本發明涉及防作弊檢測，更具體地說，它涉及基于ai的防作弊檢測方法及系統。

背景技術：

1、在當今數字化娛樂產業蓬勃發展的大背景下，在線游戲已成為人們日常娛樂的重要組成部分，從多人在線戰術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，隨著游戲產業的繁榮，游戲作弊問題也日益凸顯，成為影響游戲生態健康發展的關鍵阻礙。

2、隨著游戲技術的發展，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據或服務器交互數據，實現資源非法獲取、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經濟平衡，或者通過數據篡改實現等級瞬間提升，擾亂游戲正常的成長體系，嚴重影響游戲的公平競爭環境和其他玩家的游戲體驗。

3、目前，游戲行業主要采用多種防作弊技術來應對作弊問題，常見的基于ai的防作弊檢測方法通過預先設定的規則來判斷玩家行為是否違規，例如設定玩家的瞄準速度上限、技能釋放間隔下限等規則，如果玩家行為超出這些規則范圍則判定為作弊，然而，這種方法存在局限性，一方面，規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，因此容易導致誤判。另一方面，作弊者可以通過研究規則漏洞采用更加隱蔽的作弊方式繞過檢測，使得基于規則的檢測方法逐漸失效。

技術實現思路

1、針對現有技術存在的不足，本發明的目的在于提供基于ai的防作弊檢測方法及系統。

2、為實現上述目的，本發明提供了如下技術方案：

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：將當前游戲對局的玩家行為特征輸入至作弊預測模型中預測得到作弊預測結果；

5、步驟s2：如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結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：如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結果的玩家行為特征不一致，則將當前游戲對局與歷史游戲對局的玩家行為特征進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：根據第一行為分布特征和第二行為分布特征對作弊預測結果相應的防作弊方案集進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行各個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果集，將差異部分方案篩選結果集與重合部分方案集進行方案整合得到第二防作弊處理方案。

9、優選地，步驟s1具體包括以下步驟：

10、獲取當前游戲對局所處的游戲模式信息和時間段信息，根據所述游戲模式信息和時間段信息統計相同條件下的所有歷史游戲對局的歷史作弊記錄信息；

11、獲取當前游戲對局中玩家行為特征的分布狀況，根據玩家行為特征的分布狀況從所有歷史游戲對局中篩選出與當前行為特征分布狀況相同的歷史游戲對局；

12、對歷史游戲對局中每個玩家行為與相鄰行為的特征信息進行統計標記為第一特征信息集，根據所述第一特征信息集建立作弊預測模型；

13、獲取當前游戲對局中每個玩家行為與相鄰行為的特征信息并比標記為第二特征信息集；

14、獲取當前游戲對局中目標玩家的行為特征信息，將所述第二特征信息集和目標玩家的行為特征信息輸入至作弊預測模型得到作弊預測結果。

15、優選地，步驟s2具體包括以下步驟：

16、如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結果的玩家行為特征一致時，則提取歷史游戲對局應對作弊預測結果的防作弊處理方案；

17、將防作弊處理方案作為當前游戲對局針對作弊預測結果的防作弊解決方案并標記為第一防作弊處理方案。

18、優選地，步驟s3具體包括以下步驟：

19、如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結果的玩家行為特征不一致時，則統計歷史游戲對局與當前游戲對局的相似行為特征和差異行為特征分布情況；

20、如果相似行為特征之間相鄰且呈集中狀態且差異行為特征之間相鄰且呈集中狀態時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則輸出第二行為分布特征。

22、優選地，步驟s4具體包括以下步驟：

23、提取作弊預測結果中的作弊嫌疑行為在歷史游戲對局的行為位置并標記為第一類行為位置信息集；

24、提取作弊預測結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記為第二類行為位置信息集；

25、提取作弊預測結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記為第三類行為位置信息集；

26、根據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測結果相應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、優選地，步驟s5具體包括以下步驟：

29、根據差異部分方案集針對作弊預測結果防作弊方案決策的主要影響因素進行統計得到差異主決策因素集；

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

31、獲取當前游戲平臺最近時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行為的歷史差異部分方案集進行處理得到第二占比變幅數據集；

33、根據第二占比變幅數據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果集；

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

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

36、計算差異主決策因素集中各個主決策因素分布占比值的變化幅度得到第一占比變幅數據集；

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

38、將第一占比值變幅數據集與差異方案發展變化信息集之間進行決策影響系數的評估得到差異方案決策影響集。

39、優選地，將歷史防作弊方案和差異部分方案集所在相應行為的歷史差異部分方案集進行處理得到第二占比變幅數據集，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差異部分方案相應的第二占比變幅數據集。

42、基于ai的防作弊檢測系統，包括：

43、預測模塊：將當前游戲對局的玩家行為特征輸入至作弊預測模型中預測得到作弊預測結果；

44、生成模塊：如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結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：如果當前游戲對局的玩家行為特征與歷史游戲對局中出現作弊預測結果的玩家行為特征不一致，則將當前游戲對局與歷史游戲對局的玩家行為特征進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：根據第一行為分布特征和第二行為分布特征對作弊預測結果相應的防作弊方案集進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行各個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果集，將差異部分方案篩選結果集與重合部分方案集進行方案整合得到第二防作弊處理方案。

48、與現有技術相比，本發明具備以下有益效果：

49、本技術通過將當前游戲對局玩家行為特征輸入作弊預測模型來預測作弊結果，該模型基于大量歷史游戲對局數據構建，能學習到正常玩家行為與作弊玩家行為之間細微且復雜的特征差異，極大提高作弊行為檢測的準確性，減少誤判和漏判情況，同時對當前與歷史游戲對局的相似和差異行為特征分布情況進行處理，從多個維度考量玩家行為，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，更全面準確地識別作弊行為。

50、當前游戲對局玩家行為特征與歷史作弊行為特征一致時，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勢這種新出現的作弊行為為例，通過分析其獨特的行為特征分布，篩選出針對該漏洞的封堵措施以及對玩家行為的監控策略等，定制出專門應對該玩家作弊嫌疑行為的方案，確保防作弊措施精準適配不同類型的作弊情況。

51、本技術方案通過持續分析歷史游戲對局數據和歷史防作弊方案，能及時發現游戲環境變化和新出現的作弊趨勢，系統可根據新積累的歷史數據和方案調整作弊預測模型和防作弊策略，適應游戲變化，始終保持防作弊的有效性。