Как Telegram научился ловить спам: эволюция фильтров и где они рвутся

Как Telegram научился ловить спам: эволюция фильтров и где они рвутся

Давайте снимем розовые очки и посмотрим на сырые логи. За три года антиспам в Telegram ушёл от тупой проверки текста к связке сигналов: скорость отправки, повторяемость паттернов, граф связей аккаунтов, возраст профиля, гео-распределение, фингерпринт клиента и поведение в диалогах. Один и тот же контент может пройти, а может умереть на этапе первичного скоринга — потому что решает не сообщение, а контекст отправителя.

Раньше ломали фильтры массовкой: одинаковые юзер-агенты, один IP-пул, линейные тайминги, одинаковые вступления в чаты. Сейчас это собирается в кластер за минуты. Алгоритмы пишут люди, а значит, у любой защиты есть свой порог чувствительности: чем выше синхронность действий, тем быстрее растёт вес аномалии. TGStat всё видит, но дьявол, как всегда, кроется в таймингах.

Что работает против детекта:
— разносить аккаунты по разным поведенческим профилям, а не только по прокси;
— не держать одинаковую cadence-схему: вход, просмотр, реакция, отправка должны плавать;
— избегать синхронных цепочек: один и тот же текст, один и тот же час, один и тот же маршрут.

Отдельная история — накрутка. Раньше палились объёмом, теперь палятся качеством дисперсии: просмотры без удержания, реакции без живого хвоста, вступления без дальнейшей активности. Если у вас хороший объём, но нулевая ретеншн-матрица, фильтр не видит “аудиторию” — он видит мусорную инъекцию.

Вывод простой: бороться надо не с конкретным баном, а с предсказуемостью. Уберите синхронность, разорвите граф, сместите поведение в человеческий шум — и фильтр перестанет видеть в вас конвейер.