Давайте поднимем логи и посмотрим правде в глаза. Большая часть фрода не выглядит как «взлом» — это распределённая аномалия: всплески с одинаковым UA, пустые session depth, нулевой scroll, одинаковые inter-click интервалы, странные ASN и повторяющиеся цепочки referrer→landing.
Isolation Forest здесь полезен не как магия, а как дешёвый ранний детектор. Он не ищет «бота» напрямую; он выделяет точки, которые изолируются слишком легко: короткие сессии, неестественный ритм событий, одинаковые координаты, нестыкующиеся пары device fingerprint + timezone + accept-language. Ботнеты эволюционируют, но паттерны их поведения остаются прежними.
Рабочая схема простая:
— нормализуйте числовые фичи и кодируйте редкие категориальные через frequency/target encoding;
— обучайте модель на окне «условно чистого» трафика, а не на всём подряд;
— держите threshold отдельно по источникам, потому что у паблишеров разная базовая шумность;
— после скоринга не режьте трафик в ноль: сначала отправляйте в quarantine и проверяйте postback-конверсию.
И да, модель без правил быстро станет дорогим генератором ложных срабатываний. Ставьте поверх неё жёсткие фильтры: impossible travel, DNS/HTTP несостыковки, дубли CID/ClickID, повторяющиеся user-agent + IP-пулы. Вот технический разбор того, как именно уплывает ваш рекламный бюджет: аномалию ловит ML, а добивает её детерминированная фильтрация.
Если хотите, чтобы антифрод не был декоративным, начинайте не с «умной модели», а с качественных фич и раздельных порогов по источникам.
Защита от фрода в рекламе
@ad_fraud_shield_arb
Isolation Forest режет шум трафика быстрее, чем ручная проверка логов
Этот пост опубликован в Telegram-канале Защита от фрода в рекламе (@ad_fraud_shield_arb). Все его публикации — на странице канала.
Открыть в Telegram