[发明专利]机器学习驱动式资源分配

说明书

一种用于为在线游戏提供资源的分布式游戏引擎，包括多个管理节点和多个处理节点。所述管理节点被配置成将所述分布式游戏引擎的功能部分分布在所述多个处理节点上。资源分配模式是用包括在玩游戏训练数据中的用户输入、所述在线游戏的游戏状态和成功准则构造。使用资源分配代理访问所述资源分配模型并且与配置代理通信，以基于由所述资源分配模型的所述资源分配来识别处理所述在线游戏的所述功能部分中的特定功能部分所需的所述处理节点。过程同步层与所述处理节点和所述管理节点介接，以提供资源来执行所述在线游戏的所述功能部分，以便产生用于在用户的客户装置处呈现的视频帧。

技术领域

本公开涉及为在线游戏分配资源，并且更确切地涉及构建人工智能(artificial intelligence；AI)模型和使用所述AI模型识别资源并且为在线游戏分配资源。

背景技术

在线游戏在游戏世界内已经变得非常流行。在线游戏、尤其是大型多玩家在线(MMO)游戏，大量用户经由计算机的网络同时地参见所述游戏。因此，MMO游戏需要用于执行在线游戏的游戏逻辑的资源的大量协调，以便向用户提供令人满意的玩游戏体验。在一些实例中，使用游戏控制台的网络来玩在线游戏，其中每个游戏控制台专用于特定用户。在玩游戏会话期间，游戏控制台的数目视在线游戏的需求而上调或下调。每个游戏控制台为对应用户提供用于在线游戏的可用资源。各个游戏控制台的资源被独立地控制并且不在用户间共享。

在替代实例中，在线游戏是使用游戏云系统的资源在游戏云上执行，并且用户能够连接到在云服务器上执行的在线游戏。在游戏云上执行在线游戏的优点是执行游戏所需的资源被集中。然而，由于玩在线游戏的玩家的数目同时地增大，游戏云系统资源的压力持续地增大，从而使得难以向在线游戏的用户提供可接受的服务质量。资源的压力可以归因于针对在线游戏产生的数据的量。举例来说，在MMO游戏中，每个玩家必须具备基于玩家自身感知的游戏数据。为了避免所述压力，游戏开发者设置能够同时参加玩游戏会话的用户的数目的极限。即使具有设置的极限，资源的压力也可以导致等待时间，从而严重地影响用户的玩游戏体验，尤其在需要将游戏数据快速地散播到用户，使得用户能够筹划其下一步动作的快节奏游戏中。此外，基于用户的分布将资源分配给在云服务器上执行的在线游戏非常复杂。

在此上下文中，本公开的实施方案出现。

发明内容

本公开的实施方案涉及用于为在线游戏提供资源的系统和方法。所述在线游戏是使用包括多个管理节点和处理节点的分布式游戏引擎执行。所述管理节点用于识别所述分布式游戏引擎的功能部分和将所述分布式游戏引擎的功能部分分布到多个处理节点进行处理。所述功能部分与处理所述在线游戏的特定特征的所述分布式游戏引擎的游戏引擎任务有关。所述功能部分是使用资源分配模型分布到所述处理节点。所述资源分配模型是使用机器学习算法构建并且用玩游戏训练数据来训练，所述玩游戏训练数据包括从用户(即，玩家、开发者)接收的输入、从历史玩游戏获得的所述在线游戏的游戏状态和成功准则。所述资源分配模型识别所述在线游戏所需的所述游戏引擎的所述功能部分、处理所述功能部分所需的资源和在云游戏系统内的能够提供用于处理所述识别的功能部分的必要资源的所述处理节点中的特定处理节点。分配代理用于与配置代理通信以将所述识别的功能部分分配给所述处理节点中的所述特定处理节点进行处理。