[发明专利]基于特征分类训练器的优化Unity打AB包的方法

说明书

本发明涉提供了基于特征分类训练器的优化Unity打AB包的方法，该方法包括：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；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；将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；对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；通过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，将打包标签和聚类结果对游戏资源进行优化打包。本发明的有益效果为：使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。

技术领域

本发明属于计算机游戏领域，具体涉及了一种基于特征分类训练器的优化Unity打AB包的方法。

背景技术

AB包为asset bundle包的简称。

目前的Unity打AB包时，一般是有以下几种方案：

1.按照资源的依赖来分包

2.按照资源文件夹分包

3.按照资源类型来分包

4.按照资源时序的聚类来分包

按照以上的1种或多种组合形式打出来的AB包，由于unity加载的单位是AB包，那么如果分包不合理，会导致加载在内存中的资源并没有被使用，从而造成浪费，使内存虚高，也有可能会基于内存的限制造成频繁的加载和卸载AB包，从而使帧率下降，降低玩家体验。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了基于特征分类训练器的优化Unity打AB包的方法，使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。

本发明的技术方案包括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；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。

根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中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设置和卸载时间生成对应的二维分布图。

根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中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。

根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中聚类算法设置为K-Means聚类算法。

根据所述的基于特征分类训练器的优化Unity打AB包的方法，其中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。