会话序列反作弊：当真机农场、AI 画像骗过设备风控之后

黑产已经形成完整上下游供应链，从卡商、IP 代理、改机工具、群控设备再到最终广告变现，形成完整闭环，源源不断输出作弊流量。

很多风控系统过度依赖设备层特征：OAID、IDFA、IP、设备白黑名单。但真机设备农场、AI 动态画像造假、肉鸡设备可以把设备指标做到近乎完全正常。此时流量、会话、页面访问序列就成为非常关键的第二道防线。

一、流量模型反作弊整体技术架构

整套体系自上而下分为接入层、业务模型层、数据层、平台层，底层由安全知识库做支撑。

1. 接入层：实时、准实时、离线服务

   接收广告全链路事件：广告请求、曝光、点击、下载、激活、转化。

• 实时服务：点击发生时毫秒级风险打分，直接拦截高风险广告点击；
• 准实时服务：分钟级会话聚合，识别短时间团伙行为，做二次复核；
• 离线服务：T+1 批量审计全量流量，挖掘慢作弊、长周期伪造用户，输出巡检与处罚名单给到下游业务、联盟媒体结算系统。

2. 业务模型层：面向广告作弊场景的专项模型

   基于流量数据产出四大核心业务模型：点击反作弊审计模型、请求‑点击风险预估模型、行为相似团伙模型、异常模式感知模型。

• 点击反作弊审计模型：对已经发生的点击做事后审计，区分真实点击、大点击、诱导点击、脚本点击；
• 请求点击风险预估模型：广告请求阶段前置打分，在还没有产生点击时识别高风险流量源；
• 行为相似团伙模型：利用会话、页面流转相似度，挖掘群控、真机农场、肉鸡羊毛党团伙；
• 异常模式感知模型：无监督模型，识别偏离正常大盘分布的异常流量模式，用来发现黑产新变种。

3. 数据层：构建广告全链路流量特征体系

   流量模型不只是看单条点击事件，而是把一次用户会话完整的行为全部纳入特征。

   核心特征维度：

• 基础维度：IP、媒体渠道、广告位、SDK 版本、地域、运营商；
• 转化链路指标：广告请求量、曝光、点击率、曝光‑点击间隔、点击‑下载间隔、点击‑激活间隔 CTIT；
• 会话页面访问特征（流量模型最核心）：用户本次会话访问了哪些页面、页面访问顺序、停留时长、跳转深度、是否访问登录、消息、客服、个人中心、商品详情、购物车。
• 衍生数据：安全画像、用户行为序列、设备‑IP‑账号关联图谱，用来识别团伙关联关系。

4. 平台层：算法算力底座

   依托 TensorFlow、PyTorch 等机器学习、深度学习框架，引入图网络算法。

• 机器学习：做风险二分类、风险预估；
• 深度学习：处理页面访问序列、会话行为序列；
• 图网络：挖掘设备、IP、账号、媒体之间的团伙关联，识别真机群控、众包羊毛党、混血作弊用户。

底层安全知识库沉淀黑名单、作弊模板、攻击模式、规则样本，为上层模型提供训练样本与先验知识。

二、流量模型的核心杀伤点：页面访问路径异常

作弊流量典型页面访问序列：homepage → list 列表页 → detail 商品详情页，然后直接点击广告。会话结束。

作弊者几乎不会访问登录页 login、消息 message、客服 service、个人中心、购物车等业务功能页面。整个会话全部围绕广告点击展开。

真实普通用户行为：访问首页、浏览商品，会跳转登录、查看消息、找客服咨询、加入购物车，页面访问种类丰富，行为目的是 “消费、咨询、购物”，广告只是浏览过程中间的一环。

黑产哪怕用真实真机、住宅代理 IP、AI 生成设备画像，也很难完整模拟普通用户复杂多样的业务页面交互。

• 模拟器、真机农场脚本为了追求效率，只会执行完成广告点击必要页面；
• 肉鸡设备（安卓无障碍脚本、iOS 快捷指令），脚本任务就是点击广告，不会额外去调用登录、消息、客服页面；
• 众包羊毛党兼职为快速刷任务，尽可能少打开无关页面，快速完成广告点击拿佣金。

页面访问序列特征，可以有效识别：

• 大点击 Click Spamming
• 真机设备农场伪造归因
• 肉鸡设备、无障碍脚本作弊
• 部分混血用户作弊（真实设备，但后链路行为由脚本接管）

三、流量模型如何对抗前文提到的各类广告作弊

1、对抗大点击、无感曝光伪造归因

大点击会大量产生点击事件，但会话页面结构极度单一。大量点击对应的 session 只有首页、列表、详情，没有业务交互行为；

无感曝光：大量曝光上报，但对应的用户会话不存在完整页面浏览记录，曝光事件孤立，没有前置页面访问上下文。

2、对抗劫持归因（Click Injection）

劫持归因 CTIT 时间差很短，叠加流量会话特征：激活瞬间才产生点击事件，该点击对应的 session 没有前置正常页面浏览序列，只有一次广告点击。即使设备是真机，也可以识别异常。

3、对抗 VTA 抢归因（虚假无感曝光抢浏览归因）

作弊媒体上报海量 VTA 曝光，但是曝光事件缺少页面上下文，用户会话没有真实页面渲染访问记录。流量模型识别大量孤立曝光事件，降低这类曝光在 VTA 归因中的权重。

4、对抗真机群控、AI 动态画像造假伪造用户

黑产可以把设备指纹、传感器数据做的高度仿真，但是脚本驱动的会话页面流转模式高度趋同。通过行为序列相似度、图网络聚类，把一批行为路径高度一致的真机设备挖掘出来，识别设备农场团伙。

5、对抗混血用户作弊（真假混合用户）

用户第一次下载打开是真实行为，但后续留存、事件由脚本接管。流量模型区分：首次会话页面访问丰富真实，但后续活跃会话页面只有首页、商品详情、广告点击，业务页面访问缺失，识别后链路脚本接管行为。

四、流量模型的局限性，不能单独作为反作弊的银弹

流量模型有明显短板，工程落地必须和设备特征、IP 特征、归因审计联合使用。

1. 正常用户也会出现简单页面访问路径：部分真实用户打开 APP 只看首页和商品详情就点击广告，会产生样本噪声，需要模型做概率打分，不能简单一刀切拦截；
2. 高阶黑产可以模拟更多页面跳转：黑产可以在脚本内增加访问 login、message 的伪调用，用来混淆页面特征；需要结合每个页面真实停留时长、接口调用真实性综合判断；
3. 只适用于有页面访问的场景：纯 SDK、小游戏、短视频类没有 web/app 页面流转场景，页面序列特征失效，需要改用事件序列特征。

行业成熟做法：流量行为模型输出风险分，和设备风险分、IP 风险分做加权融合，共同输出最终作弊风险等级。

五、工程落地的实践经验

1. 不要只使用单条点击事件做特征，一定要以 session 会话为最小分析单元，把一次会话所有请求、页面、广告事件聚合；
2. 线上实时模型优先使用轻量化统计特征，复杂序列、图团伙计算放到准实时、离线环节；
3. 页面访问序列不要硬规则 “必须访问 XX 页面”，用深度学习序列模型学习大盘正常分布，识别偏离分布的异常会话；
4. 离线审计输出的作弊结果，回灌安全知识库，迭代训练线上模型，形成闭环。