По каким паттернам TGStat вычисляет ботов: анатомия детекта без мифов

По каким паттернам TGStat вычисляет ботов: анатомия детекта без мифов

Давайте снимем розовые очки и посмотрим на сырые логи. TGStat редко ловит бота по одному признаку — он складывает слабые сигналы в профиль: резкий спайк подписок без входящего трафика, мёртвый ретеншн, одинаковые окна активности, пустые био и повторяющиеся аватарки из одного пула. Один такой маркер ещё терпим, но связка уже пахнет фабрикой.

Алгоритмы пишут люди, а значит, у любой защиты есть свой порог чувствительности. Поэтому палятся не “боты вообще”, а конкретные паттерны поведения: одинаковый темп вступлений по минутам, синхронные отписки, неестественный гео-микс, аккаунты с одинаковым возрастом и следами массовой регистрации. Если у пула совпадают фингерпринт, юзер-агент и MTProto-маршрут, детекту даже не надо напрягаться.

Отдельно смотрят на динамику. У живой аудитории есть шум: задержки, провалы, реакция на контент, асимметрия по времени суток. У мусорного трафика всё стерильно: ровная линия, короткий хвост жизни, нулевая глубина. TGStat всё видит, но дьявол, как всегда, кроется в таймингах: если подписка пришла, а просмотры и реакции не догоняют модельный коридор, канал уходит в подозрительную зону.

Практика простая: не льёте один и тот же шаблон пачками, размазывайте вход по времени, смешивайте источники, следите за удержанием и реакциями, а не за голой цифрой подписчиков. Иначе профиль канала быстро становится похож на тестовый стенд, а не на медиа.