[发明专利]基于决策树的游戏作弊检测方法

说明书

技术领域

本发明涉及网络连机中游戏作弊检测方法，特别涉及基于决策树的游戏作弊检测方法。

背景技术

数据挖掘，指的是从大型数据库或数据仓库中提取所需求的内容，通常需求内容是隐含的、事先未知的潜在有用信息。数据挖掘是一个高级的处理过程，它从数据集中识别出以模式来表示的知识。高级的处理过程是指一个多步骤的处理过程，步骤之间相互影响、反复调整，形成一种螺旋式上升的过程。数据挖掘的任务是从数据中发现模式。模式是一个用语言L来表示的一个表达式E，它可用来描述数据集F中数据的特性，E所描述的数据是集合F的一个子集FE。E作为一个模式要求它比列举数据子集FE中所有元素的描述方法简单。OLAP技术使数据仓库能够快速响应重复而复杂的分析查询，从而使数据仓库能有效地用于联机分析。OLAP的多维数据模型和数据聚合技术可以组织并汇总大量的数据，以便能够利用联机分析和图形工具迅速对数据进行评估。

在网络游戏中很多都是用外挂进行游戏的，现有防外挂技术的起点是代码安全，保护重点通常是游戏的客户端执行代码。通过局部对抗外挂开发者可能采用的分析、调试和跟踪手段，防止外挂程序修改代码等等。为防止外挂侵入程序，通常会采用执行代码抽取技术实现代码安全。同时增加网游客户端软件的加密点来进一步控制游戏安全。但是，这种防御模式偏于被动，现有的外挂软件通过截获网络数据包，可以绕过客户端的安全防线，模拟客户端发包，进而修改数据服务器，达到欺诈的目的。

发明内容

为了克服现有技术的缺陷和不足，本发明的目的在于提供一种基于决策树的游戏作弊检测方法，能够通过主动防御的模式进行数据挖掘分析，提高网络联机游戏中防外挂的能力。

为了达到上述目的，本发明一种基于决策树的游戏作弊检测方法，包括以下步骤：

(1)定时在玩家信息数据库中提取无冗余的特征属性数据集合；

(2)将该特征属性数据集合分为特征属性训练数据和特征属性测试数据；

(3)由特征属性训练数据生成决策树，并通过特征属性测试数据对决策书进行裁剪生成目标决策树模型；

(4)对该目标决策树进行评估，得到适合的目标决策树模型；

(5)对目标决策树进行分析处理生成分类玩家数据库后，对分类玩家数据进行联机分析处理来检测出带有外挂的作弊玩家。

优选地，所述步骤(1)具体为：

(11)定时对玩家信息数据库的记录进行数据清洗，将冗余的或无关的数据从数据集中删除；

(12)提取玩家信息数据库中无冗余的数据组成特征属性数据集合。

优选地，所述步骤(3)具体为：

(31)将特征属性训练数据进行切分处理得到预定的决策树层数，并选择裁剪节点生成决策树；

(32)使用特征属性测试数据的分类属性对决策树进行裁剪处理，生成目标决策树模型。

优选地，所述步骤(4)具体为：

(41)使用特征属性测试数据分别对该生成的目标决策树模型和正在使用的决策树模型进行评估，如果评估结果大于预先设定的误差阀值，则返回步骤(3)；否则，进入步骤(42)；

(42)判断生成的目标决策树模型的误差值是否大于正在使用的目标决策树模型，如果判断结果为是，则使用该正在使用的目标决策树模型；如果判断结果为否，则使用该生成的目标决策树模型。

优选地，所述步骤(5)具体为：

(51)对目标决策树进行分析，生成分类规则集；

(52)使用该分类规则集，生成分类玩家数据库；

(53)对分类玩家数据进行联机分析处理，检测出作弊玩家及其外挂的功能。

优选地，所述切分处理的方法为：

对特征属性训练数据进行不断的切分，每一次对应一个游戏人物特征属性的判断并同时对应一个节点，直到切分的层数达到了预定的层数为止。

优选地，所述裁剪处理的方法为：

当测试玩家数据进入决策树并到达叶节点时，测试玩家数据的分类属性与叶子节点的分类属性比较得到每个枝条的出错率，通过对每个枝条的出错率进行加权平均，计算出不剪枝该节点的错误率，并判断裁剪是否能够降低错误率，如果是，则剪掉该节点的所有子节点后，通过测试玩家数据校验出错率，生成错误率小的目标决策树模型。