一种云游戏异常的智能解决方法及系统与流程

1.本技术云游戏问题监测及解决领域，尤其涉及一种云游戏异常的智能解决方法。本技术还涉及一种云游戏异常的智能解决系统。


背景技术：

2.云游戏是将游戏运行于云端，将游戏画面实时传递给用户，并采集用户的输入传递给云端，可以使极低的用户硬件成本能操作需要巨大资源游戏的一种模式。但在用户操作过程中，因为硬件或者软件的设置问题，游戏会弹出错误框，影响用户体验。


技术实现要素：

3.本发明的目的在于克服现有技术中的缺陷，提供一种云游戏异常的智能解决方法。本技术还涉及一种云游戏异常的智能解决系统。
4.本技术提供一种云游戏异常的智能解决方法，包括：监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片；判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值；以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型；当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。
5.可选的，所述cpu、gpu、内存和网络状态的异常包括：cpu使用率的波动提升到预设数值；gpu使用率波动降低到预设数值；内存使用率增加到导致资源加载异常；网络断开。
6.可选的，所述预设解决步骤包括：判断发生弹出一个对话框，关闭所述对话框；或者判断游戏已经崩溃，重启游戏。
7.可选的，所述图片判断为不合规时，则丢弃。
8.可选的，所述图片包括，存储到数据库中。
9.本技术还提供一种云游戏异常的智能解决系统，包括：监测模块，用于块监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片；判断模块，用于判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值；训练模块，用于以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型；
执行模块，用于当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。
10.可选的，所述cpu、gpu、内存和网络状态的异常包括：cpu使用率的波动提升到预设数值；gpu使用率波动降低到预设数值；内存使用率增加到导致资源加载异常；网络断开。
11.可选的，所述预设解决步骤包括：判断发生弹出一个对话框，关闭所述对话框；或者判断游戏已经崩溃，重启游戏。
12.可选的，所述图片判断为不合规时，则丢弃。
13.可选的，所述图片包括，存储到数据库中。
14.本技术的优点和有益效果：本技术提供一种云游戏异常的智能解决方法，包括：监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片；判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值；以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型；当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。本技术通过深度学习，通过截图即可判断异常并执行解决方案，以使用户的体验更好。
附图说明
15.图1是本技术中云游戏存储空间自动扩容流程示意图。
16.图2是本技术中异常情况处理流程图。
17.图3是本技术中云游戏存储空间自动扩容装置示意图。
具体实施方式
18.以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的限制。
19.本技术提供一种云游戏异常的智能解决方法，包括：监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片；判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值；以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型；当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。本技术通过深度学习，通过截图即可判断异常并执行解决方案，以使用户的体验更好。
20.图1是本技术中云游戏存储空间自动扩容流程示意图。
21.请参照图1所示，s101监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片。
22.所述监测为实时检测，监测所述cpu、gpu、内存和网络状态的实时状况。当所述
cpu、gpu、内存和网络状态发生异常，则可以及时发现，并进行相应的操作。
23.所述cpu、gpu、内存和网络状态发生异常的情况可以预先设置，所述异常情况可以通过预定义，阈值设置等方式进行预先设置，所预定义是指设置一个后者多个条件，当所述一个或者多个条件同时达到时，则判断为某个特定的异常情况。所述阈值是指设置一个固定阈值，当检测到的数据不符合所述阈值的范围时，则可以判断为某个特定的异常情况。
24.优选的，在本技术中，所述cpu、gpu、内存和网络状态的异常情况可以设置如下判断方式：cpu：游戏对cpu的使用率突然间进行大幅度的波动，包括：所述使用率忽然提到预设数值，例如升为90%，这种情况可能是因为游戏因未知产生死循环，导致其疯狂占用cpu。
25.gpu：游戏对gpu的使用率忽然大幅度的波动，包括：忽然降低到预设数值，例如0%，这种情况可能是因为游戏弹出了对话框，导致游侠画面不再进行渲染。
26.内存：游戏对内存的使用率大幅度的提高，这种情况可能是因为加载资源发生了异常。
27.网络：当网络断开时，游戏没有做出正确的处理，会导致弹出了错误的对话框。
28.在上述的监测中，监测到的所述异常情况将自动触发程序进行图片截取，所述图片是当时运行游戏的桌面图片。
29.请参照图1所示，s102判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值。
30.所述图片在被截取获得后，需要进行图片质量的判断，并根据判断结果进行下一步或者删除图片进行重新获取。所述图片的判断包括：判断所述图片是否被正确获取；判断所述图片是否有噪点，以及该噪点是否影响依靠该图片的下一步骤；判断所述图片是否是全黑或者全白等。
31.具体的，所述判断图片是否被正确获取，需要预先对不同情况的照片截图进行定义，设置正确图片库，然后将截取的图片与所述图片库进行对照判断，并得到该图片是否被正确获取的结果；所述图片是否有噪点的判断，需要进行两个步骤的判断，包括是否有噪点以及该噪点是否影响将要进行的后续步骤处理，这其中所述是否有噪点可以进行定义，包括设置噪点密度阈值以及噪点大小阈值，根据所述噪点密度阈值与噪点大小阈值与检测到的噪点对应的参数进行对比，获得最终的判断结果。
32.噪点判断的第二步同第一步基本相同，其区别在于所述噪点密度阈值和噪点大小阈值的不同，该步骤针对图片不同区域设置为不同参数进行判断。
33.所述判断所述照片是否全黑或者全白，包括判断全黑或者全白的占比，该占比与预设的占比阈值经对比，当所述占比超过所述占比阈值时，则判断为全黑或者全白。
34.根据上述四项判断，若每一项判断都符合预设条件则判断所述图片为合格，否则为不合格。
35.进一步的，当所述不同的图片质量判断项都在单独的判断中合格，还需要对全部所述判断项进行综合的评价，以避免多种质量合规的图片质量项叠加导致图片不合规。
36.具体的，首先为所述四项质量的判断项进行定义，获得描述值，例如所述图片是否被正确获取，此时定义所述图片被正确获取的含义是，所述图片完整呈现画面，根据画面的完整性对画面进行评价，评价范围为0~100的数值。所述噪点可以定义为噪点密度的大小，
基于密度的大小设置0~100的评价数值，所述全黑或者全白，可以检测其灰度，以图片灰度大小设置评价值，分别设置为0~100的数值。
37.基于上述设置，可通过下面表达式技术图片质量的综合评分：基于上述设置，可通过下面表达式技术图片质量的综合评分：其中，所述p是综合评分，所述f是设置的评价数值，该四项质量判断的评价数值范围相同，所述n表示质量评价项的数目，所述d表示评价数值，当任意一个所述，则直接表明所述图像质量不合格，所述是规定的所述评价数值可进行综合评分计算的范围。
38.基于上述公式，可进行计算所述综合评分，并设置所述综合评分的阈值，当所述综合评分达到所述阈值时，表示该图质量不合格。
39.请参照图1所示，s103以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型。
40.所述深度学习通过采用卷积神经网络模型进行训练获得的判断模型实现，所述卷积神经网络包括输入层、卷积层、融合层和输出层，所述输入层将输入的所述数据，分别根据所述cpu、gpu、内存、网络状态和图片生成不同的维度点，并将多个维度点组成维度点图。
41.所述维度点具有cpu、gpu、内存和网络状态等数据维度的至少三个以及图片数据的维度，并记录所述维度点与所述图片数据得到关联关系。
42.所述卷积层基于不同维度进行数据融合和删减，将维度点图转换为特征维度点图，将相同的维度点以不同数据维度生成的至少两个特征维度点图进行融合，获得最终分析图。
43.基于所述最终分析图的正确性，调整所述卷积神经网络各个参数，并再次进行上述步骤，知道获取到符合要求的所述判断模型。
44.请参照图1所示，s104当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。
45.完成上述模型训练后，在实际的检测过程中，需要实时检测所述云游戏运行情况，包括检测cpu，gpu，内存或网络的异常情况，并在发送异常情况时，进行截图获取输入数据。
46.图2是本技术中异常情况处理流程图。
47.请参照图2所示，s201将所述截图输入到所述判断模型中，根据所述截图和维度点的关联关系获得最终分析图，并得到异常情况类型。
48.请参照图2所示，s202基于所述异常情况类型，可以进行如下异常情况处理。
49.包括：如果判断是发生了一些并不影响游戏正常运行的异常情况，比如只是弹了一个对话框，那就在用户发现前替用户点掉这个对话框；当遇到严重的异常时，比如游戏已经崩溃，或游戏没法再正常运行时，那就重启游戏。
50.本技术还提供一种云游戏异常的智能解决系统，包括有监测模块301、判断模块302、训练模块303和执行模块304。
51.图3是本技术中云游戏存储空间自动扩容装置示意图。
52.请参照图3所示，监测模块301，用于块监测cpu、gpu、内存和网络状态，当异常状态发生时，截取当时游戏图片。
53.所述监测为实时检测，监测所述cpu、gpu、内存和网络状态的实时状况。当所述cpu、gpu、内存和网络状态发生异常，则可以及时发现，并进行相应的操作。
54.所述cpu、gpu、内存和网络状态发生异常的情况可以预先设置，所述异常情况可以通过预定义，阈值设置等方式进行预先设置，所预定义是指设置一个后者多个条件，当所述一个或者多个条件同时达到时，则判断为某个特定的异常情况。所述阈值是指设置一个固定阈值，当检测到的数据不符合所述阈值的范围时，则可以判断为某个特定的异常情况。
55.优选的，在本技术中，所述cpu、gpu、内存和网络状态的异常情况可以设置如下判断方式：cpu：游戏对cpu的使用率突然间进行大幅度的波动，包括：所述使用率忽然提升为90%，这种情况可能是因为游戏因未知产生死循环，导致其疯狂占用cpu。
56.gpu：游戏对gpu的使用率忽然大幅度的波动，包括：忽然降低到0%，这种情况可能是因为游戏弹出了对话框，导致游侠画面不再进行渲染。
57.内存：游戏对内存的使用率大幅度的提高，这种情况可能是因为加载资源发生了异常。
58.网络：当网络断开时，游戏没有做出正确的处理，会导致弹出了错误的对话框。
59.在上述的监测中，监测到的所述异常情况将自动触发程序进行图片截取，所述图片是当时运行游戏的桌面图片。
60.请参照图3所示，判断模块302，用于判断所述图片是否合规，包括判断所述图片是否全黑、全白以及噪点是否超过预设噪点阈值。
61.所述图片在被截取获得后，需要进行图片质量的判断，并根据判断结果进行下一步或者删除图片进行重新获取。所述图片的判断包括：判断所述图片是否被正确获取；判断所述图片是否有噪点，以及该噪点是否影响依靠该图片的下一步骤；判断所述图片是否是全黑或者全白等。
62.具体的，所述判断图片是否被正确获取，需要预先对不同情况的照片截图进行定义，设置正确图片库，然后将截取的图片与所述图片库进行对照判断，并得到该图片是否被正确获取的结果；所述图片是否有噪点的判断，需要进行两个步骤的判断，包括是否有噪点以及该噪点是否影响将要进行的后续步骤处理，这其中所述是否有噪点可以进行定义，包括设置噪点密度阈值以及噪点大小阈值，根据所述噪点密度阈值与噪点大小阈值与检测到的噪点对应的参数进行对比，获得最终的判断结果。
63.噪点判断的第二步同第一步基本相同，其区别在于所述噪点密度阈值和噪点大小阈值的不同，该步骤针对图片不同区域设置为不同参数进行判断。
64.所述判断所述照片是否全黑或者全白，包括判断全黑或者全白的占比，该占比与预设的占比阈值经对比，当所述占比超过所述占比阈值时，则判断为全黑或者全白。
65.根据上述四项判断，若每一项判断都符合预设条件则判断所述图片为合格，否则为不合格。
66.进一步的，当所述不同的图片质量判断项都在单独的判断中合格，还需要对全部
所述判断项进行综合的评价，以避免多种质量合规的图片质量项叠加导致图片不合规。
67.具体的，首先为所述四项质量的判断项进行定义，获得描述值，例如所述图片是否被正确获取，此时定义所述图片被正确获取的含义是，所述图片完整呈现画面，根据画面的完整性对画面进行评价，评价范围为0~100的数值。所述噪点可以定义为噪点密度的大小，基于密度的大小设置0~100的评价数值，所述全黑或者全白，可以检测其灰度，以图片灰度大小设置评价值，分别设置为0~100的数值。
68.基于上述设置，可通过下面表达式技术图片质量的综合评分：面表达式技术图片质量的综合评分：其中，所述p是综合评分，所述f是设置的评价数值，该四项质量判断的评价数值范围相同，所述n表示质量评价项的数目，所述d表示评价数值，当任意一个所述，则直接表明所述图像质量不合格，所述是规定的所述评价数值可进行综合评分计算的范围。
69.基于上述公式，可进行计算所述综合评分，并设置所述综合评分的阈值，当所述综合评分达到所述阈值时，表示该图质量不合格。
70.请参照图3所示，训练模块303，用于以合规的所述cpu、gpu、内存、网络状态和图片为维度向量进行深度学习训练，生成判断模型。
71.所述深度学习通过采用卷积神经网络模型进行训练获得的判断模型实现，所述卷积神经网络包括输入层、卷积层、融合层和输出层，所述输入层将输入的所述数据，分别根据所述cpu、gpu、内存、网络状态和图片生成不同的维度点，并将多个维度点组成维度点图。
72.所述维度点具有cpu、gpu、内存和网络状态等数据维度的至少三个以及图片数据的维度，并记录所述维度点与所述图片数据得到关联关系。
73.所述卷积层基于不同维度进行数据融合和删减，将维度点图转换为特征维度点图，将相同的维度点以不同数据维度生成的至少两个特征维度点图进行融合，获得最终分析图。
74.基于所述最终分析图的正确性，调整所述卷积神经网络各个参数，并再次进行上述步骤，知道获取到符合要求的所述判断模型。
75.请参照图3所示，执行模块304，用于当发生运行异常时，获取所述图片并输入到所述判断模型，获得异常判断结果，并执行预设解决步骤。
76.完成上述模型训练后，在实际的检测过程中，需要实时检测所述云游戏运行情况，包括检测cpu，gpu，内存或网络的异常情况，并在发送异常情况时，进行截图获取输入数据。
77.图2是本技术中异常情况处理流程图。
78.请参照图2所示，s201将所述截图输入到所述判断模型中，根据所述截图和维度点的关联关系获得最终分析图，并得到异常情况类型。
79.请参照图2所示，s202基于所述异常情况类型，可以进行如下异常情况处理。
80.包括：如果判断是发生了一些并不影响游戏正常运行的异常情况，比如只是弹了
一个对话框，那就在用户发现前替用户点掉这个对话框；当遇到严重的异常时，比如游戏已经崩溃，或游戏没法再正常运行时，那就重启游戏。