基于机器学习的网络游戏加速方法设计与实现

发布时间：2021-08-29 03:17

　　网络游戏作为一种新兴的娱乐社交方式,现已拥有着庞大的用户群体,且不断增加。同时网络游戏的发展也伴随着巨大的经济效益,其社会认可度也越来越高,因此通过对网络游戏进行加速,来提高网络游戏的服务质量有着十分重要的意义。为解决网络游戏加速的问题,首先要从庞大的网络数据流中找到网络游戏的数据流。因为机器学习具有强大的自适应性和自学习能力,能够很好的解决识别问题,而且拓展性好,所以本文提出利用机器学习的方法来进行网络游戏识别。相对于传统的利用单一维度信息进行网络游戏识别,提出了利用多维度信息进行网络游戏识别。在网络游戏加速方面,本文设计了网络游戏加速模型,该模型主要包括:利用SOCKET原始套接字实现的输入数据模块、基于决策树算法的游戏识别模块、基于QoS的WRR调度策略设计的游戏加速模块和利用多维度K-means聚类算法的数据更新模块。该加速方法具有成本低、实现简单和稳定性强的优点。通过仿真实验的方式对比了BP神经网络、决策树、PNN概率神经网络、ELM极限学习机和小波神经网络这五种机器学习算法在处理网络游戏识别问题上的性能。仿真实验的结果表明决策树算法在进行网络游戏识别时性能最优,因此本文选取... 

【文章来源】：武汉邮电科学研究院湖北省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

BP神经网络结构示意图

武汉邮电科学研究院硕士学位论文8图2-2决策树结构示意图决策树和其他的机器学习算法相比，其主要包括的优势有：(1)决策树算法相对简单且易于实现，其表达的含义相对容易理解；(2)和一些黑盒的机器学习算法相比，决策树是白盒模型，能够推理出其对应的表达式，其结果能用相应的if-else语句表示；(3)能够处理多种类型的数据，且处理的数据不需要进行归一化和剔除无用数据的操作，减少了前期数据预处理的工作，更加便捷。决策树算法除了以上的三个优点外，同样也有一些劣势和缺点：(1)当决策树中不同类型的训练数据数量不同时，决策树中的结果将更偏向于含有数据较多的类型，导致结果误差较大；(2)决策树节点的判定条件十分明确，这种明确性可能会造成误导。综上所述，决策树算法的优点包括：结构简单、实现简单和逻辑明确等，因此将用于解决网络数据流识别问题。2.1.3PNN概率神经网络PNN(ProbabilisticNeuralNetworks)概率神经网络是一种前馈型人工神经网络[30]。该算法最先是D.F.Specht于1989年提出的，以贝叶斯分类和概率论中核密度估计方法发展而形成的一种并行算法。PNN神经网络具有网络结构简单和网络训练快捷的优点，因此得到了的广泛引用。其主要目的是解决非线性的分类问题，在解决该类问题中通过线性学习的方法依旧能够达到非线性方法的准确度，因此解决分类问题上具有很大的优势。该算法因为不必修正网络的权值，所以能够解决训练上实时处理的需求。因此可以利用该方法进行网络数据流识别。

武汉邮电科学研究院硕士学位论文9图2-3概率神经网络基本结构PNN神经网络的结构如图2-3所示，包含输入层、模式层、求和层和输出层。输入层的功能是把训练数据的特征向量传给网络，输入层神经元个数的选取由样本矢量的维数决定，大小等于该值。模式层的功能是完成对输入数据特征向量和不同模式的匹配，并进行分析计算。训练数据的类型个数将会决定模式层的节点个数，该层的输出值如式(2-1)所示。2()()(,)exp[]2TiiiXWXWhXW(2-1)式中，模式层的连接权值用iW表示，平滑因子用表示，这些参数对神经网络能够准确的实现分类功能有着十分重要的影响。求和层的功能是把其中一种分类结果的概率累加求和，以此求出故障模式的估计概率密度函数。对于不同的分类，其结果只含有一种对应的求和层单元。因此求和层单元只与自己对应模式层单元的输出有关系，和其它的类型都无关。经过求和层的输出与各自对应类型的概率密度的估计成正比例。输出层的功能是选取不同故障模式中具有最大后验概率密度的节点，并把该节点作为整个概率神经网络的输出。样本数据的分类个数将决定输出层的节点个数，多少种分类类型对应着多少个神经元个数，且不同的神经元对应着不同的分类类型。


本文编号：3369792