一般反作弊主要业务流程：
看不懂？那就对了，我们继续往下看，在了解这个模型之前，我们需要狂补一些专业的知识！
我们常用的跨境电商作弊方式：
机器作弊：机器刷量、任务分发、流量劫持
人为作弊：QQ群/水军、直接人工、诱导
电商常见作弊手段：
刷单，刷信誉，刷好评，职业差评师
判断广告作弊涉及的点击类型分类：
1、 按照是否找商品找服务为目的；
2、 是否按照是否恶意，有无真实转化为依据。
（CPC基于点击计费的模式、CPA基于成交的点击进行收费）
常见电商平台点击行为分为四大分类：
无效点击（没有形成转化的意愿，仅仅浏览）；
恶意点击（必须识别出来）；
转化点击（真实意愿点击）；
误点（不是以找商品为目的，例如内部人员点击，需要识别出来）。
点击人群划分：
误点：员工、广告主自己、竞品销售中介、爬虫；
恶意点击：同行、同行朋友、联盟站点、机器。
反作弊策略应对框架：
数据层：鼠标轨迹行为、指纹数据、案例库、行为数据；
特征层：离散指标、连续指标；
行为识别层：点击识别模型、异常监测模型、流量识别模型、关系图模型、人群识别模型；
策略应对层：规则。
看完以上的一些专业名词的恶补，我们再来看看亚马逊如何监控刷单：
三层监控指标体系，提前预警：
运营指标监控：投诉率、转化率、撞线速率/频率、消耗速率、通过率；
规则监控指标：拦截率、准确率、覆盖率；
异常监控指标：IP维度、Cookie维度、计费名维度、广告维度、设备维度、鼠标轨迹维度
分类监控、分级响应：
1、 针对监控情况、采用四级响应机制；
2、 红色：非常严重，需要自动化采取短期策略应对，例如临时黑名单机制
3、 橙色：较为严重，短信举报，要求4h内完成分析和短平快策略压制，后续进一步处理
机器学习在反作弊应用几个案例：
如关联规则、决策树模型：策略挖掘—规则自动提取
确定建模问题：自动发现规则、辅助策略设计；
应用：挖出的规则，上线到离线反作弊系统；
评估指标：支持度、置信度、覆盖率、拦截率
有一种算法叫做“千人千面算法”，首先来看下作弊的几个方面：
1、同IP
也就是说你朋友都不能买你的东西，因为你们两个人早晚是会在一起碰面的，两个人碰面就是IP碰面，所以，买你宝贝的那个人，你们两个人的IP永远不能相见，也就是说你们两个人永远不能相见!
2、性别
假如你的淘宝店铺卖的是连衣裙，老是有男买家隔三差五的在你家买这件宝贝，你觉着正常，男朋友帮买怎么了?我用男朋友的号买怎么了?可是算法认为你是在作弊!你是在刷宝贝!
3、行为
这种行为指的就是假如你在刷宝贝，你没有具体的流程，每一个帮你刷流量的人都是搜索关键词，找到你家宝贝，点击收藏，加入购物车，然后下单，你都觉着不可能，更别说算法了!
4、年龄
你家淘宝店铺卖的是丝袜，行，你男朋友帮你买，可是你找的人都有40岁往上的，谁家40岁的男人帮媳妇在网上买丝袜?最好就是你找18-30岁之间的女性刷宝贝是最正常不过的了!
5、能力
支付宝都是实名认证的，对我们的好多都了如执掌，你卖意大利名牌古弛，你却老是找一些大学生帮你刷单，这就肯定是有问题的，学生能力有限，没有工作，买这么名贵的皮具肯定也是有些问题的!
使用关联规则检测刷单作弊行为
最近发现我们平台上的个别内容提供商使用一些违规的手段，对自己所属的收费内容进行刷单作弊。从其他渠道以很优惠的价格购买代金券，在平台消费自己的项目内容，从而获得结算分成与成本的金额差价。
因为需要对该问题进一步重视和监控，我也在考虑一些检测方法，其中一个就是本文介绍的基于数据挖掘中的关联规则（Association Rules）的算法进行尝试分析。对于关联规则的算法原理在此就不赘述。
家喻户晓的一个利用关联规则的案例是沃尔玛啤酒尿布的案例，目的是发现客户购物篮中经常被同时购买的商品。本例与啤酒尿布案例类似。主要因为内容商使用低价购买的客户账号购买自己的商品，但基于以下分析，本案例中可能会产生较强的关联效应：
（1）对同一批内容商品进行购买，会节约作弊成本。
（2）由于客户帐号有限，必将会出现一个客户账号购买很多内容项目的现象。
而与沃尔玛的案例不同的是，沃尔玛的案例是探索的正向积极的事件，本例是要发现的是负向消极的事件。沃尔玛的案例中要求事件的支持度（support）要较高，即事件能够经常发生才能有意义，置信度（confidence）只要适当即可，不要求过高；而本例因为是需要稽查异常，所以不能要求支持度高，相反置信度一定要比较高，即当某时间发生以后，另一关联的时间也发生的概率要很高才行。
通过初步的设想，提取出某一天的客户订单数据进行建模，模型如下所示：
关联规则模型设置如下：
因为使用的是事务型数据格式（按交易明细进行记录的，特点是一个客户标识可以有多条数据），所以需要勾选 use transaction format这个选项。此外因为本例需要对全部的CASE进行关联分析，因此没有对数据进行分区。
上面已经介绍了本例要求低支持度和高置信度的设置。因为本例只需要发现任意两个内容项目的关联即可，所以只将最大前项数（maximum number of antecedents）为1。
最后得出的模型结果如下：
从结果模型上可以看到，两内容项目的关联程度可以高达百分之百，即用户购买了某一个内容项目，那这个用户100%会购买另一个内容项目，可见它们俩之间很可能存在猫腻，而这个规则也正是我想要寻找的。
尽管这些规则的支持度都很低，但刷量作弊属于异常事件，不能要求高支持度。
将模型导出文本，并将这些内容项目进行整理，通过对这些项目的购买清单进行观察分析，发现产生在这些内容项目的订单95%以上存在很强的作弊嫌疑，由此验证，此关联模型对此类作弊行为有较强的检查能力。
现阶段只对该模型可行性进行尝试，尚未考虑模型的部署，本文只介绍到此，希望能对朋友们有一定的启发。
使用反作弊算法检测刷单作弊行为
以Amazon的Review算法为例：
1.Verified Purchase。直评已死，这个时候再去刷直评非但没有意义，反而可能会出现如上图群聊中出现的“上好评排名会跌”的情况。
所以要刷就刷VP吧。还记得年初的封号风波吗，这些卖家大多数是因为刷单被姐夫“秋后算账”；船长在之前的分享中有向大家提到一个刷单建议，模仿真实购买行为。
亚马逊希望所有的评论都是诚实的，而在他的监控中，如果我们能做到“仿真”，也就能避开惩罚了。具体如何模仿真实购买行为地刷单，我们根据下文的影响因素一一分析。
2.留评频率与间隔时间。留评频率越高，间隔时间越短，权重就越高。
如果一款产品不断地来好评，这就意味着该产品受欢迎。也就是说，你需要根据自己的产品特性来规划规划刷单的频率，留评的频率，留评间隔的时间。当然，时间和频率的把控同时也需要考虑到产品的销售周期，比如你不能在站点的冬季持续刷泳装的单并留评论，是吧。
既然说到时间和频率，大家在刷单刷评是需要注意，一般情况下，在买家真实购买行为中，账号成交量平均一个月最多10-20单，留评数量不超过10%，在越来越苛刻的评论政策之下，不超过5%是最好的。
也就是说，大家在选择刷单资源，或者自己组建刷单团队时，除了需要规划好在listing上留评的时间与频率，也需要根据成交情况、留评时间与频率筛选合适的买家账号。
3.字数、内容与比例，也就是评论内容的质量。刷单需求越大，刷单者的胃口也被养得很大，卖家们经常会花了很多钱却被随便一个“good”或者“wonderful”的五星敷衍了事，在现在新的算法之下，这类属于低价值的评论是对权重排名没有帮助的。
Review都有专员审核，亚马逊希望review能够真实反映产品的情况，给买家参考，避免产生不良购物体验，客观丰富完整的review内容是能够提高权重的。
现在刷评论的一个标准，要让买家当真，也要让姐夫当真。站在真实买家（产品购买者、使用者）的角度去客观评价这个产品，甚至不全是五星好评；根据客服提供的依据，还需要有有趣且幽默的评论内容并且数量要在最新10个reviews中占一定比例的，比如每10个评论（包括好评、中评和差评）至少1-2个有趣的评论，以此类推。
如果评论的内容不知道怎么下手，可以通过查询竞争对手的review，挑选靠前、内容较丰富并且“helpful”数量较多的VP评论模仿，切记是模仿不是照搬照抄。至于有趣的内容，最好搭配相关的、有趣的图片或视频，特别是童装、玩具这些婴儿的产品，可以利用的素材就更多了。
4.Review中的“helpful”数量。这是个陷阱！点击“helpful”（俗称“点赞”）也是需要买家账号，但如果你不小心用了一些“质量差”的买家账号刷点击，那就完蛋了。
首先，使用质量好的买家账号。上文中船长也有介绍到，真实买家账号成交量平均一个月最多10-20单，留评数量不超过10%，另外还需要注意的是账号使用年限和使用习惯，一般来说，越老的账号越好，但拒绝老僵尸号；并且，买家账号也要防关联，关联条件与卖家账号相同。
接着，用这些质量好的买家账号模仿真实的买家点赞行为。从登录买家账号到点赞，一般是需要经过这些步骤的：
①搜索：通过亚马逊前台键入你的产品关键词，或者通过你的产品对应品类去搜索，也可以通过品牌名搜索（小卖家不建议直接搜索品牌名）。
②对比：一页页去找你的listing，查找过程中随意点击几个别人家的listings浏览几秒钟，翻翻评价和Q&A，并在两三个产品页面停留时间稍久一些。
③点赞：一番操作后找到你的产品，到评论区后也不要马上找到目标review点赞，可以浏览首页或前几页的评论，翻开折叠的回复查看，点开图片或者视频，甚至离开这个产品页面之后再回来浏览、点赞。
5.Review原星级分数，即原来Review星级的分数。这个影响因素已经没法去改变，但不代表原先分数低现在就没法提高，从其他因素着手去优化即可。
6.详情页面被点击次数、买家离开该详情页面次数、买家又再次返回该详情页面比率。其实就是要按照买家正常购买的顺序逻辑，换位思考，你在网购商品的时候是怎样操作的，就按照类似的顺序逻辑去刷单就是了。
除了review算法的改变，亚马逊也更新了“评论服务条款”，进一步保护review的真实性，同时也制定了惩罚政策，简单讲就是，操控评论，后果很严重。
这时候再回去看我们第一张的流程图，大家就能大致明白原理了。
