http://www.pptjcw.com

基于用户画像大数据的电商防刷架构

    最近1~2年电商行业飞速发展,各种创业公司犹如雨后春笋大量涌现,商家通过各种活动形式的补贴来获取用户、培养用户的消费习惯。

    但任何一件事情都具有两面性,高额的补贴、优惠同时了也催生了“羊毛党”。

    “羊毛党”的行为距离欺诈只有一步之遥,他们的存在严重破环了活动的目的,侵占了活动的资源,使得正常的用户享受不到活动的直接好处。

    今天主要分享下腾讯自己是如何通过大数据、用户画像、建模来防止被刷、恶意撞库的。

    二、黑产现状介绍

    “羊毛党”一般先利用自动机注册大量的目标网站的账号,当目标网站搞促销、优惠等活动的时候,利用这些账号参与活动刷取较多的优惠,最后通过淘宝等电商平台转卖获益。

    一、羊毛党分工

    他们内部有着明确的分工,形成了几大团伙,全国在20万人左右:

    软件制作团伙:专门制作各种自动、半自动的黑产工具,比如注册自动机、刷单自动机等;他们主要靠出售各种黑产工具、提供升级服务等形式来获利。

    短信代接平台:实现手机短信的自动收发,其实一些平台亦正亦邪,不但提供给正常的商家使用,一些黑产也会购买相关的服务。

    账号出售团伙:他们主要是大量注册各种账号,通过转卖账号来获利;该团伙与刷单团伙往往属于同一团伙。

    刷单团伙:到各种电商平台刷单,获取优惠,并且通过第三方的电商平台出售优惠,实现套现。

    基于用户画像大数据的电商防刷架构

    基于用户画像大数据的电商防刷架构

    二、“羊毛党”从业特点

    这些黑产团队,有三个特点:

    专业化:专业团队、人员、机器来做。

    团伙化:黑产已经形成一定规模的团伙,而且分工明确;从刷单软件制作、短信代收发平台、电商刷单到变卖套现等环节,已经形成完整的刷单团伙。

    地域化:黑产刷单团伙基本分布在沿海的一些经济发达城市,比如,北京、上海、广东等城市,这或许跟发达城市更加容易接触到新事物、新观念有关。

    基于用户画像大数据的电商防刷架构

    基于用户画像大数据的电商防刷架构

    三、对抗刷单的思路

    对抗刷单,一般来讲主要从三个环节入手:

    注册环节:识别虚假注册、减少“羊毛党”能够使用的账号量。在注册环节识别虚假注册的账号,并进行拦截和打击。

    登录场景:提高虚假账号登录门槛,从而减少能够到达活动环节的虚假账号量。比如,登录环节通过验证码、短信验证码等手段来降低自动机的登录效率,从而达到减少虚假账号登录量、减轻活动现场安全压力的目的。

    活动环节:这个是防刷单对抗的主战场,也是减少“羊毛党”获利的直接战场;这里的对抗措施,一般有两个方面: 1)通过验证码(短信、语音)降低黑产刷单的效率。2)大幅度降低异常账号的优惠力度。

    三、腾讯内部防刷架构

    一、腾讯内部防刷的架构图

    基于用户画像大数据的电商防刷架构

    基于用户画像大数据的电商防刷架构

    二、模块详细介绍

    1、风险学习引擎

    风险学习引擎:效率问题。由于主要的工作都是线下进行,所以线上系统不存在学习的效率问题。线上采用的都是C++实现的DBScan等针对大数据的快速聚类算法,基本不用考虑性能问题。

    风险学习引擎:采用了黑/白双分类器风险判定机制。之所以采用黑/白双分类器的原因就在于减少对正常用户的误伤。

    例如,某个IP是恶意的IP,那么该IP上可能会有一些正常的用户,比如大网关IP。

    再比如,黑产通过ADSL拨号上网,那么就会造成恶意与正常用户共用一个IP的情况。

    黑分类器:根据特征、机器学习算法、规则/经验模型,来判断本次请求异常的概率。

    白分类器:判断属于正常请求的概率。

    提示:如果您觉得本文不错,请点击分享给您的好友!谢谢

    上一篇:AppGrowing:2018年上半年移动电商营销分析报告 下一篇:电商行业如何有效召回流失用户?

    郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。