View a markdown version of this page

GAMESEC06-BP02 使用人工智能和机器学习工具自动执行基础设施保护策略的各个方面 - 游戏行业镜头
实施指导

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

GAMESEC06-BP02 使用人工智能和机器学习工具自动执行基础设施保护策略的各个方面

Amazon Lookout for Metrics 使用机器学习来自动检测和诊断您的业务和运营数据中的异常，并以更快的速度和准确性监控对您的业务最重要的指标。该服务还可以轻松诊断异常的根本原因，例如收入、登录、交易或留存率的突然下降。它不需要游戏开发者具有机器学习经验即可进行设置，并且可以连接到流行的数据源，包括亚马逊 S3、亚马逊、亚马逊 RDS CloudWatch、亚马逊 RDS、亚马逊 Redshift 以及许多 SaaS 应用程序。例如，您可以将 Amazon Lookout 指标与游戏分析管道和其他数据源集成，开始分析行为以检测异常。

在未建立这种最佳实践的情况下暴露的风险等级：高

实施指导

或者，您可以选择使用 SageMaker A mazon AI AI 构建、训练和托管自定义机器学习模型，以解决内容审核、毒性检测、作弊检测、欺诈检测等用例。

客户示例

AnyCompany 游戏使用 Amazon Lookout for Metrics 来自动检测服务器性能、玩家登录尝试或交易量中可能表明来自不良行为者的威胁的异常模式。此外，他们还使用 SageMaker Amazon AI开发了自定义机器学习模型，该模型可以持续分析网络流量模式和玩家行为，以帮助识别协调的威胁，例如试图利用其虚拟经济的机器人网络。

这种自动化方法使他们的安全团队能够专注于调查和响应真正的威胁，而不是手动监控数千个指标，同时确保在新出现的威胁模式严重影响游戏可用性或玩家安全之前被检测和解决。

实施步骤

  • 使用 Amazon Lookout for Metrics 来帮助自动检测和诊断关键业务和运营数据中的异常情况

  • 将 Amazon Lookout 指标与游戏分析管道、亚马逊 S3 等数据源集成，或者 CloudWatch 监控收入、登录和留存率等指标。

  • 使用 SageMaker Amazon AI 为作弊检测、欺诈预防和内容审核等高级用例构建、训练和托管自定义机器学习模型。