应用于云游戏业务的大数据处理方法及云游戏服务器

技术领域

本公开涉及云计算及大数据处理技术领域，特别涉及应用于云游戏业务的大数据处理方法及云游戏服务器。

背景技术

伴随5G技术加速落地，云游戏作为5G应用落地的最佳场景，已经成为全球游戏厂商和云服务厂商布局的重要市场。云游戏技术是一种以云计算技术为基础的在线游戏技术，它使图形处理与数据运算能力相对有限的轻端设备也能运行高品质游戏。简单地说，就是利用云技术，使原本对硬件水准要求较高的PC游戏与主机游戏能在手机端运行。

此外，云游戏与大数据的结合能够提高游戏交互效率，丰富游戏交互功能，增强用户的游戏体验。然而，随着云游戏用户的不断增多，云游戏在运行过程中会出现游戏卡顿现象。为了改善游戏卡顿，需要对卡顿数据进行检测从而进行相应的补丁优化，然而相关的卡顿检测技术存在检测能力差、卡顿检测准确率低下的技术问题。

发明内容

为改善相关技术中存在的技术问题，本公开提供了应用于云游戏业务的大数据处理方法及云游戏服务器。

本发明提供了一种应用于云游戏业务的大数据处理方法，包括：

获取采集到的第一目标云游戏操作数据；将所述第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到所述第一目标游戏数据检测网络输出的第一目标游戏数据检测结果；其中，所述第一目标游戏数据检测结果用于表示所述第一目标云游戏操作数据是否存在云游戏卡顿操作数据，所述第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，所述局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，所述全局参考训练数据集合包括根据所述局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据；

在所述第一目标游戏数据检测结果表示所述第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将所述第一目标云游戏操作数据输入到目标循环神经网络，得到所述目标循环神经网络输出的第二目标游戏数据检测结果；其中，所述第二目标游戏数据检测结果用于表示所述第一目标云游戏操作数据是否存在云游戏卡顿操作数据。

本发明还提供了一种云游戏服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果。

在本发明实施例中，采用获取采集到的第一目标云游戏操作数据，将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，其中，第一目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据，第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，全局参考训练数据集合包括根据局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据，在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果的方式，通过将采集到的云游戏操作数据输入训练好的游戏数据检测网络和循环神经网络，以确定采集的云游戏操作数据是否存在云游戏卡顿操作数据，达到了应用于云游戏业务的大数据处理的目的，通过结合游戏数据检测网络与循环神经网络对目标云游戏操作数据进行游戏数据检测，基于游戏数据检测网络确定了大量的卡顿数据，扩展了云游戏卡顿操作数据的类别与数量，基于循环神经网络，能够提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，卡顿检测准确率低下的技术问题。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种云游戏服务器的硬件结构示意图。

图2是本发明实施例提供的一种应用于云游戏业务的大数据处理系统通信架构示意图。

图3是本发明实施例提供的一种应用于云游戏业务的大数据处理方法的流程图。

图4是本发明实施例提供的一种应用于云游戏业务的大数据处理方法的流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例所提供的方法实施例可以在云游戏服务器、计算机设备或者类似的运算装置中执行。以运行在云游戏服务器上为例，图1是本发明实施例的实施应用于云游戏业务的大数据处理方法的云游戏服务器的硬件结构框图。如图1所示，云游戏服务器10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，在一些可能的情况下，上述云游戏服务器还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述云游戏服务器的结构造成限定。比如，云游戏服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，比如，应用软件的软件程序以及模块，如本发明实施例中的应用于云游戏业务的大数据处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至云游戏服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括云游戏服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

下面结合实施例对本发明进行说明：

根据本发明实施例的一个方面，提供了一种应用于云游戏业务的大数据处理方法，在一些可能的情况下，在本申请实施例中，上述应用于云游戏业务的大数据处理方法可以应用于如图2所示的由云游戏服务器10和游戏客户端20所构成的硬件环境中。如图2所示，云游戏服务器10通过网络与游戏客户端20进行连接，上述网络可以包括但不限于有线网络和无线网络。其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络，游戏客户端20可以包括但不限于以下至少之一：手机（如Android手机、iOS手机等）、笔记本电脑、平板电脑、掌上电脑、MID（MobileInternetDevices，移动互联网设备）、PAD、台式电脑、智能电视等计算机设备。

结合图3所示，上述应用于云游戏业务的大数据处理方法可以在云游戏服务器10通过如下步骤实现：

S31、在云游戏服务器10上配置的大数据处理装置中获取采集到的第一目标云游戏操作数据。

S32、在云游戏服务器10上配置的大数据处理装置中将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，其中，第一目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据，第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，全局参考训练数据集合包括根据局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据。

S33、在云游戏服务器10上配置的大数据处理装置中在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果，其中，第二目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，上述应用于云游戏业务的大数据处理可以包括但不限于由游戏客户端20和云游戏服务器10进行异步执行，通俗而言，在云游戏服务器10上配置的大数据处理装置中将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，在游戏客户端20上在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果，或者，在游戏客户端20上配置的大数据处理装置中将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，在云游戏服务器10上在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果。

上述仅是一种示例，本实施例不做具体的限定。

在一些可能的情况下，作为一种可选的实施方式，如图4所示，上述应用于云游戏业务的大数据处理方法包括：

S402、获取采集到的第一目标云游戏操作数据；

S404，将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，其中，第一目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据，第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，全局参考训练数据集合包括根据局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据；

S406，在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果，其中，第二目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，上述应用于云游戏业务的大数据处理方法可以包括但不限于应用于需要进行游戏卡顿检测或游戏数据检测的网络游戏环境，比如，可以包括但不限于游戏技能释放卡顿的游戏数据检测，剧情触发卡顿的游戏数据检测、PVP卡顿的游戏数据检测等。

上述仅是一种示例，本实施例不做任何具体的限定。

在一些可能的情况下，在本申请实施例中，上述第一目标云游戏操作数据可以包括但不限于由游戏手机、游戏电脑等游戏运行设备进入游戏后，向云游戏服务器发出的云游戏操作数据，还可以包括但不限于语音、图像、鼠标操作、键盘操作等多种操作格式的游戏交互行为所确定的云游戏操作数据。

在一些可能的情况下，在本申请实施例中，上述第一目标游戏数据检测网络可以包括但不限于为基于生成式对抗网络（Generative Adversarial Networks，GAN）的游戏数据检测网络，还可以包括但不限于基于上述GAN深度学习网络中包括的游戏数据检测网络所改进和优化的游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述第一目标游戏数据检测网络的输出为第一目标游戏数据检测结果，用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据。上述局部参考训练数据集合包括采集到的已标记的一组参考云游戏卡顿操作数据，比如，通过游戏检测线程、游戏助手以及游戏辅助软件等辅助工具所获取到的一组参考云游戏卡顿操作数据，上述全局参考训练数据集合包括根据局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据，比如，将上述参考云游戏卡顿操作数据通过添加操作数据干扰因子等方式所确定的云游戏卡顿操作数据。

上述仅是一种示例，本实施例不做任何具体的限定。

在一些可能的情况下，在本申请实施例中，上述目标循环神经网络用于处理和预测时间序列中间隔和延迟较长的时间，比如，可以包括但不限于使用上述局部参考云游戏卡顿操作数据和上述目标游戏数据检测网络无法进行游戏数据检测的上述全局参考云游戏卡顿操作数据对待训练的循环神经网络进行训练得到。

在一些可能的情况下，在本申请实施例中，上述第二目标游戏数据检测结果用于表示上述第一目标云游戏操作数据是否存在云游戏卡顿操作数据，可以通过包括但不限于输出二进制的字符，用0表示上述第一目标云游戏操作数据不为云游戏卡顿操作数据，用1表示上述第一目标云游戏操作数据为云游戏卡顿操作数据。

以下是根据本发明实施例的一种可选的应用于云游戏业务的大数据处理方法，该方法/流程包括但不限于如下步骤：

（1）采集网络云游戏操作数据；

（2）将采集到的网络云游戏操作数据输入训练好的游戏数据检测网络（对应于前述的目标游戏数据检测网络以及目标循环神经网络）；

（3）根据游戏数据检测网络的输出结果，得到游戏数据检测结果（对应于前述的第一目标游戏数据检测结果、第二目标游戏数据检测结果）。

在一些可能的情况下，在本申请实施例中，基于上述全局参考集合能够得到大量的参考云游戏卡顿操作数据，以解决参考云游戏卡顿操作数据类型单一、参考云游戏卡顿操作数据数量稀缺的问题，目标游戏数据检测网络进行游戏数据检测，同时，在目标游戏数据检测网络的输出结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，利用目标循环神经网络处理第一目标云游戏操作数据，能够解决云游戏卡顿操作数据的卡顿时间较长所导致的卡顿检测准确率低下的问题，能够达到提高目标游戏数据检测网络的游戏数据检测准确率，降低卡顿游戏数据的误检率，还能保证对较久远的样本特征的训练记录存储，以针对持续性较长的游戏卡顿数据时，进一步提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率，降低卡顿游戏数据的误检率的技术效果。

通过本实施例，采用获取采集到的第一目标云游戏操作数据，将第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到第一目标游戏数据检测网络输出的第一目标游戏数据检测结果，其中，第一目标游戏数据检测结果用于表示第一目标云游戏操作数据是否存在云游戏卡顿操作数据，第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，全局参考训练数据集合包括根据局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据，在第一目标游戏数据检测结果表示第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将第一目标云游戏操作数据输入到目标循环神经网络，得到目标循环神经网络输出的第二目标游戏数据检测结果的方式，通过将采集到的云游戏操作数据输入训练好的游戏数据检测网络和循环神经网络，以确定采集的云游戏操作数据是否存在云游戏卡顿操作数据，达到对游戏卡顿数据实现准确可靠的游戏数据检测的目的，通过结合游戏数据检测网络与循环神经网络对目标云游戏操作数据进行游戏数据检测，基于游戏数据检测网络确定了大量卡顿样本数据，丰富了云游戏卡顿操作数据的种类与数量，基于循环神经网络，能够提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率，进而解决了相关技术中存在的卡顿检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述方法还包括：使用所述局部参考训练数据集合和所述全局参考训练数据集合对所述第一待训练的游戏数据检测网络进行训练，得到所述第一目标游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，可以包括但不限于使用上述局部参考训练数据集合、上述全局参考训练数据集合，以及已标记的不存在卡顿的云游戏操作数据来对第一待训练的游戏数据检测网络进行训练，以得到上述第一目标游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练，得到第一目标游戏数据检测网络可以包括但不限于将局部参考云游戏卡顿操作数据、基于局部参考云游戏卡顿操作数据添加操作数据干扰因子后确定的全局参考云游戏卡顿操作数据以及实时云游戏操作数据按照设定顺序输入上述第一待训练的游戏数据检测网络，以修正上述第一待训练的游戏数据检测网络中的网络参数，进而实现对第一待训练的游戏数据检测网络的训练，得到上述第一目标游戏数据检测网络。

通过本实施例，采用使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练，得到第一目标游戏数据检测网络的方式，达到对游戏卡顿数据实现准确可靠的游戏数据检测的目的，从而实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的卡顿检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述使用所述局部参考训练数据集合和所述全局参考训练数据集合对所述第一待训练的游戏数据检测网络进行训练，得到所述第一目标游戏数据检测网络，包括：

重复执行以下步骤，直到得到所述第一目标游戏数据检测网络：

步骤1，将所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据以及参考操作数据干扰因子集合中的m个参考操作数据干扰因子依次输入到待训练的生成网络，得到所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据，其中，所述全局参考训练数据集合包括所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据，每次输入到目标生成网络的输入变量包括一个参考云游戏卡顿操作数据以及一个参考操作数据干扰因子，所述待训练的生成网络用于每次根据输入的所述一个参考操作数据干扰因子确定与输入的所述一个参考云游戏卡顿操作数据匹配的云游戏卡顿操作数据，m为正整数；

步骤2，使用所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据和所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据对所述第一待训练的游戏数据检测网络进行训练。

在一些可能的情况下，在本申请实施例中，上述参考操作数据干扰因子可以包括但不限于由云游戏服务器预设，还可以包括但不限于例如，一种由时间上随机产生的大量起伏骚扰积累而造成的干扰数据，干扰数据对应的干扰因子在给定瞬间内不能预测的干扰数据，具体而言，可以包括但不限于采用动态干扰数据对应的干扰因子。

在一些可能的情况下，在本申请实施例中，上述将所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据以及参考操作数据干扰因子集合中的m个参考操作数据干扰因子依次输入到待训练的生成网络可以包括但不限于将一个参考云游戏卡顿操作数据和一个参考操作数据干扰因子输入上述待训练的生成网络，以得到一个参考云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，上述每次根据输入的一个参考操作数据干扰因子确定与输入的一个参考云游戏卡顿操作数据匹配的云游戏卡顿操作数据可以包括但不限于使得上述一个参考云游戏卡顿操作数据和上述根据参考操作数据干扰因子确定的云游戏卡顿操作数据具有唯一对应关系。

在一些可能的情况下，在本申请实施例中，上述对第一待训练的游戏数据检测网络训练完成，得到第一目标游戏数据检测网络可以包括但不限于根据输入的一个参考操作数据干扰因子确定的云游戏卡顿操作数据与上述一个参考云游戏卡顿操作数据无法被上述待训练的游戏数据检测网络区分开，即可以确定为上述待训练的游戏数据检测网络已经训练完成，进而，得到上述第一目标游戏数据检测网络。

通过本实施例，采用重复执行以下步骤，直到得到第一目标游戏数据检测网络：将局部参考训练数据集合中的m个参考云游戏卡顿操作数据以及参考操作数据干扰因子集合中的m个参考操作数据干扰因子依次输入到待训练的生成网络，得到待训练的生成网络依次确定的m个参考云游戏卡顿操作数据，使用局部参考训练数据集合中的m个参考云游戏卡顿操作数据和待训练的生成网络依次确定的m个参考云游戏卡顿操作数据对第一待训练的游戏数据检测网络进行训练的方式，以实现对待训练的游戏数据检测网络的训练，得到上述第一目标游戏数据检测网络，最终能够基于上述第一目标游戏数据检测网络得到上述第一目标游戏数据检测结果，以完成应用于云游戏业务的大数据处理，从而实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏漏洞数据检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述使用所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据和所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据对所述第一待训练的游戏数据检测网络进行训练，包括：

获取用于进行网络训练的参考云游戏操作数据集合，其中，所述用于进行网络训练的参考云游戏操作数据集合包括所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据和所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据以及获取到的实时云游戏操作数据集合；

重复执行以下步骤，直到训练结束：

在所述用于进行网络训练的参考云游戏操作数据集合中获取待输入的用于进行网络训练的参考云游戏操作数据；

将所述用于进行网络训练的参考云游戏操作数据输入到所述第一待训练的游戏数据检测网络，得到所述第一待训练的游戏数据检测网络输出的参考游戏数据检测结果，其中，所述参考游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据是否存在云游戏卡顿操作数据；

根据所述参考游戏数据检测结果以及所述用于进行网络训练的参考云游戏操作数据的真实游戏数据检测结果，确定所述第一待训练的游戏数据检测网络的第一模型性能差异的性能参数值，其中，所述真实游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据实际是否存在云游戏卡顿操作数据；

在所述第一模型性能差异的性能参数值不满足预设的第一模型性能评价条件的情况下，对所述第一待训练的游戏数据检测网络以及所述待训练的生成网络中的网络参数进行修正，或者，对所述第一待训练的游戏数据检测网络中的网络参数进行修正；

在所述第一模型性能差异的性能参数值满足所述第一模型性能评价条件的情况下，结束对所述第一待训练的游戏数据检测网络进行的训练，其中，所述第一目标游戏数据检测网络为结束训练时的所述第一待训练的游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述实时云游戏操作数据可以包括但不限于实时网络云游戏操作数据中的操作列表的一组列表标签，与局部参考云游戏卡顿操作数据以及全局参考云游戏卡顿操作数据混合后输入上述第一待训练的游戏数据检测网络，上述实时云游戏操作数据集合中的云游戏操作数据为已标记的不存在卡顿的云游戏操作数据，通过获取实时云游戏操作数据集合能够达到丰富参考云游戏卡顿操作数据集合的技术效果。

上述仅是一种示例，本实施例不做任何具体的限定。

在一些可能的情况下，在本申请实施例中，上述参考游戏数据检测结果为上述第一待训练的游戏数据检测网络的输出结果，上述真实游戏数据检测结果为根据上述局部参考训练数据集合中的m个参考云游戏卡顿操作数据和待训练的生成网络依次确定的m个参考云游戏卡顿操作数据以及获取到的实时云游戏操作数据集合的标记信息，得到的上述真实游戏数据检测结果。

比如，以下是根据本发明实施例的另一种应用于云游戏业务的大数据处理方法的，该方法包括但不限于如下内容：

获取m个上述局部参考云游戏卡顿操作数据以及m个上述输入待训练的生成网络后依次得到的m个全局参考云游戏卡顿操作数据以及多个实时云游戏操作数据，其中，参考云游戏卡顿操作数据的标记信息均为云游戏卡顿操作数据，实时云游戏操作数据的标记信息均为不存在卡顿的云游戏操作数据；

将上述m个上述局部参考云游戏卡顿操作数据以及m个全局参考云游戏卡顿操作数据以及多个实时云游戏操作数据输入上述第一待训练的游戏数据检测网络的顺序通过降序的方式进行排序，其中，上述局部参考云游戏卡顿操作数据以云游戏操作数据D1表示，全局参考云游戏卡顿操作数据以云游戏操作数据D2表示，实时云游戏操作数据以云游戏操作数据D3表示，上述通过降序的方式进行排序后的顺序可以包括但不限于比如D3、D2、D1、D1、D2、D3等。

以输入云游戏操作数据D1或云游戏操作数据D2为例，将云游戏操作数据D1或云游戏操作数据D2输入上述第一待训练的游戏数据检测网络，得到上述参考游戏数据检测结果为不存在卡顿的云游戏操作数据，而云游戏操作数据D1或云游戏操作数据D2的标记信息为云游戏卡顿操作数据，也即，上述云游戏操作数据D1或云游戏操作数据D2的真实游戏数据检测结果为云游戏卡顿操作数据；

则可判定上述云游戏操作数据D1或云游戏操作数据D2的游戏数据检测结果不正确，也即，上述第一模型性能差异的性能参数值不满足预设的第一模型性能评价条件，对第一待训练的游戏数据检测网络以及待训练的生成网络中的网络参数修正或者对第一待训练的游戏数据检测网络中的网络参数修正，并重新输入云游戏操作数据。

在将云游戏操作数据D1或云游戏操作数据D2输入上述第一待训练的游戏数据检测网络后，得到上述参考游戏数据检测结果为云游戏卡顿操作数据，而云游戏操作数据D1或云游戏操作数据D2的标记信息为云游戏卡顿操作数据，也即，上述云游戏操作数据D1或云游戏操作数据D2的真实游戏数据检测结果为云游戏卡顿操作数据；

则可判定上述云游戏操作数据D1或云游戏操作数据D2的游戏数据检测结果正确，也即，上述第一模型性能差异的性能参数值满足预设的第一模型性能评价条件，结束对第一待训练的游戏数据检测网络的训练。

上述为一种单层的训练模式，实际上可以包括但不限于多层训练模式。

也即，获取上述第一待训练的游戏数据检测网络的游戏数据检测结果正确或不正确的检测概率值，上述检测概率值可以包括但不限于是上述第一模型性能差异的性能参数值，在上述检测概率值收敛的情况下，也即，在上述第一模型性能差异的性能参数值满足第一模型性能评价条件的情况下，结束对第一待训练的游戏数据检测网络的训练，在上述第一模型性能差异的性能参数值不满足第一模型性能评价条件的情况下，对第一待训练的游戏数据检测网络以及待训练的生成网络中的网络参数修正或者对第一待训练的游戏数据检测网络中的网络参数修正，并重新输入云游戏操作数据。

在上述检测概率大于预定阈值的情况下，结束对上述第一待训练的游戏数据检测网络的训练，得到上述第一目标游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述模型性能差异可以包括但不限于预测准确率模型性能差异、泛化能力模型性能差异、迭代次数模型性能差异、损失函数模型性能差异、数据噪声模型性能差异、时域模型性能差异以及空域模型性能差异等。

通过本实施例，能够基于待训练的生成网络增加参考样本数据的多样性，基于待训练的游戏数据检测网络实现云游戏卡顿操作数据对应的游戏数据检测，最终，实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，检测准确率低下的技术问题。

作为一种可选的方案，所述获取用于进行网络训练的参考云游戏操作数据集合，包括：

对所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据、所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据以及所述实时云游戏操作数据集合通过降序的方式进行排序，得到所述用于进行网络训练的参考云游戏操作数据集合。

在一些可能的情况下，在本申请实施例中，上述通过降序的方式进行排序的方式可以是任意一种通过降序的方式进行排序的方式，还可以是根据局部参考训练数据集合中的参考云游戏卡顿操作数据和全局参考卡顿集合中的参考云游戏卡顿操作数据以及实时云游戏操作数据的数量或云游戏操作数据节点，配置对应的通过降序的方式进行排序方式。

作为一种可选的方案，所述将所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据以及参考操作数据干扰因子集合中的m个参考操作数据干扰因子依次输入到待训练的生成网络，得到所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据，包括：

在所述局部参考训练数据集合包括n个局部参考训练数据子集、且每个局部参考训练数据子集包括同一个卡顿节点的参考云游戏卡顿操作数据的情况下，对于每个局部参考训练数据子集，执行以下步骤，其中，n为大于1的整数，在执行以下步骤，所述每个局部参考训练数据子集作为当前参考卡顿操作数据子集，所述当前参考卡顿操作数据子集中的参考云游戏卡顿操作数据属于当前卡顿节点：

将所述局部参考训练数据子集中的m1个参考云游戏卡顿操作数据以及所述参考操作数据干扰因子集合中的m1个参考操作数据干扰因子依次输入到与所述当前卡顿节点对应的当前待训练的生成子网络，得到所述当前待训练的生成子网络依次确定的m1个参考云游戏卡顿操作数据，其中，所述待训练的生成网络包括n个待训练的生成子网络，所述全局参考训练数据集合包括n个第二云游戏卡顿操作数据子集，所述全局参考训练数据集合中与所述当前卡顿节点对应的第二云游戏卡顿操作数据子集包括所述当前待训练的生成子网络依次确定的m1个参考云游戏卡顿操作数据，每次输入到所述当前待训练的生成子网络的输入变量包括一个参考云游戏卡顿操作数据以及一个参考操作数据干扰因子，所述当前待训练的生成子网络用于每次根据输入的所述一个参考操作数据干扰因子确定与输入的所述一个参考云游戏卡顿操作数据匹配的、且节点为所述当前卡顿节点的云游戏卡顿操作数据，m1为整数，m1小于或等于m。

在一些可能的情况下，在本申请实施例中，上述每个局部参考训练数据子集对应一种卡顿节点的参考云游戏卡顿操作数据，上述卡顿节点可以包括但不限于游戏缓冲卡顿、副本更新卡顿、画面渲染卡顿、游戏漏洞卡顿等卡顿节点，上述仅是一种示例，本实施例不做任何具体的限定。

在一些可能的情况下，在本申请实施例中，上述局部参考训练数据子集中的m1个参考云游戏卡顿操作数据以及将m1个参考操作数据干扰因子输入当前待训练的生成子网络得到的m1个参考云游戏卡顿操作数据均包含对应的标记信息，标记信息中标记了该云游戏操作数据是否存在云游戏卡顿操作数据，以及在该云游戏操作数据是云游戏卡顿操作数据的情况下，所属云游戏卡顿操作数据的卡顿节点。

通俗而言，在本申请实施例中，每个卡顿节点的参考云游戏卡顿操作数据输入对应一个待训练的生成子网络，以得到卡顿节点相同的全局参考云游戏卡顿操作数据。

通过本实施例，采用为不同节点的局部参考云游戏卡顿操作数据通过对应卡顿节点的待训练的生成网络，得到对应卡顿节点的全局参考云游戏卡顿操作数据，以使得后续目标游戏数据检测网络能够在游戏数据检测出输入云游戏操作数据是否是云游戏卡顿操作数据的基础上，还能够在检测出该云游戏操作数据是云游戏卡顿操作数据的情况下，所属云游戏卡顿操作数据的卡顿节点，以实现提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述使用所述局部参考训练数据集合中的m个参考云游戏卡顿操作数据和所述待训练的生成网络依次确定的m个参考云游戏卡顿操作数据对所述第一待训练的游戏数据检测网络进行训练，包括：

获取用于进行网络训练的参考云游戏操作数据集合中的n个用于进行网络训练的参考云游戏操作数据子集，其中，每个所述用于进行网络训练的参考云游戏操作数据子集包括一个所述局部参考训练数据子集中的m1个参考云游戏卡顿操作数据、一个所述全局参考卡顿操作数据子集中对应的m1个参考云游戏卡顿操作数据以及获取到的实时云游戏操作数据子集，所述一个所述局部参考训练数据子集以及所述一个所述全局参考卡顿操作数据子集中的参考云游戏卡顿操作数据属于同一卡顿节点；

对于所述第一待训练的游戏数据检测网络中包括的n个待训练的游戏数据检测子网络，重复执行以下步骤，直到训练结束，其中，在执行以下步骤中，一个所述待训练的游戏数据检测子网络作为当前待训练的游戏数据检测子网络，所述n个用于进行网络训练的参考云游戏操作数据子集中用于对所述当前待训练的游戏数据检测子网络进行训练的用于进行网络训练的参考云游戏操作数据子集作为当前用于进行网络训练的参考云游戏操作数据子集，所述当前用于进行网络训练的参考云游戏操作数据子集中的所述局部参考训练数据子集和所述全局参考卡顿操作数据子集中的参考云游戏卡顿操作数据属于当前卡顿节点，所述当前待训练的游戏数据检测子网络用于确定输入的云游戏操作数据是否为所述当前卡顿节点的云游戏卡顿操作数据：

在所述当前用于进行网络训练的参考云游戏操作数据子集中获取待输入的用于进行网络训练的参考云游戏操作数据；

将所述用于进行网络训练的参考云游戏操作数据输入到所述当前待训练的游戏数据检测子网络中，得到所述当前待训练的游戏数据检测子网络输出的参考游戏数据检测结果，其中，所述参考游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据是否为所述当前卡顿节点的云游戏卡顿操作数据；

根据所述参考游戏数据检测结果以及所述用于进行网络训练的参考云游戏操作数据的真实游戏数据检测结果，确定所述当前待训练的游戏数据检测子网络的当前模型性能差异的性能参数值，其中，所述真实游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据实际是否为所述当前卡顿节点的云游戏卡顿操作数据；

在所述当前模型性能差异的性能参数值不满足当前模型性能评价条件的情况下，对所述当前待训练的游戏数据检测子网络以及所述待训练的生成网络中的网络参数进行修正，或者，对所述当前待训练的游戏数据检测子网络中的网络参数进行修正；

在所述当前模型性能差异的性能参数值满足所述当前模型性能评价条件的情况下，结束对所述当前待训练的游戏数据检测子网络进行的训练，其中，所述第一目标游戏数据检测网络中对应的一个目标游戏数据检测子网络为结束训练时的所述当前待训练的游戏数据检测子网络，所述对应的一个目标游戏数据检测子网络用于确定输入的云游戏操作数据是否为所述当前卡顿节点的云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，上述实时云游戏操作数据集合中的云游戏操作数据为已标记的不存在卡顿的云游戏操作数据，上述实时云游戏操作数据集合的数量可以包括但不限于大于等于m1，而通过获取实时云游戏操作数据集合能够达到丰富参考云游戏卡顿操作数据集合的技术效果。

在一些可能的情况下，在本申请实施例中，上述参考游戏数据检测结果为上述当前待训练的游戏数据检测子网络的输出结果，上述真实游戏数据检测结果为根据上述当前参考云游戏卡顿操作数据集合中的m1个参考云游戏卡顿操作数据和当前待训练的生成网络依次确定的m个1参考云游戏卡顿操作数据以及获取到的实时云游戏操作数据集合的标记信息，得到的上述真实游戏数据检测结果。

比如，以下是根据本发明实施例的又一种应用于云游戏业务的大数据处理方法，该方法包括但不限于如下内容：

获取m1个上述当前参考云游戏卡顿操作数据以及m1个上述输入待训练的生成网络后依次得到的m1个全局参考卡顿操作数据子集中的参考云游戏卡顿操作数据以及m2个实时云游戏操作数据，其中，参考云游戏卡顿操作数据的标记信息均为云游戏卡顿操作数据以及对应的卡顿节点，实时云游戏操作数据的标记信息均为不存在卡顿的云游戏操作数据；

将上述m1个上述当前参考云游戏卡顿操作数据、m1个全局参考卡顿操作数据子集中的参考云游戏卡顿操作数据以及m2个实时云游戏操作数据输入上述当前待训练的游戏数据检测子网络，其中，上述当前参考云游戏卡顿操作数据以云游戏操作数据D1表示，全局参考卡顿操作数据子集中的参考云游戏卡顿操作数据以云游戏操作数据D2表示，实时云游戏操作数据以云游戏操作数据D3表示；

以输入云游戏操作数据D1或云游戏操作数据D2为例，将云游戏操作数据D1或云游戏操作数据D2输入上述当前待训练的游戏数据检测子网络，得到上述参考游戏数据检测结果为不存在卡顿的云游戏操作数据，而云游戏操作数据D1或云游戏操作数据D2的标记信息为云游戏卡顿操作数据，也即，上述云游戏操作数据D1或云游戏操作数据D2的真实游戏数据检测结果为云游戏卡顿操作数据；

则可判定上述云游戏操作数据D1或云游戏操作数据D2的游戏数据检测结果不正确，也即，上述当前模型性能差异的性能参数值不满足预设的当前模型性能评价条件，对当前待训练的游戏数据检测子网络以及待训练的生成网络中的网络参数进行修正或者对当前待训练的游戏数据检测子网络中的网络参数进行修正，并重新输入云游戏操作数据。

在将云游戏操作数据D1或云游戏操作数据D2输入上述当前待训练的游戏数据检测子网络后，得到上述参考游戏数据检测结果为云游戏卡顿操作数据，而云游戏操作数据D1或云游戏操作数据D2的标记信息也为云游戏卡顿操作数据，也即，上述云游戏操作数据D1或云游戏操作数据D2的真实游戏数据检测结果为云游戏卡顿操作数据，并且，上述云游戏操作数据D1或云游戏操作数据D2对应的真实卡顿节点为第一卡顿节点，获取上述参考游戏数据检测结果为云游戏操作数据D1或云游戏操作数据D2的卡顿节点也为第一卡顿节点，则可判定上述云游戏操作数据D1或云游戏操作数据D2的游戏数据检测结果正确，也即，上述当前模型性能差异的性能参数值满足预设的当前模型性能评价条件，结束对当前待训练的游戏数据检测子网络的训练。

上述为一种简单地训练模式，实际上可以包括但不限于更加复杂的训练模式。

也即，获取上述当前待训练的游戏数据检测子网络游戏数据检测结果正确或不正确的检测概率值，上述检测概率值用于表示判断是否存在云游戏卡顿操作数据以及在判断为云游戏卡顿操作数据后卡顿节点是否相同的检测概率，上述检测概率值可以包括但不限于是上述当前模型性能差异的性能参数值，在上述检测概率值收敛的情况下，也即，在上述当前模型性能差异的性能参数值满足当前模型性能评价条件的情况下，结束对当前待训练的游戏数据检测子网络的训练，在上述当前模型性能差异的性能参数值不满足当前模型性能评价条件的情况下，对当前待训练的游戏数据检测子网络以及待训练的生成网络中的网络参数进行修正或者对当前待训练的游戏数据检测子网络中的网络参数进行修正，并重新输入云游戏操作数据。

在上述检测概率大于预定阈值的情况下，结束对上述当前待训练的游戏数据检测子网络的训练，得到上述当前目标游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述模型性能差异可以包括但不限于预测准确率模型性能差异、泛化能力模型性能差异、迭代次数模型性能差异、损失函数模型性能差异、数据噪声模型性能差异、时域模型性能差异以及空域模型性能差异等。

通过本实施例，能够基于待训练的生成网络增加参考数据样本的多样性，基于待训练的游戏数据检测网络实现云游戏卡顿操作数据的游戏数据检测，最终，实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述方法还包括：

使用所述局部参考训练数据集合中的参考卡顿操作数据子集对第二待训练的游戏数据检测网络进行训练，得到第三待训练的游戏数据检测网络，其中，所述第三待训练的游戏数据检测网络用于确定输入所述第三待训练的游戏数据检测网络的云游戏操作数据是否存在云游戏卡顿操作数据；

将所述第一待训练的游戏数据检测网络调整为所述第三待训练的游戏数据检测网络。

在一些可能的情况下，在本申请实施例中，上述第三待训练的游戏数据检测网络可以包括但不限于对第二待训练的游戏数据检测网络进行预训练得到的待训练的游戏数据检测网络，通过使用少量的参考云游戏卡顿操作数据对初始的待训练的游戏数据检测网络进行预训练，以得到具有初始游戏数据检测能力的第三待训练的游戏数据检测网络，进而，提升后续游戏数据检测网络的训练速度，达到提高游戏数据检测效率的技术效果。

作为一种可选的方案，所述方法还包括：

使用所述局部参考训练数据集合和第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到所述目标循环神经网络，其中，所述第三参考云游戏卡顿操作数据集合包括目标生成网络根据所述局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据，所述目标生成网络是对待训练的生成网络进行训练得到的生成网络，所述全局参考训练数据集合包括所述待训练的生成网络根据所述局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，上述循环神经网络的输入为局部参考训练数据子集中的参考云游戏卡顿操作数据和第三参考卡顿操作数据子集中的参考云游戏卡顿操作数据，输出为游戏数据检测输入的云游戏操作数据是否存在云游戏卡顿操作数据以及在游戏数据检测是云游戏卡顿操作数据的情况下，该云游戏卡顿操作数据所属卡顿节点的游戏数据检测结果。

在一些可能的情况下，在本申请实施例中，上述第三参考云游戏卡顿操作数据可以包括但不限于上述目标生成网络基于上述局部参考云游戏卡顿操作数据确定的参考云游戏卡顿操作数据，比如，基于局部参考云游戏卡顿操作数据添加操作数据干扰因子后确定的参考云游戏卡顿操作数据。

在一些可能的情况下，在本申请实施例中，在当上述目标游戏数据检测网络的输出的第一目标游戏数据检测结果表示局部参考云游戏卡顿操作数据或第三参考云游戏卡顿操作数据为云游戏卡顿操作数据的情况下，将局部参考云游戏卡顿操作数据或第三参考云游戏卡顿操作数据输入上述待训练的循环神经网络，以实现将上述待训练的循环神经网络训练为目标循环神经网络。

比如，以下是根据本发明实施例的又一种应用于云游戏业务的大数据处理方法，该方法可以包括但不限于如下步骤：

获取局部参考云游戏卡顿操作数据；

将上述局部参考云游戏卡顿操作数据输入目标生成网络，以添加操作数据干扰因子，得到第三参考云游戏卡顿操作数据；

将上述局部参考云游戏卡顿操作数据或上述第三参考云游戏卡顿操作数据随机输入目标游戏数据检测网络，得到游戏数据检测结果为上述输入的上述局部参考云游戏卡顿操作数据或上述第三参考云游戏卡顿操作数据为云游戏卡顿操作数据；

将上述局部参考云游戏卡顿操作数据或上述第三参考云游戏卡顿操作数据随机输入待训练的循环神经网络；

获取上述待训练的循环神经网络的输出结果；

在上述输出结果表示输入的上述局部参考云游戏卡顿操作数据或上述第三参考云游戏卡顿操作数据不为云游戏卡顿操作数据或该参考云游戏卡顿操作数据为目标节点云游戏卡顿操作数据的检测概率未达到预设条件的情况下，修正待训练的循环神经网络的网络参数；

在上述输出结果表示输入的上述局部参考云游戏卡顿操作数据或上述第三参考云游戏卡顿操作数据为云游戏卡顿操作数据，且该参考云游戏卡顿操作数据为目标节点云游戏卡顿操作数据的检测概率达到预设条件的情况下，结束以上步骤。

通过本实施例，采用使用局部参考训练数据集合和第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到目标循环神经网络的方式，通过对循环神经网络进行训练，以得到目标循环神经网络，最终，实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述使用所述局部参考训练数据集合和第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到所述目标循环神经网络，包括：

在所述局部参考训练数据集合包括p个局部参考训练数据子集、第三参考云游戏卡顿操作数据集合包括p个第三参考卡顿操作数据子集、所述p个局部参考训练数据子集与所述p个第三参考卡顿操作数据子集具有唯一对应的关系，具有唯一对应关系的一个所述局部参考训练数据子集与一个所述第三参考卡顿操作数据子集中的参考云游戏卡顿操作数据属于同一个卡顿节点的情况下，使用所述局部参考训练数据集合和所述第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到所述目标循环神经网络，其中，所述目标循环神经网络用于分别确定输入的云游戏操作数据属于p个卡顿节点中的每个卡顿节点的检测概率，所述p个卡顿节点与所述p个局部参考训练数据子集、所述p个第三参考卡顿操作数据子集具有唯一对应的关系，P为整数。

在一些可能的情况下，在本申请实施例中，上述p个卡顿节点可以包括但不限于上述提到的等卡顿节点，上述仅是一种示例，本实施例不做任何具体的限定。

在一些可能的情况下，在本申请实施例中，以下是根据本发明实施例的又一种应用于云游戏业务的大数据处理方法，该流程包括但不限于如下步骤：

获取p个局部参考训练数据子集、p个第三参考卡顿操作数据子集，其中，第三参考卡顿操作数据子集中的参考云游戏卡顿操作数据通过将局部参考云游戏卡顿操作数据输入目标子生成网络中得到；

随机向目标游戏数据检测网络输入一个局部参考云游戏卡顿操作数据以及与其对应的第三参考云游戏卡顿操作数据；

在目标游戏数据检测网络输出的游戏数据检测结果表示输入的局部参考云游戏卡顿操作数据以及与其对应的第三参考云游戏卡顿操作数据均为云游戏卡顿操作数据的情况下，将局部参考云游戏卡顿操作数据以及与其对应的第三参考云游戏卡顿操作数据输入目标循环神经网络中待训练的循环神经网络；

得到由目标循环神经网络输出的输出结果，并基于输出结果得到上述目标循环神经网络。

通过本实施例，采用使用局部参考训练数据集合和第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到目标循环神经网络，通过根据参考云游戏操作数据的卡顿节点对循环神经网络进行训练，以得到目标循环神经网络，使得目标循环神经网络输出结果能够识别云游戏操作数据的卡顿节点，最终，实现了提高应用于云游戏业务的大数据处理对应的游戏漏洞数据检测的准确率和效率的技术效果，进而解决了相关技术中存在的游戏数据检测能力差，卡顿检测准确率低下的技术问题。

作为一种可选的方案，所述使用所述局部参考训练数据集合和所述第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练，得到所述目标循环神经网络，包括：

重复执行以下步骤，直到训练结束：

在所述局部参考训练数据集合和所述第三参考云游戏卡顿操作数据集合中获取待输入的用于进行网络训练的参考云游戏操作数据；

将所述用于进行网络训练的参考云游戏操作数据输入到所述待训练的循环神经网络，得到所述待训练的循环神经网络输出的参考游戏数据检测结果，其中，所述参考游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据属于n个卡顿节点中的每个卡顿节点的检测概率；

根据所述参考游戏数据检测结果以及所述用于进行网络训练的参考云游戏操作数据的真实游戏数据检测结果，确定所述待训练的循环神经网络的第二模型性能差异的性能参数值，其中，所述真实游戏数据检测结果用于表示所述用于进行网络训练的参考云游戏操作数据是否存在云游戏卡顿操作数据、且在所述用于进行网络训练的参考云游戏操作数据为云游戏卡顿操作数据的情况下，还表示所述用于进行网络训练的参考云游戏操作数据所属的卡顿节点；

在所述第二模型性能差异的性能参数值不满足预设的第二模型性能评价条件的情况下，对所述待训练的循环神经网络中的网络参数进行修正；

在所述第二模型性能差异的性能参数值满足所述第二模型性能评价条件的情况下，结束对所述待训练的循环神经网络进行的训练，其中，所述目标循环神经网络为结束训练时的所述待训练的循环神经网络。

在一些可能的情况下，在本申请实施例中，上述模型性能差异可以包括但不限于预测准确率模型性能差异、泛化能力模型性能差异、迭代次数模型性能差异、损失函数模型性能差异、数据噪声模型性能差异、时域模型性能差异以及空域模型性能差异等。

在一些可能的情况下，在本申请实施例中，上述参考游戏数据检测结果用于表示用于进行网络训练的参考云游戏操作数据属于n个卡顿节点中的每个卡顿节点的检测概率，上述真实游戏数据检测结果用于表示用于进行网络训练的参考云游戏操作数据是否存在云游戏卡顿操作数据、且在用于进行网络训练的参考云游戏操作数据为云游戏卡顿操作数据的情况下，还表示用于进行网络训练的参考云游戏操作数据所属的卡顿节点。

作为一种可选的方案，所述将所述第一目标云游戏操作数据输入到目标循环神经网络，得到所述目标循环神经网络输出的第二目标游戏数据检测结果，包括：

将所述第一目标云游戏操作数据输入到所述目标循环神经网络，得到所述目标循环神经网络输出的所述第二目标游戏数据检测结果，其中，所述第二目标游戏数据检测结果用于表示所述第一目标云游戏操作数据是否存在云游戏卡顿操作数据、且在所述第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，还表示所述第一目标云游戏操作数据所属的卡顿节点；

其中，所述目标循环神经网络是使用所述局部参考训练数据集合和所述第三参考云游戏卡顿操作数据集合对待训练的循环神经网络进行训练得到的网络，所述局部参考训练数据集合包括n个局部参考训练数据子集、所述第三参考云游戏卡顿操作数据集合包括n个第三参考卡顿操作数据子集，所述n个局部参考训练数据子集、所述n个第三参考卡顿操作数据子集以及n个卡顿节点具有唯一对应的关系，具有唯一对应关系的一个所述局部参考训练数据子集与一个所述第三参考卡顿操作数据子集中的参考云游戏卡顿操作数据属于同一个卡顿节点，n为大于1的整数。

在一些可能的情况下，在本申请实施例中，以下根据本发明实施例的又一种可选的应用于云游戏业务的大数据处理方法，该方法可以包括但不限于如下步骤：

获取n个局部参考训练数据子集、n个第三参考卡顿操作数据子集；

将唯一对应的局部参考云游戏卡顿操作数据和第三参考云游戏卡顿操作数据随机输入待训练的循环神经网络；

输出结果，其中，输出结果中包括上述输入的参考云游戏卡顿操作数据是否存在云游戏卡顿操作数据以及对应的卡顿节点的检测概率；

根据上述检测概率确定第二模型性能差异的性能参数值，并在上述第二模型性能差异的性能参数值不满足预设的第二模型性能评价条件的情况下，修正待训练的循环神经网络的网络参数；

在上述第二模型性能差异的性能参数值满足预设的第二模型性能评价条件的情况下，结束对所述待训练的循环神经网络进行的训练。

在上述基础上，本发明还提供了一种应用于云游戏业务的大数据处理装置框图，所述装置包括以下功能模块。

数据获取模块，用于获取采集到的第一目标云游戏操作数据。

结果确定模块，用于将所述第一目标云游戏操作数据输入到第一目标游戏数据检测网络，得到所述第一目标游戏数据检测网络输出的第一目标游戏数据检测结果；其中，所述第一目标游戏数据检测结果用于表示所述第一目标云游戏操作数据是否存在云游戏卡顿操作数据，所述第一目标游戏数据检测网络是使用局部参考训练数据集合和全局参考训练数据集合对第一待训练的游戏数据检测网络进行训练得到的网络，所述局部参考训练数据集合包括采集到的一组参考云游戏卡顿操作数据，所述全局参考训练数据集合包括根据所述局部参考训练数据集合中的参考云游戏卡顿操作数据确定的云游戏卡顿操作数据。

数据检测模块，用于在所述第一目标游戏数据检测结果表示所述第一目标云游戏操作数据为云游戏卡顿操作数据的情况下，将所述第一目标云游戏操作数据输入到目标循环神经网络，得到所述目标循环神经网络输出的第二目标游戏数据检测结果；其中，所述第二目标游戏数据检测结果用于表示所述第一目标云游戏操作数据是否存在云游戏卡顿操作数据。

进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。