作弊賬號的識別方法及裝置與流程
本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及一種作弊賬號的識別方法及裝置。
背景技術(shù)：
為了粘住客戶，游戲設(shè)計者通常會在游戲中設(shè)置各種虛擬幣獎勵，用戶可以通過登錄賬號、保持在線等方式領(lǐng)取虛擬幣。隨著互聯(lián)網(wǎng)增值服務(wù)的興起和發(fā)展，越來越多的用戶開始購買或者持有虛擬幣，以形成虛擬資產(chǎn)，且虛擬資產(chǎn)也已經(jīng)具備了一定的貨幣屬性，可以在各個賬號之間流通。
然而，對于棋牌類游戲、手游而言，會存在一個刷虛擬幣的問題：一個用戶創(chuàng)建多個賬號(俗稱“小號”)，然后使用游戲或交易的方式把“小號”的游戲幣匯聚到若干個賬號(俗稱“大號”)，當匯聚到一定的量之后，然后以低于官方價格的方式兜售虛擬幣，兜售方式通常是以輸給買家的方式，以此獲得利益。其中，上述匯聚了多個“小號”的虛擬幣的賬號通常稱為作弊賬號，且該多個“小號”通常稱為輔助作弊賬號。
現(xiàn)有的識別作弊賬號的方式，主要是利用賬號之間對局的緯度信息來進行篩選，比如游戲勝率很高(90％以上甚至100％)，或者對局時間很短(平均對局時間低于正常玩家很多)等等，通過多緯度的條件判斷賬號是否屬于作弊賬號。
然而，上述基于緯度信息識別作弊賬號的方式，容易被規(guī)避，識別的準確率低。
技術(shù)實現(xiàn)要素：
本發(fā)明的主要目的在于提供一種作弊賬號的識別方法及裝置，旨在解決現(xiàn)有技術(shù)中基于緯度信息識別作弊賬號容易被規(guī)避，識別的準確率低的技術(shù)問題。
為實現(xiàn)上述目的，本發(fā)明第一方面提供一種作弊賬號的識別方法，所述方法包括：
獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
根據(jù)所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
利用所述各個賬號的目標可疑度識別作弊賬號。
為實現(xiàn)上述目的，本發(fā)明第二方面提供一種作弊賬號的識別裝置，所述裝置包括：
獲取模塊，用于獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
參數(shù)確定模塊，用于根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
可疑度確定模塊，用于根據(jù)所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
識別模塊，用于利用所述各個賬號的目標可疑度識別作弊賬號。
本發(fā)明提供一種作弊賬號的識別方法，在該方法中，獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志，根據(jù)各個賬號的虛擬數(shù)值流水日志，確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，根據(jù)各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定各個賬號的目標可疑度，并利用各個賬號的目標可疑度識別作弊賬號。相對于現(xiàn)有技術(shù)，通過利用各個賬號的虛擬數(shù)值流水日志確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，并利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，使得能夠得到體現(xiàn)虛擬數(shù)值轉(zhuǎn)移的聚集性的目標可疑度，由于作弊賬號的虛擬數(shù)值的聚集轉(zhuǎn)移是無法規(guī)避的，且聚集性越高，可疑度越大，作弊概率也越大，因此，利用各賬號的目標可疑度識別作弊賬號的方式無法被規(guī)避，有效提高識別準確率。
附圖說明
為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本發(fā)明實施例中作弊賬號的識別方法的一個流程示意圖；
圖2為本發(fā)明實施例中虛擬數(shù)值轉(zhuǎn)移參數(shù)為節(jié)點圖時的示意圖；
圖3為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖；
圖4為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖；
圖5為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖；
圖6為本發(fā)明實施例中節(jié)點樹的示意圖；
圖7為本發(fā)明實施例中作弊賬號的識別裝置的一個示意圖；
圖8為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖；
圖9為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖；
圖10為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖；
圖11為本發(fā)明實施例中服務(wù)器的結(jié)構(gòu)示意圖。
具體實施方式
為使得本發(fā)明的發(fā)明目的、特征、優(yōu)點能夠更加的明顯和易懂，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而非全部實施例。基于本發(fā)明中的實施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
由于現(xiàn)有技術(shù)中存在基于緯度信息識別作弊賬號的方式容易被規(guī)避，識別的準確率低的技術(shù)問題。
為了解決上述技術(shù)問題，本發(fā)明提出一種作弊賬號的識別方法，通過利用各個賬號的虛擬數(shù)值流水日志確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，并利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，使得能夠得到體現(xiàn)虛擬數(shù)值轉(zhuǎn)移的聚集性的目標可疑度，由于作弊賬號的虛擬數(shù)值的聚集轉(zhuǎn)移是無法規(guī)避的，且聚集性越高，可疑度越大，作弊概率也越大，因此，利用各賬號的目標可疑度識別作弊賬號的方式無法被規(guī)避，有效提高識別準確率。
為了更好的理解本發(fā)明實施例中的技術(shù)方案，下面將介紹本發(fā)明技術(shù)方案的原理：
發(fā)明人經(jīng)過創(chuàng)造性的勞動發(fā)現(xiàn)：虛擬數(shù)值的轉(zhuǎn)移是具有聚集性的，且對于正常的賬號來說，其聚集性較小，而對于作弊賬號來說，由于輔助作弊賬號向作弊賬號轉(zhuǎn)移虛擬數(shù)值是具有目的性的，其聚集性更加容易凸顯，因此，聚集性越高，是作弊賬號的概率也就越高。同時，由于輔助作弊賬號只能通過轉(zhuǎn)移虛擬數(shù)值的方式將虛擬數(shù)值給作弊賬號，高聚集性是必然存在的，且無法規(guī)避。因此，基于虛擬數(shù)值轉(zhuǎn)移的聚集性識別作弊賬號的準確性高，且無法規(guī)避。本發(fā)明實施例中的技術(shù)方案即是通過上述原理實現(xiàn)的。需要說明的是，為了能夠衡量賬號在虛擬數(shù)值轉(zhuǎn)移后的聚集性，提出可疑度的概念，可疑度用于描述賬號為作弊賬號的概率。
請參閱圖1，為本發(fā)明實施例中作弊賬號的識別方法的流程示意圖，且該識別方法包括：
步驟101、獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
在本發(fā)明實施例中，上述的作弊賬號的識別方法是由作弊賬號的識別裝置(以下簡稱為：識別裝置)實現(xiàn)的，該識別裝置可以是服務(wù)器，也可以是服務(wù)器中的一部分。
在需要識別指定應用程序已注冊的賬號中的作弊賬號時，該識別裝置將獲取該指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志。其中，該指定應用程序通常是指可以進行虛擬數(shù)值轉(zhuǎn)移的應用程序，例如，棋牌類游戲，通過登錄、保持在線等方式領(lǐng)取游戲幣的游戲等等。
其中，應用程序的各個賬號的虛擬數(shù)值流水日志通常保存在該應用程序的數(shù)據(jù)服務(wù)器中，識別裝置具體可以從指定應用程序?qū)臄?shù)據(jù)服務(wù)器中獲取預置時間段內(nèi)，各個賬號的虛擬數(shù)值流水日志。其中，該各個賬號可以是已注冊該指定應用程序的所有賬號，也可以是在該預置時間段內(nèi)生成過虛擬數(shù)值流水日志的賬號。
對于棋牌類游戲，該虛擬數(shù)值流水日志可以是對局日志，對于非棋牌類游戲，該虛擬數(shù)值流水日志可以是游戲幣、道具等的交易流水日志。
其中，一個賬號在預置時間段內(nèi)可以沒有虛擬數(shù)值流水日志，也可以有至少一條虛擬數(shù)值流水日志，每一條虛擬數(shù)值流水日志可以但不限于包括：虛擬數(shù)值流出或流入的狀態(tài)，虛擬數(shù)值的大小，虛擬數(shù)值流出或流入的賬號。以游戲為例，一條虛擬數(shù)值流水日志包括：是輸了還是贏了、輸或贏的游戲幣的數(shù)值、輸或贏的賬號。又例如，若賬號a與賬號b的對局游戲中，賬號a輸了100個游戲幣給賬號b，則對于賬號a來說，此次對局形成的流水日志為：輸、100、賬號b，即表示賬號a在一次對局游戲中輸了100個游戲幣給賬號b，對于賬號b，此次對局形成的流水日志為：贏、100、賬號a，即表示賬號b在一次對局游戲中贏了賬號a100個游戲幣。
步驟102、根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
在本發(fā)明實施例中，對于任意一個賬號，例如賬號x，該賬號x的虛擬數(shù)值轉(zhuǎn)移參數(shù)包括：存在虛擬數(shù)值流入賬號x的所有賬號的賬號集合，該賬號集合中每一個賬號流入賬號x的虛擬數(shù)值的總數(shù)，及該賬號集合中每一個賬號流出的虛擬數(shù)值的總數(shù)及流入每一個賬號的虛擬數(shù)值的總數(shù)，該賬號集合中每一個賬號的虛擬數(shù)值流入的賬號的個數(shù)。以游戲為例，賬號(玩家)a的虛擬數(shù)值轉(zhuǎn)移參數(shù)包括：賬號a贏的所有賬號的賬號集合，該賬號集合中每一個賬號輸給賬號a的游戲幣的總數(shù)，及該賬號集合中每一個賬號輸?shù)舻挠螒驇诺目倲?shù)，及贏的游戲幣的總數(shù)，及該賬號集合中每一個賬號輸?shù)馁~號的個數(shù)。
在本發(fā)明實施例中，識別裝置將對每一個賬號的虛擬數(shù)值流水日志進行統(tǒng)計，得到每一個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)。
其中，上述的虛擬數(shù)值轉(zhuǎn)移參數(shù)可以通過數(shù)據(jù)的方式體現(xiàn)，也可以通過節(jié)點圖的方式體現(xiàn)，若以節(jié)點圖的方式體現(xiàn)，則該節(jié)點圖中的每一個節(jié)點都代表一個賬號，且兩個節(jié)點之間的邊是具有方向的，且該方向是虛擬數(shù)值的流出方向。為了更好的理解，請參閱圖2，為本發(fā)明實施例中，虛擬數(shù)值轉(zhuǎn)移參數(shù)為節(jié)點圖時的示意圖，其中，每一個賬號都表明其已包含了存在虛擬數(shù)值流入的所有賬號的賬號集合，該賬號集合中每一個賬號流入每一個賬號的虛擬數(shù)值的總數(shù)，及賬號集合中每一個賬號流出的虛擬數(shù)值的總數(shù)，及流入賬號集合中每一個賬號的虛擬數(shù)值的總數(shù)，及賬號集合中每一個賬號的虛擬數(shù)值流入的賬號的個數(shù)。
步驟103、根據(jù)所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
步驟104、利用所述各個賬號的目標可疑度識別作弊賬號。
在本發(fā)明實施例中，識別裝置在得到各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)之后，將根據(jù)各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定各個賬號的目標可疑度，并利用各個賬號的目標可疑度識別作弊賬號。
在本發(fā)明實施例中，識別裝置通過利用各個賬號的虛擬數(shù)值流水日志確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，并利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，使得能夠得到體現(xiàn)虛擬數(shù)值轉(zhuǎn)移的聚集性的目標可疑度，由于作弊賬號的虛擬數(shù)值的聚集轉(zhuǎn)移是無法規(guī)避的，且聚集性越高，可疑度越大，作弊概率也越大，因此，利用各賬號的目標可疑度識別作弊賬號的方式無法被規(guī)避，有效提高識別準確率。
請參閱圖3，為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖，該識別方法包括：
步驟301、獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
步驟302、根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
步驟303、利用所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，確定所述各個賬號的稀釋因子的集合，所述稀釋因子用于表示第一賬號的虛擬數(shù)值流入第二賬號后，所述第一賬號的可疑度傳遞給所述第二賬號時的比例；
步驟304、根據(jù)所述各個賬號的稀釋因子的集合進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
步驟305、利用所述各個賬號的目標可疑度識別作弊賬號。
可以理解的是，上述步驟301及步驟302分別與圖1所示實施例中的步驟101及步驟102描述的內(nèi)容相似，此處不做贅述。其中，步驟303及步驟304為圖1所示實施例中步驟103的細化步驟。
在本發(fā)明實施例中，基于虛擬數(shù)值轉(zhuǎn)移的聚集性，發(fā)明人還通過創(chuàng)造性的勞動發(fā)現(xiàn)以下三點原則：
1、數(shù)量原則：對于一個賬號，有虛擬數(shù)值流入該賬號的賬號越多，該賬號的可疑度越大。例如，一個玩家(賬號)，他贏的玩家的數(shù)量越多，該玩家的可疑度越大。
2、質(zhì)量原則：其他條件相同(如虛擬數(shù)值的流入或流出的大小相同)，一個賬號的可疑度越大，該賬號的虛擬數(shù)值流入的其他賬號的可疑度也越大。例如，其他條件相同，一個玩家的可疑度越大，贏他的玩家的可疑度也越大。
3、出度原則：其他條件相同，一個賬號向越少的賬號輸出虛擬數(shù)值，可疑度越大。例如，其他條件相同，一個玩家輸給的玩家數(shù)量越小，可疑度越大。
本發(fā)明中的技術(shù)方案是基于上述三點原則實現(xiàn)對虛擬數(shù)值轉(zhuǎn)移的聚集性(即賬號的可疑度)的計算。
在本發(fā)明實施例中，識別裝置在得到各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)之后，將利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，確定各個賬號的稀釋因子的集合，其中，該稀釋因子用于表示第一賬號的虛擬數(shù)值流入第二賬號后，該第一賬號的可疑度傳遞給第二賬號時的比例?？梢岳斫獾氖?，對于賬號a的稀釋因子的集合，該集合中包含賬號與稀釋因子之間的對應關(guān)系，其中，該對應關(guān)系中的賬號為將虛擬數(shù)值流入賬號a的賬號。例如，對于游戲玩家a，若該玩家a贏了玩家b至d的游戲幣，則玩家a的稀釋因子集合中包含玩家b與稀釋因子b的對應關(guān)系，玩家c與稀釋因子c的對應關(guān)系，及玩家d與稀釋因子d的對應關(guān)系。
其中，利用虛擬數(shù)值轉(zhuǎn)移參數(shù)確定稀釋因子的集合的方式有多種，例如，對于賬號x，可以按照如下方式確定賬號x的賬號集合(該賬號集合是指存在虛擬數(shù)值流入賬號x的所有賬號的集合)中各賬號對應的稀釋因子：
其中，賬號x的稀釋因子的集合中，包含賬號x的賬號集合中各個賬號與稀釋因子的對應關(guān)系；
其中，f(twci，tlci)函數(shù)可以根據(jù)具體的需要進行設(shè)置，例如，可以設(shè)置為數(shù)值的比較函數(shù)，即f(twci，tlci)＝max(twci，tlci)。
其中，賬號x的虛擬數(shù)值轉(zhuǎn)移參數(shù)包含上述的m(x)，lcti(x)，twci，tlci及θi。
需要說明的是，在賬號x的虛擬數(shù)值轉(zhuǎn)移參數(shù)中，數(shù)量原則是通過上述賬號集合體現(xiàn)的，該賬號集合中包含存在虛擬數(shù)值流入至賬號x的所有賬號，例如，對于玩家a，其虛擬數(shù)值轉(zhuǎn)移參數(shù)中包含輸給玩家a的所有玩家的集合，則該集合即用于體現(xiàn)數(shù)量原則。此外，上述賬號集合中每一個賬號的虛擬數(shù)值流入的賬號的個數(shù)是用于體現(xiàn)聚集性的出度原則。另外，質(zhì)量原則是通過在迭代過程中計算得到的可疑度體現(xiàn)的。
其中，識別裝置根據(jù)各個賬號的稀釋因子的集合，進行可疑度的迭代計算，確定各個賬號的目標可疑度?？梢岳斫獾氖?，賬號的可疑度會在迭代計算的過程中逐漸收斂，因此，可以在確定各個賬號的可疑度收斂的情況下結(jié)束迭代計算的過程，且將收斂時的可疑度作為目標可疑度。
在得到各個賬號的目標可疑度之后，識別裝置將利用各個賬號的目標可疑度識別作弊賬號，具體的：將各個賬號的目標可疑度分別與預設(shè)可疑度閾值進行比較，確定哪些賬號的目標可疑度大于或等于該預設(shè)可疑度閾值，并將目標可疑度大于或等于預設(shè)可疑度閾值的賬號作為作弊賬號。
在本發(fā)明實施例中，通過利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)確定各個賬號的稀釋因子的集合，并根據(jù)各個賬號的稀釋因子的集合，進行可疑度的迭代計算，確定各個賬號的目標可疑度，使得能夠基于聚集性的數(shù)量原則、質(zhì)量原則及出度原則實現(xiàn)對賬號的可疑度的計算。
請參閱圖4，為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖，該識別方法包括：
步驟401、獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
步驟402、根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
步驟403、利用所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，確定所述各個賬號的稀釋因子的集合，所述稀釋因子用于表示第一賬號的虛擬數(shù)值流入第二賬號后，所述第一賬號的可疑度傳遞給所述第二賬號時的比例；
步驟404、利用所述各個賬號的稀釋因子的集合及第n-1次得到的所述各個賬號的可疑度，進行可疑度計算；
步驟405、根據(jù)所述第n次得到的所述各個賬號的可疑度及所述第n-1次得到的所述各個賬號的可疑度，確定所述各個賬號的可疑度是否已收斂；執(zhí)行步驟406、或步驟407；
步驟406、若已收斂，則將所述第n次得到的所述各個賬號的可疑度作為所述各個賬號的目標可疑度，繼續(xù)執(zhí)行步驟408；
步驟407、若未收斂，則令n＝n+1，返回步驟404；
步驟408、利用所述各個賬號的目標可疑度識別作弊賬號。
可以理解的是，上述步驟401至步驟403分別與圖3所示實施例中的步驟301至步驟303描述的內(nèi)容相似，此次不做贅述。且步驟404至步驟407為圖2所示實施例中步驟304的細化步驟。
在本發(fā)明實施例中，識別裝置在得到各個賬號的稀釋因子的集合后，將通過迭代計算的方式得到各個賬號的目標可疑度，具體的：
1)設(shè)置第0次得到的各個賬號的可疑度為預先設(shè)置的非零值，以作為各個賬號初始的可疑度。
在完成初始的可疑度的設(shè)置之后，用n表示迭代計算的次數(shù)，且令n的初始值為1，n為正整數(shù)，開始執(zhí)行2)。
2)利用各個賬號的稀釋因子的集合，及第n-1次得到的各個賬號的可疑度，進行可疑度計算。
其中，識別裝置計算每一個賬號的可疑度，為了更好理解，下面將以第n次計算中，計算賬號x的可疑度為例，介紹可疑度的計算公式，如下：
其中，pr(x)表示賬號x的可疑度，d表示預置的阻尼系數(shù)，m(x)表示存在虛擬數(shù)值流入賬號x的所有賬號的集合，pr(i)表示賬號i在第n-1次得到的可疑度，
其中，n表示迭代計算的次數(shù)，每一次迭代計算都將重新計算各個賬號的可疑度。
在本發(fā)明實施例中，對于各個賬號，都可以按照上述的計算公式計算得到其在第n次計算過程中的可疑度。
可以理解的是，第1次計算時，pr(i)是賬號i初始的可疑度。
3)根據(jù)第n次得到的各個賬號的可疑度及第n-1次得到的各個賬號的可以度，確定各個賬號的可疑度是否已收斂。
其中，確定各個賬號的可疑度是否已收斂具體可以按照以下方式確定：計算各個賬號中，同一個賬號第n次得到的可疑度與第n-1次得到的可疑度之間的差值，并選取所有賬號的差值中的最大值；若最大值大于或等于預設(shè)閾值，則確定各個賬號的可疑度未收斂；若最大值小于預設(shè)閾值，則確定各個賬號的可疑度已收斂。例如各賬號為賬號a至f，且n為5，則將第5次計算得到的賬號a的可疑度與第4次計算得到的賬號a的可疑度相減，得到差值a，賬號b至f也按照同樣的方式得到差值b至f，從差值a至f中選取最大值，利用最大值與預設(shè)閾值進行比較，若大于或等于預設(shè)閾值，則未收斂，若小于預設(shè)閾值，則收斂。
4)若已收斂，則將第n次得到的各個賬號的可疑度作為各個賬號的目標可疑度。
在已收斂的情況下，表明迭代計算可以停止，因此，將第n次得到的各個賬號的可疑度作為各個賬號的最終的可疑度，即目標可疑度。
5)若未收斂，則令n＝n+1，返回2)。
在本發(fā)明實施例中，通過上述的迭代計算及上述的可疑度計算公式，能夠通過多次迭代計算的方式得到收斂時各個賬號的目標可疑度，實現(xiàn)可疑度的有效計算。
進一步的，在本發(fā)明實施例中，識別裝置在識別作弊賬號后還可以識別輔助作弊賬號，請參閱圖5，為本發(fā)明實施例中作弊賬號的識別方法的另一流程示意圖，該識別方法包括：
步驟501、獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
步驟502、根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
步驟503、根據(jù)所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
步驟504、利用所述各個賬號的目標可疑度識別作弊賬號；
步驟505、利用所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行預置層數(shù)的流入關(guān)系的回溯，確定以所述作弊賬號為根節(jié)點的節(jié)點樹，所述節(jié)點樹中的賬號為向上一層賬號流出虛擬數(shù)值的賬號；
步驟506、利用所述各個賬號的稀釋因子的集合確定所述節(jié)點樹中的賬號的稀釋因子；
步驟507、利用所述節(jié)點樹中的賬號的稀釋因子及已提取的所述節(jié)點樹中賬號的行為特征，篩選出滿足預置條件的賬號作為輔助作弊賬號，所述滿足預置條件包括：所述稀釋因子的總數(shù)屬于預置數(shù)值范圍，且所述行為特征匹配預置的行為特征。
在本發(fā)明實施例中，步驟501至步驟503分別與圖3所示實施例中的步驟301至步驟303描述的內(nèi)容相似，此處不做贅述，且步驟504具體可以通過圖3所示實施例中的步驟304及步驟305實現(xiàn)。
在本發(fā)明實施例中，識別裝置在確定作弊賬號之后，還可進一步拎出具有目的性的將虛擬數(shù)值轉(zhuǎn)移給作弊賬號的輔助作弊賬號。
其中，識別裝置將利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行預置層數(shù)的流入關(guān)系的回溯，確定以作弊賬號為根節(jié)點的節(jié)點樹，其中，該節(jié)點樹中的賬號為向上一層賬號流出虛擬數(shù)值的賬號。例如，賬號a為作弊賬號，賬號b、c、d輸了游戲幣給賬號a，賬號e輸了游戲幣給賬號a、b，賬號f、g輸了游戲幣給賬號c、賬號h、i、j輸了游戲幣給賬號g，則若從賬號a開始進行流入關(guān)系的回溯，且回溯3層，則可以得到如圖6所示的節(jié)點樹。其中，箭頭方向指向與虛擬數(shù)值的流入方向相同，需要從賬號b至j中篩選出輔助作弊賬號。
其中，識別裝置還將利用各個賬號的稀釋因子的集合確定節(jié)點樹中的賬號的稀釋因子，如圖6所示，對于賬號f，其虛擬數(shù)值流入賬號b和賬號c，則需要從賬號f的稀釋因子集合中，提取出與賬號b對應的稀釋因子b，及與賬號c對應的稀釋因子c，該稀釋因子b和稀釋因子c即為賬號f的稀釋因子。
在本發(fā)明實施例中，識別裝置將利用節(jié)點樹中的賬號的稀釋因子及已提取的節(jié)點樹中各賬號的行為特征，篩選出滿足預置條件的賬號，且將篩選出的賬號作為輔助作弊賬號，其中，滿足預置條件包括：稀釋因子的總數(shù)屬于預置數(shù)值范圍，且行為特征匹配預置的行為特征。
在本發(fā)明實施例中，在識別作弊賬號之后，還可以利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行預置層數(shù)的流入關(guān)系的回溯，確定以作弊賬號為根節(jié)點的節(jié)點數(shù)，該節(jié)點樹中的賬號為向上一層賬號流出虛擬數(shù)值的賬號，并利用各個賬號的稀釋因子的集合確定節(jié)點樹中的賬號的稀釋因子，利用節(jié)點樹中的賬號的稀釋因子及已提取的節(jié)點樹中的賬號的行為特征，篩選出滿足預置條件的賬號作為輔助作弊賬號，以實現(xiàn)輔助作弊賬號的識別。
在具體的游戲場景中，本發(fā)明實施例中的識別裝置可以從游戲的數(shù)據(jù)服務(wù)器中獲取該游戲的所有玩家在預置時間段內(nèi)的游戲日志，并根據(jù)該所有玩家的游戲日志，得到各玩家的游戲幣轉(zhuǎn)移參數(shù)；且根據(jù)各玩家的游戲幣的轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定各玩家的目標可疑度，且利用各個玩家的目標可疑度識別“大號”，即識別匯聚了多個“小號”的游戲幣的玩家。
其中，游戲日志可以但不限于玩家之間的對局日志、道具游戲幣等的交易日志。
其中，對于任意一個玩家x，該玩家x的游戲幣轉(zhuǎn)移參數(shù)包括：輸給該玩家x的所有玩家的玩家集合，該玩家集合中每一個玩家輸給該玩家x的游戲幣的總數(shù)，及該玩家集合中每一個玩家輸?shù)挠螒驇诺目倲?shù)和贏的游戲幣的總數(shù)，及該玩家集合中每一個玩家輸給的玩家的個數(shù)。
可以理解的是，游戲幣的輸贏是具有聚集性的，由于“小號”向“大號”轉(zhuǎn)移游戲幣是具有目的性的，因此，“大號”的聚集性是明顯區(qū)別于正常玩家的，且只要“小號”向“大號”轉(zhuǎn)移游戲幣，“大號”的聚集性是無法規(guī)避的，因此，利用游戲幣轉(zhuǎn)移的聚集性對“大號”進行識別，準確率高且無法規(guī)避的。其中，為了能夠衡量玩家的游戲幣轉(zhuǎn)移后的聚集性，提出了可疑度的概念，用于描述玩家是“大號”的概率。
且基于游戲幣轉(zhuǎn)移的聚集性，提出三個原則，如下：
1、數(shù)量原則：一個玩家，他贏的玩家的數(shù)量越多，該玩家的可疑度越大；
2、質(zhì)量原則：其他條件相同，一個玩家的可疑度越大，贏他的玩家的可疑度越大；
3、出度原則：其他條件相同，一個玩家輸給的玩家數(shù)量越小，可疑度越大。
其中，上述的數(shù)量原則是通過玩家的游戲幣轉(zhuǎn)移參數(shù)中的玩家贏的玩家的集合體現(xiàn)的，質(zhì)量原則是通過迭代計算過程體現(xiàn)的，出度原則是通過玩家輸?shù)耐婕业膫€數(shù)體現(xiàn)的。
其中，每一個玩家都有稀釋因子的集合，該集合中包含該玩家贏的所有玩家分別與稀釋因子的對應關(guān)系。且該玩家的稀釋因子的集合可以利用玩家的游戲幣轉(zhuǎn)移參數(shù)得到。
具體的，玩家x的稀釋因子的集合中包含輸給該玩家x的所有玩家分別與稀釋因子的對應關(guān)系，以玩家i輸游戲幣給玩家x，計算玩家x的稀釋因子集合中玩家i對應的稀釋因子為例，具體可以按照如下方式計算：
其中，玩家x的稀釋因子的集合中，包含玩家x的玩家集合中各個玩家與稀釋因子的對應關(guān)系；
其中，f(twci，tlci)函數(shù)可以根據(jù)具體的需要進行設(shè)置，例如，可以設(shè)置為數(shù)值的比較函數(shù)，即f(twci，tlci)＝max(twci，tlci)。
其中，玩家x的游戲幣轉(zhuǎn)移參數(shù)包含上述的m(x)，lcti(x)，twci，tlci及θi。
其中，識別裝置是各玩家的稀釋因子的集合進行可疑度的迭代計算，得到各玩家的目標可疑度的，具體的：
1)設(shè)置各玩家的初始的可疑度為非零值，且設(shè)置用于代表迭代次數(shù)的n，令n的初始值為1，且n為正整數(shù)，開始執(zhí)行2)；
2)利用各個玩家的稀釋因子的集合，及第n-1次得到的各個玩家的可疑度，進行可疑度計算；
其中，識別裝置將計算每一個玩家的可疑度，以計算玩家x的可疑度為例，可以按照如下公式進行計算：
其中，pr(x)表示玩家x的可疑度，d表示預置的阻尼系數(shù)，m(x)表示輸給玩家x的所有玩家的集合，pr(i)表示玩家i在第n-1次得到的可疑度，
3)利用第n次得到的各玩家的可疑度及第n-1次得到的各玩家的可疑度，確定各玩家的可疑度是否已收斂；
具體的：計算各玩家中，同一個玩家第n次得到的可疑度與第n-1次得到的可疑度之間的差值，并選取所有玩家的差值中的最大值，若該最大值大于或等于預設(shè)閾值，則確定未收斂，若該最大值小于預設(shè)閾值，則確定已收斂。
4)若已收斂，則將第n次得到的各玩家的可疑度作為各玩家的目標可疑度，完成可疑度的迭代計算過程。
5)若未收斂，則令n＝n+1，返回2)。
通過上述1)至5)，識別裝置能夠有效計算各玩家的收斂的可疑度，即目標可疑度。
進一步的，識別裝置將各玩家的目標可疑度分別與預設(shè)可疑度閾值進行比較，將目標可疑度大于或等于該預設(shè)可疑度閾值的玩家作為“大號”。
在游戲場景中，通過上述方式能夠有效識別“大號”，且基于游戲幣轉(zhuǎn)移的聚集性的識別“大號”的方式具有無法規(guī)避的特點，準確率更高。
上述游戲場景下的本發(fā)明實施例具體實施內(nèi)容，僅是本發(fā)明實施例在游戲場景下的可選實施方式。
下面將對本發(fā)明實施例提供的識別裝置進行介紹，請參閱圖7，為本發(fā)明實施例中作弊賬號的識別裝置示意圖，該識別裝置包括：
獲取模塊701，用于獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志；
參數(shù)確定模塊702，用于根據(jù)所述各個賬號的虛擬數(shù)值流水日志，確定所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)；
可疑度確定模塊703，用于根據(jù)所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定所述各個賬號的目標可疑度；
識別模塊704，用于利用所述各個賬號的目標可疑度識別作弊賬號。
在本發(fā)明實施例中，識別裝置通過利用各個賬號的虛擬數(shù)值流水日志確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，并利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，使得能夠得到體現(xiàn)虛擬數(shù)值轉(zhuǎn)移的聚集性的目標可疑度，由于作弊賬號的虛擬數(shù)值的聚集轉(zhuǎn)移是無法規(guī)避的，且聚集性越高，可疑度越大，作弊概率也越大，因此，利用各賬號的目標可疑度識別作弊賬號的方式無法被規(guī)避，有效提高識別準確率。
請參閱圖8，為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖，該識別裝置包括：如圖7所示實施例中的獲取模塊701、參數(shù)確定模塊702、可疑度確定模塊703及識別模塊704，且與圖7所示實施例中描述的內(nèi)容相似，此處不做贅述。
在本發(fā)明實施例中，可疑度確定模塊703包括：
集合確定模塊801，用于利用所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，確定所述各個賬號的稀釋因子的集合，所述稀釋因子用于表示第一賬號的虛擬數(shù)值流入第二賬號后，所述第一賬號的可疑度傳遞給所述第二賬號時的比例；
計算模塊802，用于根據(jù)所述各個賬號的稀釋因子的集合進行可疑度的迭代計算，確定所述各個賬號的目標可疑度。
其中，集合確定模塊801具體用于按照如下方式得到賬號x的賬號集合(該賬號集合是指存在虛擬數(shù)值流入賬號x的所有賬號的集合)中各賬號對應的稀釋因子：
其中，賬號x的稀釋因子的集合中，包含賬號x的賬號集合中各個賬號與稀釋因子的對應關(guān)系；
其中，f(twci，tlci)函數(shù)可以根據(jù)具體的需要進行設(shè)置，例如，可以設(shè)置為數(shù)值的比較函數(shù)，即f(twci，tlci)＝max(twci，tlci)。
在本發(fā)明實施例中，通過利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)確定各個賬號的稀釋因子的集合，并根據(jù)各個賬號的稀釋因子的集合，進行可疑度的迭代計算，確定各個賬號的目標可疑度，使得能夠基于聚集性的數(shù)量原則、質(zhì)量原則及出度原則實現(xiàn)對賬號的可疑度的計算。
請參閱圖9，為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖，該識別裝置包括：如圖8所示的獲取模塊701、參數(shù)確定模塊702、可疑度確定模塊703及識別模塊704，且可疑度確定模塊703包含集合確定模塊801及計算模塊802。且與圖8所示實施例中描述的內(nèi)容相似，此處不做贅述。
在本發(fā)明實施例中，計算模塊802包括：
可疑度計算模塊901，用于利用所述各個賬號的稀釋因子的集合及第n-1次得到的所述各個賬號的可疑度，進行可疑度計算，第n次得到所述各個賬號的可疑度；其中，n為正整數(shù)，且n的初始值為1，第0次得到的所述各個賬號的可疑度為預先設(shè)置的非零值；
收斂判斷模塊902，用于根據(jù)所述第n次及第n-1次得到的所述各個賬號的可疑度，確定第n次得到的所述各個賬號的可疑度是否已收斂；
目標確定模塊903，用于若已收斂，則將所述第n次得到的所述各個賬號的可疑度作為所述各個賬號的目標可疑度；
返回模塊904，用于若未收斂，則令n＝n+1，返回所述可疑度計算模塊901。
在本發(fā)明實施例中，收斂判斷模塊902包括：
差值計算模塊905，用于計算所述各個賬號中，同一個賬號第n次得到的可疑度與第n-1次得到的可疑度之間的差值，并選取所述差值中的最大值；
第一確定模塊906，用于若所述最大值大于或等于預設(shè)閾值，則確定未收斂；
第二確定模塊907，用于若所述最大值小于所述預設(shè)閾值，則確定已收斂。
在本發(fā)明實施例中，識別模塊704具體用于將所述各個賬號的目標可疑度分別與預設(shè)可疑度閾值進行比較，且將目標可疑度大于或等于所述預設(shè)可疑度閾值的賬號作為所述作弊賬號。
在本發(fā)明實施例中，以賬號x為例，賬號x的虛擬數(shù)值轉(zhuǎn)移參數(shù)包括：存在虛擬數(shù)值流入賬號x的所有賬號的集合，該集合中每一個賬號流入所述賬號x的虛擬數(shù)值的總數(shù)，及集合中每一個賬號流出的虛擬數(shù)值的總數(shù)及流入每一個賬號的虛擬數(shù)值的總數(shù)。
進一步的，對于每一個賬號的可疑度的計算，可疑度計算模塊901具體用于：
在所述第n次計算中，對于賬號x，按照如下方式得到賬號x的可疑度：
其中，pr(x)表示賬號x的可疑度，d表示預置的阻尼系數(shù)，m(x)表示賬號x的稀釋因子的集合，pr(i)表示賬號i在第n-1次得到的可疑度，
在本發(fā)明實施例中，通過上述的迭代計算及上述的可疑度計算公式，能夠通過多次計算的方式得到收斂時各個賬號的目標可疑度，實現(xiàn)可疑度的有效計算。
請參閱圖10，為本發(fā)明實施例中作弊賬號的識別裝置的另一示意圖，該識別裝置包括：如圖8所示的獲取模塊701、參數(shù)確定模塊702、可疑度確定模塊703及識別模塊704，且可疑度確定模塊703包含集合確定模塊801及計算模塊802。且與圖8所示實施例中描述的內(nèi)容相似，此處不做贅述。
在本發(fā)明實施例中，該識別裝置還包括：
回溯模塊1001，用于在識別所述作弊賬號之后，利用所述各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行預置層數(shù)的流入關(guān)系的回溯，確定以所述作弊賬號為根節(jié)點的節(jié)點樹，所述節(jié)點樹中的賬號為向上一層賬號流出虛擬數(shù)值的賬號；
第三確定模塊1002，用于利用所述各個賬號的稀釋因子的集合確定所述節(jié)點樹中的賬號的稀釋因子；
篩選模塊1003，用于利用所述節(jié)點樹中的賬號的稀釋因子及已提取的所述節(jié)點樹中賬號的行為特征，篩選出滿足預置條件的賬號作為輔助作弊賬號，所述滿足預置條件包括：所述稀釋因子的總數(shù)屬于預置數(shù)值范圍，且所述行為特征匹配預置的行為特征。
在本發(fā)明實施例中，在識別作弊賬號之后，還可以利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行預置層數(shù)的流入關(guān)系的回溯，確定以作弊賬號為根節(jié)點的節(jié)點數(shù)，該節(jié)點樹中的賬號為向上一層賬號流出虛擬數(shù)值的賬號，并利用各個賬號的稀釋因子的集合確定節(jié)點樹中的賬號的稀釋因子，利用節(jié)點樹中的賬號的稀釋因子及已提取的節(jié)點樹中的賬號的行為特征，篩選出滿足預置條件的賬號作為輔助作弊賬號，以實現(xiàn)輔助作弊賬號的識別。
可以理解的是，在本發(fā)明實施例中，上述的識別裝置可以是服務(wù)器，也可以是服務(wù)器中的部分，為了更好的理解本發(fā)明實施例中的技術(shù)方案，請參閱圖11，為本發(fā)明實施例中服務(wù)器110的結(jié)構(gòu)示意圖。該服務(wù)器110包括處理器1101、存儲器1102和收發(fā)器1103，存儲器1102可以包括只讀存儲器和隨機存取存儲器，并向處理器1101提供操作指令和數(shù)據(jù)。存儲器1102的一部分還可以包括非易失性隨機存取存儲器(nvram)。
在一些實施方式中，存儲器1102存儲了如下的元素：可執(zhí)行模塊或者數(shù)據(jù)結(jié)構(gòu)，或者他們的子集，或者他們的擴展集。
在本發(fā)明實施例中，通過調(diào)用存儲器1102存儲的操作指令(該操作指令可存儲在操作系統(tǒng)中)，執(zhí)行一下的過程：獲取指定應用程序在預置時間段內(nèi)各個賬號的虛擬數(shù)值流水日志，根據(jù)各個賬號的虛擬數(shù)值流水日志，確定各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，根據(jù)各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定各個賬號的目標可疑度，并利用各個賬號的目標可疑度識別作弊賬號。
與現(xiàn)有技術(shù)中用于通過緯度信息識別作弊賬號的方式相比，本發(fā)明實施例提供的服務(wù)器，能夠利用指定應用程序的所有賬號的虛擬數(shù)值流水日志得到各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)，由于虛擬數(shù)值的轉(zhuǎn)移具有聚集性，且聚集性可以由可疑度衡量，因此，通過利用各個賬號的虛擬數(shù)值轉(zhuǎn)移參數(shù)進行可疑度的迭代計算，確定各個賬號的目標可疑度，使得能夠利用各個賬號的目標可疑度識別作弊賬號，由于作弊賬號的虛擬數(shù)值的聚集轉(zhuǎn)移是無法規(guī)避的，且聚集性越高，可疑度越大，作弊概率也越大，因此，利用各賬號的目標可疑度識別作弊賬號的方式無法被規(guī)避，有效提高識別準確率。
其中，處理器1101控制服務(wù)器110的操作，處理器1101還可以稱為cpu(centralprocessingunit，中央處理單元)。存儲器1102可以包括只讀存儲器和隨機存取存儲器，并向處理器1101提供指令和數(shù)據(jù)。存儲器1102的一部分還可以包括非易失性隨機存取存儲器(nvram)。具體的應用中服務(wù)器110的各個組件通過總線系統(tǒng)1104耦合在一起，其中總線系統(tǒng)1104除包括數(shù)據(jù)總線之外，還可以包括電源總線、控制總線和狀態(tài)信號總線等。但是為了清楚說明起見，在圖中將各種總線都標為總線系統(tǒng)1104。
上述本發(fā)明實施例揭示的方法可以應用于處理器1101中，或者由處理器1101實現(xiàn)。處理器1101可能是一種集成電路芯片，具有信號的處理能力。在實現(xiàn)過程中，上述方法的各步驟可以通過處理器1101中的硬件的集成邏輯電路或者軟件形式的指令完成。上述的處理器910可以是通用處理器、數(shù)字信號處理器(dsp)、專用集成電路(asic)、現(xiàn)成可編程門陣列(fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件?？梢詫崿F(xiàn)或者執(zhí)行本發(fā)明實施例中的公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者該處理器也可以是任何常規(guī)的處理器等。結(jié)合本發(fā)明實施例所公開的方法的步驟可以直接體現(xiàn)為硬件譯碼處理器執(zhí)行完成，或者用譯碼處理器中的硬件及軟件模塊組合執(zhí)行完成。軟件模塊可以位于隨機存儲器，閃存、只讀存儲器，可編程只讀存儲器或者電可擦寫可編程存儲器、寄存器等本領(lǐng)域成熟的存儲介質(zhì)中。該存儲介質(zhì)位于存儲器1102，處理器1101讀取存儲器1102中的信息，結(jié)合其硬件完成上述方法的步驟。
以上的服務(wù)器110可以參閱圖1至圖9部分的描述進行理解，本處不做過多贅述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個模塊或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或模塊的間接耦合或通信連接，可以是電性，機械或其它的形式。
所述作為分離部件說明的模塊可以是或者也可以不是物理上分開的，作為模塊顯示的部件可以是或者也可以不是物理模塊，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)模塊上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。
另外，在本發(fā)明各個實施例中的各功能模塊可以集成在一個處理模塊中，也可以是各個模塊單獨物理存在，也可以兩個或兩個以上模塊集成在一個模塊中。上述集成的模塊既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。
所述集成的模塊如果以軟件功能模塊的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。
需要說明的是，對于前述的各方法實施例，為了簡便描述，故將其都表述為一系列的動作組合，但是本領(lǐng)域技術(shù)人員應該知悉，本發(fā)明并不受所描述的動作順序的限制，因為依據(jù)本發(fā)明，某些步驟可以采用其它順序或者同時進行。其次，本領(lǐng)域技術(shù)人員也應該知悉，說明書中所描述的實施例均屬于優(yōu)選實施例，所涉及的動作和模塊并不一定都是本發(fā)明所必須的。
在上述實施例中，對各個實施例的描述都各有側(cè)重，某個實施例中沒有詳述的部分，可以參見其它實施例的相關(guān)描述。
以上為對本發(fā)明所提供的一種作弊賬號的識別方法及裝置的描述，對于本領(lǐng)域的技術(shù)人員，依據(jù)本發(fā)明實施例的思想，在具體實施方式及應用范圍上均會有改變之處，綜上，本說明書內(nèi)容不應理解為對本發(fā)明的限制。
- 還沒有人留言評論。精彩留言會獲得點贊！