[发明专利]基于特征分类训练器的优化Unity打AB包的方法

权利要求书

1.一种基于特征分类训练器的优化Unity打AB包的方法，其特征在于，该方法包括以下步骤：

S100，对目标游戏程序通过监控接口获取游戏资源的安装和卸载的时间表；

S200，根据游戏资源的安装和卸载的时间表使用聚类方法生成对应的聚类结果，进一步，获取聚类结果中的无时序聚类集合；

S300，将所述无时序聚类集合对应的资源文件信息进行数字化编码，生成对应的整型数据集；

S400，对所述整型数据集使用分类迭代方法进行训练，得到对应的分类器，具体包括将整形数据集的每一个维度的初始权重设为1/N，遍历每一个维度，将有时序的资源集合作为学习样本，使用adaboost算法衡量和训练每一个维度对应的弱分类器，得到该弱分类器的权重和分类阈值，同时作为参数传递给下一个分类器，通过N个弱分类器以及权重得到强分类器；

S500，通过所述分类器对无时序聚类集合对应的资源文件信息划分为多个打包标签，将所述打包标签和所述聚类结果对游戏资源进行优化打包；

所述S200具体包括：

S210，使用聚类算法，将现有的资源重新分配，生成对应的聚类结果；

S220，将所述聚类结果作为有时序的资源集合，通过总的资源集合减去有时序的资源集合，得到无时序的资源集合。

2.根据权利要求1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S100具体包括：

S110，对移动终端的一项或多项游戏程序注入监控接口；

S120，对游戏内加载资源和卸载资源的接口调用时，监控接口将资源加载和卸载资源的信息发送给服务端写入日志；

S130，收集自动或手动的方式打开游戏资源的加载和卸载信息；

S140，分析服务端收集到的资源加载和卸载时间表，根据资源的加载时间和卸载时间生成对应的二维分布图。

3.根据权利要求1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述聚类算法设置为K-Means聚类算法。

4.根据权利要3所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S300具体包括：

S310，收集无时序的资源集合的资源文件相关信息，资源文件相关信息包括文件大小、路径、文件名、文件类型、隶属玩法、场景、提交人以及提交时间，得到原始数据集；

S320，将原始数据集进行数字化编码，得到包括多个多维向量的整形数据集。

5.根据权利要求4所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述数字化编码包括：

将资源文件信息中包括有数字标识的信息进行整型编码，以及，将不包括有数字标识的通过映射方法转换为整型编码。

6.根据权利要1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述N设置为8。

7.根据权利要1所述的基于特征分类训练器的优化Unity打AB包的方法，其特征在于，所述S500具体包括：

S510，通过强分类器将无时序的资源集合分为多个打包标签；

S520，将打包标签和聚类结果作为对对应游戏资源文件进行再次打包，得到优化后的AB包。