CN109003137A - 一种广告反作弊的方法及装置 - Google Patents

Abstract

本发明涉及一种广告反作弊的方法及装置，其中所述方法包括：确定对移动广告存在作弊行为的嫌疑流量源；获取所述嫌疑流量源对应的作弊特征信息；根据所述作弊特征信息，生成反作弊策略；实时对符合所述反作弊策略的流量源进行反作弊处理。本发明可以提高了对作弊行为检测的及时性，提升了作弊行为检测的准确度，有效的降低了广告作弊的现象。

Description

一种广告反作弊的方法及装置

技术领域

本发明涉及广告处理技术领域，特别涉及一种广告反作弊的方法及一种广告反作弊的装置。

背景技术

随着信息技术的发展以及移动终端的普及，基于移动终端的移动广告越来越流行。移动广告是通过移动终端访问移动应用(APP)时显示的广告，移动应用广告的形式可以包括横幅广告、插播广告、积分墙广告、视频广告等。

近年来，面对巨大的市场利润，移动广告作弊日趋严重，作弊手段越来越隐蔽，给广告主用户带来较大的经济损失。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种广告反作弊的方法和相应的一种广告反作弊的装置。

本发明公开了一种广告反作弊的方法，所述方法包括：

确定对移动广告存在作弊行为的嫌疑流量源；

获取所述嫌疑流量源对应的作弊特征信息；

根据所述作弊特征信息，生成反作弊策略；

实时对符合所述反作弊策略的流量源进行反作弊处理。

优选地，所述反作弊策略包括反作弊模型，所述根据所述作弊特征信息，生成反作弊策略，包括：

根据所述作弊特征信息，采用机器学习算法和/或规则引擎，建立反作弊模型，其中，所述反作弊特征信息包括但不限于如下特征信息的一种或结合：转换信息特征、IP分布特征、时间分布特征、地理位置分布特征、设备信息。

优选地，所述作弊特征信息包括作弊的设备标识；

所述根据所述作弊特征信息，生成反作弊策略，包括：

根据所述作弊的设备标识，建立作弊设备黑名单，作为反作弊策略。

优选地，所述方法还包括：

动态监测所述作弊设备黑名单中的各个设备触发的广告操作；

若所述广告操作满足预设的正常标准，则将所述设备对应的设备标识从所述作弊设备黑名单中删除。

优选地，所述实时对符合所述反作弊策略的流量源进行反作弊处理，包括：

拦截符合所述反作弊策略的流量源对移动广告的广告操作。

优选地，所述实时对符合所述反作弊策略的流量源进行反作弊处理，包括：

对进行数据传输的数据通道进行加密处理和/或设置验证信息。

优选地，所述获取所述嫌疑流量源对应的作弊特征信息，包括：

获取所述嫌疑流量源的日志记录；

从所述日志记录中提取基础特征信息；

根据所述基础特征信息，采用预设的聚类算法进行聚类，获得作弊特征信息。

优选地，所述确定对移动广告存在作弊行为的嫌疑流量源，包括：

检测流量源针对移动广告触发的广告操作；

确定所述流量源对应的设备信息；

根据所述设备信息和/或所述广告操作，判断所述流量源是否为嫌疑流量源。

优选地，所述广告操作包括至少两种，所述根据所述设备信息和/或所述广告操作，所述判断所述流量源是否为嫌疑流量源，包括：

针对所述设备信息，获取所述流量源触发每次广告操作对应的特征信息；

结合所述至少两种广告操作对应的特征信息，确定所述流量源是否为嫌疑流量源。

本发明还公开一种广告反作弊的装置，所述装置包括：

嫌疑流量源确定模块，用于确定对移动广告存在作弊行为的嫌疑流量源；

作弊特征信息获取模块，用于获取所述嫌疑流量源对应的作弊特征信息；

反作弊策略生成模块，用于根据所述作弊特征信息，生成反作弊策略；

反作弊处理模块，用于实时对符合所述反作弊策略的流量源进行反作弊处理。

本发明具有如下有益效果：

本发明实施例的广告平台从对广告主权益、自身业务稳定性及行业可持续发展角度出发，提出了一种积极有效的广告反作弊机制，当确定嫌疑流量源以后，通过获取嫌疑流量源对应的作弊特征信息，生成反作弊策略，并实时对符合反作弊策略的流量源进行反作弊处理，提高了对作弊行为检测的及时性，提升了作弊行为检测的准确度，有效的降低了广告作弊的现象。

附图说明

图1为本发明一种广告反作弊的方法实施例的步骤流程图；

图2为一种广告反作弊的装置实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明的一种广告反作弊的方法实施例的步骤流程图，在具体实现中，作弊手段可以包括：与点击一致的测试机或模拟器模拟下载、通过人工或者技术手段修改设备信息、破解SDK方式发送虚拟信息、模拟下载激活等。分析数据日志可以发现，作弊行为可以包括IP离散度密集、时间周期反复、模拟器发送、时间差不符合逻辑等现象，具体如下：

1、展示作弊

开发者在同一个广告位同一时间展示多个广告，实际只有一个曝光广告，却向广告主收取多个广告展示的费用。

2、点击作弊

通过自动化脚本或者程序模仿用户，甚至激励诱导用户进行点击，从而达到产生大量无用的广告点击，消耗CPC(Cost Per Click，以每点击一次计费)广告预算。

3、安装/激活作弊

通过模拟机器或者测试机等非正当设备模拟下载，以及通过人工或者技术手段修改设备信息，拦截并修改SDK发送信息等等。

4、流量归因作弊

广告平台将广告主的预算根据最后点击模型分配重定向广告，造成预算的浪费。

5、虚假流量

包括非人为流量、机器人流量、激励流量以及劫持设备流量等等。

6、应用内行为作弊

当留存率和互动成为APP推广者们最为看重的KPI指标，CPA(Cost Per Action，每次行动成本)计价模式变得更为流行，同时也让作弊者在应用内行为作弊上更加活跃。常用手段为机器注册，虚假购买等行为导致活跃与收入数据过高。

基于上述的作弊手段，提出了本发明实施例的一种广告反作弊的方法，本发明实施例具体可以包括如下步骤：

步骤101，确定对移动广告存在作弊行为的嫌疑流量源；

具体的，嫌疑流量源是指对移动广告存在较大可能作弊的流量源。

在本发明实施例的一种优选实施例中，步骤101进一步可以包括如下子步骤：

子步骤S11，检测流量源针对移动广告触发的广告操作；

在具体实现中，流量源可以包括产生流量的设备，该流量源可以通过对移动广告执行广告操作而产生流量。

作为一种示例，该广告操作可以包括但不限于如下操作的一种或结合：广告请求、广告展示、广告点击、广告激活等。其中，广告激活也可以称为广告安装，是指广告主收到激活回调到指定广告平台的信息。

需要说明的是，在具体实现中，流量源触发某个移动广告时，至少可以包括两种广告操作，一般可以包括展示、点击、激活等操作。

本发明实施例可以应用于指定广告平台中，指定广告平台可以检测流量源针对移动广告触发的广告操作。在具体实现中，流量源在对移动广告执行广告操作时，可以在请求参数中携带广告操作信息。则广告平台在回调函数中可以获得该请求参数，从而获得广告操作信息，确定广告操作。

子步骤S12，确定所述流量源对应的设备信息；

具体的，指定广告平台还可以获取流量源的设备信息。在具体实现中，上述请求参数中还可以携带设备信息。则广告平台在回调函数中可以获得该设备信息。

作为一种示例，流量源对应的设备信息可以包括但不限于：IP地址或者IP子网；和/或，设备型号；和/或，设备标识等等。

其中，流量源对应的设备标识可以包括但不限于：UDID(UniqueDeviceIdentifier，设备唯一标识码)、IMEI(International Mobile Equipment Identity，国际移动装备辨识码)、MEID(Mobile Equipment Identifier，移动设备识别码)、IDFA(Identifier for Advertising，应用于IOS系统的广告标示符)、GAID(GoogleAdvertising ID或android ID，应用于android系统的广告标示符)、UA(User Agent，浏览器标识)等等。

UDID是苹果iOS设备的唯一识别码，由40个字符的字母和数字组成。移动广告商、游戏网络运营商往往可以通过UDID用来识别玩家、用户，并对用户活动进行跟踪；也经常会用于一台设备一个账号功能实现。

IMEI是由15位数字组成的"电子串号"，它与每台移动设备一一对应，而且该码是全世界唯一的。每一只移动电话机在组装完成后都将被赋予一个全球唯一的一组号码，这个号码从生产到交付使用都将被制造生产的厂商所记录。

MEID是CDMA手机的身份识别码，也是每台手机唯一的识别码。通过这个识别码，网络端可以对该手机进行跟踪和监管，适用于CDMA制式的手机。MEID的数字范围是十六进制，和IMEI的格式类似。

IDFA是苹果在iOS系统中给予App开发者用以标识iOS设备的一种身份参数。对广告主而言，IDFA最大的作用就是准确认识这个设备代表的用户，确认广告是否有效触达，避免将同一个广告重复投放造成预算浪费，同时进行真实性监测。而对整个广告行业来说，IDFA是形成数据链条的必须手段，广告网络、DSP(demand-side platform，需求方平台)和DMP(Data Management Platform，数据管理平台)都需要一个统一的设备数据身份核对标准。

GAID是用户特殊的、独特的、可重置的广告id，由Google Play Service提供，它为用户更好的控制，为开发人员提供简单、标准的系统继续应用程序，它用于广告目的的匿名标示符和或者重置起标示符或者退出以利益为基础的Google Play的应用程序。

UA可以使得服务器能够识别客户使用的操作系统及版本、CPU类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等，从而判断用户是使用电脑浏览还是手机浏览，让网页作出自动的适应。

子步骤S13，根据所述设备信息和/或所述广告操作，判断所述流量源是否为嫌疑流量源。

当指定广告平台获得流量源对应的设备信息和/或针对移动广告触发的广告操作时，则可以进一步判断当前流量源是否为存在针对移动广告的作弊行为的嫌疑流量源。

在本发明实施例的一种实施例中，子步骤S13进一步可以包括如下子步骤：

子步骤S131，针对所述设备信息，获取所述流量源触发每次广告操作对应的特征信息；

在具体实现中，广告平台可以从请求参数中获得每次广告操作的特征信息。

其中，特征信息还可以按照一个或多个维度获得。作为一种示例，该维度可以包括但不限于如下维度的一种或组合：操作系统维度、地理位置维度、时间维度、设备维度等等。

针对操作系统维度，该特征信息可以包括流量源触发某个广告操作时所在的操作系统，如IOS系统，安卓系统等。

针对地理位置维度，该特征信息可以包括流量源触发某个广告操作时所在的地理位置，如某个国家或地区等。

针对时间维度，该特征信息可以包括流量源触发某个广告操作时的操作时间。

针对设备维度，该特征信息可以包括流量源触发某个广告操作时，该流量源的设备标识、设备型号、使用的IP地址等。

子步骤S132，结合所述至少两种广告操作对应的特征信息，确定所述流量源是否为嫌疑流量源。

当确定至少两种广告操作对应的特征信息以后，则可以进一步根据该至少两种广告操作对应的特征信息，确定该流量源是否为嫌疑流量源。

在本发明实施例的一种实施例中，子步骤S132进一步可以包括如下子步骤：

子步骤S132-1，根据所述操作时间，统计预设时间段内来自相同流量源的针对同一移动广告的统计信息；

子步骤S132-2，若所述统计信息符合预设规则，则判定所述流量源为嫌疑流量源。

作为一种示例，上述统计信息可以包括但不限于如下信息的一种或组合：

对所述移动广告执行广告操作的总次数；

转化信息，其中，所述转化信息包括转化率和/或转化时间；

操作时间分布信息。

则在一种实施方式中，子步骤S132-2进一步可以包括如下子步骤：

若来自某个流量源的对所述移动广告执行广告操作的总次数大于预设次数阈值，则判定所述流量源为嫌疑流量源。

作为一种示例，对移动广告执行的广告操作可以包括广告展示、广告点击、广告激活等操作。

可以统计预设时间段内每个流量源的针对同一移动广告执行的广告操作的总次数，如果该次数大于预设次数阈值，表示该流量源可能存在作弊行为，即该流量源为嫌疑流量源。

例如，可以根据IP分布(IP离散度)来统计流量源针对同一移动广告执行的广告操作的总次数。具体的，由于用户离散分布，用户设备的IP也应呈现离散性。如果来自相同IP或者IP子网的展示、点击、安装(或激活)的次数过多(大于预设次数阈值)，则表示该IP或者IP子网的广告操作过于集中，此时这些广告操作很大可能为作弊行为。

又如，可以根据设备相关参数来统计流量源针对同一移动广告执行的广告操作的次数。如果相同设备型号产生的展示、点击和安装过多(大于预设次数阈值)，尤其是该设备型号对应的机型已经不是市场主流机型，则该流量源有作弊嫌疑。或者，如果相同UA产生大量的展示、点击和安装(即某一流量源大量的展示、点击或者安装来自于同一个UA)，则表示该流量源有作弊嫌疑。或者，相同IDFA或者GAID产生过多的展示、点击和安装(某一流量源大量的展示、点击或者安装都来自于同一设备)，则该流量源有作弊嫌疑。

需要说明的是，本发明实施例并不限于上述统计预设时间段内每个流量源的针对同一移动广告执行的广告操作的总次数的维度，本领域技术人员采用其他维度来确定统计信息均是可以的。

在另一种实施方式中，子步骤S132-2进一步可以包括如下子步骤：

若来自某个流量源的所述转化信息在预设的转化信息范围外，则判定对应的流量源为嫌疑流量源。

具体的，可以根据点击到激活(即数据的转化)的相关数据来确定作弊行为。在具体实现中，单个渠道的转化率会在一定的区间范围内，如果某个流量源有过低或者过高的转化率，则该流量源具有作弊嫌疑。例如，单个渠道带来的用户总是在游戏或者应用中的某一时间节点上，如总是触发广告点击操作，但广告激活的数据表现出现断崖式下滑，此时转化率是比较低的，则该流量源有作弊嫌疑。

另一方面，用户从点击广告到成功安装会具有时间差，即CTIT(Click-to-install-time)。正常情况下，用户点击广告后需要一段时间下载应用程序并安装程序，如果从点击到安装的平均转化时间过短，例如，平均转化时间小于正常网速所需的时间，则表示该流量源具有作弊嫌疑。或者，正常情况下，若以用户安装应用并且第一次打开应用作为计算单位，如果一段时间内，从点击到安装的时间差过长的比例过高，则该流量源有作弊嫌疑。

在另一种实施方式中，子步骤S132-2进一步可以包括如下子步骤：

若所述操作时间分布信息在预设的正常作息时间区间以外，则判定所述流量源为嫌疑流量源。

具体的，可以以用户所在国家展示广告的高低峰分布来检测作弊行为。当流量源对移动广告的活跃时间与国家地区的生活作息及广告标签数据不匹配时，则可能存在作弊嫌疑。具体的，可以根据平台的自身数据积累以及第三方服务数据，分析和建模确定各国家地区生活作息习惯以及广告标签数据，然后计算流量源进行广告请求、展示、点击、安装的峰值的实际时间分布情况，如果该实际时间分布情况与流量源所在的国家地区生活作息习惯不匹配，则该流量源有作弊嫌疑。

在本发明实施例的另一种实施例中，子步骤S132可以包括如下子步骤：

若所述至少两种广告操作中，对于同一维度的特征信息，具有对应的至少两个特征值或者所述特征值存在逻辑错乱，则判定所述流量源为嫌疑流量源。

例如，针对操作系统维度，可以实时获取各个广告操作的操作系统，若流量源针对某个移动广告的点击操作是来自于安卓系统，而安装操作却来自于iOS系统，则该流量源有作弊嫌疑。

又如，针对地理位置维度，可以实时获取流量源触发广告操作的地理位置信息，若流量源触发的展示操作或者点击操作的IP来自于美国，而安装操作的请求IP来自于印度，此种情景在日常生活中出现的概率极低，则该流量源有作弊嫌疑。

又如，针对时间维度，各种广告操作的操作时间在时间上存在逻辑错误，如点击广告的时间晚于激活广告的时间，则可以判定该流量源存在作弊嫌疑。

又如，针对设备维度，可以实时获取各个广告操作对应的设备标识，依据安卓和iOS的规则，同一个设备拥有唯一的设备标识，若流量源针对某个移动广告的点击操作是来自于一个设备标识，而安装操作却来自于另一个设备标识，即同一设备同时对应多个设备标识，则该设备有作弊嫌疑。

在本发明实施例的另一种实施例中，子步骤S13可以包括如下子步骤：

若所述流量源中的所述设备信息的格式不符合预设编码规则，则判定所述流量源为嫌疑流量源。

例如，IDFA/GAID设备唯一ID的信息格式异常。IDFA和GAID都有自己的编码规则，如果接收到某流量源的大量展示、点击和安装的请求参数中，实时确定信息的格式异常，则该流量源有作弊嫌疑。

需要说明的是，除了上述判断流量源是否存在针对移动广告的作弊行为以外，本领域技术人员还可以采用其他方式检测作弊行为，本发明实施例对此不作限定。

步骤102，获取所述嫌疑流量源对应的作弊特征信息；

确定嫌疑流量源以后，可以根据该嫌疑流量源获取作弊特征信息，以便于后续处理。

在本发明实施例的一种优选实施例中，步骤102进一步可以包括如下子步骤：

子步骤S21，获取所述嫌疑流量源的日志记录；

在具体实现中，可以根据嫌疑流量源对应的设备标识，从服务器中获取该嫌疑流量源的日志记录。

子步骤S22，从所述日志记录中提取基础特征信息；

在具体实现中，日志记录中可以记录流量源对移动广告的各种广告操作的信息，可以从该日志记录中提取出基础特征信息。

作为一种示例，该基础特征信息可以包括但不限于：操作时间、操作的位置信息、操作系统信息、设备信息等等。

子步骤S23，根据所述基础特征信息，采用预设的聚类算法进行聚类，获得作弊特征信息。

得到各个嫌疑流量源对应的基础特征信息以后，可以对该基础特征信息采用预设的聚类算法进行聚类，得到多个聚类特征。然后采用预设的作弊规则，对各个聚类特征进行校验，并将符合作弊规则的聚类特征作为作弊特征信息。例如，该作弊规则可以包括IP离散度密集、时间周期反复、时间不符合逻辑规则等。

作为一种示例，该反作弊特征信息可以包括但不限于如下特征信息的一种或结合：转换信息特征、IP分布特征、时间分布特征、地理位置分布特征、设备信息。

步骤103，根据所述作弊特征信息，生成反作弊策略；

在本发明实施例的一种优选实施例中，反作弊策略可以包括反作弊模型，步骤103可以包括如下子步骤：

根据所述作弊特征信息，采用机器学习算法和/或规则引擎，建立反作弊模型。

例如，可以采用常规数据指标建模。具体的，可以使用机器学习模型及规则引擎，联合全渠道常见的指标进行建模，上述指标可以包括如CVR(Click Value Rate，转化率)、IP(包括IP地址或者IP子网)重复情况、IP与用户离散分布的相关情况以及单IP数据等指标。

又如，可以采用分布分析建模。具体的，可以输入海量流量数据进行大数据建模，如对CTIT(Click-to-install-time，广告从被点击到激活的时间)、机型、地理位置等分布情况等进行建模。

又如，可以采用用户行为建模。具体的，可以通过事件数据(广告请求、广告展示、广告播放、广告点击、广告激活等事件)，利用机器学习方法，通过用户行为序列，聚类等对流量进行模型构建，分析用户存在情况、活跃时间、用户操作行为等等数据。

需要说明的是，本发明实施例并不限于上述建模的方法，本领域技术人员根据实际需求采用其他数据以及其他建模方法进行建模均是可以的。

针对建立的反作弊模型还可以进行动态更新，以提高模型的自适应更新能力。

在本发明实施例的另一种优选实施例中，步骤103可以包括如下子步骤：

根据作弊的设备标识，建立作弊设备黑名单，作为反作弊策略。

具体的，可以获取嫌疑流量源的设备标识，并将所有嫌疑流量源的设备标识组织成作弊设备黑名单，该作弊设备黑名单可以作为反作弊策略的一种进行作弊行为的过滤。

在一种实施方式中，本发明实施例还可以包括如下步骤：

动态监测所述作弊设备黑名单中的各个设备触发的广告操作；

若所述广告操作满足预设的正常标准，则将所述设备对应的设备标识从所述作弊设备黑名单中删除。

在具体实现中，还可以动态监控作弊设备黑名单中的各个设备，当某个设备对移动广告触发的广告操作都符合正常标准，即不存在上述步骤101所述及的作弊行为，则可以将该设备作为正常设备，并将该设备对应的设备标识从作弊设备黑名单中删除。

步骤104，实时对符合所述反作弊策略的流量源进行反作弊处理。

确定反作弊策略以后，可以采用该反作弊策略，实时对各个访问移动广告的流量源的广告操作进行监控，如果监控到有流量源符合该反作弊策略，则可以对该流量源进行反作弊处理。

在本发明实施例的一种优选实施例中，步骤104可以包括如下子步骤：

拦截符合所述反作弊策略的流量源对移动广告的广告操作。

具体的，本发明实施例可以对符合反作弊策略的流量源进行实时过滤，拦截该流量源对移动广告的广告操作。

例如，可以将实时的流量源对应的特征信息和/或广告操作信息输入反作弊模型，并接收反作弊模型输出的检测结果，其中，该检测结果包括所述流量源存在针对所述移动广告的作弊行为的第一检测结果，或者，所述流量源不存在针对所述移动广告的作弊行为的第二检测结果。

利用该反作弊模型可以对全量流量进行监控分析，及时获流量异常指标，确定是否存在作弊行为，并且帮助流量优化。

进一步的，利用反作弊模型，可以有效对CTIT、机型、地理位置等分布情况进行分析与监控，可以及时发现异常流量与时间节点，及时发现作弊行为。

进一步的，利用反作弊模型，可以分析用户存在情况、活跃时间、用户操作行为等等数据，从而监控流量是否属于虚假流量，进而确定作弊行为。

在实际中，针对嫌疑流量源，如作弊设备黑名单中的流量源，其反作弊处理的手段还可以包括拒绝向其推送或推荐移动广告。和/或，针对嫌疑流量源在先作用的移动广告，可以扣取该移动广告的收益等。

在本发明实施例的另一种优选实施例中，步骤104可以包括如下子步骤：

对进行数据传输的数据通道进行加密处理和/或设置验证信息。

在具体实现中，数据传输的数据通道可以包括SDK(Software Development Kit，软件开发工具包)传输数据的通道。该SDK可以嵌入在进行移动广告展示的应用程序中，在需要的时候应用程序调用SDK展现广告的接口，该SDK采用HTTP传输协议及参数与移动广告平台服务器进行通信，同时服务器会返回对应的广告内容；该SDK根据规则来组织广告内容的形式，并展现出对应的广告形式内容。其中，该SDK可以采用的是谷歌发布的基于java的Android开发语言，并基于WebView组件开发的。

应用于本发明实施例，为了增加嫌疑流量源的作弊成本，确保数据传输安全，可以对SDK传输数据的数据通道进行加密处理，使得传输的数据为加密后的数据，本发明实施例对具体的加密算法不作限定。

进一步地，还可以针对SDK，增设更多的设备验证信息，从而在接收到广告操作的请求时，使用该设备验证信息对设备信息进行验证，将无效或伪造的数据拦截，保证数据的真实有效性。

本发明实施例的广告平台从对广告主权益、自身业务稳定性及行业可持续发展角度出发，提出了一种积极有效的广告反作弊机制，当确定嫌疑流量源以后，通过获取嫌疑流量源对应的作弊特征信息，生成反作弊策略，并实时对符合反作弊策略的流量源进行反作弊处理，提高了对作弊行为检测的及时性，提升了作弊行为检测的准确度，有效的降低了广告作弊的现象。

基于上述广告反作弊的方法，参照图2，示出了本发明的一种广告反作弊的装置实施例的结构框图，本发明实施例具体可以包括如下模块：

嫌疑流量源确定模块201，用于确定对移动广告存在作弊行为的嫌疑流量源；

作弊特征信息获取模块202，用于获取所述嫌疑流量源对应的作弊特征信息；

反作弊策略生成模块203，用于根据所述作弊特征信息，生成反作弊策略；

反作弊处理模块204，用于实时对符合所述反作弊策略的流量源进行反作弊处理。

在本发明实施例的一种优选实施例中，所述反作弊策略包括反作弊模型，所述反作弊策略生成模块203包括：

反作弊模型建立子模块，用于根据所述作弊特征信息，采用机器学习算法和/或规则引擎，建立反作弊模型，其中，所述反作弊特征信息包括但不限于如下特征信息的一种或结合：转换信息特征、IP分布特征、时间分布特征、地理位置分布特征、设备信息。

在本发明实施例的一种优选实施例中，所述作弊特征信息包括作弊的设备标识；所述反作弊策略生成模块203包括：

黑名单建立子模块，用于根据所述作弊的设备标识，建立作弊设备黑名单，作为反作弊策略。

在本发明实施例的一种优选实施例中，所述装置还可以包括如下模块：

黑名单更新模块，用于动态监测所述作弊设备黑名单中的各个设备触发的广告操作；若所述广告操作满足预设的正常标准，则将所述设备对应的设备标识从所述作弊设备黑名单中删除。

在本发明实施例的一种优选实施例中，所述反作弊处理模块204包括：

广告操作拦截子模块，用于拦截符合所述反作弊策略的流量源对移动广告的广告操作。

在本发明实施例的另一种优选实施例中，所述反作弊处理模块204包括：

通道数据处理子模块，用于对进行数据传输的数据通道进行加密处理和/或设置验证信息。

在本发明实施例的一种优选实施例中，所述作弊特征信息获取模块202包括：

日志记录获取子模块，用于获取所述嫌疑流量源的日志记录；

基础特征信息获取子模块，用于从所述日志记录中提取基础特征信息；

聚类子模块，用于根据所述基础特征信息，采用预设的聚类算法进行聚类，获得作弊特征信息。

在本发明实施例的一种优选实施例中，所述嫌疑流量源确定模块201包括：

广告操作检测子模块，用于检测流量源针对移动广告触发的广告操作；

设备信息确定子模块，用于确定所述流量源对应的设备信息；

嫌疑流量源判断子模块，用于根据所述设备信息和/或所述广告操作，判断所述流量源是否为嫌疑流量源。

在本发明实施例的一种优选实施例中，所述广告操作包括至少两种，所述嫌疑流量源判断子模块包括：

特征信息获取单元，用于针对所述设备信息，获取所述流量源触发每次广告操作对应的特征信息；

作弊检测单元，用于结合所述至少两种广告操作对应的特征信息，确定所述流量源是否为嫌疑流量源。

对于图2的装置实施例而言，由于其与上述的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其他各种相应的改变以及形变，而所有这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种广告反作弊的方法，其特征在于，所述方法包括：

确定对移动广告存在作弊行为的嫌疑流量源；

获取所述嫌疑流量源对应的作弊特征信息；

根据所述作弊特征信息，生成反作弊策略；

实时对符合所述反作弊策略的流量源进行反作弊处理。

2.根据权利要求1所述的方法，其特征在于，所述反作弊策略包括反作弊模型，所述根据所述作弊特征信息，生成反作弊策略，包括：

根据所述作弊特征信息，采用机器学习算法和/或规则引擎，建立反作弊模型，其中，所述反作弊特征信息包括但不限于如下特征信息的一种或结合：转换信息特征、IP分布特征、时间分布特征、地理位置分布特征、设备信息。

3.根据权利要求1所述的方法，其特征在于，所述作弊特征信息包括作弊的设备标识；

所述根据所述作弊特征信息，生成反作弊策略，包括：

根据所述作弊的设备标识，建立作弊设备黑名单，作为反作弊策略。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

动态监测所述作弊设备黑名单中的各个设备触发的广告操作；

若所述广告操作满足预设的正常标准，则将所述设备对应的设备标识从所述作弊设备黑名单中删除。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述实时对符合所述反作弊策略的流量源进行反作弊处理，包括：

拦截符合所述反作弊策略的流量源对移动广告的广告操作。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述实时对符合所述反作弊策略的流量源进行反作弊处理，包括：

对进行数据传输的数据通道进行加密处理和/或设置验证信息。

7.根据权利要求1所述的方法，其特征在于，所述获取所述嫌疑流量源对应的作弊特征信息，包括：

获取所述嫌疑流量源的日志记录；

从所述日志记录中提取基础特征信息；

根据所述基础特征信息，采用预设的聚类算法进行聚类，获得作弊特征信息。

8.根据权利要求1或2或3或4或7所述的方法，其特征在于，所述确定对移动广告存在作弊行为的嫌疑流量源，包括：

检测流量源针对移动广告触发的广告操作；

确定所述流量源对应的设备信息；

根据所述设备信息和/或所述广告操作，判断所述流量源是否为嫌疑流量源。

9.根据权利要求8所述的方法，其特征在于，所述广告操作包括至少两种，所述根据所述设备信息和/或所述广告操作，所述判断所述流量源是否为嫌疑流量源，包括：

针对所述设备信息，获取所述流量源触发每次广告操作对应的特征信息；

结合所述至少两种广告操作对应的特征信息，确定所述流量源是否为嫌疑流量源。

10.一种广告反作弊的装置，其特征在于，所述装置包括：

嫌疑流量源确定模块，用于确定对移动广告存在作弊行为的嫌疑流量源；

作弊特征信息获取模块，用于获取所述嫌疑流量源对应的作弊特征信息；

反作弊策略生成模块，用于根据所述作弊特征信息，生成反作弊策略；

反作弊处理模块，用于实时对符合所述反作弊策略的流量源进行反作弊处理。