这是腾讯游戏安全部门一面的覆盘，当我接到约面电话时我十分狗带，因为我真的是对游戏还有安全知之甚少，而且我很诚恳地说了我的实际情况，不过前辈还是决定给我一个机会，于是有了下面的故事…
这一面是简历面，全程电话面试，涉及的内容主要是简历上的项目+开放题。
简历
- 介绍自己觉得最有挑战性的项目。我介绍的是百度的那次比赛，因为这是我第一次参加的大型比赛，而且该比赛的数据量（初赛就有10多个G，复赛是30多个G）之大，在现有设备条件下遇到了很多问题。没经验没机器就是这么个困境。这里面主要问了这几个问题，是递进式地，一，介绍这个比赛的目标与数据集？二，介绍自己的工作（偏图像数据特征的提取）？三，以何种标准选取模型？ 其中就用到的ResNet问了下原理，个人建议拜读下这篇神作。关于ResNet，我个人觉得得要能回答几个问题：1.ResNet为什么被提出来？（退化现象）2.ResNet为什么能起作用？或者问残差块既然是f(x)+x想实现一种恒等映射，那为什么不直接设置f(x)=0输出x？（差分放大，引入残差后的映射对输出变化更敏感了）3.残差输出的维度与输入维度不一致该怎么办？（利用1*1卷积核变换）
参考资料：
详解残差网络
浅析深度ResNet有效的原理
Paper: Deep Residual Learning for Image Recognition - 另外两个比赛：其中一个是数模比赛，另一个是CTR预测比赛。前者主要问了两个变量之间的相关性？ 很眼熟对吧，就是覆盘3中的那个问题，不过在数模领域，基本使用皮尔逊相关系数回答；后者主要问了XGBoost如何挑选特征（就是树生成的过程）以及如何处理缺失值？ ，CART->GBDT->XGBoost->LightGBM这一条路线的技术，即使是现在的数据挖掘比赛也是常用的，建议找到原论文加上博客拜读，前面的文章也有这些参考资料。补充：处理缺失值是个大方向，值得好好研究，可以参考下面的资料。顺便提一句，XGBoost训练阶段处理缺失值是把缺失值分别放到左叶子节点和右叶子节点中，计算二阶梯度增益，哪个增益大就放到哪个叶子节点【论文中Sparsity-aware Split Finding这节讲到的】。预测时出现缺失值，默认被分类到右子树【存疑】。
参考文献：
怎么理解决策树、xgboost能处理缺失值？而有的模型(svm)对缺失值比较敏感呢?
XGBoost缺失值引发的问题及其深度分析
开放题
游戏如何防外挂?
这里就我的游戏经历着重点了吃鸡游戏中透视外挂的场景，问我应该挖掘哪些信息？这道题，当时我凭直觉说了三类信息：（1）举报信息，前辈说如果用户胡乱举报呢？（2）战斗数据，我强调的是靠异常手段取胜的次数（我见过的那种靠透视直接用手雷丢房间里炸人成功的例子）、战斗持续时间（一般作弊者总要比普通玩家厉害些，战斗时间偏短，尤其是超过那些职业玩家的战斗就值得注意了），这方面前辈没有怎么质疑；（3）战斗视频作弊者异常行为检测，这是非常高难度，我也不清楚到底要哪些参数可以做到作弊识别的效果，是我感觉最难实现的一种技术，也听说过CV领域有行为姿势识别的技术，不知道适不适合这种游戏场景。补充：在知网上用关键字“游戏防作弊” and “机器学习”搜到了一份硕士毕业论文的参考资料，后续看完再补充。
结语
面试过程中前辈的水平非常高，是那种递进式地提问，所以要有对知识的深度了解。虽然游戏安全岗位不是我期望投递的岗位，不过不能放弃这么好的查缺补漏的机会，继续加油。
如果觉得不错，请素质三连哈~~
有疑问，欢迎评论、共同探讨-v-