游戏中玩家利用小号刷分的不公平行为检测算法咨询

一、先靠硬规则抓最明显的异常 #

• 悬殊比分频次触发：先明确什么是“悬殊比分”（比如你提到的100-0，或自定义得分差≥80%总分数），然后设定阈值：比如3天内，玩家X被玩家Y以悬殊比分击败≥5次，直接标记预警。像你例子里Player_2连续3天被Player_1打100-0，累计8次，完全符合这个规则。
• 高频互刷判定：如果两个玩家短时间内（比如1天）对战次数远超过平台平均水平（比如普通玩家日均对战3-5次，他俩一天打4次），再结合悬殊比分，直接拉进重点排查名单。

二、用行为对比排除真菜鸡，锁定故意输局 #

• 横向对比同水平玩家：别光看和主号的对战，看看疑似小号（Player_2）和其他同段位玩家的对战数据。如果他跟别人打时比分有来有回，甚至能赢，唯独跟Player_1全是惨败，那肯定是故意放水；要是他跟谁打都是被碾压，那大概率是真新手，不是刷分。
• 纵向对比自身历史表现：查Player_2之前的对战记录，如果之前胜率正常、比分差距不大，突然连续几天给Player_1送分，之后又恢复正常，那基本就是临时刷分的操作。

三、挖账号关联，坐实主号小号关系 #

• 硬件/账号属性关联：查两个账号的IP地址、设备ID、绑定的手机号/支付信息，如果有重合，直接实锤是同一人操控的主号小号。
• 对战时间高度同步：如果Player_1和Player_2几乎同时上线、同时开对战、同时下线，而且大部分对战都是他俩互打，很少匹配其他玩家，这也是典型的刷分特征——毕竟正常匹配不会这么巧次次排到一起。

四、机器学习搞定更隐蔽的刷分手段 #

• 先攒特征：把能反映玩家行为的维度都列出来：
  • 单局细节：比分差、击杀/死亡比、技能使用率、是否全程消极操作（站着不动、不还手）
  • 全局数据：日均对战数、近期胜率、对特定玩家的胜率、段位提升速度
• 选模型落地：用孤立森林这类无监督模型，自动把行为和正常玩家差异大的账号标成异常；如果有已知的刷分账号样本，也可以训练分类器，直接识别新的刷分账号。

五、留好修正机制，避免误判 #

• 开放申诉通道：给被标记的玩家提交对战录像、操作记录的机会，真新手被误判了能澄清，避免流失用户。
• 动态更新规则：刷分的手段会变，比如玩家开始用90-100这种“伪正常比分”刷分，就得及时调整比分差阈值，或者加个“故意失误次数”的判定项（比如连续10次不还手）。

内容的提问来源于stack exchange，提问作者Zenocy Fox