游戏异常检测方法、装置、计算机设备及存储介质与流程

1.本技术涉及图像处理技术领域，具体涉及一种游戏异常检测方法、装置、计算机设备及存储介质(计算机可读存储介质)。


背景技术：

2.随着技术的迭代和发展，对游戏中的异常行为，如外挂进行识别打击，能够有效提高用户的游戏体验。
3.目前，游戏异常检测，也就是外挂识别主要是基于有监督训练得到的神经网络模型进行检测得到，但上述方式依赖于人工标注的正负样本所训练得到，也就是说，对于出现的新型外挂，通常需要先重新收集新的外挂数据然后人工标注后再进行训练。然而，由于存在外挂对局的数据样本通常较少，通常情况下难以收集，因此，现有的游戏异常检测方法针对于外挂频繁更新的场景适用性不好，难以快速有效的识别出新型外挂。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种游戏异常检测方法、装置、计算机设备和存储介质，用以解决现有的游戏异常检测方法存在的在外挂频繁更新的场景下适用性不好，难以快速有效的识别出新型外挂的问题。
5.第一方面，本技术提供一种游戏异常检测方法，包括：
6.获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；
7.根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；
8.基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；
9.从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
10.第二方面，本技术提供一种游戏异常检测装置，包括：
11.获取模块，用于获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；
12.提取模块，用于根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；
13.确定模块，用于基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；
14.检测模块，用于从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
15.第三方面，本技术还提供一种计算机设备，其特征在于，所述计算机设备包括：
16.一个或多个处理器；
17.存储器；以及
18.一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现上述任一项提供的游戏异常检测方法。
19.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行上述任一项提供的游戏异常检测方法。
20.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项提供的游戏异常检测方法。
21.本技术提供的游戏异常检测方法，通过采集预设周期内游戏中对象的游戏数据以及用户的操作数据，并基于该数据从中提取得到相应的时序特征，然后将该时序特征输入到生成式预训练模型中，基于时序特征确定目标对象在预设周期内各时刻对应的预测属性信息，如果根据时序特征预测出的属性信息和游戏数据中各时刻对应的真实属性信息差异过大，则可以认为存在额外的游戏异常因素，如使用外挂导致了该差异生成。因此，基于该方法能够有效的完成对游戏异常行为的检测。此外，本技术提供的游戏异常检测方法中生成式预训练模型可以是预先利用极少量的标注数据以及大量的无监督数据学习得到，因而，在外挂频繁更新的场景下，仍能基于采集得到的无标注的大量游戏历史数据对局完成对生成式预训练模型的更新，从而快速有效的识别出新型外挂。
附图说明
22.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1为本技术实施例提供的一种游戏异常检测方法的步骤流程示意图；
24.图2为本技术实施例提供的一种提取目标对象对应的时序特征的步骤流程示意图；
25.图3为本技术实施例中提出的一种将数据均匀离散化的步骤流程示意图；
26.图4为本技术实施例提供的一种基于生成式预训练模型对时序特征进行处理的步骤流程示意图；
27.图5为本技术实施例提供的另一种基于生成式预训练模型对时序特征进行处理的步骤流程示意图；
28.图6为本技术实施例提供的一种基于样本游戏数据训练得到生成式预训练模型的步骤流程示意图；
29.图7为本技术实施例提供的一种生成式预训练模型的模型结构示意图；
30.图8为本技术实施例提供的一种基于静态特征对生成式预训练模型进行筛选的步骤流程示意图；
31.图9为本技术实施例提供的一种确定异常检测结果的步骤流程示意图；
32.图10为本技术实施例提供的一种游戏异常检测装置的结构示意图；
33.图11为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
34.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.在本技术的描述中，术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
36.在本技术的描述中，“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
37.为便于理解本技术实施例提供的游戏异常检测方法的完整实现方案，先对游戏异常检测方法的实现场景进行说明，详述如下。
38.在游戏领域中，用户的游戏异常行为，例如外挂的使用往往会给其他用户带去不好的游戏体验，因此，对外挂进行识别打击是非常有必要的。目前，游戏异常检测主要是基于有监督训练得到的神经网络模型实现的，即预先通过大量标注有异常行为的游戏样本数据训练得到神经网络模型以用于游戏异常检测。但随着技术的发展，新型外挂频繁出现，对新型外挂的识别通常需要收集新的外挂数据，并在人工标注后再进行训练。然而，通常情况下，存在外挂对局的数据样本较少，难以收集，因而，导致现有的游戏异常检测方法难以适应当前外挂频繁更新的场景。
39.而正是为了解决上述问题，实现对游戏领域中新型外挂的快速识别，本技术实施例提出了一种将应用于生成式对话领域的生成式预训练模型(gpt，generative pre-training)应用于游戏领域中以完成对游戏异常行为检测的实现方案，该生成式预训练模型可基于样本数据的顺序关系学习数据在时间维度上的时序特征，从而在无需大量批注样本的情况下，完成对模型的训练。如图1所示，图1为本技术实施例提供的一种游戏异常检测方法的步骤流程示意图，具体的，包括步骤s110～s140：
40.s110，获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据。
41.本技术中，目标游戏是指需要进行外挂检测的游戏，例如，比较常见的目标游戏有竞速类游戏或是对战类游戏，其中，竞速类游戏主要是对因外挂而导致的异常速度或是异常位移进行检测，而对战类游戏则通常需要对因外挂而导致的异常攻防属性进行检测。进一步的，目标游戏中目标对象则是需要进行外挂检测的对象，例如，竞速类游戏中由用户控
制的赛车或是对战类游戏由用户控制的人物角色等等，而预设周期则通常是与游戏的战局有关，例如可以是某一场竞速比赛，也可以是某一场战斗对局等等。需要说明的是，上述提供的描述仅仅为一些可行的实现方案，事实上，目标游戏还可以是其他需要进行外挂检测的游戏，目标对象以及预设周期也可是基于实际需求所确定，本技术在此对目标游戏的类型，目标对象的类型以及预设周期不做限制。
42.进一步的，目标对象的游戏数据是指在预设周期内与该对象相关的数据，通常情况下，这些游戏数据包括有连续的属性数据，例如在竞速类游戏中赛车在各时刻的速度、位置、转向角，或是对战类游戏中人物角色的攻防属性、位置等等，此外，游戏数据还包括有一些离散行为数据，例如竞速类游戏中赛车的碰撞行为、遇障行为或是对战类游戏中人物角色的移动行为、受击行为。而目标对象对应的目标用户一般是指游戏内控制目标对象的游戏玩家，其操作数据通常是由该游戏玩家通过鼠标、键盘、手柄等一些输入设备所输入的指令所生成，通常情况下操作数据也包括有一些离散行为数据，例如竞速类游戏中赛车的转向、技能(道具)释放、速度控制(油门或刹车)，或是对战类游戏中人物角色的攻击、跳跃、技能(道具)释放等等。
43.当然，除了上述所提供的一些随时间动态变化的游戏数据和操作数据外，一些不随时间变化的静态数据，例如竞速类游戏中的赛车等级、赛车型号(设备信息)以及比赛对局的场地，或是对战类游戏中的角色等级、装备信息等等同样可以用于游戏异常检测。具体的，作为一种可行的实现方案，通常情况下，上述静态数据会与前述得到的游戏数据、操作数据一并处理，并输入到生成式预训练模型预测得到更加准确的预测属性信息，从而提高外挂的检测效果，当然，作为另一种可行的实现方案，还可以预先基于不同静态数据下的游戏对局，训练得到对应不同的生成式预训练模型，从而进一步提高了生成式预训练模型的预测效果。具体的实现方案可以参阅后续图及其解释说明的内容。
44.为更好理解本技术所提供的游戏异常检测方法，下述将以赛车游戏为例，提供一种具体的可行实施例，该步骤包括：
45.获取某场竞速比赛中某辆赛车的数据，包括：
46.1)静态数据：玩家等级、赛车型号、赛车等级、赛道类型等等；
47.2)随时间变化的连续属性数据：三维速度、三维坐标、偏转向；
48.3)赛车离散行为：是否存在碰撞、擦墙(遇障)等行为及各行为对应的时刻；
49.4)玩家操作行为：左转右转、释放技能道具、加速刹车及各行为对应的时刻。
50.s120，根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征。
51.本技术中，在前述得到目标对象的游戏数据以及用户的操作数据后，可以从时间维度上对各数据进行分析，从而提取得到目标对象在时间维度上的时序特征。通常情况下，生成时序特征是指将游戏数据以及操作数据处理成与时间维度相关的特征向量，例如，最常见的，针对于离散行为，可以认为当某个时刻存在该离散行为，该时刻对应的值为1，反之若不存在，则该时刻对应的值为0，此时，预设周期内某个离散行为的时序特征则可以用仅包含有0和1的特征向量来描述。
52.此外，考虑到生成式预训练模型在应用于生成式对话领域中时，输入特征一般为离散化的字词编码向量，因此，在应用于游戏异常检测领域时，在根据游戏数据以及操作数据生成目标对象对应的时序特征，还需要额外分别对其中的离散数据和连续的数据进行相
应的处理，具体的，如图2所示，图2为本技术实施例提供的一种提取目标对象对应的时序特征的步骤流程示意图，具体的，包括步骤s210～s230：
53.s210，对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征。
54.本技术实施例中，针对于游戏数据中连续的属性数据，通过对该连续的属性数据进行离散化处理，即可得到可输入至生成式预训练模型进行处理的离散化的第一时序特征。具体的，离散化处理包括等距离散法、聚类离散法等等，其中。等距离散法是指基于数据的取值空间将取值空间划分为若干等大的空间，从而完成对连续数据的离散化。而聚类离散法则是基于数据之间的相似度，对数据进行聚类，从而将数据划分到不同的聚类集合中，以完成对连续数据的离散化。但在实际应用中，为提高对数据的离散化效果，作为本技术的一种可行实施例，如图3所示，图3为本技术实施例中提出的一种将数据均匀离散化的步骤流程示意图，具体的，包括步骤s310～s330：
55.s310，基于预设的样本游戏数据中样本属性数据的统计结果，对所述属性数据进行等频划分，得到若干属性值区间。
56.本技术实施例中，样本游戏数据是指在历史对局中所采集得到的一些游戏数据，这些未批注的数据除可以用于训练生成式预训练模型之外，同样可以引导完成对数据的离散化处理。具体的，通过对样本游戏数据中的样本属性数据进行统计，可以得到各个属性数据在取值空间内的分布情况，在此基础上，通过按照设定的划分区间个数对对属性数据进行等频划分，就可以得到若干属性数据均匀分布的属性值区间，例如，若将速度划分为5个区间，则最终所得到的5个属性值区间中，将样本游戏数据中的各个时刻对应的速度值划分至对应区间后，各个区间的数据数量均在20％左右。
57.s320，根据所述属性数据中各时刻对应的属性值与各所述属性值区间的包含关系确定各时刻对应的属性值区间。
58.本技术实施例中，在前述基于样本属性数据的统计情况完成对属性数据的划分后，基于各个时刻对应的属性值与属性值区间的包含关系，可以确定各时刻对应的属性值区间，也就是各时刻对应的特征值，从而完成对连续的属性数据的离散化，也就是将连续的速度值，离散成若干个速度等级。
59.s330，基于各时刻对应的属性值区间生成第一时序特征。
60.在前述得到各时刻对应的属性值区间基础之上，进一步基于各属性值区间对应的特征值，将各时刻对应的特征值沿时间维度排列，即可完成对连续的属性数据的离散化处理，生成最终的第一时序特征。
61.本技术实施例提供的一种基于等频离散化完成对连续数据的离散化处理的过程，通过等频离散化，可以将属性值均匀的分布到各个区间，降低数据中噪音数据的干扰程度，在用做生成式预训练模型的输入特征时，能够提高输出特征的预测效果。
62.s220，基于所述游戏数据的离散行为数据中第一离散行为对应的时刻信息以及所述操作数据中第二离散行为对应的时刻信息，得到第二时序特征。
63.除前述提供的游戏数据中的连续属性数据外，针对游戏数据中的离散行为数据和操作数据中的离散行为，如碰撞、转向等等，基于这些离散行为的时刻信息，将这些时刻对应的特征值设定为1，其他时刻对应的特征值设定为0，即可得到对应不同行为的若干第二时序特征，其中每一个第二时序特征中描述了对应的离散行为的发生时刻。
64.s230，将所述第一时序特征和所述第二时序特征确定为所述目标对象对应的时序特征。
65.本技术实施例中，通过对不同的数据处理得到对应的若干时序特征后，这些时序特征可作为输入特征混合输入至生成式预训练模型进行处理。当然，需要说明的是，上述基于不同数据通过不同方式所提取得到的不同数据的时序特征均需要构建的对应的嵌入空间，因此，在实际的生成式预训练模型中可能还需要对特征进行统一特征维度，具体可以进一步参阅后续说明。
66.本技术实施例中提供的方案，通过对不同的数据进行对应的处理，保证了每一种数据均可作为输入特征输入至生成式预训练模型进行处理，提高了生成式预训练模型处理数据的多样性，进一步提高了所预测得到的预测属性信息的准确性。
67.s130，基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。
68.本技术实施例中，在前述基于不同类型的数据提取得到对应的时序特征后，将时序特征作为输入特征输入至预先训练得到的生成式预训练模型，即可得到目标对象在预设周期内各时刻对应的预测属性信息。具体的，生成式预训练模型(即gpt模型)是一种常用于生成式对话领域中的无监督神经网络模型，该模型可以通过无监督的方式学习到样本语句中字词的上下文关系，并以生成式的方式输出后续内容，从而完成与用户的对话。因此，通过利用样本游戏数据对生成式预训练模型进行训练，模型同样可以学习到各特征之间的关系，并以生成式的方式，基于各个时刻点之前的时序特征，例如历史的速度变化、历史的位置变化、车辆的碰撞行为、用户的操作行为预测得到当前时刻点的预测属性信息，也就是输出目标对象在预设周期内各时刻对应的预测属性信息，例如，预测得到各赛车在各个时刻可能的速度、位置或是转向角等等。
69.具体的，生成式预训练模型主要是由解码器以及生成器组成，具体的，如图4所示，图4为本技术实施例提供的一种基于生成式预训练模型对时序特征进行处理的步骤流程示意图，具体的，包括步骤s410～s420：
70.s410，基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征。
71.本技术实施例中，当从不同数据中提取得到的时序特征本身维度相同时，此时可以利用生成式预训练模型中的解码器来对时序特征进行解码处理，得到更高维的解码特征。具体的，生成式预训练模型中的解码器为自注意力解码器，例如，transformer编解码结构中的自注意力解码器，该解码器只能对时序特征中可见的历史信息的进行处理，也就是在需要输出某个时刻点赛车的可能的速度、位置或是转向角时，该预测结果只依赖于该时刻点之前的时序特征得到，从而保证了所预测得到的结果的准确性。
72.s420，将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所述预设周期内各时刻对应的预测属性信息。
73.本技术实施例中，在前述得到解码特征的基础上，进一步将解码特征输入至生成式预训练模型的生成器中，就可以输出目标对象在预设周期内各时刻对应的预测属性信息。
74.当然，在从不同数据中提取得到的时序特征本身维度不同时，通常情况下，在对特
征进行编码之前，还需要通过额外的网络层来对时序特征进行处理，以映射到统一维度下，并对其中的数值归一化处理。当然，由于在输入的时候做了多维特征的映射，所以解码的时候还需要通过逆映射层进行逆向恢复。具体的，如图5所示，图5为本技术实施例提供的另一种基于生成式预训练模型对时序特征进行处理的步骤流程示意图，具体的，包括步骤s510～s550：
75.s510，基于预先训练得到的生成式预训练模型中的映射层，对所述时序特征进行特征对齐处理，得到对应相同维度的时序特征。
76.本技术实施例中，在基于各数据的时序特征构建对应嵌入子空间后，考虑到每个时刻的特征是多维的，例如包含各个时刻的速度、位置、是否发生碰撞等等信息后，因此，需要通过生成式预训练模型中的映射层来对时序特征进行特征对齐处理，从而映射到统一特征维度下，得到对应相同维度的时序特征。具体的，映射层通常包括reshape层和linear层，前者用于调整特征维度，以将不同维度的特征映射到统一维度下，后者则用于实现对统一维度下特征的全变换。
77.s520，基于预先训练得到的生成式预训练模型中的标准化层，对所述对应相同维度的时序特征进行归一化标准处理，得到标准化后的时序特征。
78.本技术实施例中，在前述得到相同维度下的时序特征后，进一步基于生成式预训练模型中的标准化层，也就是layer normalize，对各个特征进行归一标准化。具体的，标准化层是通过计算同一个样本中不同通道特征的均值和方差，然后基于z-score完成对特征的归一化处理，并最终通过缩放和平移参数进行线性变换，得到标准化后的时序特征。
79.s530，基于预先训练得到的生成式预训练模型中的自注意力解码器对所述标准化后的时序特征进行解码处理，得到解码特征。
80.本技术实施例中，与前述步骤s410不同的是，本技术实施例中，输入至预训练模型中的自注意力解码器进行处理的时序特征是预先基于特征对齐以及归一标准化处理之后的时序特征，处理之后特征的维度保持相同，且各维度上的值映射到相同的0～1的值空间内，能够有效的降低模型复杂度，改善模型的收敛速度，从而提高模型的训练精度。
81.s540，基于所述生成式预训练模型中的逆映射层，对所述解码特征进行处理，得到处理后的解码特征。
82.本技术实施例中，由于在前述处理的过程中将多个特征映射到统一维度下，因此，在解码的时候需要对得到的解码特征进行逆向映射处理，从而将各解码特征还原至原始的对应维度下，得到处理后的解码特征。具体的，该逆向映射处理可以是通过生成式预训练模型中的逆映射层(inverse project layer)来实现。
83.s550，将所述处理后的解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所述预设周期内各时刻对应的预测属性信息。
84.本技术实施例中，在前述得到还原至原始的对应维度的解码特征后，将该处理后的解码特征输入至生成式预训练模型的生成器中，生成器可顺序输出目标对象在所述预设周期内各时刻对应的预测属性信息，具体可以参阅前述步骤s410的相关描述。
85.此外，需要说明的一点是，与其它神经网络模型相似，上述生成式预训练模型的训练同样依赖于预先采集得到的样本数据，具体的，如图6所示，图6为本技术实施例提供的一种基于样本游戏数据训练得到生成式预训练模型的步骤流程示意图，具体的，包括步骤
s610～s640：
86.s610，获取样本数据。
87.与其它神经网络模型不同的是，生成式预训练模型是基于无监督的训练方式所得到，其不需要依赖于大量预先标注有人工标识的样本。因此，本技术实施例中样本数据所包括的样本游戏数据和样本操作数据通常是从历史游戏对局中直接提取得到，而无需依赖于额外的人力成本对各历史游戏对局中是否存在外挂情况进行筛选并进行标识。
88.s620，将所述样本数据输入至预设的初始生成式预训练模型，得到样本预测数据。
89.本技术实施例中，通过提取样本数据中样本游戏数据和样本操作数据的时序特征，并输入到参数初始化的初始生成式预训练模型，初始生成式预训练模型可以得到初步预测得到样本预测数据，其中，该样本预测数据即包括了样本数据所对应的样本周期内各时刻对应的样本预测属性信息。
90.s630，基于所述样本预测数据与所述样本游戏数据的差异，对所述初始生成式预训练模型进行更新，得到更新后的生成式预训练模型。
91.本技术实施例中，基于样本预测数据中各时刻对应的样本预测属性信息以及样本游戏数据中各时刻对应的样本属性信息之间的差别，利用反向传播的思想对初始生成式预训练模型中的参数进行更新，就可以完成对生成式预训练模型的训练，具体的，样本预测数据与样本游戏数据的差异可以采用负对数似然函数来进行计算。
92.s640，直至将所述样本数据输入至更新后的生成式预训练模型所得到的更新后的样本预测数据与所述样本游戏数据的差异满足预设条件时，将当前的更新后的生成式预训练模型作为预先训练得到的生成式预训练模型。
93.本技术实施例中，对生成式预训练模型的训练通常情况下需要多次迭代完成，因此，在每次完成对生成式预训练模型的更新后，需要迭代将样本数据处理后再次输入至更新后的生成式预训练模型得到更新后的样本预测数据，并重新基于更新后的样本预测数据和样本游戏数据的差异对初始生成式预训练模型中的参数进行更新，直至样本预测数据和样本游戏数据的差异满足预设条件，例如，连续若干轮得到的样本预测数据和样本游戏数据的差异均小于预设的差值阈值时，可以认为当前训练得到的生成式预训练模型能够很好的基于游戏数据的时序特征预测出后续游戏数据的变化情况，因此，可以将该更新后的生成式预训练模型作为预先训练得到的生成式预训练模型，以用于后续的游戏异常检测。
94.为便于理解本技术实施例提供的生成式预训练模型，如图7所示，图7为本技术实施例提供的一种生成式预训练模型的模型结构示意图，详述如下。
95.如图7，输入特征一般为前述从游戏数据和操作数据中所提取得到的时序特征，embedding layer(即嵌入层)，主要用于将特征嵌入到相应的子空间中，project layer(即映射层)通常用于将不同维度的特征映射到统一维度下，通常由reshape层和linear层组成，layer normalize(即标准化层)用于完成对特征的归一标准化处理，而n个transformer结构中的decoder(解码器)部分共同串联组成了生成式预训练模型中的解码器，inverse project layer(即逆向映射层)用于完成对解码特征的维度还原，generator layer(即生成器层)主要用于进一步生成预设周期的各时刻中目标对象对应各个属性信息中不同属性值的概率，并经过最终的softmax(激活函数)处理，从而确定预设周期内各时刻目标对象对应的预测属性信息。此外，在训练过程中用于描述输出特征和输入特征之间的差值的韩式
函数即为负对数似然函数(negative log-likelihood，nll)。
96.此外，基于前述相关的描述，目标对象在预设周期内不随时间动态变化的特征同样也可能会影响对象的游戏数据，从而影响到游戏异常检测的结果。例如，前述提到的可以将静态数据与游戏数据、操作数据一并处理，输入到生成式预训练模型预测得到更加准确的预测属性信息。但上述方案需要生成式预训练模型对静态数据执行额外的处理。因此，为提高生成式预训练模型的处理效率以及处理效果，作为本技术的一种可行实施例，可以预先基于包含不同静态特的样本游戏数据训练得到若干生成式预训练模型，并在后续进行游戏异常检测时，基于目标对象的静态特征从若干生成式预训练模型中筛选出目标生成式预训练模型，具体的，如图8所示，图8为本技术实施例提供的一种基于静态特征对生成式预训练模型进行筛选的步骤流程示意图，具体的，包括步骤s810～s830：
97.s810，获取所述目标对象对应的静态特征。
98.本技术实施例中，目标对象对应的静态特征是指在预设周期内不随时间动态变化的特征，例如对象等级、装备信息、场景信息等等，以竞速游戏为例，此时目标对象对应的静态特征可以包括玩家等级、赛车型号、赛车等级、赛道类型等等。
99.s820，基于所述静态特征从预先训练得到的生成式预训练模型中筛选得到与所述静态特征关联的目标生成式预训练模型。
100.本技术实施例中，预先训练得到的生成式预训练模型包括有多个，且不同的生成式预训练模型是预先基于对应不同静态特征的样本数据所训练得到，例如，以竞速游戏为例，生成式预训练模型可以是基于不同赛道类型所训练得到，也可以是基于不同赛车型号所训练得到。因此，在需要进行游戏异常检测时，可以基于该静态特征从中筛选得到与静态特征关联的目标生成式预训练模型，也就是基于具有相同静态特征的样本数据所训练得到的生成式预训练模型。
101.s830，基于所述时序特征和所述目标生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。
102.本技术实施例中，在前述基础上，将时序特征输入至目标生成式预训练模型中，由于目标生成式预训练模型是利用具有与目标对象相同的静态特征的训练数据所训练得到，因此，目标生成式预训练模型能够更准确的输出目标对象在预设周期内各时刻对应的预测属性信息。
103.s140，从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
104.本技术实施例中，基于前述相关描述可知，游戏数据中的属性数据，例如速度、位置等等通常是连续状态，因此，可以从游戏数据中提取得到各时刻对应的真实属性信息，例如，真实的速度、位置等等。因此，进一步利用真实属性信息和预测属性信息的差异就可以完成对游戏异常的检测，例如，最常见的，当存在某个时刻的真实属性信息和预测属性信息的差异过大时，例如，速度的差值或是位置的差值过大，则可能是由于额外存在的因素，例如外挂而导致。当然，为避免因噪音点干扰而导致的异常检测误判，作为本技术的一种可行实施例，会充分考虑各个时刻的真实属性信息和预测属性信息的差异，具体的，如图9所示，图9为本技术实施例提供的一种确定异常检测结果的步骤流程示意图，具体的，包括步骤s910～s930：
105.s910，基于所述真实属性信息和所述预测属性信息的差异，计算所述预设周期内各时刻对应的属性差值。
106.本技术实施例中，针对于每一个时刻，基于真实属性信息和预测属性信息的差异可以计算得到每个时刻对应的属性差值，例如，最常见的，以竞速游戏为例，属性差值可以是真实速度和预测速度的速度差，也可以是真实位置和预测位置的位置差。
107.s920，从所述预设周期内的各时刻中确定属性差值大于预设差值阈值的目标时刻。
108.本技术实施例中，在前述得到每个时刻对应的属性差值的基础之上，从这些时刻中筛选出属性差值大于预设差值阈值的目标时刻，这些目标时刻即为筛选出的异常时刻。
109.s930，基于所述目标时刻对应的数量和/或比例确定所述目标对象的异常检测结果。
110.本技术实施例中，如果目标时刻出现的频次较高，也就是筛选出的异常时刻的数量或者频率比例较高，则可以认为该目标对象使用外挂的可能性较高，也就是对应的异常检测结果为存在异常，反之若目标时刻出现的频率较低，也就是筛选出的异常时刻的数量或者频率比例较低，则可以认为该目标对象使用外挂的可能性较低，也就是对应的异常检测结果为不存在异常。
111.本技术提供的游戏异常检测方法，通过采集预设周期内游戏中对象的游戏数据以及用户的操作数据，并基于该数据从中提取得到相应的时序特征，然后将该时序特征输入到生成式预训练模型中，基于时序特征确定目标对象在预设周期内各时刻对应的预测属性信息，如果根据时序特征预测出的属性信息和游戏数据中各时刻对应的真实属性信息差异过大，则可以认为存在额外的游戏异常因素，如使用外挂导致了该差异生成。因此，基于该方法能够有效的完成对游戏异常行为的检测。此外，本技术提供的游戏异常检测方法中生成式预训练模型可以是预先利用极少量的标注数据以及大量的无监督数据学习得到，因而，在外挂频繁更新的场景下，仍能基于采集得到的无标注的大量游戏历史数据对局完成对生成式预训练模型的更新，从而快速有效的识别出新型外挂。
112.为了更好实施本技术实施例提供的游戏异常检测方法，在本技术实施例所提供的游戏异常检测方法的基础之上，本技术实施例中还提供一种游戏异常检测装置，如图10所示，游戏异常检测装置1000包括：
113.获取模块1010，用于获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；
114.提取模块1020，用于根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；
115.确定模块1030，用于基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；
116.检测模块1040，用于从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
117.在本技术一些实施例中，所述提取模块1020还用于对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征；基于所述游戏数据的离散行为数据中第一离散
行为对应的时刻信息以及所述操作数据中第二离散行为对应的时刻信息，得到第二时序特征；将所述第一时序特征和所述第二时序特征确定为所述目标对象对应的时序特征。
118.在本技术一些实施例中，所述提取模块1020还用于基于预设的样本游戏数据中样本属性数据的统计结果，对所述属性数据进行等频划分，得到若干属性值区间；根据所述属性数据中各时刻对应的属性值与各所述属性值区间的包含关系确定各时刻对应的属性值区间；基于各时刻对应的属性值区间生成第一时序特征。
119.在本技术一些实施例中，所述确定模块1030还用于基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征；将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所述预设周期内各时刻对应的预测属性信息。
120.在本技术一些实施例中，所述确定模块1030还用于基于预先训练得到的生成式预训练模型中的映射层，对所述时序特征进行特征对齐处理，得到对应相同维度的时序特征；基于预先训练得到的生成式预训练模型中的标准化层，对所述对应相同维度的时序特征进行归一化标准处理，得到标准化后的时序特征；基于所述生成式预训练模型中的逆映射层，对所述解码特征进行处理，得到处理后的解码特征。
121.在本技术一些实施例中，所述确定模块1030还用于获取样本数据；所述样本数据中包括样本游戏数据以及样本操作数据；将所述样本数据输入至预设的初始生成式预训练模型，得到样本预测数据；基于所述样本预测数据与所述样本游戏数据的差异，对所述初始生成式预训练模型进行更新，得到更新后的生成式预训练模型；直至将所述样本数据输入至更新后的生成式预训练模型所得到的更新后的样本预测数据与所述样本游戏数据的差异满足预设条件时，将当前的更新后的生成式预训练模型作为预先训练得到的生成式预训练模型。
122.在本技术一些实施例中，所述确定模块1030还用于获取所述目标对象对应的静态特征；所述静态特征包括对象等级、装备信息以及场景信息中的至少一种；基于所述静态特征从预先训练得到的生成式预训练模型中筛选得到与所述静态特征关联的目标生成式预训练模型；基于所述时序特征和所述目标生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。
123.在本技术一些实施例中，所述检测模块1040还用于基于所述真实属性信息和所述预测属性信息的差异，计算所述预设周期内各时刻对应的属性差值；从所述预设周期内的各时刻中确定属性差值大于预设差值阈值的目标时刻；基于所述目标时刻对应的数量和/或比例确定所述目标对象的异常检测结果。
124.关于游戏异常检测装置的具体限定可以参见上文中对于游戏异常检测方法的限定，在此不再赘述。上述游戏异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
125.在本技术一些实施例中，游戏异常检测装置1000可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该游戏异常检测装置1000的各个程序模块，比如，图10所示的获取模块1010、提取模块
1020、确定模块1030以及检测模块1040。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的游戏异常检测方法中的步骤。
126.例如，图11所示的计算机设备可以通过如图10所示的游戏异常检测装置1000中的获取模块1010执行步骤s110。计算机设备可通过提取模块1020执行步骤s120。计算机设备可通过确定模块1030执行步骤s130。计算机设备可通过检测模块1040执行步骤s140。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种游戏异常检测方法。
127.本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
128.在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现以下步骤：
129.获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；
130.根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；
131.基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；
132.从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
133.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征；基于所述游戏数据的离散行为数据中第一离散行为对应的时刻信息以及所述操作数据中第二离散行为对应的时刻信息，得到第二时序特征；将所述第一时序特征和所述第二时序特征确定为所述目标对象对应的时序特征。
134.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预设的样本游戏数据中样本属性数据的统计结果，对所述属性数据进行等频划分，得到若干属性值区间；根据所述属性数据中各时刻对应的属性值与各所述属性值区间的包含关系确定各时刻对应的属性值区间；基于各时刻对应的属性值区间生成第一时序特征。
135.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征；将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所述预设周期内各时刻对应的预测属性信息。
136.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预先训练得到的生成式预训练模型中的映射层，对所述时序特征进行特征对齐处理，得到对应相同维度的时序特征；基于预先训练得到的生成式预训练模型中的标准化层，对所述对应相
同维度的时序特征进行归一化标准处理，得到标准化后的时序特征；基于所述生成式预训练模型中的逆映射层，对所述解码特征进行处理，得到处理后的解码特征。
137.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：获取样本数据；所述样本数据中包括样本游戏数据以及样本操作数据；将所述样本数据输入至预设的初始生成式预训练模型，得到样本预测数据；基于所述样本预测数据与所述样本游戏数据的差异，对所述初始生成式预训练模型进行更新，得到更新后的生成式预训练模型；直至将所述样本数据输入至更新后的生成式预训练模型所得到的更新后的样本预测数据与所述样本游戏数据的差异满足预设条件时，将当前的更新后的生成式预训练模型作为预先训练得到的生成式预训练模型。
138.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：获取所述目标对象对应的静态特征；所述静态特征包括对象等级、装备信息以及场景信息中的至少一种；基于所述静态特征从预先训练得到的生成式预训练模型中筛选得到与所述静态特征关联的目标生成式预训练模型；基于所述时序特征和所述目标生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。
139.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于所述真实属性信息和所述预测属性信息的差异，计算所述预设周期内各时刻对应的属性差值；从所述预设周期内的各时刻中确定属性差值大于预设差值阈值的目标时刻；基于所述目标时刻对应的数量和/或比例确定所述目标对象的异常检测结果。
140.在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行以下步骤：
141.获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；
142.根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；
143.基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；
144.从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。
145.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征；基于所述游戏数据的离散行为数据中第一离散行为对应的时刻信息以及所述操作数据中第二离散行为对应的时刻信息，得到第二时序特征；将所述第一时序特征和所述第二时序特征确定为所述目标对象对应的时序特征。
146.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预设的样本游戏数据中样本属性数据的统计结果，对所述属性数据进行等频划分，得到若干属性值区间；根据所述属性数据中各时刻对应的属性值与各所述属性值区间的包含关系确定各时刻对应的属性值区间；基于各时刻对应的属性值区间生成第一时序特征。
147.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征；将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所
述预设周期内各时刻对应的预测属性信息。
148.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于预先训练得到的生成式预训练模型中的映射层，对所述时序特征进行特征对齐处理，得到对应相同维度的时序特征；基于预先训练得到的生成式预训练模型中的标准化层，对所述对应相同维度的时序特征进行归一化标准处理，得到标准化后的时序特征；基于所述生成式预训练模型中的逆映射层，对所述解码特征进行处理，得到处理后的解码特征。
149.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：获取样本数据；所述样本数据中包括样本游戏数据以及样本操作数据；将所述样本数据输入至预设的初始生成式预训练模型，得到样本预测数据；基于所述样本预测数据与所述样本游戏数据的差异，对所述初始生成式预训练模型进行更新，得到更新后的生成式预训练模型；直至将所述样本数据输入至更新后的生成式预训练模型所得到的更新后的样本预测数据与所述样本游戏数据的差异满足预设条件时，将当前的更新后的生成式预训练模型作为预先训练得到的生成式预训练模型。
150.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：获取所述目标对象对应的静态特征；所述静态特征包括对象等级、装备信息以及场景信息中的至少一种；基于所述静态特征从预先训练得到的生成式预训练模型中筛选得到与所述静态特征关联的目标生成式预训练模型；基于所述时序特征和所述目标生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。
151.在本技术一些实施例中，处理器执行计算机程序时还实现以下步骤：基于所述真实属性信息和所述预测属性信息的差异，计算所述预设周期内各时刻对应的属性差值；从所述预设周期内的各时刻中确定属性差值大于预设差值阈值的目标时刻；基于所述目标时刻对应的数量和/或比例确定所述目标对象的异常检测结果。
152.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
153.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
154.以上对本技术实施例所提供的一种游戏异常检测方法、装置、计算机设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种游戏异常检测方法，其特征在于，包括：获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。2.根据权利要求1所述的游戏异常检测方法，其特征在于，所述根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征，包括：对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征；基于所述游戏数据的离散行为数据中第一离散行为对应的时刻信息以及所述操作数据中第二离散行为对应的时刻信息，得到第二时序特征；将所述第一时序特征和所述第二时序特征确定为所述目标对象对应的时序特征。3.根据权利要求2所述的游戏异常检测方法，其特征在于，所述对所述游戏数据中连续的属性数据进行离散化处理，得到第一时序特征，包括：基于预设的样本游戏数据中样本属性数据的统计结果，对所述属性数据进行等频划分，得到若干属性值区间；根据所述属性数据中各时刻对应的属性值与各所述属性值区间的包含关系确定各时刻对应的属性值区间；基于各时刻对应的属性值区间生成第一时序特征。4.根据权利要求2所述的游戏异常检测方法，其特征在于，所述属性数据包括速度、位置以及偏转角中的至少一种；所述第一离散行为包括碰撞、遇障中的至少一种；所述第二离散行为包括转向、技能释放、速度控制中的至少一种。5.根据权利要求1所述的游戏异常检测方法，其特征在于，所述基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息，包括：基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征；将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在所述预设周期内各时刻对应的预测属性信息。6.根据权利要求5所述的游戏异常检测方法，其特征在于，所述基于预先训练得到的生成式预训练模型中的自注意力解码器对所述时序特征进行解码处理，得到解码特征的步骤之前，所述方法还包括：基于预先训练得到的生成式预训练模型中的映射层，对所述时序特征进行特征对齐处理，得到对应相同维度的时序特征；基于预先训练得到的生成式预训练模型中的标准化层，对所述对应相同维度的时序特征进行归一化标准处理，得到标准化后的时序特征；所述将所述解码特征输入至所述生成式预训练模型的生成器中，得到所述目标对象在
所述预设周期内各时刻对应的预测属性信息的步骤之前，所述方法还包括：基于所述生成式预训练模型中的逆映射层，对所述解码特征进行处理，得到处理后的解码特征。7.根据权利要求5所述的游戏异常检测方法，其特征在于，所述预先训练得到的生成式预训练模型是通过如下步骤训练得到；获取样本数据；所述样本数据中包括样本游戏数据以及样本操作数据；将所述样本数据输入至预设的初始生成式预训练模型，得到样本预测数据；基于所述样本预测数据与所述样本游戏数据的差异，对所述初始生成式预训练模型进行更新，得到更新后的生成式预训练模型；直至将所述样本数据输入至更新后的生成式预训练模型所得到的更新后的样本预测数据与所述样本游戏数据的差异满足预设条件时，将当前的更新后的生成式预训练模型作为预先训练得到的生成式预训练模型。8.根据权利要求1所述的游戏异常检测方法，其特征在于，所述基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息，包括：获取所述目标对象对应的静态特征；所述静态特征包括对象等级、装备信息以及场景信息中的至少一种；基于所述静态特征从预先训练得到的生成式预训练模型中筛选得到与所述静态特征关联的目标生成式预训练模型；基于所述时序特征和所述目标生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息。9.根据权利要求1～8任一项所述的游戏异常检测方法，其特征在于，所述基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果，包括：基于所述真实属性信息和所述预测属性信息的差异，计算所述预设周期内各时刻对应的属性差值；从所述预设周期内的各时刻中确定属性差值大于预设差值阈值的目标时刻；基于所述目标时刻对应的数量和/或比例确定所述目标对象的异常检测结果。10.一种游戏异常检测装置，其特征在于，包括：获取模块，用于获取预设周期内目标游戏中目标对象的游戏数据以及所述目标对象对应的目标用户的操作数据；所述游戏数据包括离散行为数据以及连续的属性数据；提取模块，用于根据所述游戏数据以及所述操作数据生成所述目标对象对应的时序特征；确定模块，用于基于所述时序特征以及预先训练得到的生成式预训练模型确定所述目标对象在所述预设周期内各时刻对应的预测属性信息；检测模块，用于从所述游戏数据中提取各时刻对应的真实属性信息，并基于所述真实属性信息和所述预测属性信息的差异，确定所述目标对象的异常检测结果。11.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至9中任一项所述的游戏异常检测方法中。12.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至9任一项所述的游戏异常检测方法中。

技术总结
本申请提供一种游戏异常检测方法、装置、计算机设备及存储介质，方法包括：获取目标游戏中目标对象的游戏数据以及目标用户的操作数据；根据游戏数据以及操作数据生成目标对象对应的时序特征；基于时序特征以及预先训练得到的生成式预训练模型确定目标对象在预设周期内各时刻对应的预测属性信息；从游戏数据中提取各时刻对应的真实属性信息，并基于真实属性信息和预测属性信息的差异，确定目标对象的异常检测结果。本申请通过预先利用极少量的标注数据以及大量的无监督数据学习得到的生成式预训练模型来进行异常检测，在外挂频繁更新的场景下，仍能快速有效的识别出新型外挂。仍能快速有效的识别出新型外挂。仍能快速有效的识别出新型外挂。


技术研发人员：李锋 邹武合 张伟东
受保护的技术使用者：网易（杭州）网络有限公司
技术研发日：2023.06.02
技术公布日：2023/8/31