簡析網路競技遊戲匹配機制

如今的市場上的網路遊戲，或多或少都存在著競技的元素，而能否為玩家匹配到合理的對手，成為了該系統帶給玩家體驗好與壞的關鍵。本文將從一個入門從業者的角度進行粗淺的總結與思考，歡迎批評與指正。

一、MMR機制——爐石傳說、DOTA２、LOL、LOLM

MMR機制全稱為matchmaking system，也被乘坐隱藏分。MMR機制存在的目的是儘可能給出不可預知的比賽即絕對平衡的比賽，要求雙方獲勝的概率都儘可能傾向於５０％。

而隱藏分可能會受到諸多因素的影響，例如玩家近期水平的浮動。

同時，現階段的遊戲匹配也往往不會只使用MMR機制作為遊戲匹配的依據，往往會結合其他因素來對玩家實力進行綜合衡量。例如玩家所在地區網路延遲狀況、玩家預選位置、玩家水平等綜合因素。


從設計思路來看，MMR匹配機制傾向於絕對的公平，來保證玩家有更好的競技體驗。但同時也會滋生一些其他問題，例如隱藏分低於玩家真實分數時，就容易出現補分（對局獲得積分極少）的情況。而隱藏分的評價往往不只取決於本局遊戲的勝負，也受到玩家局內行為的影響。（KDA、傷害值等），而這給了部分玩家投機空間，也使得部分玩法（送死流）成為受害者。

二、ELO機制——王者/LOLM（曾）

王者榮耀與LOLM均為ELO機制遊戲的典型代表，此處引用下ELO的概念：1960年，美國國際象棋協會(USCF)採納了埃洛教授的等級分系統。國際棋聯於1970年也採納了這套系統。 ELO等級分的原理 ELO等級分的計算則是從一個時間點開始有一個初始分，然後隨著每次比賽，根據比賽結果和對手的等級分，進行自己等級分的修正，進而在多次比賽後收斂得到接近選手真實水平的積分。 即使粗略看比賽成績表，也能夠看出選手的表現是有起伏的，也就是有“狀態”之分。強手未必恆定表現好於弱手；每人之狀態在不同的日子不同的比賽裡都會有好 壞不同。而總的來說整個生涯裡每一點上，一名選手的表現將大致圍繞在某個平均水平上下波動，有時會有背離，而出現大背離的情況比出現小背離的情況頻率要低。

從以上一段中我們可以得出，其實ELO其本身只是一種通過大量實踐進行修正的積分排名制度，與王者榮耀中令人痛恨的ELO匹配並無絕對關聯。那麼王者榮耀的ELO匹配又是什麼？

王者榮耀的ELO匹配更多的是一種基於遊戲粘性而採取的破壞體驗的做法，即雙方的實力不會處於絕對平衡的狀態。


如圖所示，即玩家有可能在對局中，匹配到比自己係數分高一百的對手，而這已經足以讓勝利天平傾向對方。

此種做法從競技遊戲的角度來講並不合理，但適用於相當一部分手遊，原因如下：首先手遊自身的競技屬性低於端遊，同時較低的成本也會吸引相當數量的非競技屬性玩家。此種遊戲生態下，保證各種玩家在遊戲中的體驗成了優先順序更高的事情。

三、trueskill 2——光環、彩虹六號


trueskill主要是微軟開源，在其旗下XBOX平臺的遊戲進行應用，相比於傳統的MMR，則更靈活, 易擴充套件, 也更容易應用。由於理論及公式過於複雜，此處不進行展開講解，僅具體討論其創新點。

TrueSkill演算法認為每一個參與排名的人的能力是不穩定的，即所謂的神經刀，這使得玩家的實力並非一條絕對的水平線，而是符合正態分佈的。相當於是在MMR的基礎上，對MMR值的標準差進行了統計，考慮到了玩家的不穩定性。通過TrueSkill演算法，對比匹配雙方的玩家實力的方差，來得出更合理的結果。


四、獨特機制參考

皇室戰爭

皇室戰爭的匹配機制較為簡單，由於該遊戲的獎懲機制處於相對穩定的零和博弈（勝方會獲得敗方的獎盃）的狀態，且採用的是ELO演算法，所以此處僅講與其他ELO匹配演算法遊戲的不同點。

皇室戰爭相較於其他競技遊戲，很重要一點的差異是存在局外養成，即遊戲的勝負並不絕對依靠於玩家的操作。這往往對於強競技屬性但付費較少的玩家來說很容易造成不夠好的體驗，例如出現12級大本營對戰5級大本營的情況。


而為了修正這部分玩家的體驗，皇室戰爭做了額外的匹配規則，在5000杯（非高手階段）以下，會參考玩家的國王塔等級來進行匹配，即系統不僅會為玩家匹配杯數相近的對手，也會匹配付費力度相近的對手。而較為巧妙的點是設定的5000杯這個節點，5000 杯以下的絕對公平保護了中小R及非氪玩家的權益，避免在開始就因為匹配機制就流失。而在5000杯以上，對於想要衝刺高排名的玩家而言，在此時付費也可以帶來明顯的卡等壓制。相當於在前期以保障玩家體驗為目的進行了短暫的付費抑制，而在玩家已經養成遊戲習慣後，放大付費的收益。

而在反作弊方面，皇室戰爭新增了一個有趣的設定，雙方玩家在彼此經歷三個非對方的對手前，無法再次遭遇到，增加了高分段演員的門檻，如圖所示。


Glicko——csgo

csgo採用的演算法為Glicko演算法，此種演算法為Elo的改進模式。Elo系統的問題在於無法確定選手評分的可信度，而Glicko系統正是針對此進行改進。Glicko系統在Elo的基礎上引入了新的引數，即RD，ratings deviation，即考慮到了玩家對手之間的偏差值。簡單舉例，如果玩家A在賽季初期第一天憑藉著版本優勢及運氣打上了王者段位，但其長久未玩，此時該玩家若再次進行匹配，結算時該玩家是否能被視為王者段位來進行加減分？答案顯然是否定的，因為在假定情境中，玩家A上王者屬於偶然事件，加上其長期未玩，沒有足夠的樣本量來衡量其水平。Glicko中的RD值即為應對此種情況，玩家用於匹配的隱藏分由常規類似Elo值加上RD值構成，玩家遊戲越頻繁，則RD值越低，反之亦然。

同樣，作為開掛的重災區，csgo也存在著鎖分機制，即玩家若在短時間內積分有著大幅度變化，個人表現提升明顯，則該賬號會進入鎖分狀態，賬號在鎖分狀態下，隱藏分無法增加。

個人思考

經過以上各個階段的總結，筆者得出以下幾點思考

1.匹配機制並無絕對的優劣之分，需要根據目的來進行選擇。如文中所提到的MMR和ELO，這兩種機制都有其存在的理由，核心關鍵依舊是需要策劃同學判斷出自身遊戲定位，以及想要通過匹配來追求什麼樣的結果來確定匹配方式。

2.複雜化、多維度的演算法將會成為未來發展趨勢。從最基礎的MMR單一機制衍生為現在的GLicko、GLicko2、trueskill、trueskill2等優化演算法的不斷出現，也在不斷佐證這一點。

3.未來的匹配及積分演算法會被更廣泛地應用於反作弊系統。目前絕大部分遊戲的反作弊機制還是依靠舉報及主要是掃描後臺程式，加密遊戲程式，識別異常資料來完成，當然也會有對玩家異常的監測機制，但遠遠無法成為關鍵，而經過訓練的AI模型或演算法，或許在未來會成為遊戲廠商在這場軍備競賽中獲勝的關鍵。

4.降低玩家上分難度將會成為未來匹配革新的關鍵。目前絕大部分玩家在競技過程中，均會經歷漫長的成長期，這是由多方面因素決定的，如玩家實力上升是逐漸趨於緩慢，新賬號的隱藏分過低等因素。這也反映了現在的演算法是比較難在小樣本的情況下對玩家實力做出較為準確評估的，筆者認為後續能夠降低上分路上的過程，及時把每個玩家送到該去的分段，不去影響他人的遊戲體驗也是值得優化的重點。