Анатомия детекта: по каким паттернам TGStat вычисляет ботов без магии

Анатомия детекта: по каким паттернам TGStat вычисляет ботов без магии

Давайте снимем розовые очки и посмотрим на сырые логи. TGStat не «видит бота» по одному признаку — он собирает профиль из слабых сигналов: темп вступлений, асимметрию просмотров, одинаковые окна активности, повторяющиеся источники перехода. Один шум — мусор. Три-четыре совпадения в одном кластере — уже материал для детекта.

Типовые маркеры:
— всплеск подписок без сопоставимого роста просмотров и реакций;
— слишком ровный retention: люди якобы читают одинаково долго, как по таймеру;
— микро-гео и таймзоны, которые не бьются с языком канала;
— пачки аккаунтов с одинаковым user-agent, фингерпринтом и сетевым поведением.

Ключевая ошибка — думать, что спасает «разбавление» трафика. Не спасает. Алгоритмам не нужна идеальная доказательная база, им нужен устойчивый паттерн. Если пул аккаунтов ходит в канал через один и тот же MTProto-прокси, с одинаковыми задержками и одинаковыми действиями после входа, это не аудитория — это сигнатура. А сигнатуры детектятся быстрее, чем потом отмывается канал.

Практика простая: смотрите не на абсолютные цифры, а на связки метрик. Подписка без просмотра, просмотр без удержания, удержание без дальнейшей активности — это уже не трафик, а шумовой хвост. Алгоритмы пишут люди, а значит, у любой защиты есть свой порог чувствительности.

Если хотите жить дольше одного пролива, анализируйте не «сколько пришло», а как именно пришло и что сделало после входа. TGStat всё видит, но дьявол, как всегда, кроется в таймингах.