導 語

本文為數據庫「擁抱Data+AI」系列連載第2篇，該系列是阿里云瑤池數據庫面向各行業Data+AI應用場景，基于真實客戶案例&最佳實踐，展示Data+AI行業解決方案的連載文章。

本文將詳細探討如何利用阿里云Data+AI解決方案來應對游戲行業挑戰，并借助AI為游戲行業注入新的活力。

往期內容推薦：

《大咖說｜Data+AI企業智能化轉型的核心驅動力》

《如何破解電商7大挑戰？DMS+AnalyticDB助力企業智能決策》

1行業趨勢

隨著互聯網游戲行業的迅猛發展，數據量也在急劇增加。這種增長不僅是因為玩家數量的增多和在線時間的增長，還歸因于游戲內集成的豐富數據驅動型功能，如個性化推薦、動態難度調整、虛擬經濟系統、實時多人互動以及行為追蹤分析等。這些功能提升了玩家的游戲體驗，但同時也要求處理和存儲更多的數據，給管理和成本帶來了新的挑戰。

盡管海量的數據帶來了挑戰，但也蘊藏著巨大的價值與機會。除了支持游戲內的各種數據驅動功能外，游戲公司還能通過數據分析更深刻地理解用戶的行為和偏好，從而優化游戲設計，提升用戶體驗，并通過精準營銷增加收入。對數據進行更深入的挖掘，企業還可以識別出影響用戶留存的關鍵因素，找到提高用戶參與度的最佳策略，并預測未來的市場趨勢和用戶行為，進而增強產品的競爭力和市場影響力。

面對由海量數據帶來的挑戰與機遇，如何聚焦于關鍵數據類型，解決管理與技術上的難題，并持續高效地發掘數據的價值，成為了游戲企業關注的重點問題。本文將詳細探討如何利用阿里云Data+AI解決方案來應對這些挑戰，并借助AI為游戲行業注入新的活力。

2技術挑戰

在游戲行業產生的海量數據中，日志類數據扮演著至關重要的角色。日志類數據記錄了玩家行為、游戲運行狀態及系統性能等關鍵信息。這類數據通常包括游戲玩家登錄與退出時間、游戲角色的成長軌跡（如等級提升）、虛擬物品交易詳情、玩家間的互動記錄（如聊天或組隊）以及游戲內發生的各種事件（如任務完成情況）。此外，還包括了技術側采集的數據，如服務器響應時間、網絡延遲狀況等，這些數據可以被廣泛應用到用戶分析體驗、產品功能優化、潛在問題識別、運營策略制定等。

隨著日志數據量的激增和分析需求的提升，用戶需要在性能和成本中做出平衡，尋求更優質的高性價比解決方案。在某頭部游戲客戶的日志分析場景中，面臨以下挑戰：

? 數據存儲成本高：在玩家的投訴判定、審計合規等場景中，都可能需要進行日志的回溯，所以游戲產生的日志數據需要全量存儲，存儲成本隨之增加。

? 實時查詢性能提升：為了及時響應突發問題，需要從海量日志數據中快速處理和分析，分析性能需要有保障。

? 數據開源開放：游戲企業內部存在多個業務團隊，不同業務團隊使用的分析引擎可能是不同的，一份全量日志的存儲，需要支持上層多種計算引擎訪問。

? 結合AI增強數據洞察力：傳統BI分析側重歷史數據的匯總和展示，可幫助決策者了解過去一段時間的業務表現，但不具備預測能力，通常依賴業務方經驗來進行未來趨勢的判斷；結合AI進行預測，能有效提升預測準確性，在游戲行業中，常見的有用戶行為預測、付費用戶預測、付費金額預測、玩家流失預測等。

3阿里云 Data+AI 解決方案

阿里云瑤池數據庫提供“DMS+X：統一、開放、多模的Data+AI數據管理服務”。該平臺簡化了數據管理與AI開發，實現DMS+X一站式的Data+AI全生命周期管理。在DMS+X之上，阿里云將助力企業數據以最快的速度擁抱AI，落地業務，產生價值。

針對游戲行業的以上問題，阿里云瑤池數據庫DMS+AnalyticDB MySQL（以下簡稱ADB MySQL）提供了解決方案。

日志數據實時接入

游戲日志低成本歸檔

阿里云日志服務（SLS）常用來做應用端游戲日志的采集，下游可再接入分析類引擎做進一步的處理和查詢。阿里云瑤池旗下的云原生數據倉庫AnalyticDB MySQL，提供SLS/Kafka日志類數據實時接入內部倉存儲/湖存儲的能力，自動生成元數據，數據直接可查，簡單易用的白屏化操作，用戶可按需選擇目標端存儲，游戲全量日志可選擇入湖，以開源Iceberg格式寫入到內部湖存儲，同步性能可達每秒GB級吞吐，數據可見延遲小于5min，存儲成本低（與OSS對齊），并提供湖管理功能，包含數據文件合并、生命周期管理、緩存設置等，有效降低存儲成本，提升湖查詢性能。

日志數據高效查詢

ADB MySQL有兩類計算引擎，分別是自研的XIHE引擎和開源的Spark引擎，用戶可根據實際需求和場景，選擇不同的引擎來進行數據處理和分析。基于ADB湖表，通過緩存層進行查詢預熱，可滿足大部分秒級/分鐘級耗時訴求；用戶也可選擇創建倉表，來實現亞秒級的實時分析。

日志數據開源開放

ADB湖存儲的數據格式為開源Iceberg + Parquet，提供HMS和OSS/HDFS開放接口，外部計算引擎可直接訪問數據；同時湖存儲和實例不強綁定，不同的湖存儲Bucket可掛載到不同的實例，實現數據共享。

AI場景落地

除了BI分析場景以外，存儲在ADB MySQL中的日志數據，可通過DMS+AnalyticDB 一站式實現數據特征處理、模型訓練、評估及預測，落地AI模型應用。在ADB MySQL中僅通過SQL語句即可完成端到端的數據處理和模型開發，支持通過SQL來導入和訓練模型， 也支持調用遠程推理服務；同時ADB MySQL提供全托管的AI資源服務，用戶無需關心底層資源部署，專注業務應用開發。

以下為模型創建和預測的SQL語法示例：

/* 創建模型 */
create model bstdemo.bst 
options (
  model_type='xx',
  feature_cols=(event_list),
  target_cols=(target),
  hyperparameters = (
    use_best_ckpt = 'False',
    early_stopping_patience='0'
  )
)as select event_list, target from bstdemo.test;
/* 使用普通函數實現模型預測 */
SELECT ml_predict(
  '[db.]model_name:v2',  -- 模型名稱&版本
  ['{options}'|NULL],  -- 一些可能的額外配置，例如攢批大小，沒有可以為null
  -- 后面是要傳遞給模型的列，可以是任意合法的project表達式，不定長
  <column_name1>,
  ...,
) as col_name FROM event_table;

結合DMS構建完整Data+AI方案，可進一步實現數據處理鏈路和模型訓練鏈路一體化的編排調度，從數據接入，處理到模型訓練，上線和推理實現全自動周期運行。通過模型中心統一管理AI核心資產，包括模型的效果展示，模型組和模型版本管理。支持模型部署和回滾，模型可以發布為在線推理服務，銜接大模型工具鏈統一編排實現智能應用體落地。整套方案提供數據資產的全粒度權限管理，支持私有部署在客戶VPC環境，數據和模型不出域，實現全套方案的數據安全，有效保護客戶隱私。

使用DMS+AnalyticDB MySQL游戲日志場景的AI平臺，提供AI節點資源，內置算法模型，可通過DMS界面進行模型開發，用戶無需自行搭建機器學習平臺，有效降低開發成本。

以某頭部游戲客戶實際落地效果為例，在玩家流失預測和玩家付費預測場景中，模型效果F1 Score均從40%提升到70%+。

4總結與展望

針對游戲行業的日志存儲、分析和預測場景，阿里云瑤池數據庫提供完整的Data+AI解決方案及落地最佳實踐，可以同時滿足數據在線處理、實時分析和智能化AI實踐，大大降低了企業及開發和運維成本。

Data+AI為企業提供了新的增長途徑，企業必須認識到Data+AI的重要性，并將其作為戰略實施重點，促進智能化轉型以保持競爭力和市場領導地位，迎接新的機遇。

ADB MySQL AI節點也提供多種使用形態，除了上述提到的MLSQL以外，還支持Spark on GPU，即通過Spark MLlib進行開發等，配合ADB現有的分析能力為用戶提供Data + AI應用的輕量化端到端方案。