一种基于轨迹聚类的游戏工作室用户检测方法和系统与流程

1.本技术涉及数据处理技术领域，特别是涉及一种基于轨迹聚类的游戏工作室用户检测方法和系统。


背景技术：

2.随着电子竞技行业的发展，出现了许多精品游戏，随之而来，在游戏生命周期中，也存在各式各样的非法作弊行为。其中，就包括游戏工作室在游戏发行前期，注册用户名引人注意的账号，再通过脚本语言等非法手段集中性的“练级”该账号，在达到一定等级且具有一定价值后，将该账号出售以获取不良收益。
3.在相关技术中，使用基于监督学习中的分类方法，如随机森林对上述用户进行识别。该方法需要基于大量带有工作室标签的样本数据进行学习训练，再应用到工作室用户的识别。但是，在游戏发行初期，并没有大量的样本数据，另外，运维人员也无法确定工作室用户具有什么特征，且各个工作室的样本特征也各不相同。
4.目前针对相关技术中，如何在游戏前期识别工作室用户的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种基于轨迹聚类的游戏工作室用户检测方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中识别工作室用户过程复杂，成本过高的问题。
6.第一方面，本技术实施例提供了一种基于轨迹聚类的游戏工作室用户检测方法，所述方法包括：
7.在游戏数据库中获取用户事件记录，对所述用户事件记录进行编码得到预处理数据；
8.在所述预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据所述关键特征点将所述预处理数据分段为多个子序列段；
9.根据所述子序列段之间的相似度，将所述子序列段聚类为多个类簇，并分别获取所述类簇的关键子序列；
10.在所述用户事件轨迹中，基于所述关键子序列圈定目标范围，通过分析所述目标范围内的用户事件记录，在所述游戏数据库中确定工作室用户。
11.在其中一些实施例中，所述根据特征点的mdl代价确定关键特征点包括：
12.步骤1，确定目标特征点，获取起始特征点和所述目标特征点之间存在关键特征点的第一mdl代价，以及获取起始特征点和所述目标特征点中不存在关键特征点的第二mdl代价；
13.步骤2，判断所述第一mdl代价是否大于所述第二mdl代价，若是，所述目标特征点的前一个特征点为所述关键特征点，并以所述关键特征点为所述起始特征点循环执行步骤
1和步骤2，若否，以所述目标特征点的后一个特征点为所述目标特征点循环执行步骤1和步骤2。
14.在其中一些实施例中，所述根据所述关键点将所述预处理数据分段为多个子序列段包括：
15.在所述预处理数据组成的轨迹中，获取所述起始特征点和所述关键特征点之间的特征点作为特征点集合，以所述特征点集合作为所述子序列段。
16.在其中一些实施例中，所述根据所述子序列段之间的相似度，将所述子序列段聚类为多个类簇包括：
17.获取所述子序列段对应的轨迹线段，并分别计算各个轨迹线段之间的绝对距离，其中，所述绝对距离表征所述子序列段之间的相似度；
18.在所述预处理数据中定义类簇，包括：定义聚类中心、定义类邻域半径和定义最小子序列段数；
19.获取所述绝对距离小于所述类邻域半径的目标子序列段，在所述目标子序列段的数量大于所述最小子序列段数的情况下，将所述目标子序列段划分至对应的所述类簇。
20.在其中一些实施例中，所述获取所述类簇的关键子序列包括：
21.计算所述类簇的平均方向向量，将所述子序列段中的特征点按照所述平均方向向量进行排序编码；
22.在所述子序列段中确定编码坐标与特征点坐标相同的目标特征点，并确定所述目标特征点的数量；
23.在所述目标特征点的数量大于所述最小子序列段数的情况下，计算所述目标特征点与所述目标特征点的前一个特征点的编码坐标差值；
24.在所述编码坐标差大于或者等于预设平滑参数的情况下，计算所述子序列段中所有特征点的平均编码坐标，并按照所述平均方向向量将所述平均编码坐标解码得到所述子序列段的平均坐标，其中，所述平均坐标表征所述关键子序列。
25.在其中一些实施例中，在游戏玩家是工作室用户的情况下，在游戏数据库中获取用户事件记录，对所述用户事件记录进行编码得到预处理数据，其中，在所述用户事件记录中，多个所述工作室用户具有相似行为且登录时间集中；
26.在所述预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据所述关键特征点将所述预处理数据分段为多个子序列段；
27.根据所述子序列段之间的相似度，将所述子序列段聚类得到多个类簇，并分别获取所述类簇的关键子序列，其中，该关键子序列包括所述工作室用户生成的用户事件记录；
28.在所述用户事件轨迹中圈定与所述关键子序列对应的目标范围，通过分析所述目标范围内的用户事件记录，在所述游戏数据库中确定工作室用户。
29.第二方面，本技术实施例提供了一种基于轨迹聚类的游戏工作室用户检测系统，所述系统包括：游戏数据库、读取模块、分段模块、聚类模块、分析模块；
30.所述读取模块用于在游戏数据库中获取用户事件记录，对所述用户事件记录进行编码得到预处理数据；
31.所述分段模块用于在所述预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据所述关键特征点将所述预处理数据分段为多个子序列段；
32.所述聚类模块用于根据所述子序列段之间的相似度，将所述子序列段聚类为多个类簇，并分别获取所述类簇的关键子序列；
33.所述分析模块用于在所述用户事件轨迹中基于所述关键子序列圈定目标范围，以及分析所述目标范围内的用户事件记录，在所述游戏数据库中确定工作室用户。
34.在其中一些实施例中，所述分段模块根据特征点的mdl代价确定关键特征点包括如下步骤：
35.步骤1，确定目标特征点，获取起始特征点和所述目标特征点之间存在关键特征点的第一mdl代价，以及获取起始特征点和所述目标特征点中不存在关键特征点的第二mdl代价；
36.步骤2，判断所述第一mdl代价是否大于所述第二mdl代价，若是，所述目标特征点的前一个特征点为所述关键特征点，并以所述关键特征点为所述起始特征点循环执行步骤1和步骤2，若否，以所述目标特征点的后一个特征点为所述目标特征点循环执行步骤1和步骤2。
37.第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于轨迹聚类的游戏工作室用户检测方法。
38.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于轨迹聚类的游戏工作室用户检测方法。
39.相比于相关技术，本技术实施例提供的一种基于轨迹聚类的游戏工作室用户检测方法，通过在游戏数据库中获取用户事件记录，对用户事件记录进行编码得到预处理数据，在预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据关键特征点将预处理数据分段为多个子序列段；根据子序列段之间的相似度，将子序列段聚类为多个类簇，并分别获取类簇的关键子序列；在用户事件轨迹中确定与关键子序列对应的目标范围，通过分析目标范围内的用户事件记录，在游戏数据库中确定工作室用户。通过本技术，解决了相关技术中在游戏前期识别工作室用户过程复杂，成本过高的问题，能够圈定可疑目标人群，缩小核查范围，从而提升了区分工作室用户的人力和时间成本。
附图说明
40.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
41.图1是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测方法的应用环境示意图；
42.图2是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测方法的流程图；
43.图3是根据本技术实施例的一种用户事件轨迹的示意图；
44.图4是根据本技术实施例的一种行为轨迹的示意图；
45.图5是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测系统；
46.图6是根据本技术实施例的电子设备的内部结构示意图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
49.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
50.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
51.本技术提供的一种基于轨迹聚类的游戏工作室用户检测方法，可以应用在如图1所示的应用环境中，图1是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测方法的应用环境示意图。如图1所示，终端10与服务器11通过网络进行通信，用户通过终端10输出访问流量并发送至服务器11。进一步的，服务器11接收用户的访问流量，并可以根据该访问流量生成不同的用户事件记录并保存在数据库中。另外，终端10上安装有各种类型的应用客户端，其可以是本技术涉及的游戏应用客户端。其中，对于一些热门的游戏应用，可能存在工作室用户在游戏环境中进行非法作弊行为，本技术通过部署在服务器11中的基于轨迹聚类的工作室用户检测方法，可以从当前所有的用户记录数据中圈定可能存在工作室用户的较小范围，从而降低区分工作室用户的人力成本。需要说明的是，本技术实施例中的终端10可以是智能手机、平板电脑、台式电脑、笔记本电脑和智能可穿戴设备，服务器11可以是独立的服务器或者是多个服务器组成的服务器集群。
52.本技术提供了一种基于轨迹聚类的游戏工作室用户检测方法，图2是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测方法的流程图，如图2所示，该流程包括如下步骤：
53.s201，在游戏数据库中获取用户事件记录，对用户事件记录进行编码得到预处理数据；
54.本实施例中，该用户事件记录由当前游戏环境下所有玩家账号产生的记录序列数据组成，其可以是玩家的上/下线时间、在线时长、充值信息、账号升级信息和职业信息等。另外，该用户事件记录与玩家账号相匹配，并随玩家行为不断更新。
55.可选的，可以通过python的configparser包读取ini配置文件中的数据库参数，从而得到该用户事件记录。该用户事件记录可以存储在记录表中，记录表中包括用户id和用户事件记录，且用户id与用户事件记录相匹配，在记录表中，该用户事件记录以字符串的形式保存。
56.需要说明的是，在应用该用户事件记录进行聚类之前，还需对其执行预处理步骤以将其转换为算法模型能够识别处理的格式。可选的，具体包括：通过编码器将该用户事件记录编码为事件编号形式，例如，将原用户事件记录[事件1|事件2|...|事件ni]编码为[事件1编码，事件2编码，...，事件ni编码]。
[0057]
s202，在预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据关键特征点将预处理数据分段为多个子序列段；
[0058]
图3是根据本技术实施例的一种用户事件轨迹的示意图，如图3所示，由一个个用户事件记录组成事件轨迹，在该事件轨迹中，每条记录即对应轨迹图中的一个特征点。如图3所示，可以看出，由于用户记录的复杂及不确定性，用户事件轨迹呈现为不规则的连线。
[0059]
进一步的，本步骤的轨迹分段即在原事件轨迹中选取一些关键特征点，利用关键特征点的连线来近似原轨迹，其中，选择轨迹图中角度变化较大的点作为关键特征点。
[0060]
需要说明的是，轨迹分段的过程应保证准确性和简洁性，其中，准确性是指特征点不能太少，否则不足以概括轨迹特征；简洁性是指特征点要利用尽可能少的点来概括轨迹特征。这两个特性相互矛盾，因此需要很好地平衡这两个特性。本实施例中，通过计算mdl(minimum description length，最小描述长度)代价来确定该关键特征点，能够较好地平衡上述两个特性。
[0061]
s203，根据子序列段之间的相似度将子序列段聚类为多个类簇，并分别获取类簇的关键子序列；
[0062]
对于分段之后的子序列段，可以通过计算子序列段轨迹之间的绝对距离来获取该相似度数据。其中，对于长度相同、相互平行且两者起点与原轨迹垂直的两条轨迹段，可以直接用他们之间的垂直距离来衡量两者之间的相似度，距离越近即越相似，该垂直距离可以用d
⊥
表示；对于互相平行但长度不同或互相错位的两条轨迹段，需要引入两者水平方向上的差别来计算水平距离，通过该水平距离衡量相似度，该水平距离可以用d
||
表示；对于互相不平行的两条轨迹段，该夹角越大则相似度越小，因此，需要引入两者之间的夹角来计算夹角距离，该夹角距离可以用d
θ
表示；
[0063]
在获取到子序列段之间的相似度数据之后，即可根据该相似度将各个子序列段聚类得到多个类簇，并进一步的获取每个类簇中最具有代表性的关键子序列。
[0064]
s204，在用户事件轨迹中基于关键子序列圈定目标范围，通过分析目标范围内的用户事件记录，在游戏数据库中确定工作室用户。
[0065]
需要说明的是，由于工作室用户具有集中上线行为，且游戏行为往往绝大多数一致，因此，工作室用户很有可能集中分布在几条具有代表性的用户事件轨迹中。而上述关键子序列又是每一类游戏行为最具代表性的序列，因此，通过分析这些关键子序列，即可圈定一个可能存在工作室用户的较小范围。再进一步的通过人工或者结合一些简单的计算机逻辑即可确定其中的工作室用户。
[0066]
通过上述步骤s201至s203，相比较于相关技术中采用随机森林等有监督算法识别工作室用户的方法，本技术实施例基于轨迹聚类的无监督算法，将用户事件轨迹经分段、聚类和获取代表性序列之后，基于该代表性子序列段圈定较小的目标范围，并在该目标范围中确定工作室用户。通过该方法，解决了相关技术中在游戏运营前期，因为无法获取较大规模的工作室用户样本数据而无法应用有监督算法进行工作室用户检测的问题，能够缩小核查范围，从而提升了区分工作室用户的人力和时间成本。
[0067]
在其中一些实施例中，根据特征点的mdl代价确定关键特征点包括：
[0068]
步骤1，确定目标特征点，获取起始特征点和目标特征点之间存在关键特征点的第一mdl代价，以及获取起始特征点和目标特征点中不存在关键特征点的第二mdl代价；
[0069]
步骤2，判断第一mdl代价是否大于第二mdl代价，若是，目标特征点的前一个特征点为关键特征点，并以关键特征点为起始特征点循环执行步骤1和步骤2，若否，以目标特征点的后一个特征点为目标特征点循环执行步骤1和步骤2。
[0070]
需要说明的是，mdl(minimum description length，最小描述长度)是信息压缩中广泛采用的一种规则。其基本原理是对于一组给定的实例数据d，如果要对其进行保存，为了节省存储空间一般采用模型h对其进行编码压缩，然后再保存压缩后的数据。同时，为了以后能正确恢复这些实例数据，需要将所用的模型也保存起来。所以需要保存的数据长度等于编码压缩后的长度加上保存模型所需的数据长度所得到的总描述长度。而应用最小描述长度(mdl)原理即可选择出，最能准确且简洁的将子序列段分段的模型。
[0071]
其中，mdl原则包含两个部分：l(h)和l(d|h)，其中，l(h)用于描述压缩模型(或编码方式)所需要的长度，相当于存储数据；l(d|h)用于描述利用压缩模型所编码的数据所需要的长度，相当于存储空间数据，其中，l(h)和l(d|h)分别通过如下公式1和公式2计算：
[0072]
公式1：
[0073]
公式2：公式2：
[0074]
其中，表示子序列段轨迹的起始特征点和结束特征点，d
⊥
表示垂直距离，d
θ
表示夹角距离。
[0075]
进一步的，图4是根据本技术实施例的一种行为轨迹的示意图，如图4所示，l(h)，l(d|h)的一个计算举例如下公式3和公式4所示：
[0076]
公式3：l(h)＝log2(len(p1p4)
[0077]
公式4：l(d|h)＝log2(d
⊥
(p1p4，p1p2) d
⊥
(p1p4，p2p3) d
⊥
(p1p4，p3p4 )) log2(d
θ
(p1p4，p1p2) d
θ
(p1p4，p2p3) d
θ
(p1p4，p3p4)
[0078]
再进一步的，根据关键点将预处理数据分段为多个子序列段包括：在预处理数据组成的轨迹中，获取起始特征点和关键特征点之间的特征点作为特征点集合，以特征点集合作为子序列段。
[0079]
在其中一些实施例中，根据子序列段之间的相似度，将子序列段聚类为多个类簇包括：
[0080]
首先，获取子序列段对应的子序列段轨迹线段，并分别计算各个子序列段轨迹线段之间的绝对距离，其中，绝对距离包括垂直距离、平行距离和夹角距离，其可以表征子序列段之间的相似度；
[0081]
进一步的，在预处理数据中定义类簇，包括：定义聚类中心、定义类邻域半径和定义最小子序列段数；获取绝对距离小于类邻域半径的目标子序列段，在目标子序列段的数量大于最小子序列段数的情况下，将目标子序列段划分至对应的类簇其中，可以根据如下公式5获取绝对距离小于类邻域半径的目标子序列段：
[0082]
公式5：n
ε
(l)＝{[li|dist(l，li)＜ε]；dist(l，li)＝w
⊥
·d⊥
(l，li) w
||
·d||
(l，li) w
θ
·dθ
(l，li)}
[0083]
在上述公式5中，n
ε
(l)是目标子序列段，ε是类邻域半径，dist(l，li)是子序列段之间的绝对距离，w
⊥
，w
θ
，w
||
分别为各类型距离数据对应的权重，这里可以都取1。
[0084]
在其中一些实施例中，在聚类结束之后，获取每个类簇中最具代表性的关键子序列用于筛选工作室用户，其中，获取关键子序列具体包括：
[0085]
计算类簇的平均方向向量，将子序列段中的特征点按照平均方向向量进行排序编码；需要说明的是，按照平均方向向量进行排序编码的具体实现过程为：旋转特征点的坐标系使得原x坐标轴与平均方向向量平行得到新的坐标轴x’，在新的x’坐标轴上得到的数值即编码排序之后的数值。
[0086]
在子序列段中确定编码坐标与特征点坐标相同的目标特征点，并确定目标特征点的数量，进一步的，在目标特征点的数量大于最小子序列段数的情况下，计算目标特征点与目标特征点的前一个特征点的编码坐标差值；
[0087]
在编码坐标差大于或者等于预设平滑参数的情况下，计算子序列段中所有特征点的平均编码坐标，按照平均方向向量将平均编码坐标解码得到子序列段的平均坐标，其中，平均坐标用于表征关键子序列；可以理解的是，该解码过程即将x’轴再次旋转至原来的x坐标轴，在该x坐标轴上得到的数值即解码后的数值。
[0088]
在其中一些实施例中，在游戏玩家是工作室用户的情况下，在游戏数据库中获取用户事件记录，对用户事件记录进行编码得到预处理数据，其中，在用户事件记录中，多个工作室用户具有相似行为且登录时间集中；
[0089]
在预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据关键特征点将预处理数据分段为多个子序列段；根据子序列段之间的相似度，将子序列段聚类得到多个类簇，并分别获取类簇的关键子序列，其中，该关键子序列包括工作室用户生成的用户事件记录；在用户事件轨迹中确定与关键子序列对应的目标范围，通过分析目标范围内的用户事件记录，在游戏数据库中确定工作室用户。
[0090]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0091]
本实施例还提供了一种基于轨迹聚类的游戏工作室用户检测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0092]
图5是根据本技术实施例的一种基于轨迹聚类的游戏工作室用户检测系统，如图5所示，该系统包括：游戏数据库51、读取模块52、分段模块53、聚类模块54、分析模块55；
[0093]
读取模块52用于在游戏数据库51中获取用户事件记录，对用户事件记录进行编码得到预处理数据；
[0094]
分段模块53用于在预处理数据组成的用户事件轨迹中，根据特征点的mdl代价确定关键特征点，并根据关键特征点将预处理数据分段为多个子序列段；
[0095]
聚类模块54用于根据子序列段之间的相似度，将子序列段聚类为多个类簇，并分别获取类簇的关键子序列；
[0096]
分析模块55用于在用户事件轨迹中个根据关键子序列圈定目标范围，以及分析目标范围内的用户事件记录，在游戏数据库51中确定工作室用户。
[0097]
在其中一些实施例中，分段模块53根据特征点的mdl代价确定关键特征点包括如下步骤：
[0098]
步骤1，确定目标特征点，获取起始特征点和目标特征点之间存在关键特征点的第一mdl代价，以及获取起始特征点和目标特征点中不存在关键特征点的第二mdl代价；
[0099]
步骤2，判断第一mdl代价是否大于第二mdl代价，若是，目标特征点的前一个特征点为关键特征点，并以关键特征点为起始特征点循环执行步骤1和步骤2，若否，以目标特征点的后一个特征点为目标特征点循环执行步骤1和步骤2。
[0100]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于轨迹聚类的游戏工作室用户检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0101]
在一个实施例中，图6是根据本技术实施例的电子设备的内部结构示意图，如图6所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的
运行提供环境，计算机程序被处理器执行时以实现一种基于轨迹聚类的游戏工作室用户检测方法，数据库用于存储数据。
[0102]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0103]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。