這是騰訊遊戲安全部門一面的覆盤，當我接到約面電話時我十分狗帶，因爲我真的是對遊戲還有安全知之甚少，而且我很誠懇地說了我的實際情況，不過前輩還是決定給我一個機會，於是有了下面的故事…
這一面是簡歷面，全程電話面試，涉及的內容主要是簡歷上的項目+開放題。
簡歷
- 介紹自己覺得最有挑戰性的項目。我介紹的是百度的那次比賽，因爲這是我第一次參加的大型比賽，而且該比賽的數據量（初賽就有10多個G，複賽是30多個G）之大，在現有設備條件下遇到了很多問題。沒經驗沒機器就是這麼個困境。這裏面主要問了這幾個問題，是遞進式地，一，介紹這個比賽的目標與數據集？二，介紹自己的工作（偏圖像數據特徵的提取）？三，以何種標準選取模型？ 其中就用到的ResNet問了下原理，個人建議拜讀下這篇神作。關於ResNet，我個人覺得得要能回答幾個問題：1.ResNet爲什麼被提出來？（退化現象）2.ResNet爲什麼能起作用？或者問殘差塊既然是f(x)+x想實現一種恆等映射，那爲什麼不直接設置f(x)=0輸出x？（差分放大，引入殘差後的映射對輸出變化更敏感了）3.殘差輸出的維度與輸入維度不一致該怎麼辦？（利用1*1卷積核變換）
參考資料：
詳解殘差網絡
淺析深度ResNet有效的原理
Paper: Deep Residual Learning for Image Recognition - 另外兩個比賽：其中一個是數模比賽，另一個是CTR預測比賽。前者主要問了兩個變量之間的相關性？ 很眼熟對吧，就是覆盤3中的那個問題，不過在數模領域，基本使用皮爾遜相關係數回答；後者主要問了XGBoost如何挑選特徵（就是樹生成的過程）以及如何處理缺失值？ ，CART->GBDT->XGBoost->LightGBM這一條路線的技術，即使是現在的數據挖掘比賽也是常用的，建議找到原論文加上博客拜讀，前面的文章也有這些參考資料。補充：處理缺失值是個大方向，值得好好研究，可以參考下面的資料。順便提一句，XGBoost訓練階段處理缺失值是把缺失值分別放到左葉子節點和右葉子節點中，計算二階梯度增益，哪個增益大就放到哪個葉子節點【論文中Sparsity-aware Split Finding這節講到的】。預測時出現缺失值，默認被分類到右子樹【存疑】。
參考文獻：
怎麼理解決策樹、xgboost能處理缺失值？而有的模型(svm)對缺失值比較敏感呢?
XGBoost缺失值引發的問題及其深度分析
開放題
遊戲如何防外掛?
這裏就我的遊戲經歷着重點了喫雞遊戲中透視外掛的場景，問我應該挖掘哪些信息？這道題，當時我憑直覺說了三類信息：（1）舉報信息，前輩說如果用戶胡亂舉報呢？（2）戰鬥數據，我強調的是靠異常手段取勝的次數（我見過的那種靠透視直接用手雷丟房間裏炸人成功的例子）、戰鬥持續時間（一般作弊者總要比普通玩家厲害些，戰鬥時間偏短，尤其是超過那些職業玩家的戰鬥就值得注意了），這方面前輩沒有怎麼質疑；（3）戰鬥視頻作弊者異常行爲檢測，這是非常高難度，我也不清楚到底要哪些參數可以做到作弊識別的效果，是我感覺最難實現的一種技術，也聽說過CV領域有行爲姿勢識別的技術，不知道適不適合這種遊戲場景。補充：在知網上用關鍵字“遊戲防作弊” and “機器學習”搜到了一份碩士畢業論文的參考資料，後續看完再補充。
結語
面試過程中前輩的水平非常高，是那種遞進式地提問，所以要有對知識的深度瞭解。雖然遊戲安全崗位不是我期望投遞的崗位，不過不能放棄這麼好的查缺補漏的機會，繼續加油。
如果覺得不錯，請素質三連哈~~
有疑問，歡迎評論、共同探討-v-