Давайте поднимем логи и посмотрим правде в глаза. Большинство фрод-цепочек не выглядят как «взлом» — они выглядят как отклонение от нормы: короткие сессии, однотипные user-agent, повторяющиеся IP/ASN, неестественные интервалы кликов, всплески postback без соответствующих pageview.
Isolation Forest хорош именно здесь: он не ищет «бота» по одному признаку, а строит лес случайных разбиений и выделяет объекты, которые изолируются слишком легко. Для трафика это значит: аномальный клик/визит/конверсия получает высокий anomaly score, даже если каждый отдельный параметр выглядит терпимо.
Рабочая схема простая:
• фичи: время до клика, глубина сессии, частота повторов, отпечаток устройства, ASN, timezone mismatch, entropy по URL/рефереру;
• обучение только на «чистом» сегменте, иначе модель научится вашей же грязи;
• порог не по магии, а по распределению score и ручной валидации хвоста;
• отдельно режьте кластеры, где аномалия массовая, а не единичная — там часто сидит ботнет.
Ботнеты эволюционируют, но паттерны их поведения остаются прежними: они плохо имитируют вариативность. Поэтому ловите не «плохой клик», а комбинацию слабых сигналов. И да, если в модели нет сетевых и поведенческих признаков, вы просто автоматизировали самоуспокоение.
Практика без иллюзий: сначала строите baseline по нормальному трафику, затем запускаете Isolation Forest как слой триажа, а не как единственный суд. Точные фильтры рождаются не из модели, а из связки логов, правил и обратной проверки на живых сессиях.
Защита от фрода в рекламе
@ad_fraud_shield_arb
Isolation Forest в трафике: как ловить аномалии до того, как они сожрут бюджет
Этот пост опубликован в Telegram-канале Защита от фрода в рекламе (@ad_fraud_shield_arb). Все его публикации — на странице канала.
Открыть в Telegram