Gaming Analytics hoạt động

Phát hiện gian lận

Fraud Detection — Phát hiện gian lận

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Quét bất thường từ file z-score, MAD bền vững hoặc IQR

Tải log giao dịch, số đo hay chỉ số vận hành lên và nhận danh sách bản ghi lệch khỏi phần còn lại, kèm số dòng để tra ngược.

Đang chạy trên dữ liệu mẫu, không phải dữ liệu của bạn. Các ô còn nguyên mẫu dựng sẵn: Dữ liệu (dán hoặc tải CSV). Chọn nguồn dữ liệu khác ở cột bên trái rồi chạy lại để có kết quả của riêng bạn.
Số bất thường 2
Tỷ lệ 10.00%
Trên tổng 20 bản ghi
Phương pháp |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000
① Nguồn dữ liệu

Nhận dấu phẩy, chấm phẩy hoặc tab; tự nhận dòng tiêu đề; hiểu cả 1.234.567 lẫn 1.234,56.

Chỉ tải http/https tới địa chỉ công khai; địa chỉ nội bộ bị từ chối.

② Tham số
1.06.0

Giá trị mặc định là ví dụ chạy được — bấm Tính ngay để xem kết quả, rồi thay dữ liệu của bạn vào.

Chuỗi dữ liệu và các điểm bị gắn cờ

Giá trịBất thường
Chuỗi dữ liệu và các điểm bị gắn cờ2,7301,767803.5-159.6135791113151719

Quy tắc đang dùng: |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000. Điểm bị gắn cờ nằm rải rác hay tụm lại theo thời gian là hai câu chuyện khác nhau — tụm lại thường là sự cố đo đạc.

Diễn giải nhanh

2 bất thường trên 20 bản ghi (10.00%)

Trên 5% thường nghĩa là ngưỡng quá nhạy hoặc dữ liệu vốn không có một tâm duy nhất, chứ không phải có thật nhiều lỗi.

Quy tắc: |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000

Z-score dùng trung bình và độ lệch chuẩn — cả hai đều bị chính ngoại lai kéo đi, nên nó bỏ sót khi có nhiều ngoại lai cùng lúc. MAD bền hơn vì dựa trên trung vị.

Lệch nhất: dòng 15, dòng 7

Kiểm tra thủ công vài dòng này trước khi loại bất cứ thứ gì. Bất thường có thể là biến cố thật, và loại nó đi là làm hỏng dữ liệu chứ không phải làm sạch.

Khi nào con số này sai: 'Bất thường' không đồng nghĩa 'có vấn đề'. Z-score dùng trung bình và độ lệch chuẩn, mà cả hai đều bị chính ngoại lai kéo đi — với dữ liệu bẩn hãy dùng phương pháp MAD, nó bền hơn nhiều.

Chi tiết

Quy tắc |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000
Các giá trị lệch nhất dòng 15: 2,450.0000 · dòng 7: 1,890.0000
Trung vị 134.5000
Gợi ý ngưỡng z: 3 · MAD: 3.5 · IQR: 1.5 (chuẩn) hoặc 3 (chặt)
Nếu tỷ lệ > 5% ngưỡng đang quá nhạy, hoặc dữ liệu vốn đa đỉnh

Chuỗi dữ liệu và các điểm bị gắn cờ

Giá trịBất thường
Chuỗi dữ liệu và các điểm bị gắn cờ2,7301,767803.5-159.6135791113151719

Quy tắc đang dùng: |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000. Điểm bị gắn cờ nằm rải rác hay tụm lại theo thời gian là hai câu chuyện khác nhau — tụm lại thường là sự cố đo đạc.

Phân phối giá trị

Phân phối giá trị20.1613.446.720173: 18279: 0385: 0491: 0597: 0702: 0808: 0914: 01.02e+03: 01.13e+03: 01.23e+03: 01.34e+03: 01.44e+03: 01.55e+03: 01.66e+03: 01.76e+03: 01.87e+03: 11.97e+03: 02.08e+03: 02.19e+03: 02.29e+03: 02.4e+03: 11734918081.13e+031.44e+031.76e+032.08e+032.4e+03

Dữ liệu hai đỉnh sẽ khiến mọi phương pháp dựa trên một tâm duy nhất gắn cờ nhầm cả một cụm hợp lệ.

Toàn bộ chỉ số

Quy tắc |z hiệu chỉnh| > 3.5 quanh trung vị 134.5000
Các giá trị lệch nhất dòng 15: 2,450.0000 · dòng 7: 1,890.0000
Trung vị 134.5000
Gợi ý ngưỡng z: 3 · MAD: 3.5 · IQR: 1.5 (chuẩn) hoặc 3 (chặt)
Nếu tỷ lệ > 5% ngưỡng đang quá nhạy, hoặc dữ liệu vốn đa đỉnh

Công thức đang dùng

z hiệu chỉnh = 0.6745·(x − trung vị)/MAD

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/outlier-scan gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Với ô dữ liệu: dán vài chục dòng để thử, hoặc tải file CSV/TXT lên để chạy thật. File tối đa 32 MB, 200.000 dòng; bộ đọc nhận dấu phẩy, chấm phẩy hoặc tab, tự nhận dòng tiêu đề, và hiểu cả 1.234.567 lẫn 1.234,56.
  3. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  4. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Phát hiện gian lận là gì

Gian lận trong game gồm nhiều dạng khác nhau cần phương pháp khác nhau: dùng phần mềm hỗ trợ (cheat), cày thuê tài khoản, giao dịch tài nguyên bằng tiền thật, và gian lận thanh toán.

Làm thế nào

  1. Thống kê hành vi bất thường: độ chính xác vượt ngưỡng con người, thời gian phản xạ quá đều, hoạt động 24/7.
  2. Phân tích mạng lưới giao dịch để tìm cụm cày thuê.
  3. Kết hợp phát hiện phía máy chủ với báo cáo từ người chơi.
  4. Xử lý theo đợt thay vì tức thời để kẻ gian khó dò ra tín hiệu bị bắt.

Đo bằng chỉ số nào

Tỷ lệ tài khoản bị xử lý đúng độ chính xác của hệ thống
Tỷ lệ oan chi phí rất cao — mất người chơi thật
Thời gian từ bắt đầu gian lận tới bị phát hiện hiệu quả vận hành

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! Người chơi giỏi thật có thể trông giống cheat trên thống kê; ngưỡng quá nhạy gây oan và mất người chơi tốt nhất.
! Công bố cơ chế phát hiện giúp kẻ gian lách qua.

Mô hình định lượng dùng trong Gaming

Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.

Tất cả mô hình →
Markov Chainsắp có

Trạng thái kế tiếp chỉ phụ thuộc trạng thái hiện tại.

K-Nearest Neighborssắp có

Dự đoán theo các điểm giống nhất trong quá khứ.

Reinforcement Learningsắp có

Học chính sách hành động qua thử và phần thưởng.

Agent-Based Modelsắp có

Mô phỏng hành vi tương tác của nhiều tác nhân.

Câu hỏi thường gặp

Phát hiện gian lận là gì?

Gian lận trong game gồm nhiều dạng khác nhau cần phương pháp khác nhau: dùng phần mềm hỗ trợ (cheat), cày thuê tài khoản, giao dịch tài nguyên bằng tiền thật, và gian lận thanh toán.

Phát hiện gian lận được làm như thế nào?

1. Thống kê hành vi bất thường: độ chính xác vượt ngưỡng con người, thời gian phản xạ quá đều, hoạt động 24/7. 2. Phân tích mạng lưới giao dịch để tìm cụm cày thuê. 3. Kết hợp phát hiện phía máy chủ với báo cáo từ người chơi. 4. Xử lý theo đợt thay vì tức thời để kẻ gian khó dò ra tín hiệu bị bắt.

Phát hiện gian lận hay sai ở đâu?

Người chơi giỏi thật có thể trông giống cheat trên thống kê; ngưỡng quá nhạy gây oan và mất người chơi tốt nhất. Công bố cơ chế phát hiện giúp kẻ gian lách qua.

Đo phát hiện gian lận bằng chỉ số nào?

Tỷ lệ tài khoản bị xử lý đúng — độ chính xác của hệ thống; Tỷ lệ oan — chi phí rất cao — mất người chơi thật; Thời gian từ bắt đầu gian lận tới bị phát hiện — hiệu quả vận hành.

Phát hiện gian lận trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Chủ đề khác trong Gaming

Toàn bộ Gaming
Matchmaking NPC AI Economy Simulation Player Analytics Recommendation Reports API Documentation