View a markdown version of this page

GAMESEC06-BP02 使用人工智慧和機器學習工具自動化基礎設施保護策略的各個層面 - 遊戲產業鏡頭
實作指引

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

GAMESEC06-BP02 使用人工智慧和機器學習工具自動化基礎設施保護策略的各個層面

Amazon Lookout for Metrics 使用機器學習自動偵測和診斷業務和營運資料中的異常，並以更高的速度和準確性監控對業務最重要的指標。該服務也可直接診斷異常的根本原因，例如收入、登入、交易或保留突然下降。它不需要遊戲開發人員擁有 ML 經驗來設定，並且可以連線到熱門資料來源，包括 Amazon S3、Amazon CloudWatch、Amazon RDS、Amazon Redshift，以及許多 SaaS 應用程式。例如，您可以將 Amazon Lookout for Metrics 與 Game Analytics Pipeline 和其他資料來源整合 ，開始分析行為以偵測異常。

未建立此最佳實務時的曝險等級：高

實作指引

或者，您可以選擇使用 Amazon SageMaker AI 建置、訓練和託管自訂機器學習模型，以解決使用案例，例如內容管制、毒性偵測、詐騙偵測等。

客戶範例

AnyCompany Games 使用 Amazon Lookout for Metrics 來自動偵測伺服器效能、玩家登入嘗試或交易量中的異常模式，這些模式可能表示來自惡意人士的威脅。此外，他們已使用 Amazon SageMaker AI 開發自訂機器學習模型，持續分析網路流量模式和玩家行為，以協助識別協調的威脅，例如嘗試利用其虛擬經濟的機器人網路。

這種自動化方法可讓安全團隊專注於調查和回應真正的威脅，而不是手動監控數千個指標，同時確保在對遊戲可用性或玩家安全造成重大影響之前偵測到和解決新興的威脅模式。

實作步驟

  • 使用 Amazon Lookout for Metrics 協助自動偵測和診斷關鍵業務和營運資料的異常

  • 將 Amazon Lookout for Metrics 與 Game Analytics Pipeline、Amazon S3 或 CloudWatch 等資料來源整合，以監控營收、登入和保留等指標。

  • 使用 Amazon SageMaker AI 來建置、訓練和託管自訂機器學習模型，以用於詐騙偵測、詐騙預防和內容管制等進階使用案例。