游戏外挂的检测方法、装置、电子设备及存储介质

技术领域

本申请涉及游戏技术领域，特别涉及一种游戏外挂的检测方法、装置、电子设备及存储介质。

背景技术

游戏外挂一般指通过修改游戏数据而为玩家谋取利益的作弊程序或软件，即利用电脑技术针对一个或多个软件进行非原设操作，篡改游戏原本正常的设定和规则，大幅增强游戏角色的技能和超越常规的能力，从而达到轻松获取胜利、奖励和快感的好处，通过改变软件的部分程序制作而成的作弊程序，严重损害了游戏的公平性。

现有的对于游戏外挂的检测主要是通过游戏进程进行检测，检测游戏客户端是否开启了黑名单中的外挂进程，若检测到开启了黑名单中的外挂进程，则认为该客户端安装了游戏外挂。

但由于现有的检测方式比较简单，外挂开发者可以快速对客户端外挂进程进行修改与隐藏，因此，现有检测游戏外挂的方法准确性较低。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种游戏外挂的检测方法、装置、电子设备及存储介质，可以提高检测游戏外挂的准确性。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种游戏外挂的检测方法，包括：获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家；

根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量；

根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果；

根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，获取基于目标游戏的资源交互图谱，包括：

获取各游戏玩家的初始资源交互数据，初始资源交互数据包括：资源交互发起方、资源交互接收方、交互的资源；

根据初始资源交互数据和预设筛选条件，筛选出目标资源交互数据，目标资源交互数据包括至少一个外挂玩家的资源交互数据和多个待测玩家的资源交互数据，其中，预设筛选条件包括已知的外挂玩家的标识；

根据目标资源交互数据，以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建资源交互图谱。

可选地，根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果，包括：

根据各节点的表征向量，采用预设聚类算法计算各节点之间的相似度；

根据各节点之间的相似度，将多个节点划分为多个簇，每个簇至少包括预设数量个节点。

可选地，根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

获取每个簇为外挂簇的疑似度，疑似度用于指示簇内标记为外挂玩家的数量与簇内总游戏玩家的数量的比值；

根据每个簇为外挂簇的疑似度和预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

可选地，根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量，包括：

基于随机游走的图谱嵌入算法，提取资源交互图谱中各节点的上下文关系，各节点的上下文关系用于指示各节点在随机游走路径中的上游节点和下游节点；

根据资源交互图谱中各节点的上下文关系，获取资源交互图谱中各节点的第一表征向量，各节点的第一表征向量用于指示相邻节点间的连边关系。

可选地，根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量，包括：

根据深度自编码器算法，获取资源交互图谱中各节点的第二表征向量，各节点的第二表征向量用于指示节点与周围节点间的连边关系。

可选地，根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果，包括：

根据各节点的第一表征向量和/或第二表征向量，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果。

相应地，根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

获取第一群体聚类结果中每个簇为外挂簇的第一疑似度和/或第二群体聚类结果中每个簇为外挂簇的第二疑似度；

根据第一疑似度和/或第二疑似度以及预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

可选地，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果之后，方法还包括：

根据预设显示方式，显示第一群体聚类结果和/或第二群体聚类结果。

第二方面，本申请实施例提供了一种游戏外挂的检测装置，包括：第一获取模块、第二获取模块、生成模块以及筛选模块；

第一获取模块，用于获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家；

第二获取模块，用于根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量；

生成模块，用于根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果；

筛选模块，用于根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，第一获取模块，具体用于获取各游戏玩家的初始资源交互数据，初始资源交互数据包括：资源交互发起方、资源交互接收方、交互的资源；

根据初始资源交互数据和预设筛选条件，筛选出目标资源交互数据，目标资源交互数据包括至少一个外挂玩家的资源交互数据和多个待测玩家的资源交互数据，其中，预设筛选条件包括已知的外挂玩家的标识；

根据目标资源交互数据，以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建资源交互图谱。

可选地，生成模块，具体用于根据各节点的表征向量，采用预设聚类算法计算各节点之间的相似度；

根据各节点之间的相似度，将多个节点划分为多个簇，每个簇至少包括预设数量个节点。

可选地，筛选模块，具体用于获取每个簇为外挂簇的疑似度，疑似度用于指示簇内标记为外挂玩家的数量与簇内总游戏玩家的数量的比值；

根据每个簇为外挂簇的疑似度和预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

可选地，第二获取模块，具体用于基于随机游走的图谱嵌入算法，提取资源交互图谱中各节点的上下文关系，各节点的上下文关系用于指示各节点在随机游走路径中的上游节点和下游节点；

根据资源交互图谱中各节点的上下文关系，获取资源交互图谱中各节点的第一表征向量，各节点的第一表征向量用于指示相邻节点间的连边关系。

可选地，第二获取模块，具体用于根据深度自编码器算法，获取资源交互图谱中各节点的第二表征向量，各节点的第二表征向量用于指示节点与周围节点间的连边关系。

可选地，生成模块，具体用于根据各节点的第一表征向量和/或第二表征向量，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果；筛选模块，具体用于根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，筛选模块，具体用于获取第一群体聚类结果中每个簇为外挂簇的第一疑似度和/或第二群体聚类结果中每个簇为外挂簇的第二疑似度；

根据第一疑似度和/或第二疑似度以及预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

可选地，上述装置还包括：显示模块，用于根据预设显示方式，显示第一群体聚类结果和/或第二群体聚类结果。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行上述第一方面的游戏外挂的检测方法的步骤。

第四方面，本申请实施例提供了一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面的游戏外挂的检测方法的步骤。

本申请的有益效果是：

本申请实施例提供的游戏外挂的检测方法、装置、电子设备及存储介质中，包括：获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家；根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量；根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果；根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。其中，在该检测过程中，由于基于资源交互图谱进行检测时，充分考虑了节点本身的属性以及资源交互图谱的结构属性，使得根据资源交互图谱中的外挂玩家，在多个待测玩家中筛选疑似外挂玩家时，可以提高检测的准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。

图1为本申请实施例提供的一种云交互系统架构图；

图2为本申请实施例提供的一种游戏外挂的检测方法的流程示意图；

图3为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图；

图4为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图；

图5为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图；

图6为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图；

图7为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图；

图8为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图；

图9为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图；

图10为本申请实施例提供的一种游戏外挂的检测装置的功能模块示意图；

图11为本申请实施例提供的另一种游戏外挂的检测装置的功能模块示意图；

图12为本申请实施例提供的一种电子设备结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

现有的，游戏外挂有很多种类，比如，自动挂的游戏外挂，自动挂可以通过一些程序脚本实现玩家自动进行任务、刷怪、升级、打钱等操作，并进行金钱转移汇集，严重损害了游戏的公平性。

现有的在进行游戏外挂的检测时，可以包括如下检测方式，比如：通过游戏进程进行检测，检测游戏客户端是否开启了黑名单中的外挂进程；利用一些经验特征对玩家游戏行为进行统计分析，根据这些经验特征对玩家进行盘查；通过客户端屏幕检测，识别出屏幕上外挂软件窗口；基于传统机器学习的方法进行外挂检测。但由于现有的检测方式都比较简单，因此，现有的检测游戏中游戏外挂的方法存在检测准确性较低的问题。

有鉴于此，本申请实施例提供一种游戏外挂的检测方法，该方法可以基于资源交互图谱进行检测，在此过程中，充分考虑了节点本身的属性以及资源交互图谱的结构属性，使得根据资源交互图谱中的外挂玩家，在多个待测玩家中筛选疑似外挂玩家时，可以提高检测的准确性。

在本申请其中一种实施例中的游戏外挂的检测方法可以运行于终端设备或者是服务器。其中，终端设备可以为本地终端设备。当游戏外挂的检测方法运行于服务器时，该游戏外挂的检测方法则可以基于云交互系统来实现与执行，其中，云交互系统可以包括服务器和客户端设备。

图1为本申请实施例提供的一种云交互系统架构图，如图1所示，该系统可以包括：客户端设备10和服务器20，其中，客户端设备10可以与服务器20通过网络30连接。

在一可选的实施方式中，云交互系统下可以运行各种云应用，例如：云游戏。以云游戏为例，云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下，游戏程序的运行主体和游戏画面呈现主体是分离的，游戏角色的传送方法的储存与运行是在云游戏服务器上完成的，客户端设备10的作用用于数据的接收、发送以及游戏画面的呈现，举例而言，客户端设备10可以是靠近用户侧的具有数据传输功能的显示设备，如，移动终端、电视机、计算机、掌上电脑等；但是进行信息处理的终端设备为云端的云游戏服务器。在进行游戏时，玩家操作客户端设备10向云游戏服务器发送操作指令，云游戏服务器根据操作指令运行游戏，将游戏画面等数据进行编码压缩，通过网络返回客户端设备10，最后，通过客户端设备10进行解码并输出游戏画面。

在一可选的实施方式中，终端设备可以为本地终端设备。以游戏为例，本地终端设备存储有游戏程序并用于呈现游戏画面。本地终端设备用于通过图形用户界面与玩家进行交互，即，常规的通过电子设备下载安装游戏程序并运行。该本地终端设备将图形用户界面提供给玩家的方式可以包括多种，例如，可以渲染显示在终端的显示屏上，或者，通过全息投影提供给玩家。举例而言，本地终端设备可以包括显示屏和处理器，该显示屏用于呈现图形用户界面，该图形用户界面包括游戏画面，该处理器用于运行该游戏、生成图形用户界面以及控制图形用户界面在显示屏上的显示。

图2为本申请实施例提供的一种游戏外挂的检测方法的流程示意图，该方法的执行主体可以是计算机、服务器、处理器、移动终端等，在此不作限定。如图2所示，该检测方法可以包括：

S101、获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家。

其中，目标游戏中可以包含多个游戏玩家，比如，多人射击游戏、多人卡牌游戏、大型多人在线角色扮演游戏(Multiplayer Online Role-Playing Game，MMORPG)等，在此不作限定，多个游戏玩家之间在游戏交互过程中，可以进行资源交互，进而可以生成目标资源交互数据。基于该目标游戏中多个游戏玩家的目标资源交互数据，可以以该目标资源交互数据中多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建图谱，得到资源交互图谱。需要说明的是，该多个游戏玩家可以包括至少一个外挂玩家和多个待测玩家，其中，外挂玩家即具备外挂行为的游戏玩家，待测玩家即用于检测是否为疑似外挂玩家的游戏玩家。

S102、根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量。

预设图谱节点嵌入算法用于获取资源交互图谱中各节点的表征向量，可选地，该预设图谱节点嵌入算法可以包括但不限于：顶点嵌入方法、结构深度网络嵌入方法(Structural Deep Network Embedding，SDNE)等，在此不作限定，根据实际的应用场景可以选择一种或多种图谱节点嵌入算法获取资源交互图谱中各节点的表征向量，在此不作限定。其中，节点的表征向量可以表征节点本身的属性以及资源交互图谱的结构属性。

S103、根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果。

其中，预设聚类算法可以包括但不限于：K均值聚类算法、用高斯混合模型(GMM)的最大期望(EM)聚类算法、基于密度的聚类算法等，在此不作限定。其中，基于密度的聚类算法可以包括：具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering ofApplications with Noise，DBSCAN)和均值漂移聚类方法，在此不作限定，根据实际的应用场景可以选择合适的预设聚类算法。在得到各节点的表征向量后，则可以采用该预设聚类算法，根据节点在表征向量上的相似度，生成相似节点的群体聚类结果，通过该群体聚类结果可以表征各节点之间的相似性。

S104、根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

其中，由于资源交互图谱中包括至少一个外挂玩家，而群体聚类结果可以表征各节点之间的相似性，则根据该群体聚类结果可以在多个待测玩家中筛选出与至少一个外挂玩家具有相似表征向量的游戏玩家作为疑似外挂玩家，实现疑似外挂玩家的检测。

综上，本申请实施例提供的游戏外挂的检测方法，该方法包括：获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家；根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量；根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果；根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。其中，在该检测过程中，由于基于资源交互图谱进行检测时，充分考虑了节点本身的属性以及资源交互图谱的结构属性，使得根据资源交互图谱中的外挂玩家，在多个待测玩家中筛选疑似外挂玩家时，可以提高检测的准确性。

图3为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图。可选地，如图3所示，上述获取基于目标游戏的资源交互图谱，包括：

S201、获取各游戏玩家的初始资源交互数据，初始资源交互数据包括：资源交互发起方、资源交互接收方、交互的资源。

其中，各游戏玩家可以通过登录游戏客户端与其他游戏玩家进行游戏交互，游戏交互过程中可以产生初始资源交互数据，该初始资源交互数据可以包括但不限于：资源交互发起方、资源交互接收方、交互的资源等，其中，交互的资源可以包括但不限于虚拟货币、虚拟物品、游戏周边等，在此不作限定。比如，资源交互发起方和资源交互接收方之间可以进行资源交互，对于资源交互发起方来说，其交互的资源可以为游戏装备，相应地，对于资源交互接收方来说，其交易的资源可以为虚拟货币。

在一些实施例中，上述初始资源交互数据还可以包括交互的时间，也即资源交互发起方和资源交互接收方之间进行资源交互的时间。

S202、根据初始资源交互数据和预设筛选条件，筛选出目标资源交互数据，目标资源交互数据包括至少一个外挂玩家的资源交互数据和多个待测玩家的资源交互数据。

其中，预设筛选条件包括已知的外挂玩家的标识。预设筛选条件用于从初始资源交互数据中筛选出目标资源交互数据，其中，预设筛选条件可以包括已知的外挂玩家的标识和交互资源的筛选条件，则根据已知的外挂玩家的标识，可以从初始资源交互数据中筛选出已知的外挂玩家的资源交互数据；根据交互资源的筛选条件，可以从初始资源交互数据中筛选出多个待测玩家的资源交互数据。可以理解的是，通过上述筛选，可以从初始资源交互数据中初步滤除非疑似外挂玩家的资源交互数据，得到目标资源交互数据，进而后续在基于该目标资源交互数据筛选疑似外挂玩家时，可以提高筛选效率。

在一些实施例中，交互资源的筛选条件可以包括：资源交互发起方的收益率阈值和资源交互接收方的亏损率阈值，可选地，可以获取交易双方玩家的收益率和亏损率，将该收益率和亏损率，分别与收益率阈值和亏损率阈值进行比较，根据比较结果从初始资源交互数据中筛选出超过这些阈值的资源交互数据作为目标资源交互数据，实现可以初步滤除非疑似外挂玩家的资源交互数据，但实际筛选条件并不以此为限

比如，预设的收益率阈值为A，预设的亏损率阈值为B，玩家a给予玩家b一件装备，该装备根据历史成交价估计为W，而玩家b给予玩家a游戏货币V，则玩家a的收益率为(V-W)/W，玩家b的亏损率为(W-V)/V，则可以根据收益率阈值A和(V-W)/W，亏损率阈值B和(W-V)/V，从初始资源交互数据中初步滤除非疑似外挂玩家的资源交互数据，当然，本申请在此并不限定具体的筛选方式，可以是收益率和亏损率均超过相应阈值进行筛选，又或者，可以是其中一个超过相应阈值则进行筛选。

S203、根据目标资源交互数据，以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建资源交互图谱。

基于上述的基础上，在得到目标资源交互数据后，则可以以目标资源交互数据中的多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建资源交互图谱。

在一些实施例中，考虑到外挂玩家的交易特点，比如，对于外挂玩家来说，外挂玩家的金钱汇集过程往往具有以下特点：外挂玩家会利用少量交易物品掩饰转移的行为，但这些交易往往是单方面收益的过程；外挂玩家往往会将虚拟货币从大量的外挂玩家账号向少数外挂账号玩家集中。基于该交易特点，资源交互数据流向可以为交易的虚拟货币流向，若某两个游戏玩家之间存在多次交易，则构建的资源交互图谱中这两个游戏玩家之间可以存在多条边，每条边可以作为一次交易。

图4为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图。可选地，如图4所示，上述根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果，包括：

S301、根据各节点的表征向量，采用预设聚类算法计算各节点之间的相似度。

S302、根据各节点之间的相似度，将多个节点划分为多个簇，每个簇至少包括预设数量个节点。

其中，在得到各节点的表征向量后，可以采用预设聚类算法，基于各节点的表征向量计算各节点之间的相似度，根据相似度将多个节点划分为多个簇，根据簇包括的节点数量的大小对该多个簇进行滤除，使得滤除后的各个簇可以包括预设数量个节点。

在一些实施例中，可以采用DBSCAN聚类方法生成相似节点的群体聚类结果，其中，DBSCAN聚类方法是一种基于高密度连通区域的基于密度的算法，可以通过计算两两节点间的距离，将满足预设距离阈值的若干点划分为簇，通过簇的大小判断是否保留该簇，无法成簇的点则为离散点。可选地，每个簇内可以至少包括20个节点，当然，本申请在此并不限定其邻域大小，根据实际的应用场景可以选择相应嵌入算法设置。

图5为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图。可选地，如图5所示，上述根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

S401、获取每个簇为外挂簇的疑似度，疑似度用于指示簇内标记为外挂玩家的数量与簇内总游戏玩家的数量的比值。

S402、根据每个簇为外挂簇的疑似度和预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

其中，基于预设聚类算法得到多个簇后，可以获取各簇内标记为外挂玩家的数量与簇内总游戏玩家的数量，计算两者的比值，将该比值记为该簇为外挂簇的疑似度；可选地，可以比较每个簇为外挂簇的疑似度和预设疑似阈值的大小关系，若某簇为外挂簇的疑似度大于预设疑似阈值，则可以认为该簇为疑似簇，根据该疑似簇可以在多个待测玩家中筛选出疑似外挂玩家。

图6为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图。可选地，如图6所示，上述根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量，包括：

S501、基于随机游走的图谱嵌入算法，提取资源交互图谱中各节点的上下文关系，各节点的上下文关系用于指示各节点在随机游走路径中的上游节点和下游节点。

S502、根据资源交互图谱中各节点的上下文关系，获取资源交互图谱中各节点的第一表征向量，各节点的第一表征向量用于指示相邻节点间的连边关系。

在一些实施例中，可以基于随机游走的图谱嵌入算法，比如，基于顶点嵌入方法Node2vec获取资源交互图谱中各节点的表征向量，该表征向量可以体现节点在资源交互图谱中的结构属性。Node2vec是一种基于随机游走和SkipGram的图谱嵌入算法，应用Node2vec图谱嵌入算法可以通过随机游走从资源交互图谱中提取各节点的上下文关系，然后基于各节点的上下文关系采用Skipgram算法学习节点间的关系，其中，各节点的上下文关系可以用于指示各节点在随机游走路径中的上游节点和下游节点，通过学习节点间的关系可以学习到资源交互图谱中相邻节点间的连边关系。其中，基于Skipgram方法可以利用中心节点预测上下文节点的概率，通过采样和遍历节点，可以学习到资源交互图谱上所有节点之间相互依赖、共同出现的关系。

其中，在进行随机游走时，Node2vec图谱嵌入算法可以使用第一参数和第二参数控制游走深度遍历和广度遍历的概率，通过第一参数可以提高节点返回上一节点的概率，让节点优先进行广度遍历，通过第二参数可以提高节点到达更为深层的节点，让节点优先进行深度遍历，可以看出，在此过程中，本申请可以通过控制第一参数的大小变化来控制游走采样得到的路径，其中，游走过程中，第一参数可以控制节点返回上一节点的概率，增大第一参数则可以使得游走采样得到的路径更偏向于往周围遍历，使得更符合资源交互图谱中游戏玩家关系集中在节点附近的这一特点，进而影响节点表征生成的向量，使得获取的各节点的第一表征向量可以更好地表达同一群体的节点之间的相似度，后续基于该第一表征向量，采用预设聚类算法生成相似节点的群体聚类结果，根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家时，可以提高筛选的准确性。

可选地，上述根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量，包括：

根据深度自编码器算法，获取资源交互图谱中各节点的第二表征向量，各节点的第二表征向量用于指示节点与周围节点间的连边关系。

其中，深度自编码器算法主要思想是将输入数据压缩成一个维度比较低的向量，再用此编码还原输入得到输出，通过减少输入和输出的差别来尽可能减少信息损失。由于外挂群体在交易上的集中，外挂节点的相邻节点也可能是外挂节点，可选地，该深度自编码器算法可以是结构深度网络嵌入方法(Structural Deep Network Embedding，SDNE)，SDNE一种基于图谱节点一阶估计和二阶估计的图谱嵌入算法，SDNE算法的输入可以是资源交互图谱中每个节点的所有邻居节点，即网络邻接矩阵的每一行所组成的向量，输出的第二表征向量可以体现每个节点的邻居相似性，使得基于SDNE算法得到的第二表征向量可以让图谱中具有高度相似的节点在低维的表征向量中同样具有高的相似度。

在一些实施例中，SDNE模型可以根据损失函数进行训练，通过判断该损失函数的函数值是否满足预设函数阈值可以调节SDNE模型中的网络参数，使得基于训练后的SDNE模型，获取资源交互图谱中各节点的第二表征向量时，通过该第二表征向量可以让具有相似邻接信息的节点在表征向量上具有更相近的距离。可选地，该损失函数L

图7为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图。可选地，如图7所示，上述根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果，包括：

S601、根据各节点的第一表征向量和/或第二表征向量，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果。

其中，在得到各节点的第一表征向量后，可以根据各节点的第一表征向量，采用第一预设聚类算法生成相似节点的第一群体聚类结果；根据各节点的第二表征向量，采用第二预设聚类算法生成相似节点的第二群体聚类结果。可选地，第一预设聚类算法和第二预设聚类算法可以相同或不同，在此不作限定。

相应地，上述根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

S602、根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

其中，若得到第一群体聚类结果，可以根据该第一群体聚类结果在多个待测玩家中筛选出疑似外挂玩家；若得到第二群体聚类结果，可以根据该第二群体聚类结果在多个待测玩家中筛选出疑似外挂玩家。可以理解的是，若得到第一群体聚类结果和第二群体聚类结果，可以根据该第一群体聚类结果和第二群体聚类结果在多个待测玩家中综合筛选出疑似外挂玩家。

比如，根据第一群体聚类结果，确定待测玩家A为疑似外挂玩家，且根据第二群体聚类结果，确定待测玩家A也为疑似外挂玩家，那么，可以认为待测玩家A为疑似外挂玩家的概率较高；又或者，根据第一群体聚类结果，确定待测玩家B非疑似外挂玩家，且根据第二群体聚类结果，确定待测玩家B也非疑似外挂玩家，则可以认为待测玩家B非疑似外挂玩家。当然，根据实际的应用场景，实际判定方式并不以此为限。

图8为本申请实施例提供的又一种游戏外挂的检测方法的流程示意图。可选地，如图8所示，上述根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家，包括：

S701、获取第一群体聚类结果中每个簇为外挂簇的第一疑似度和/或第二群体聚类结果中每个簇为外挂簇的第二疑似度。

S702、根据第一疑似度和/或第二疑似度以及预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

其中，对于第一群体聚类结果来说，可以获取第一群体聚类结果中每个簇为外挂簇的第一疑似度，在一些实施例中，第一疑似度可以通过计算该簇内外挂玩家的数量与总游戏玩家的数量的比值来获取，可以理解的是，比值越高，第一疑似度越高，该簇为外挂簇的机率也就越高。当然，获取第一疑似度的方式并不以此为限，比如，可以获取该簇的簇信息与预设外挂簇信息之间的相似度，根据相似度确定该簇为外挂簇的第一疑似度。在获取到第一疑似度之后，可以根据该第一疑似度和预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家，其中，若第一疑似度大于预设疑似阈值，可以认为该第一疑似度对应的簇为外挂簇，进而根据该簇包括的游戏玩家，可以在多个待测玩家中筛选出疑似外挂玩家。

对于第二群体聚类结果来说，可以采用与上述第一群体聚类结果相同的筛选方式，在多个待测玩家中筛选出疑似外挂玩家，在此不再赘述。

在一些实施例中，为了提高筛选出疑似外挂玩家的准确率，可以根据第一疑似度、第二疑似度以及预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。可选地，若第一疑似度大于预设疑似阈值，且第二疑似度大于预设疑似阈值，则可以认为属于第一疑似度对应的簇、且属于第二疑似度对应的簇的待测玩家为疑似外挂玩家，在此过程中，由于可以根据同一节点对应的两种表征向量来确定该节点是否为外挂节点，也即某待测玩家是否为外挂玩家，充分考虑了采用不同预设图谱节点嵌入算法获取各节点的表征向量上的优劣，因此，可以提高确定疑似外挂玩家的准确率。

图9为本申请实施例提供的另一种游戏外挂的检测方法的流程示意图。可选地，如图8所示，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果之后，上述方法还包括：

S801、根据预设显示方式，显示第一群体聚类结果和/或第二群体聚类结果。

其中，为了将第一群体聚类结果和/或第二群体聚类结果进行可视化展示，方便用户可以直观知晓聚类的结果，可以采用预设显示方式，比如，饼图、折线图、柱形图、列表等方式将第一群体聚类结果和/或第二群体聚类结果进行可视化显示。以显示方式为饼图为例进行说明，其中，饼图可以包括多个扇形区域，每一扇形区域可以对应一个簇，扇形区域的大小可以表征该簇内游戏玩家的数量，扇形区域越大可以表征簇内游戏玩家的数量越多；在此基础上，在一些实施例中，也可以将各簇为外挂簇的疑似度体现在该饼图中，比如，可以根据扇形区域的着色情况反映该簇为外挂簇的概率，扇形区域的颜色越深，可以表征该簇为外挂簇的概率越高(比如，深蓝可以表征该簇为外挂簇的概率较高)，扇形区域的颜色越浅，可以表征该簇为外挂簇的概率越低(比如，浅蓝可以表征该簇为外挂簇的概率较低)，使得用户可以直观地知晓各簇为外挂簇的机率，提高用户体验。

在得到疑似外挂玩家之后，在一些实施例中可以将该疑似外挂玩家作为新的外挂玩家样本，将该新的外挂玩家作为新增样本加入资源交易图谱中，使得可以提升对各个簇疑似度分析的可信度。另外，可以理解的是，也可以将该新的外挂玩家样本用于其他训练场景下，提高获取训练样本的效率。

图10为本申请实施例提供的一种游戏外挂的检测装置的功能模块示意图，该装置基本原理及产生的技术效果与前述对应的方法实施例相同，为简要描述，本实施例中未提及部分，可参考方法实施例中的相应内容。如图10所示，该检测装置100包括：第一获取模块110、第二获取模块120、生成模块130以及筛选模块140；

第一获取模块110，用于获取基于目标游戏的资源交互图谱，资源交互图谱包括以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建的图谱，多个游戏玩家包括至少一个外挂玩家和多个待测玩家；

第二获取模块120，用于根据预设图谱节点嵌入算法，获取资源交互图谱中各节点的表征向量；

生成模块130，用于根据各节点的表征向量，采用预设聚类算法生成相似节点的群体聚类结果；

筛选模块140，用于根据群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，第一获取模块110，具体用于获取各游戏玩家的初始资源交互数据，初始资源交互数据包括：资源交互发起方、资源交互接收方、交互的资源；根据初始资源交互数据和预设筛选条件，筛选出目标资源交互数据，目标资源交互数据包括至少一个外挂玩家的资源交互数据和多个待测玩家的资源交互数据，其中，预设筛选条件包括已知的外挂玩家的标识；根据目标资源交互数据，以多个游戏玩家为节点、多个游戏玩家之间的资源交互数据流向为边构建资源交互图谱。

可选地，生成模块130，具体用于根据各节点的表征向量，采用预设聚类算法计算各节点之间的相似度；根据各节点之间的相似度，将多个节点划分为多个簇，每个簇至少包括预设数量个节点。

可选地，筛选模块140，具体用于获取每个簇为外挂簇的疑似度，疑似度用于指示簇内标记为外挂玩家的数量与簇内总游戏玩家的数量的比值；根据每个簇为外挂簇的疑似度和预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

可选地，第二获取模块120，具体用于基于随机游走的图谱嵌入算法，提取资源交互图谱中各节点的上下文关系，各节点的上下文关系用于指示各节点在随机游走路径中的上游节点和下游节点；根据资源交互图谱中各节点的上下文关系，获取资源交互图谱中各节点的第一表征向量，各节点的第一表征向量用于指示相邻节点间的连边关系。

可选地，第二获取模块120，具体用于根据深度自编码器算法，获取资源交互图谱中各节点的第二表征向量，各节点的第二表征向量用于指示节点与周围节点间的连边关系。

可选地，生成模块130，具体用于根据各节点的第一表征向量和/或第二表征向量，采用预设聚类算法生成相似节点的第一群体聚类结果和/或第二群体聚类结果；

筛选模块140，具体用于根据第一群体聚类结果和/或第二群体聚类结果，在多个待测玩家中筛选出疑似外挂玩家。

可选地，筛选模块140，具体用于获取第一群体聚类结果中每个簇为外挂簇的第一疑似度和/或第二群体聚类结果中每个簇为外挂簇的第二疑似度；根据第一疑似度和/或第二疑似度以及预设疑似阈值，在多个待测玩家中筛选出疑似外挂玩家。

图11为本申请实施例提供的另一种游戏外挂的检测装置的功能模块示意图。可选地，如图11所示，检测装置100还包括：显示模块150，用于根据预设显示方式，显示第一群体聚类结果和/或第二群体聚类结果。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

图12为本申请实施例提供的一种电子设备结构示意图。如图12所示，该电子设备可以包括：处理器210、存储介质220和总线230，存储介质220存储有处理器210可执行的机器可读指令，当电子设备运行时，处理器210与存储介质220之间通过总线230通信，处理器210执行机器可读指令，以执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。

可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似，这里不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。