دنده تورنت

ضد تقلب و ضد رباتها در گیمیفیکیشن مبتنی بر ML

1) چرا یک سیستم ضد تقلب جداگانه برای گیمیفیکیشن

گیمیفیکیشن فعالیت را تحریک می کند (ماموریت ها، نشانه ها، لوازم آرایشی)، به این معنی که باعث تحریک:

رباتها (اسکریپت ماموریت, نشانه مزرعه/رتبه بندی);
چند حساب/تبانی (تقلب تیم, «پرتاب» جوایز);
شبیه ساز/دستگاه های ریشه (دستکاری مشتری);
ماموریت بهره برداری (چرخه که در آن پیشرفت می رود بدون یک بازی واقعی).

اهداف ضد تقلب حفظ صداقت، بیش از حد UX، حفظ حریم خصوصی/مقررات و حفظ اقتصاد تبلیغی پایدار است.

2) سیگنال ها و ویژگی ها (چه چیزی باید شمارش شود)

دستگاه و محیط زیست

صدور گواهینامه یکپارچگی مشتری (تلفن همراه/وب)، ویژگی های شبیه ساز/ریشه، مشخصات غیر استاندارد WebGL/Canvas.

اثر انگشت دستگاه (بدون PII): ترکیبی از عامل کاربر، فونت، گرافیک، زمان رندر.

بیومتریک رفتاری

نرخ کلیک/نشت، صاف بودن منحنی ها، میکروپاز، تنوع مسیرها.

«انسان» سر و صدا: لرزش مکان نما، پیمایش microdraf، توزیع فاصله (lognormality).

الگوهای بازی و ماموریت

چرخه های تکراری طول «کامل»، نرخ های غیر طبیعی پایدار (چرخش/دقیقه).

پنجره های باریک فعالیت (به عنوان مثال، دقیقا هر 10 دقیقه)، تکمیل فوری ماموریت های چند مرحله ای.

سیگنال های نمودار و شبکه

مسابقات IP/AS، منابع پرداخت مشترک (در مجموع)، خوشه های دوستی/دعوت.

مشارکت مشترک در مسابقات با «بازی همراه» (همبستگی عجیب و غریب از نتایج).

اقتصاد/تبلیغات

کسب درآمد نامتناسب در مأموریت ها با نشانه ها، نتیجه گیری های سخت پس از داروسازی.

RG/زمینه

جلسات فوق العاده طولانی بدون میکرو مکث (ربات نشانه)، شب «نوار نقاله».

💡 تمام ویژگی ها جمع شده و ناشناس هستند. PII - فقط در محدوده الزامات تنظیم کننده.

3) مدل پشته (چگونه برای گرفتن)

1. آشکارسازهای ناهنجاری (بدون نظارت):

جداسازی جنگل، SVM یک کلاس، خودکار رمزگذار برای رفتاری و دستگاه.
استفاده: «سوء ظن زود هنگام» بدون برچسب «گناه».

2. تجزیه و تحلیل نمودار و GNN:

تشخیص جامعه (Louvain/Leiden) + نشانه هایی از مرکزیت (betweeness، درجه).
GNN (GraphSAGE/GAT) برای طبقه بندی گره/لبه (تبانی، مزارع حساب).

3. تحت نظارت:

گرادیان تقویت/ترانسفورماتور جدولی بر روی برچسب ها از تحقیقات گذشته.
احتمالات کالیبره → اعتماد به نفس در تصمیم گیری.

4. جاسازی رفتاری:

User2Vec توسط دنباله ای از حوادث ؛ فاصله → ربات خوشه.

5. راهزنان متنی برای اقدامات حفاظتی:

انتخاب حداقل مانع (بررسی آسان در مقابل تأیید سخت) برای زمینه ریسک × UX.

4) موتور سیاست

ایده: ML risk_score می دهد، سیاست تصمیم می گیرد «چه باید بکنید» با توجه به اقتصاد و UX.

نمونه ای از سطوح:

R0 (سبز): نامحدود ؛ نظارت منفعل.
R1 (زرد): نرم «چالش های بشریت» (میکرو تعامل)، کاهش کلاه ماموریت.
R2 (نارنجی): بررسی دستگاه، کنترل سرعت اضافی، کاهش مسئله توکن.
R3 (قرمز): بلوک پیشرفت در ماموریت های بحث برانگیز، تعدیل دستی/توقف موقت جایزه.
R4 (سیاه): بررسی ممنوعیت/CCR (اگر قانونی و موجه باشد).

رانندگان انتقال: خطر جمع، پرچم تبانی، شکایات، سیگنال از ارائه دهندگان.

5) موانع عادلانه بدون اصطکاک غیر ضروری

چک های نامرئی: بیومتریک رفتاری پس زمینه، گواهی محیط زیست.

Humanity-action به جای captcha: mini-gesture (random drag-pattern, impromptu slider), time-window with micropause.

WebAuthn/Passkeys برای فعالیت های گران قیمت: دستگاه امن/هویت بدون رمز عبور.

موانع واکنشی: فقط در زمان ناهنجاری ها روشن می شود، نه برای همه.

6) الگوهای ضد ماموریت (چگونه برای جلوگیری از «مزرعه»)

تنوع الزامات: مجموعه ای از اقدامات در ارائه دهندگان مختلف/زمان/نرخ.

Cooldowns و تغییرات محتوا: ممنوعیت همان نوع چرخه در یک ردیف.

رویدادهای کنترل تصادفی: چک های کوچک «انسان» در وسط یک ماموریت طولانی.

محدود کردن پیشرفت موازی: به طوری که مزارع ده ها ماموریت را در همان زمان تعطیل نکنند.

7) انطباق، حفظ حریم خصوصی، شفافیت

به حداقل رساندن داده ها: تنها ویژگی های لازم، ذخیره سازی از aggregates ناشناس.

توضیح پذیری: کدهای منطقی برای اقدامات بحث برانگیز (به عنوان مثال، «سرعت غیر طبیعی + نمودار خوشه ای»).

روند درخواست تجدید نظر: یک فرم قابل فهم درخواست تجدید نظر ؛ بازنگری سریع

سیاست های RG: با نشانه های خستگی، بار را کاهش می دهیم و بازیکن را «فشار» نمی دهیم.

8) معیارهای موفقیت و نگهبانان اقتصاد

نرخ گرفتن ربات/تبانی.

نرخ مثبت کاذب (آستانه <هدف ؛ کالیبراسیون مهم است).

تاخیر در عمل

انتشار به GGR و ROI جایزه: حفاظت برای خود هزینه می کند.

نرخ شکایت/تجدید نظر и نرخ لغو تجدید نظر.

تاثیر بر UX: تبدیل ماموریت، خاموش/انتخاب کردن از شخصی سازی، NPS برای صداقت.

9) اعتبار سنجی A/B و آفلاین

1. ماموریت های ضد مصرف: تنوع در مقابل پایه.

2. بررسی بشریت: ژست نامرئی در مقابل captcha کلاسیک.

3. آستانه risk_score: نرم/سخت (TPR/FPR مختلف).

4. فیلترهای گراف: با/بدون GNN، فقط قوانین گراف.

5. ارکستر مانع: راهزن استاتیک در مقابل متنی.

10) Pseudocode (امتیاز دهی → سیاست → عمل)

پایتون def score_request (کاربر، رویداد):
x = build_features (کاربر، رویداد) # دستگاه، رفتار، ویژگی های گراف r_unsup = oc_svm. score (x) # anomaly r_sup = gbdt. predict_proba (x) [:, 1] # احتمال تقلب r_graph = gnn_node_prob (کاربر. node_id) ریسک # graph = کالیبراسیون (r_unsup، r_sup، r_graph) ریسک بازگشت کالیبراسیون ایزوتروپیک

def decide_action (ریسک، زمینه):
زمینه: اهمیت عمل، ارزش پاداش، عامل UX اگر خطر <0. 25: بازگشت «اجازه»
اگر خطر <0. 45: بازگشت «SOFT_CHECK» # بشریت ژست, میکرو مکث اگر خطر <0. 65: بازگشت «DEVICE_ATTEST» # صداقت + сниж. ماموریت های کلاه اگر خطر <0. 85: return «HOLD_REWARDS» # freeze برای بررسی بازگشت «BAN_OR_REVIEW»

def enforcement (عمل، کاربر):
حداقل مانع مورد نیاز اگر عمل = "SOFT_CHECK": trigger_humanity_challenge (کاربر)
عمل elif = = "DEVICE_ATTEST": run_integrity_attestation (کاربر. دستگاه)
عمل elif = = "HOLD_REWARDS": freeze_rewards (کاربر، مدت زمان =" 72h")
عمل elif = = "BAN_OR_REVIEW": open_case_to_fraud_ops (کاربر)

11) قالب های JSON (قوانین و ورود به سیستم)

خط مشی سطح ریسک:

جی سون
{
"policy_id": "anti_fraud_s1," "ردیف ها": [
{«نام «: «R0 «،» risk _ lt»: 0. 25, «action «:» allow»}, {«name «: «R1 «,» risk _ lt»: 0. 45, «action «: «soft _ check»}, {«name «: «R2 «,» risk _ lt»: 0. 65, «action «: «device _ certest _ and _ cap»}, {«name «: «R3 «,» risk _ lt»: 0. 85, «عمل «: «hold _ rewards _ review»}, {«name «: «R4 «,» risk _ gte»: 0. 85, «اقدام «: «ban _ or _ kyc _ review»}
], "caps": {"missions _ per _ day _ r2": 2 ", token_emission_multiplier_r2": 0. 5}, "درخواست": {"فعال": درست ", sla_hours": 48}
}

ثبت تصمیم (برای حسابرسی/تجدید نظر):

جی سون
{
«decision_id":"dec_2025_10_24_1415,» user_id":"u_45219, «risk_components":{"unsup":0» 38، «سوپ»: 0. 41، «نمودار»: 0. 57، "final_risk":0. 51, «عمل «: «device _ certest _ and _ cap», «reasons «: [«غیر طبیعی _ click _ tempo»,» graph _ cluster _ c17»], «expires_at":"2025-10-27T14:15:00Z»
}

12) روند پاسخ و redtiming

نظارت بر زمان واقعی: داشبورد برای سنبله خطر، اجزای نمودار.

دفترچه حوادث:

1. تشخیص ناهنجاری → 2) کاهش انتشار/انجماد جوایز بحث برانگیز → 3) نمونه برداری از سیاهههای مربوط/نمودار → 4) پچ از قوانین/مدل → 5) محاسبه مجدد یکپارچهسازی با سیستمعامل از جوایز صادق.

تیم قرمز/آزمایشگاه زیرزمینی: شبیه سازی ربات ها (مبهم سازی، تصادفی سازی)، حمله به مدل ها (نمونه های خصمانه).

Canary releases: موانع جدیدی را برای 5-10٪ از ترافیک ایجاد می کند.

13) UX و ارتباطات

بی طرف، لحن احترام: «اقدامات غیر استاندارد متوجه - تایید کنید که شما انسان هستید (30 ثانیه)».

گزینه ها: «بعدا تکرار کنید»، «تماس با پشتیبانی»، «درخواست تجدید نظر».

دسترسی: جایگزینی برای افراد مبتلا به محدودیت های حرکتی/بینایی.

شفافیت: چگونه از صفحه یکپارچگی با اصول کلی محافظت می کنیم (بدون نسخه برای سوء استفاده).

14) معماری فنی (به طور خلاصه)

مجموعه رویدادها: Kafka/Redpanda, schemas 'mission _ progress', 'input _ stream', 'device _ certest'.

Fichestor: آنلاین (ms-latency) + آفلاین (دسته 1-6 ساعت).

خدمات ML: «نمره دهنده ریسک»، «خدمات گراف»، «موتور سیاست».

ذخیره سازی شواهد: سیاهههای تغییر ناپذیر (WORM)، رمزگذاری در حالت استراحت و در کانال.

امنیت: دانه های امنیتی RNG در سرور ؛ مشتری - فقط تجسم.

15) چک لیست قبل از انتشار

احتمالات کالیبره (پلات/ایزوتونیک)، FPR در راهرو هدف.
سیگنال های نمودار و همبستگی متقابل دستگاه متصل می شوند.
ارکستر مانع پیکربندی شده (حداقل اصطکاک کم خطر).
ساخته شده در نگهبانان RG و تجدید نظر ؛ حسابرسی ورود و کد دلیل.
سیاست های حفظ حریم خصوصی و ذخیره سازی سازگار است.
قناری, هشدار و runbook بازیابی پیکربندی.

Antifraud/antiboot در گیمیفیکیشن یک لایه از نمودارهای ML++ موانع صادقانه است که دقیقا در جایی که مورد نیاز است گنجانده شده است. بیومتریک رفتاری و تشخیص ناهنجاری یک سیگنال اولیه را نشان می دهد، تجزیه و تحلیل نمودار نشان می دهد تبانی، ارکستر حداقل چک کافی را انتخاب می کند. با شفافیت، حفظ حریم خصوصی و احترام به UX، سیستم یکپارچگی رقابت را حفظ می کند، از اقتصاد جوایز محافظت می کند و محصول را به یک دوره مانع برای بازیکنان وجدان تبدیل نمی کند.