欢迎关注：阿里妈妈技术公众号
本文作者：阿里妈妈风控团队

1. 背景介绍

阿里妈妈流量质量算法团队的主要职责是对无效流量的清洗，包括：

• 低质量：重复点击计费策略、频率控制策略、剧烈波动策略...等；
• 作弊：转化效果概率为0的流量（0成交假设）；

作弊流量转化期望概率一定为0，如爬虫产生的无效点击； 但成交频率为0的流量不一定是作弊，如新商品累计10万点击后仍没有转化；

常见的无效流量包括：1）消耗竞争对手；2）提升自身排名；3）自然宝贝刷单误伤；4）非恶意无效流量。具体定义可以参考《阿里妈妈流量反作弊算法实践》。

1.1 广告主套利

我们将广告主套利总结为：广告主通过作弊（虚假点击、成交...），欺骗平台机制，使得其以偏少的成本，获得更多广告的资源。

今年双十一期间，重点管控的套利风险有2类：1）质量分作弊；2）恶意超投。

套利风险还包括“诱骗点击”、“恶意引流”...等，见微知著，此处不做过多引申。

1.1.1 质量分作弊

即无效流量中的“提升自身排名”。因为广告排名由出价和质量评分决定。某些广告主会雇佣黑灰产，通过众包人工刷点击、刷成交...等手段来提高广告的转化率，通过低成本获得靠前的广告排名。

根据调研显示，当前广告主的作弊成本极高。但这些广告主仍选择将这些成本长期用于雇佣黑灰产，而不是投入广告平台中，背后的收益一定远超其成本。

1.1.2 恶意超投

由于平台计费链路存在一定程度上的延时，且日终负账会被清零。部分广告主通过够买大量搜索词，单价高、预算少，导致短时间内获得远超预算的点击量。风控团队可以通过对广告主后台操作的异常检测，预判广告主的动向，实施刚性处罚，来控制超投的数量。

1.1.3 套利特点

套利的目的是提高销量。作弊入口是全站的（包括自然搜索结果），不局限于直通车广告。其利益驱动属性强，在618、双11...等大促期间尤其明显。而且易被平台和相关广告主感知到，对生态的影响比较恶劣。

目前我们在线上已产出数万套套利广告主名单，并追回数百万的广告点击。考虑到技术耦合度，本文主要以“质量分作弊”为代表，总结一下团队近期在广告主套利检测上的一些进展。

1.2 套利的影响

1.2.1 地价受损

由于平台的有效总曝光有限，当套利广告主占据了高质量位置后，真实点击率和成交率低于模型预期，平台产生的总点击、总成交就会相应减少，从而导致该资源位的收入降低。这里我们统一使用千次展现收益（Revenue Per Mile，以下简称：RPM）来代表地价。即套利会在一定程度上使对应位置的RPM降低。

由于现阶段ctr、cvr预估模型有在线更新机制，从长周期来看是具备自愈能力的。但模型的更新有一段时间延迟，在每个模型更新的空窗期内，广告主不会恰好都补单补量至模型的预期水平。最终就导致了模型不断被欺骗又修复的过程。如下图所示。

因此，在与排序模型的博弈中，广告主周期性地实现着套利。随着online模型更新的时效性提升，套利空间在不断被压缩。也导致广告主更加倾向于高频、低程度地进行操作，识别难度进一步增大。

1.2.2 劣币驱逐良币

由于套利广告主占据了有利位置，导致其他广告主需要不断提高出价，才能获得相应的曝光。长此以往，不仅损害了多方利益，更会对平台整体生态产生极其恶劣的影响。

1.3 困难与挑战

由于作弊手法千变万化、真实标签难以界定、作弊Ground-Truth未知，风控场景很难通过监督训练等手段获得通用解。具体到广告主套利上，我们还面临着一些其他的问题。

1.3.1 众包人工流量的识别

相比于以往的无效流量甄别，众包人工流量往往更加贴近平常用户的行为。难度远超以往的爬虫、机械性攻击。高并发的广告场景，对识别的精度和召回，要求都非常高。而且即使是刷手，也会产出正常的流量。

如何精细化区分刷手的每次行为以及是否是受雇佣的，是极具挑战的一个课题。

1.3.2 精度难评价

由于众包人工流量会有一定比例的成交，不符合0转化假设。高效评价流量识别模型的精度和召回，是很困难的。 此外，套利广告主检测本身也需要找到合适的假设，没有客观高效的评价方式，难以指导模型迭代。

1.3.3 区分主动与被动

存在任务流量的广告主，不仅是主动套利的，还有一部分是被其他广告主雇佣的刷手误伤、或者受到人工攻击消耗的。如何无监督、高精度、高召回、鲁棒地挖掘广告主的主动性，也是我们需要重点关注的。

2. 方案概览

在正式开始介绍方案之前，我们针对1.3节的问题，分别介绍一下思路。 为了解决1.3中提到的3个问题，我们针对广告主套利开发了一套同样集感知、洞察、处置、评价于一体的检测框架，其架构图如下图所示。框架理念可以参考这篇文章：《阿里妈妈流量反作弊算法实践》

1. 众包流量识别，分别由统计基线、行为序列、图关系3个模型一起召回，并使用黑话模型的产出评价标准，指导模型迭代；
2. 感知部分，通过对RPM的鲁棒预估，计算广告主实际产生的RPM与平台预期的diff，从而召回RPM偏低的广告主；
3. 通过洞察分析平台对列表中的实例进行分析，获取新模式认知的同时进行标注作为验证样本；
4. 将认知抽象为策略或模型（当前为双模型因果推断），产出了套利广告主名单用于区分“主动”与“被动”，最后在下游中进行分类处置；

接下来我们详细介绍每个环节的一些具体问题与思考。

3. 众包流量识别

在介绍感知、洞察、处置体系之前，我们首先对挖掘套利广告主的基础能力进行介绍——众包人工流量识别。该流量不满足0成交转化，模型的迭代和监控保障，也显然不能依赖低效的人工抽检。首先需要寻找一种可以批量校验、又和处置严格正交的评价方法。整体方案如下图所示。

3.1 黑话模型

考虑到直通车场景下，刷手需要高频地进行搜索，从而定位到自己的任务目标，不可能所有的内容都手敲。风控工程团队基于淘宝的搜索记录，对历史文本信息进行了系统地整合，使得黑话凝聚在标准化的文本库中。

3.1.1 特性

黑搜索的文本信息采集，受受设备型号、手滑粘贴、误点搜索的影响，导致产出上并不稳定，所以没有直接用于召回。但同设备类型、应用、天维度同比是有意义的，可以作为精度和召回的评价指标。因此，我们构造了和众包流量构成强相关、但召回有限的黑话模型。

典型的黑话如下所示：

• "3️⃣看图 拍苐一个,π下多少仮溃"

根据我们的分析显示，黑话具有以下特点：1）文字语序混乱；2）拼音、中、英文混输；3）表情、形近字替代；4）快速迭代、分析低效。这涉及到多种语义的还原，并且新的变种不断产生。基于文本出发的黑话模型开发非常困难。

3.1.2 用户维度、关键词与树

综合考虑各个方案的性价比后，我们尝试不完全依赖文本，而是从用户出发，2段式、半监督地召回黑话。

1. 首先构造用户维度的处罚特征，无监督的召回候选人群集；
2. 再以变换后的关键词为目标，天维度更新Cart回归树模型，选择额外80%召回的动态阈值，得到离线样本库；

当前召回的黑话样本库已达千万级，且人工抽检准确率超过99%。现有算法架构如下图所示。

3.1.3 Bert提效

我们基于黑话样本库与大盘可信白样本，训练了基于Bert的2分类模型，用于对全量文本进行打分，从而减轻黑话样本库覆盖度不足的影响。使用召回人群多日黑话得分均值，来作为众包流量识别的精度指数，指导模型快速迭代，并持续以黑话精度作为模型的监控指标。

3.2 统计基线

众包人工流量虽然更难以识别，但是我们始终相信黑灰产用户是不可能完美隐藏的。我们从用户行为角度设计了一系列的异常检测方案。 首先调研了黑灰产平台。发现用户需要通过一系列行为来完成任务的交付（考虑到攻防属性，暂不透出具体行为）。据此我们构造了本质、鲁棒性的统计特征，结合统计异常检测模型，产出了套利识别的基线。

在《阿里妈妈流量反作弊算法实践》中介绍过，本质特征更有助于挖掘异常； 如用“偏离对应人群的分布的程度”，代替“绝对数量”。

由于统计特征的粒度偏粗，导致我们并不能区分刷手当天的哪部分流量属于众包，哪部分属于正常流量。所以还需要更加精细化的识别能力建设。

3.3 行为序列

近期我们一直在尝试，使用更为细粒度的原始行为序列、良好的序列设计、以及合理的辅助任务，训练大规模无监督预训练模型。Zero-shot在下游进行应用，实现精细化地捕捉众包流量特点。当前行为序列研究的整体框架如下图所示。

3.3.1 序列信息

首先是通用的行为选择。为了更好地适用于大多数场景，我们只选择了搜索和点击两个行为，并辅以行为的属性与时间信息，共同组成行为序列。

为了方便刻画行为模式，我们使用下划线拼接行为和属性，构造类似于NLP中单词概念的行为元素，形式为：()()()_()。例如：clk_true_3_2 表示为 一次点击 & 是广告点击 & 商品属性为编号3 & 距离上一次行为时间间隔属于分箱编号2。

由于刷手需要接单大量的任务，产品类型、任务目的可能各不相同。通过合理的session划分，将不同的基础行为进行聚合，可以使信息更加凝聚。

结合搜索广告的特点，我们限制一个session必须以搜索开始，时间间隔在一定范围内都同属于一个session。

3.3.2 辅助任务设计

为了使模型学习到session排列的模式，我们使用Transformer结构 + Cut-paste任务，对序列整体进行表示。

Cut-paste算法是用于图像异常检测的一种辅助任务。通过对原始图片进行随机地局部剪裁，再随机粘贴至新的位置，原位置以黑 {MOD}阴影覆盖(向量值均为0)，从而获得大量的负样本，并以大量的数据增强产生正样本。然后通过原图与新图的二分类任务，促使模型学习到剪裁边缘的连续性。算法内容详见[1]。

类似地，根据刷手行为特点，对序列进行Cut-paste衍生，得到大量的样本用于二分类任务，从而得到完整序列表示。最终的预训练网络结构如下所示。

3.3.3 异常检测

根据序列表示的结果，我们得到了N维的Embedding向量：

1. 将序列Embedding与COPOD模型结合，产出Embedding每个维度偏离分布的异常分(1)；
2. 固定基础行为的Embedding层权重，二次训练Seq2Seq模型，将重构误差产出异常分(2)；

将2个方案计算的异常分结合，得到下游任务的打分。

3.4 图关联挖掘

截止目前，我们通过统计基线 + 行为序列对众包人工流量进行了识别。在阿里妈妈广告场景下，这些流量会在受害者/套利者维度上呈现出聚集。且因为模型的评估依赖于人工抽检，为了保证精度符合预期，显然单体识别模型的精度与召回都会受限。

因此我们增加了基于图关联的召回。以统计基线为基础节点，用行为序列结果剪枝，最终通过半监督的GAT网络对行为稀疏、但访问宝贝和基础节点重合度高的人工众包流量进行扩召回。

下图是2021年至今为止，最新挖掘的每日人工众包的设备数量趋势（具体数字已隐藏）。除大型节日外外，流量基本趋于稳定。相比于原始统计基线，组合模型可以精细定位到刷手与宝贝的对应关系，目前已额外新增30%的广告点击召回。

4. 套利感知

为了建立内部自驱循环的异常检测框架，感知系统是必备的。 在《阿里妈妈流量反作弊算法实践》文章中我们介绍过：感知重召回，其理念是召回一切认知之外的异常。从作弊的结果（果性）出发，才能召回受害者可感知的全部流量。

在广告主套利场景下，受害者是平台。但广告主的手法各不相同，从结果上看，未必会成功。虽然都需要处置，但在感知角度，我们更关注那些成功套利的案例。因此，我们从RPM低于平台预期的广告主的流量出发，召回套利成功流量的超集。

除了作为感知手段以外，估准RPM才能计算出该问题究竟为平台带来了多大影响。而且先找到一批RPM低于预期的广告主，才能用于最终，套利广告主名单的精度、召回评价。

4.1 评价方案

在正常的广告主上的RPM自然是预估的越精准越好。但在疑似异常的部分，比较难以界定。 因为疑似部分的数值差异是难以直接刻画，所以我们转变思路为：1）先确定一批一定成功套利的广告主，构造验证集；2）计算预估RPM与实际RPM的diff，计算验证集的AUC/Max-F1值。问题就转化为，如何确定广告主套利成功的具体时间。

我们从套利的本质出发，为广告主训练个性化的双模型进行因果推断，从而定义“因历史作弊而当日RPM偏低”的广告主。并以这批广告主作为验证集，如下图所示。

最终挑选了，A模型估计的RPM偏高（实际RPM偏低），且B模型精度显著升高的数千个广告主，我们定义为“因历史作弊而当日RPM偏低”。由于量级远小于大盘套利水位，我们判断至少这些广告主，是RPM显著低于真实值的。至此，我们将完全开放的问题，收敛至简单置信的逻辑推导。验证问题得到了初步的解决。

4.2 RPM鲁棒预估

当前算法架构如下所示。包含2部分：1）节点层次聚类；2）浓度差域迁移；

我们对理想节点设计了多条约束。在算法过程中，首先将全部特征进行笛卡尔积组合，得到最小单位的基础节点。

然后在有约束的层次聚类过程中对进行节点合并。将套利广告主流量的超集，分散至大盘自然流量组成的多个节点中。并以节点中的白样本RPM，作为无偏估计来代替整体RPM值。

由于约束2和3的存在，最终一定存在无法满足约束的高浓度灰节点。我们基于线性影响因子的假设，将比例系数K通过领域自适应算法，从满足要求的节点上迁移至这部分节点。

由于当前迁移算法是基于线性假设的，未来更贴合实际的迁移方案，也是我们研究的重点。

5. 洞察平台

广告主套利洞察的目的是获取新认知。其核心是通过建立高效的分析工具，帮助算法同学快速理解感知到的异质成分，以及排查一些特定case。

5.1 召回分类

由于被处置的case是不在感知候选范围内的。我们将被召回的case分为2种：

1. 真实的作弊case，因为没有被处置，会为我们带来对于作弊的新认知；
2. 误召回，我们需要找到被召回的根本原因，并调整感知逻辑排除；

5.2 洞察角度

在广告主套利的场景下，我们通过2个角度来判断广告主是否属于套利。分别是：1）流量的分布变化；2）广告主后台行为；

然后构建精细化演示曲线变化的联动图、以及高度抽象的广告主行为序列降维图，来帮助风控同学快速洞察广告主的套利风险。洞察平台的部分图例如下所示（明细内容已隐藏）。

当前我们对套利的认知还不充分。在未来仍需要不断打磨洞察平台，对作弊进行高度抽象表示，最小化人工成本。

6. 下游处置

6.1 套利广告主名单

在进行处置之前，我们要产出套利广告主的名单，从而区分主动套利与被误伤广告主。基于“误伤不可能成交”的假设，我们通过规则挖掘出了“长期有刷单/补单流量”的广告主，作为验证集。

由于验证集是利用作弊描述特征（刷单流量浓度）得到的。我们在算法设计上，应该避免直接使用作弊描述类特征训练模型。

最终，我们根据洞察得到的认知，抽取广告主近M个月的流量分布变化的时间序列、以及BP行为序列。最终的算法结构如下图所示。

与4.1节中的方案非常相似，同样采取双模型的因果推断方案。只不过这次不是寻找“因作弊而RPM偏低广告主”，而是寻找“通过作弊手段调整RPM走势”的广告主。为了避免，因使用了不合理的相关系数，而发生漏召回。我们通过计算“引入作弊描述特征对回归模型的增益”，来评价作弊流量与RPM变化的相关性。

基于上述机制，目前线上已例行产出数万套利广告主名单，以及数百万级人工众包点击流量。

6.2 下游处置

产出套利广告主名单后，我们针对不同层级的广告主，制定专门的处罚策略。并结合运营侧的宣传教育，最终实现对生态的净化。

7. 展望

广告主套利检测目前取得了一些阶段性的进展。但前路仍然坎坷崎岖。其中很多问题与技术，都是当前风控技术团队面临问题的缩影：有极大业务价值、但过程艰难、且业内鲜有研究。希望我们的攻坚过程能为大家带来一些思路上的启发。

由于篇幅所限，没有对算法方案做过多的展开。如果对我们的工作感兴趣，欢迎深入交流细节。

最后，真心希望未来能有更多志同道合的同学加入我们，欢迎点击「JD详情」投递简历。感谢阅读❤

8. 引用

[1] https://arxiv.org/pdf/2104.04015.pdf