还可以记录所有命中统计值（对应关键词加和结果），通过两个统计值的占比可以确定上述的量化预测结果。

此外，在针对一个节点聚类集进行可能性确定的进程下，可以结合该节点聚类集涵盖的每个行为特征节点在先设置的对应于每类基础局部风险检测描述的重要性指数来完成。

在实际实施时，上述重要性指数可以理解为结合行为特征节点的活跃热度来确定，活跃热度越大的行为特征节点可以对应设置较大的重要性指数，活跃热度越小的行为特征节点可以对应设置较小的重要性指数，这主要是鉴于大活跃热度行为特征节点在聚类过程通常具有更加重要的影响。可以理解的是，通过全局整合（加权求和）便可以确定出一个节点聚类集匹配于每类基础局部风险检测描述的量化预测结果，一个节点聚类集的基础全局风险检测描述则可以看作是一个预测情况。

在实际实施时，在一定程度上会出现难以直接对节点聚类集进行风险检测的问题。为改善上述问题，本发明实施例可以对节点聚类集再进一步进行整理，通过对整理的节点聚类子集的检测确定最后的检测结果。其中，关于节点聚类子集的整理思路可以参考以上节点聚类集的整理思路，在此不作进一步描述。

鉴于主动型优化（比如人工手动处理）思路对于关键词选择的精度起到一定的辅助作用，可以先获取针对若干节点聚类集中至少一部分节点聚类集的基础全局风险检测描述进行主动型优化的完成优化的全局风险检测描述，而后基于确定的完成优化的全局风险检测描述，以及没有完成主动型优化的剩余节点聚类集的基础全局风险检测描述，获取针对每组云游戏玩家行为数据的完成优化的局部风险检测描述。

本发明实施例可以结合大数据标签设置思路进行主动型优化，换言之，可以将每个节点聚类集的基础全局风险检测描述输入到相关的大数据标签处理模型（比如通过不同类型的神经网络训练得到的成熟模型）中，从而实现主动型优化。

举例而言，可以理解为在确定存在关联关系的若干节点聚类集中存在不同行为类别的目标节点聚类集的基础上，可以指定这一目标节点聚类集，并在获取针对目标节点聚类集检测异常的基础上，主动优化以得到正确的风险检测内容。优化的节点聚类集所对应的属性可能性设定为1，剩余属性的可能性设定为0。

可以理解的是，主动型优化风险检测内容的基础上，关于节点聚类集以及节点聚类集内的行为特征节点的风险检测描述也可能会适应性地进行调整。

对于本发明实施例而言，不仅可以基于主动型优化思路进行节点聚类集的全局风险检测描述的优化，还可以根据在先设置的风险检测优化模型来优化节点聚类集的全局风险检测描述，以使得所确定的针对云游戏玩家行为数据的完成优化的局部风险检测描述更加全面。

对于本发明实施例而言，全局风险检测描述的优化过程示例性的可以包括步骤1041-步骤1043所记录的内容。

步骤1041、结合每个节点聚类集的基础全局风险检测描述，获得每个节点聚类集在风险检测维度对应的全局预测情况偏移；以及依据任意的且存在关联关系的不匹配于相同全局风险检测描述的两个节点聚类集之间的量化差异数据，获得每个节点聚类集在行为倾向维度对应的量化差异偏移。

举例而言，全局预测情况偏移可以理解为每个节点聚类集在风险检测维度对应的预测情况误差项/预测情况偏差。量化差异数据可以理解为依据任意的且存在关联关系的不匹配于相同全局风险检测描述的两个节点聚类集之间的对比结果。量化差异偏移可以理解为对比误差。此外，风险检测维度可以理解为在风险检测层面下，行为倾向维度可以理解为在行为倾向层面下，本领域技术人员可以对其余内容作适应性理解，本发明实施例不再进行赘述。

步骤1042、根据全局预测情况偏移和量化差异偏移，确定风险检测优化模型（比如：可以理解为能量函数）。

步骤1043、确定使得风险检测优化模型的输出变量满足设定检测条件的基础上，针对每个节点聚类集确定的已调整全局风险检测描述。

举例而言，风险检测优化模型的输出变量满足设定检测条件可以理解为风险检测优化模型的输出变量或者输出值最小。

可以理解的是，对于全局预测情况偏移而言，不仅要考虑节点聚类集的基础全局风险检测描述，还要考虑主动型优化后风险检测内容，比如：可以给主动型优化的风险检测内容添加最大的分类指数。

通过对风险检测优化模型进行收敛处理（比如可以理解为最小化风险检测优化模型）可以获得每个节点聚类集的已调整全局风险检测描述。

对于本发明实施例而言，可以结合每个节点聚类集的已调整全局风险检测描述实现针对云游戏玩家行为数据的局部风险检测描述的优化。

可以理解的是，首先基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，可以针对每个，从n组云游戏玩家行为数据中确定与该节点聚类集涵盖的每个行为特征节点对应的云游戏玩家行为数据，而后针对每组云游戏玩家行为数据，结合该组云游戏玩家行为数据对应的行为特征节点所对应的节点聚类集的已调整全局风险检测描述，获取针对该组云游戏玩家行为数据的完成优化的局部风险检测描述。

在一些可独立实施的设计思路下，在获取到针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述之后，该方法还可以包括以下内容：确定每组所述完成优化的局部风险检测描述对应的游戏数据防护策略；基于每组所述完成优化的局部风险检测描述所指向的云游戏玩家行为数据，激活所述游戏数据防护策略。

对于本发明实施例而言，在确定出不同的游戏数据防护策略之后，可以结合云游戏玩家行为数据的行为习惯进行针对性的游戏数据防护策略激活，比如游戏数据防护策略为账号保护，那么可以根据对应的云游戏玩家行为数据的非活跃时段进行游戏数据防护策略激活，在激活游戏数据防护策略之后，如果云游戏玩家行为数据对应的玩家账户在非活跃时段登录，则可以进行需要游戏画家参与的随机校验或者禁止登录，这样可以实现对不同游戏数据的针对性和个性化防护。

对于本发明实施例而言，确定每组所述完成优化的局部风险检测描述对应的游戏数据防护策略，可以包括如下步骤所描述的技术方案：根据每组所述完成优化的局部风险检测描述确定第一攻击倾向特征，所述第一攻击倾向特征为将每组所述完成优化的局部风险检测描述加载至第一游戏数据攻击分析网络所得到的攻击倾向特征；将所述第一攻击倾向特征以及先验攻击倾向特征统计描述加载至第二游戏数据攻击分析网络，确定所述第二游戏数据攻击分析网络导出的第二攻击倾向特征，其中，所述先验攻击倾向特征统计描述反映所述第二游戏数据攻击分析网络先验导出的第二攻击倾向特征的相对连接关系；根据所述第二攻击倾向特征确定目标攻击倾向特征；从预设策略库中确定与所述攻击倾向特征匹配的游戏数据防护策略。

对于本发明实施例而言，所述根据所述第二攻击倾向特征确定目标攻击倾向特征包括：确定多个先验第二攻击倾向特征，其中，所述先验第二攻击倾向特征为所述第二游戏数据攻击分析网络根据加载的先验第一攻击倾向特征得到，所述先验第一攻击倾向特征为所述第一游戏数据攻击分析网络根据在所述每组所述完成优化的局部风险检测描述输入之前所加载的每组所述完成优化的局部风险检测描述得到；将所述第二攻击倾向特征以及所述多个先验第二攻击倾向特征加载至第三游戏数据攻击分析网络，确定所述第三游戏数据攻击分析网络导出的第三攻击倾向特征；将所述第三攻击倾向特征作为目标攻击倾向特征。

可以理解的是，经由上述技术方案，确定第一攻击倾向特征，所述第一攻击倾向特征为将每组所述完成优化的局部风险检测描述加载至第一游戏数据攻击分析网络所得到的攻击倾向特征，然后再将所述第一攻击倾向特征以及先验攻击倾向特征统计描述加载至第二游戏数据攻击分析网络，确定所述第二游戏数据攻击分析网络导出的第二攻击倾向特征，进而根据所述第二攻击倾向特征确定目标攻击倾向特征。这样一来，使得对于通过第一游戏数据攻击分析网络所导出的第一攻击倾向特征，还会进一步与反映第二游戏数据攻击分析网络先验导出的第二攻击倾向特征的相对连接关系的先验攻击倾向特征统计描述一并加载至第二游戏数据攻击分析网络，进而根据第二游戏数据攻击分析网络导出的第二攻击倾向特征确定目标攻击倾向特征，保障目标攻击倾向特征的精度和可信度，进而确保匹配得到的游戏数据防护策略的准确性和可靠性。

基于同样的发明构思，图2示出了本发明实施例提供的的应用于人工智能的云游戏数据安全防护装置的模块框图，应用于人工智能的云游戏数据安全防护装置可以包括实施图1所示的相关方法步骤的如下模块。

行为数据确定模块210，用于确定依据n组云游戏玩家行为数据生成的玩家行为特征库以及每组云游戏玩家行为数据的基础局部风险检测描述。

特征节点整理模块220，用于将玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集。

聚类集检测模块230，用于基于基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个节点聚类集的基础全局风险检测描述。

检测描述获取模块240，用于结合每个节点聚类集的基础全局风险检测描述，获取针对每组云游戏玩家行为数据的完成优化的局部风险检测描述。

应用于本发明的相关实施例可以达到如下技术效果：本发明实施例是基于全局特征环境下节点聚类集的基础全局风险检测描述对局部特征环境下云游戏玩家行为数据的基础局部风险检测描述进行了优化，由于全局特征环境下一个节点聚类集对应的行为特征节点可能有多个，而每个行为特征节点所对应的云游戏玩家行为数据可能有多个，通过上述技术思路能够对节点聚类集进行打包式的风险检测处理，从而保障完成优化的局部风险检测描述的精度和可信度，此外，经由上述风险检测处理思路，能够高效地实现云游戏玩家行为数据的风险检测，从而保障每组云游戏玩家行为数据的完成优化的局部风险检测描述在后续的游戏数据防护进程中的正常使用。

以上所述，仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式，可想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种应用于人工智能的云游戏数据安全防护方法，其特征在于，应用于人工智能服务器，该方法至少包括：

确定依据n组云游戏玩家行为数据生成的玩家行为特征库以及每组云游戏玩家行为数据的基础局部风险检测描述；其中，n为正整数；

将所述玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集；通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述；

结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

2.根据权利要求1所述的方法，其特征在于，所述结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：

确定完成优化的全局风险检测描述；其中，所述完成优化的全局风险检测描述为针对所述若干节点聚类集中至少一部分节点聚类集的基础全局风险检测描述进行主动型优化后全局风险检测描述；

通过所述完成优化的全局风险检测描述，以及没有完成主动型优化的剩余节点聚类集的基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

3.根据权利要求1所述的方法，其特征在于，所述结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：

结合每个节点聚类集的基础全局风险检测描述，获得每个节点聚类集在风险检测维度对应的全局预测情况偏移；

依据任意的且存在关联关系的不匹配于相同全局风险检测描述的两个所述节点聚类集之间的量化差异数据，获得每个节点聚类集在行为倾向维度对应的量化差异偏移；

通过所述全局预测情况偏移和所述量化差异偏移，确定风险检测优化模型；

确定保证所述风险检测优化模型的输出变量满足设定检测条件的基础上，针对每个节点聚类集确定的已调整全局风险检测描述；

结合针对每个节点聚类集的已调整全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

4.根据权利要求1所述的方法，其特征在于，所述结合每个所述节点聚类集的所述基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：

对于每个节点聚类集，基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，从所述n组云游戏玩家行为数据中确定与该节点聚类集涵盖的每个行为特征节点对应的云游戏玩家行为数据；

针对每组云游戏玩家行为数据，结合该组云游戏玩家行为数据对应的行为特征节点所对应的节点聚类集的基础全局风险检测描述，获取针对该组云游戏玩家行为数据的完成优化的局部风险检测描述；

其中，所述基础局部风险检测描述为借助基础游戏风险检测模型对所述每组云游戏玩家行为数据进行风险检测所得的，所述获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述之后，还包括：通过所述每组云游戏玩家行为数据的完成优化的局部风险检测描述对所述基础游戏风险检测模型进行配置，得到完成配置的游戏风险检测模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述玩家行为特征库涵盖的每个行为特征节点整理为若干节点聚类集，包括：

从所述玩家行为特征库涵盖的每个行为特征节点中，任意确定目标数目个行为特征节点，将确定出的每个行为特征节点的关键特征信息分别作为待进行聚类整理的节点聚类集的参考特征信息；

确定所述每个行为特征节点中每个行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果，以及将该行为特征节点整理到对应的所述量化对比结果符合指定要求的参考特征信息所属的节点聚类集；

获得每个节点聚类集对应的当前的参考特征信息，并结合该当前的参考特征信息，跳转至整理节点聚类集的步骤，直至符合聚类评价指标；

其中，所述获得每个节点聚类集对应的当前的参考特征信息，包括：结合每个节点聚类集涵盖的每个行为特征节点的关键特征信息，获得每个行为特征节点的去极化特征信息，将所述去极化特征信息作为该节点聚类集对应的当前的参考特征信息。

6.根据权利要求5所述的方法，其特征在于，所述关键特征信息包括关键指示型特征和目标差异化描述，所述参考特征信息包括参考指示型特征和参考差异化描述；所述确定所述每个行为特征节点中每个行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果，包括：

针对所述每个行为特征节点中的每个行为特征节点，结合该行为特征节点的关键指示型特征以及每个所述参考特征信息中的参考指示型特征，确定该行为特征节点与每个所述参考特征信息所属的节点聚类集之间的第一量化对比结果，并且结合该行为特征节点的目标差异化描述以及每个所述参考特征信息中的参考差异化描述，确定该行为特征节点与每个所述参考特征信息所属的节点聚类集之间的第二量化对比结果；

通过所述第一量化对比结果及其所匹配的重要性指数以及所述第二量化对比结果及其所匹配的重要性指数，确定该行为特征节点的所述关键特征信息，依次与每个所述参考特征信息之间的量化对比结果。

7.根据权利要求1所述的方法，其特征在于，所述通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述，包括：

针对每个行为特征节点，基于玩家行为特征库对应的第一连续空间以及云游戏玩家行为数据对应的第二连续空间之间的对应情况，确定该行为特征节点在n组云游戏玩家行为数据中对应的映射数据集；

结合该行为特征节点在所述n组云游戏玩家行为数据中对应的所述映射数据集的所述基础局部风险检测描述，确定该行为特征节点的基础全局风险检测描述；

针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述；

其中，所述结合该行为特征节点在所述n组云游戏玩家行为数据中对应的所述映射数据集的所述基础局部风险检测描述，确定该行为特征节点的基础全局风险检测描述，包括：对于各个所述行为特征节点，结合该行为特征节点在所述n组云游戏玩家行为数据中对应的映射数据集的基础局部风险检测描述，确定对应各类基础局部风险检测描述的关键词统计结果；结合对应各类基础局部风险检测描述的关键词统计结果，确定该行为特征节点的基础全局风险检测描述。

8.根据权利要求7所述的方法，其特征在于，所述结合对应各类基础局部风险检测描述的关键词统计结果，确定该行为特征节点的基础全局风险检测描述，包括：将关键词统计结果满足设定统计条件的一类基础局部风险检测描述，确定为该行为特征节点的基础全局风险检测描述；

所述针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述，包括：结合每个节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定对应各类基础全局风险检测描述的行为特征节点的统计值；将对应的行为特征节点的统计值最大的一类基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述。

9.根据权利要求7所述的方法，其特征在于，所述结合对应各类基础局部风险检测描述的关键词统计结果，确定该行为特征节点的基础全局风险检测描述，包括：将对应各类基础局部风险检测描述的关键词统计结果与关键词加和结果进行量化分析处理，确定该行为特征节点匹配于每类基础局部风险检测描述的量化预测结果；依据匹配于各类基础局部风险检测描述的量化预测结果，确定该行为特征节点的基础全局风险检测描述；

所述针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点的基础全局风险检测描述，确定该节点聚类集的基础全局风险检测描述，包括：针对整理获得的每个节点聚类集，结合该节点聚类集涵盖的每个行为特征节点对应的匹配于每类基础局部风险检测描述的量化预测结果，以及针对该行为特征节点在先设置的对应于每类基础局部风险检测描述的重要性指数，确定该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果；结合该节点聚类集匹配于每类基础局部风险检测描述的量化预测结果，确定该节点聚类集的基础全局风险检测描述；

其中，在确定任一节点聚类集匹配于多类基础局部风险检测描述的量化预测结果超过指定预测结果的基础上，所述方法还包括：对于任意的一个节点聚类集，将该节点聚类集整理为若干节点聚类子集；

所述通过所述基础局部风险检测描述，对整理获得的每个节点聚类集进行全局风险检测，获得每个所述节点聚类集的基础全局风险检测描述，包括：通过所述基础局部风险检测描述，对整理获得的每个节点聚类子集进行全局风险检测，获得每个节点聚类子集的基础全局风险检测描述；

所述结合每个所述节点聚类集的全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述，包括：通过所述每个节点聚类子集的基础全局风险检测描述，获取针对所述每组云游戏玩家行为数据的完成优化的局部风险检测描述。

10.一种人工智能服务器，其特征在于，包括：存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述人工智能服务器执行如权利要求1-9中任意一项所述的方法。