專訪DataVisor中國區總經理吳中：智能反欺詐工具不斷進化應對“羊毛黨”

每經記者 莫淑婷    每經實習編輯 梁梟    

DataVisor中國區總經理吳中 圖片來源：DataVisor供圖

“新用戶注冊立減15元”、“首次下載立領紅包”，在日常生活中，我們經常能見到這些針對新用戶的APP推廣活動。隨著互聯網發展，線上營銷活動越來越多。然而，大量的線上營銷活動在給消費者帶來優惠的同時，也給依托互聯網的“羊毛黨”帶來更多“薅羊毛”的機會。“羊毛黨”通過大批量注冊的方式以較低的成本獲得高額的利潤。

如今，職業“羊毛黨”已形成群體化、規模化的完整產業鏈，涉及的領域包括金融、電商、社交、游戲，這些職業“羊毛黨”甚至可以左右一個企業的發展方向。事實上，“羊毛黨”僅僅是“黑產”（黑色產業，即利用非法手段獲利的行為）的一部分。除了“羊毛黨”外，手機應用分發、APP刷量推廣等各種復雜的新型欺詐層出不窮。那么企業應該如何防范呢？11月2日下午，《每日經濟新聞》記者專訪了人工智能欺詐檢測公司DataVisor中國區總經理吳中，了解欺詐現象背后的操作軌跡及企業的反欺詐思路。

欺詐行為主要集中在四個領域

NBD（每日經濟新聞）：欺詐行為主要集中在什么領域？

吳中：主要是四個領域。比如說電商領域，像刷單、薅羊毛等就是欺詐交易；移動應用推廣領域的話，主要是欺詐性安裝；社交領域的話，主要是垃圾信息、垃圾廣告；占比較大的則是金融領域，比如說通過虛構事實手段進行網貸申請，申請完了之后不歸還。

NBD：可以具體講一些案例嗎？

吳中：金融和電商可能比較好理解，現在舉一個游戲領域的例子。由于許多游戲公司每年都在移動應用安裝推廣上進行數百萬至上千萬美元的投入，它們已逐漸成為互聯網欺詐分子的主要獲利對象和途徑之一。隨著一個用戶平均安裝的費用逐漸增至1美元至10美元，移動應用推廣安裝已成長為超過30億美元的巨大市場。互聯網犯罪團伙通過組織大規模的欺詐安裝活動，在這不斷增長的市場空間進行大規模非法盈利。在一般情況下，廣告推廣安裝活動的欺詐率平均在10%至20%左右，但在一些極端情況中，有超過一半甚至全部的移動游戲安裝都可能是虛假欺詐性安裝。

出現這種情況的背后，是欺詐團伙與各路渠道商聯手策劃的日益復雜的欺詐手法。為了成功獲取欺詐性移動安裝的推廣費用，欺詐團伙會模仿真實用戶的行為來進行安裝使用。移動游戲公司最初會認為他們購買的確實是“真實”用戶，但很快就發現這些所謂的新“真實”用戶在最初下載游戲后，幾乎很少接著玩新下載的游戲。由于欺詐團伙廣泛使用一系列復雜的偽裝方法，移動游戲公司很難對真實用戶和欺詐用戶進行有效識別。

NBD：欺詐團伙會采取什么技術手段來模擬真實用戶的行為？

吳中：具體的攻擊手段有移動設備模擬器，即在同一個設備上模擬大量不同的移動設備；安裝農場，即雇傭人力手動安裝應用程序；惡意應用，即在未獲取用戶許可的情況下，安裝額外的應用程序；利用云服務，即用不同云服務IP地址來創建大量的虛假用戶；匿名代理機，即利用匿名代理機在一個國家安裝應用程序，但在另一個國家登陸和玩游戲。

NBD：這些虛假流量會給企業帶來什么影響？

吳中：以企業出海為例。近年來很多國產游戲、電商出海，然而2018年因欺詐導致的營銷費用浪費超過20億美元，這個數字對于中小型出海企業而言，可能是致命的打擊。虛假流量帶來的不僅是直接經濟損失，甚至影響企業現有的用戶流量，對品牌形象產生負面影響。

不斷更新數據模型，與欺詐者動態斗爭

NBD：對于上述欺詐行為有什么解決方法么？

吳中：現有典型檢測技術為黑白名單、規則引擎、有監督機器學習和無監督學習檢測。

前三個檢測技術都是從歷史案例中發現欺詐時重復出現的個體行為模式。此類方法存在一定缺陷，即無法檢測到未在訓練數據中或未被識別的新型欺詐方式，也不能在損失發生前檢測到這些孵化賬戶，常常是孵化賬戶發起惡意活動造成損害后才能被發現。孤立的賬戶分析也難以發現協同有組織的攻擊。

而無監督學習檢測則無需提供標注數據，每小時能對新發生的10億數量級的事件進行分析。它基于對海量用戶帳戶的行為、設備、IP地址等進行高維度用戶畫像及全方位的關聯和相似性分析，自動挖掘出潛在的各種群體性（手動操作或基于自動作弊腳本的）隱蔽欺詐行為，并在欺詐性用戶發動攻擊之前進行預警。

NBD：無監督學習檢測的話需要不斷更新算法和數據嗎？

吳中：欺詐行業有它的特殊性，特殊性就在于它所面對的是不斷變換的欺詐者，不斷變化的欺詐方式。欺詐與反欺詐是一個相互的博弈狀況。我們的解決方案是以無監督機器學習算法為核心，分析賬戶的行為模式和賬戶間的可疑連接。隨著欺詐團伙的技術升級和行為改變，我們無監督機器學習解決方案的數據模型也會不斷變化，根據不同行業、不同欺詐技術等增加不同的模型模塊，以便靈活應用于不同場景或者階段。