DataVisor維擇科技:無監督AI引擎下的遊戲反欺詐「保衛戰」

8月2日，以 「數字新娛樂，科技新生活」為展會主題的第十七屆中國國際數碼互動娛樂展覽會（ChinaJoy2019）在上海新國際博覽中心隆重舉行，在這場精彩絕倫的遊戲盛宴上，全球領先的一站式AI反欺詐平臺DataVisor也參加了此次盛會。雷鋒網雷鋒網雷鋒網

隨著遊戲類型的不斷增加，其中的安全隱患也將越來越多。尤其是現今黑產猖狂，欺詐越演越烈，逐步滲透進了各行各業，在具有競技性、挑戰性和持續性的遊戲行業，欺詐更讓黑產們得以滋養。

今天雷鋒網邀請到了DataVisor維擇科技資深行業顧問餘丹，跟我們談談遊戲產業內黑產欺詐的形態以及反欺詐技術。

遊戲行業欺詐態勢大揭秘

近幾年，社交平臺和電商平臺如雨後春筍瘋狂增長，改變了人們的生活方式、社交方式，越來越多的人看到了線上的「紅利」，在遊戲行業裡，這樣的態勢為黑產和欺詐提供了生長的沃土，廣觸角、多形態地危害用戶權益，謀取不法利益。

餘丹告訴雷鋒網(公眾號：雷鋒網)，在遊戲行業中的欺詐正在以某種方式形成一種生態，在潛滋暗長。她從兩個方面為我們詳細解讀了在遊戲行業中存在欺詐的類型和形態。

一方面是在遊戲推廣中存在的欺詐，這種欺詐多存在於廠商通過網際網路推廣的版面中。國內前段時間不允許發遊戲的牌照號，導致很多遊戲廠商去國外發牌，他們在買量推廣中時常買到假量，從用戶看廣告、點廣告，甚至到跳轉到應用商店都存在欺詐行為。另一方面是在進入遊戲應用後的欺詐，當用戶進入遊戲中就會面臨刷量、刷機、外掛、虛假打關、虛假購買裝備、虛假充值等一系列欺詐。

雖然很多機構開展反欺詐的監測和攻擊，但所謂道高一尺，魔高一丈。在對黑產行為數據的追蹤、分析中，餘丹發現了那些黑產們的 「障眼法」。簡單來說黑產們會模擬真人，尤其在點擊的時候，很多第三方不願意將數據給客戶，客戶自己拿不到點擊數據就很難去分析，所以就給了黑產可乘之機。他們還會用一些高超的手段，比如虛擬用戶，通過操控腳本一起創建帳號，一起打關，大批量的行動可以降低成本。有些黑產還會自己組織窩點真人刷機，但是這種方式的成本較高，並且在轉移過程中非常困難，所以很多黑產會選擇模擬的形式展開行動。

「我們有專門研究黑產行動的人員，之前發現一些黑產的行為實際上是一些群控的軟體，成本很高，需要買設備。現在他們直接使用一些模擬器的軟體，可以直接操控一百個用戶，成本是在降低。如果他們的腳本編的好，可以實現設備隨機、IP隨機。當他們要去批量控制的時候，都會遵循點擊進入遊戲，然後註冊登錄，再完成新手導航的過程，這是一個群組行動。」

從上面黑產的欺詐形態中可以看出，遊戲行業的每個環節中都可能存在刷量、刷機欺詐，尤其是在遊戲推廣階段的刷量已經成為黑產的焦點。在餘丹看來，這種大批量的相類似行為可以成為反欺詐監測的一個標準。

 

反欺詐的「硬核」

黑產雖然猖獗，但並不是無規律可尋，他們經常以團夥形式出現，模仿正常用戶行為來逃避檢測。而通常情況下，傳統的以行業經驗進行規則創建和模型訓練的反欺詐解決方案，則無法發現新攻擊。

「相比於傳統的反欺詐檢測技術，DataVisor無監督的反欺詐方案可以查看全局內所有帳戶的活動信息，可以及時有效地區分潛伏帳號與合法帳號。」

以點擊欺詐和安裝欺詐為例。當用戶看到廣告時，會產生點擊廣告的行為，黑產們會利用歸因規則，通過大點擊事件、點擊劫持去騙取歸因。此時，無監督學習可以通過客戶提供的脫敏數據，把每一次點擊歸因到每一個用戶身上，再去分析用戶在下載APP之前產生過多少次的點擊，每一次點擊事件的行為如何，通過無監督聚類分析，挖掘潛伏欺詐行為，並做詳細說明。

除了可以區分帳號的「好與惡」，無監督學習還能夠挖掘帳號之間的隱秘關聯，及時檢測未被發現或未在訓練數據中標記的新型攻擊，有效應對不斷進化升級的欺詐行為，並且可以有效輸出群組結果，為客戶提出多樣化風控策略。

餘丹提到，在DataVisor在服務中國區的第一個客戶Funplus時，遊戲產業中的欺詐行為及技術便已十分多樣化。

最開始，攻擊者通過刷機、下載這種最常見的欺詐手段。隨著技術升級，他們開始做應用內的虛假打關，虛假活躍。他們以六小時為間隔，每六小時有一組人活躍，下一時間段換另一組活躍，一天活躍三四次。這些行為在無監督學習的檢測下，及時挖掘群組行為之間的可疑關聯和相似屬性，及時調整模型保持時刻有效。

部分遊戲公司，此前一直很穩，後來突然出現了斷崖式留存，用戶在前半個月非常活躍，到第15天時卻集體消失。通過無監督監測，發現這是黑產的一種手段，他們與廠商定14日留存的KPI，讓這些虛假用戶活動14天，到15天錢款入帳後便全部撤走。實際上，DataVisor在七天的時候已經監測到這些黑產的行動，後續又將窗口期延長至15天，使輸出的群組結果更加詳細，幫助客戶制定更加準確的方案。

在提到與不同廠商之間的合作時，餘丹表示不同公司的情況不同，在開展無監督學習方案，進行用戶數據分析、建模、訓練等過程所用時長也不相同。

「我們最快可以用三天時間幫助廠商完成模型搭建，但通常會用2—3周，視廠商具體情況而定。前期一般是數據收集和特徵提取，之後進行模型訓練，訓練結束後需要一周時間進行部署，與客戶一起做試運營和使用指導。」

在數據收集方面，餘丹指出了三個途徑。第一個是源於數據追蹤公司，通過與遊戲廠商合作的第三方數據追蹤平臺對接獲得數據。第二個是遊戲廠商自己收集數據，通過線下傳遞的方式獲取，這種方式不涉及客戶隱私問題。第三種就是DataVisor通過自己的方式獲取數據，比如SDK，可以直接採集客戶數據，方便建模。

無論是哪一種途徑，都要針對每一個客戶的數據做單獨的特徵提取和模型訓練。在模型訓練過程中，廠商的底層技術保持不變，包括遊戲中的通用流程，比如很多遊戲需要登錄、註冊的步驟；而改變的是針對每個客戶的遊戲特徵做個性化增減，比如卡牌類遊戲不需要註冊，進入遊戲後直接找對手，這就需要有針對行地去建立符合遊戲特徵的模型。

在實際的遊戲中，無監督學習構建的模型是需要不斷調整的。玩家行為多變，很多時候是不容易提前預判的，尤其對於一些電腦高手來說，他們可能會變換各種形式去進行攻擊。而對於無監督來說是不需要提前預判玩家的行為和特徵，而是通過批量的、集群抓取的方式，及時調整模型，聚類分析篩選出黑產，這其中涉及到無監督抓取的準確度和效率問題。

「我們在做模型時考慮到精準性，模型的維度切得越細，精準度就越高，比如在三維空間中和在上千維度空間中去做，一定是上千維空間的數據更準確。所以我們在拿到的數據欄位做特徵提取，把每一個特徵都切得特別細，然後在高維空間中做聚類分析，提升準確度。同時針對每一個場景，調整容錯率。」也就是說針對不同場景的玩家需求，調整抓取的準確度。

雖然說維度高將提升準確度，但並不是標籤越多準確度越高，而是有效的數據處理欄位越多，精準度才會越高。比如需要用戶的經緯度時，客戶卻報不上來，這時候就算有一百個用戶也算是無效欄位，只有有效欄位才能切得更細，並且需要後續調整，滿足具體需求。

餘丹舉了一個例子，「在遊戲欺詐裡，購買伺服器是比較常見的，當遊戲廠商需要100個美國的新用戶時，黑產們就會買一些代理IP，能夠讓用戶的IP產生在美國，才能編造出來自美國的用戶。當我們獲取數據時發現，這些用戶的行為很跳躍，經過建模的聚類分析這些代理商的IP是不同段內的，所以用戶的行為就呈現出全球跳躍的狀態，可能上一秒在北京，下一秒就在西雅圖，通過我們對全球欺詐用戶的觀測，我們發現IP最聚集的地方是柬埔寨，人力比較便宜的地方，所以黑產比較密集。」

隨著欺詐技術的不斷提升，無監督學習也在不斷升級和迭代，強化數據化分析，精細到每一個渠道，數據上的可視化分析帶來更好的體驗，在滿足用戶需求方面，無監督學習與市場需求越來越近。

中小型企業市場路在何方

無論是大型企業，還是中小型企業，涉及到安全和利潤的事情都是不容忽視的。在遊戲行業，即便是一個或兩個人開發的遊戲公司，也會遇到花錢買假量，這些虛假充值、虛假用戶，不僅不能實現增值，反而影響利潤，甚至是長遠發展。在與中小型企業匹配的過程中，餘丹還發現中小型企業有他們自身的技術問題，比如沒有專門的技術支持，一個人要身兼多職等，這正是巨大的市場需求，DataVisor的觸角也正逐步拓展至中小型企業。

但是對於中小型企業來說，他們的數據量很小，這也是很多廠商所擔心的，他們認為自身的數據量不夠，不足以監測欺詐，構建模型，進行模型訓練。

「不依託海量數據也可以進行反欺詐監測，無監督學習的核心在於特徵工程研究。基本上一個月有上萬的數據量就可以做，這個數據標準已經很低，基本上放在應用商店裡面就可以達到。」確切來說，無監督學習可以根據客戶的數據量多少構建符合實際需求的模型，然後在後續的訓練中逐步調整。

隨著在國內的發展，DataVisor與中小型企業的項目落地已有兩年，未來繼續下沉中小型企業似乎是DataVisor必然的發展趨勢，一方面我們可以看到無監督學習與中小型企業的數據匹配很高，另一方面是頭部市場已經基本做的差不多。

在談到未來布局，餘丹表示，「首先就是要節省數據對接的流程，可以直接通過第三方對接進來；其次要給客戶提供更多的解決方案，帶來更好的體驗，比如幫助客戶做數據採集、為客戶提供建議、提供可視化的數據分析和方案等。」

中小型遊戲企業市場錯綜複雜，需求多樣，如何在不斷完善自身技術的同時，深度挖掘市場需求，滿足企業的個性化需求，將是DataVisor打通中小型企業市場脈絡的關鍵。

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。