共计 5286 个字符，预计需要花费 14 分钟才能阅读完成。
本文由云 + 社区发表作者：颜国平
摘要：最近几年，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，即将到来的“购物狂欢节”尤其明显。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。这篇文章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。
黑产“羊毛党”现状介绍
“羊毛党”一般先利用自动机注册大量的目标网站账号，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，最后通过某宝等电商平台转卖获益。
一.“羊毛党”分工
据初步估计，全国“羊毛党”在 20 万人左右，他们往往有着明确的分工，已形成了几大团伙：
1. 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。
2. 短信代接平台：实现手机短信的自动收发。这其中，有一些短信平台是亦正亦邪，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。
3. 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。
4. 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。
也就是说，这些“羊毛党“在电商促销或优惠活动中，已逐步形成了相对完善的刷单及变现工作流程（见图 1：电商刷单团伙工作流程）:
图 1：电商刷单团队的工作流程
二.“羊毛党”从业特点
从“羊毛党“的分工与工作流程看，他们具有以下从业特点：
1. 专业化：有专业团队、人员、机器来做。
2. 团伙化：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。
3. 地域化：刷单黑产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。
下图 2 显示了我们 TOP5 的黑产刷单团伙分别位于：北京、上海、广州、江苏、浙江这些沿海较发达的经济区域。
图 2 TOP5 黑产刷单团伙的地域分布
三. 对抗刷单的思路
面对黑产刷单，我们有什么对抗思路呢？一般来讲，对抗刷单主要从注册、登陆、活动三个环节入手：
1. 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。
2. 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。
3. 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。
电商防刷架构
一. 腾讯防刷总体架构
面对疯狂的黑产刷单，按照对抗刷单的思路，基于腾讯的多维度大数据，腾讯专门设计并构建了电商防刷技术体系。总体防刷架构见下图 3：
图 3：腾讯防刷单技术架构
从上面的总体架构我们可以看到，整个系统分三层：接入层、实时计算层、存储 & 挖掘层。整个系统充分利用了腾讯海量业务生态中的多维度大数据，以及全方位的风控经验与能力。接下来我们详细介绍其中的一些核心模块。
二. 防刷单技术架构核心模块与框架介绍
1. 风险学习引擎
对于风险学习引擎而言，效率问题非常关键。该模块线上采用的都是 C ++ 实现的 DBScan 等针对大数据的快速聚类算法，性能卓越；而且主要的工作都是线下进行，所以线上系统也不存在学习的效率问题。
风险学习引擎采用了黑 / 白双分类器风险判定机制，可以很好地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。
其中，黑分类器风险判定是根据特征、机器学习算法、规则 / 经验模型，来判断本次请求异常的概率。而白分类器风险判定则是判断属于正常请求的概率。见下图 4 示意：
图 4 风险引擎的宏观构成
2. 分类器逻辑框架
如何实现风险评估的判定呢？我们以黑分类器为例，来详细剖析下分类器的逻辑框架。
系统总体是采用一种矩阵式的逻辑框架。
黑分类器最初设计是整体检测判定，即按需随意地建立一个个针对黑产的检测规则、模型。但这种设计出来的结果，发现不是这个逻辑漏过了，而是那个逻辑误伤量大，要对某一类的账号加强安全打击力度，改动起来也非常麻烦。
因此，我们最终设计出一套矩阵式的框架（见下图 5），较好地解决上述问题。
图 5 黑分类器的矩阵逻辑框架
矩阵的横向采用了 Adaboost 方法，该方法是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些分类器集合起来，构成一个最终的分类器。而我们这里每一个弱分类器都只能解决一种帐号类型的安全风险判断，集中起来才能解决所有账户的风险检测。
这个矩阵逻辑的横向方法，在工程实现上也带来三个好处：
1. 便于实现轻重分离。比如某平台虚假账号集中在邮箱账号，策略就可以加大对邮箱账号的打击力度，影响范围也局限在邮箱帐号，而不是该平台所有的账号。
2. 减少模型训练的难度。模型训练最大的难度在于样本的均衡性问题，拆分成子问题，就不需要考虑不同账号类型之间的数据配比、均衡性问题，大大降低了模型训练时正负样本比率的问题。
3. 逻辑的健壮性。某一个分类器的训练出现了问题，受影响的范围不至于扩展到全局。
矩阵纵向则采用了 Bagging 方法，该方法是一种用来提高学习算法准确度的方法。它在同一个训练集合上构造预测函数系列，然后设法将他们组合成一个预测函数，从而来提高预测结果的准确性。
腾讯大数据处理平台-魔方
毫无疑问，对抗黑产刷单离不开大数据。大数据一直在安全对抗领域发挥着重要的作用，从我们的对抗经验来看，大数据不仅仅是数据规模很大，而且还包括两个方面：
1. 数据广度：要有丰富的数据类型。比如，不仅仅要有社交领域的数据、还要有游戏、支付、自媒体等领域的数据，这样就提供了一个广阔的视野让我们来看待黑产的行为特点。
2. 数据深度：黑产的对抗，我们一直强调纵深防御。不仅仅要有注册数据，还要有登录，以及账号的使用的数据，这样我们才能更好的识别恶意。
所以想要做风控和大数据的团队，一定要注意在自己的产品上多埋点，拿到足够多的数据，先沉淀下来。
腾讯安全团队研发了一个叫魔方的大数据处理和分析的平台，底层集成了 MySQL、MongoDB，Spark、Hadoop 等技术，在用户层面我们只需要写一些简单的 SQL 语句、完成一些配置就可以实现例行分析。
这里我们收集了社交、电商、支付、游戏等场景的数据，针对这些数据我们建立一些模型，发现哪些是恶意的数据，并且将数据沉淀下来。
沉淀下来的对安全有意义的数据，一方面就存储在魔方平台上，供线下审计做模型使用；另一方面会做成实时的服务，提供给线上的系统查询使用。
一. 腾讯用户画像沉淀方法
用户画像，本质上就是给账号、设备等打标签。但我们这里主要从安全的角度出发来打标签，比如 IP 画像，我们会标注 IP 是不是代理 IP，这些对我们做策略是有帮助的。
我们看看腾讯的 IP 画像，目前沉淀的逻辑如下图 6：
图 6 IP 画像系统构成
一般的业务都有针对 IP 的频率、次数限制的策略，那么黑产为了对抗，必然会大量采用代理 IP 来绕过限制。既然代理 IP 的识别如此重要，那我们就以代理 IP 为例来谈下腾讯识别代理 IP 的过程。
识别一个 IP 是不是代理 IP，技术不外乎就是如下四种：
1. 反向探测技术：扫描 IP 是不是开通了 80,8080 等代理服务器经常开通的端口，显然一个普通的用户 IP 不太可能开通如上的端口。
2.HTTP 头部的 X_Forwarded_For：开通了 HTTP 代理的 IP 可以通过此法来识别是不是代理 IP；如果带有 XFF 信息，该 IP 是代理 IP 无疑。
3.Keep-alive 报文：如果带有 Proxy-Connection 的 Keep-alive 报文，该 IP 毫无疑问是代理 IP。
4. 查看 IP 上端口：如果一个 IP 有的端口大于 10000，那么该 IP 大多也存在问题，普通的家庭 IP 开这么大的端口几乎是不可能的。
以上代理 IP 检测的方法几乎都是公开的，但是盲目去扫描全网的 IP，被拦截不说，效率也是一个很大的问题。
因此，我们的除了利用网络爬虫爬取代理 IP 外，还利用如下办法来加快代理 IP 的收集：通过业务建模，收集恶意 IP（黑产使用代理 IP 的可能性比较大）然后再通过协议扫描的方式来判断这些 IP 是不是代理 IP。每天腾讯都能发现千万级别的恶意 IP，其中大部分还是代理 IP。
二. 腾讯用户画像类别概览
腾讯用户画像的维度与类别很多，这里仅举部分用户画像数据来说明。比如用户画像其中有手机画像和 QQ 画像这两个重要类别。涉及画像的标签见下图 7：
以 QQ 的画像为例，比如，一个 QQ 只登录 IM、不登录其他腾讯的业务、不聊天、频繁的加好友、被好友删除、QQ 空间要么没开通、要么开通了 QQ 空间但是评论多但回复少，这种号码我们一般会标注 QQ 养号（色情、营销），类似的我们也会给 QQ 打上其他标签。
标签的类别和明细，需要做风控的人自己去设定，比如：地理位置，按省份标记。性别，按男女标记。其他细致规则以此规律自己去设定。
三. 风险判定的基础逻辑
有了用户画像的基础数据，我们就可以进行风险判定了。腾讯风险判定的系统现已开放为腾讯云的能力，即天御系统。我们来看一下风险判定的基础逻辑，见下图 8：
图 8 腾讯云天御系统防御逻辑示意图
实时防御系统使用 C /C++ 开发实现，所有的数据通过共享内存的方式进行存储，相比其他的系统，安全系统更有他自己特殊的情况，因此这里我们可以使用“有损”的思路来实现，大大降低了开发成本和难度。
但这里在安全策略方面，可能会面临一个挑战：多台机器，使用共享内存，如何保障数据一致性？其实，安全策略不需要做到强数据一致性。
从安全本身的角度看，风险本身就是一个概率值，不确定，所以有一点数据不一致，不影响全局。但是安全系统也有自己的特点，安全系统一般突发流量比较大，我们这里就需要设置各种应急开关，而且需要微信号、短信等方式方便快速切换，避免将影响扩散到后端系统。
电商企业接入天御系统，启用带防刷能力的业务架构
通过剖析腾讯对抗“羊毛党”刷单的防刷系统技术架构与原理，我们了解到了天御系统可以帮助咱们电商企业在促销、优惠活动时，有效打击黑产刷单团伙。特别是马上到来的双十一“购物狂欢节”，该系统将让广大电商企业更好地服务用户，真正为用户带来贴心的实惠与好处。
天御系统可适应的场景包括但不限于：
电商 o2o 刷单、刷券、刷红包
防止虚假账号注册
防止用户名、密码被撞库
防止恶意登录
那么如何接入并使用天御系统呢？其实，电商企业接入天御系统仅需要四步，见下图 9：
其中：第一步离线数据分析与第二步搭建实时模型为前期的准备工作，第三步正式接入其实并不耗费多少时间，不过第四步上线后，还需要持续的优化，以进一步提高对抗的能力。
图 9 企业接入天御系统步骤
业务接入天御系统后的架构图，见下图 10：
图 10 业务接入天御防刷后的架构图
从上图可以看到，接入天御防刷是旁路接入，不需要调整现有业务任何核心逻辑、关键流程，可以快速上线。另外，运行过程中，即使天御防刷有任何异常也不会影响业务主逻辑。
Q&A
Q：风险学习引擎是自研的，还是使用的开源库？
风险学习引擎包括两个部分，线上和线下两部分：
线上：自己利用 c /c++ 来实现。
线下：涉及利用 python 开源库来做的，主要是一些通用算法的训练和调优。
Q：请问魔方平台中用到的 MongDB 是不是经过改造？因为 MongDB 一直不被看好，出现问题也比较多。
我们做了部分改造，主要是 DB 的引擎方面。
Q：请问黑分类器和白分类器有什么区别？
白分类器主要用来识别正常用户，黑分类器识别虚假用户。
Q：风险概率的权重指标是如何考虑的？
先通过正负样本进行训练，并且做参数显著性检查；然后，人工会抽查一些参数的权重，看看跟经验是否相符。
Q：安全跟风控职责如何区分呢？
相比安全，风控的外延更丰富，更注重宏观全局；针对一个公司来讲，风控是包括安全、法务、公关、媒体、客服等在内一整套应急处理预案。
Q：如果识别错了，误伤了正常用户会造成什么后果么？比如影响单次操作还是会一直失败。
如果识别错了正常用户不会被误伤，但是会导致体验多加了一个环节，如弹出验证码、或者人工客服核对等。
作者：颜国平，原腾讯云-天御系统研发负责人。一直负责腾讯自有验证码、业务安全、防刷、账号安全等研发工作。内部支持的产品（游戏、电商、腾讯投资的 O2O 企业）非常广泛。在业务安全领域项目经验丰富，并且具备深度学习、大数据架构搭建等实战经验。
此文已由腾讯云 + 社区在各渠道发布
获取更多新鲜技术干货，可以关注我们腾讯云技术社区 - 云加社区官方号及知乎机构号
