Антифрод и антибот в геймификации на базе ML

1) Зачем отдельная антифрод-система для геймификации

Геймификация стимулирует активность (миссии, токены, косметика), а значит — провоцирует:

ботов (скрипты выполнения миссий, фарм токенов/рейтингов);
мультиаккаунты/коллюзии (командная накрутка, «перекидывание» наград);
эмуляторы/рут-девайсы (манипуляция клиентом);
эксплойт миссий (циклы, где прогресс идёт без реальной игры).

Цели антифрода: сохранить честность, не перегреть UX, соблюсти приватность/регуляции и держать экономику промо устойчивой.

2) Сигналы и фичи (что считать)

Устройство и среда

Аттестация целостности клиента (mobile/web), признаки эмулятора/рут, нестандартный WebGL/Canvas-профиль.

Device fingerprint (без PII): комбинации User-Agent, шрифтов, графики, времени рендеринга.

Поведенческая биометрия

Темп кликов/тачей, плавность кривых, микропаузность, вариативность траекторий.

«Человеческие» шумы: дрожание курсора, микродрейф скролла, распределение интервалов (логнормальность).

Игровые и миссионные паттерны

Повторяющиеся циклы «идеальной» длины, аномально стабильные темпы (спинов/мин).

Узкие окна активности (например, ровно каждые 10 мин), мгновенные завершения многошаговых квестов.

Граф-сигналы и сеть

Совпадения IP/AS, общие платежные источники (в агрегатах), кластеры дружбы/приглашений.

Совместное участие в турнирах с «подыгрышем» (странные корреляции результатов).

Экономика/промо

Непропорциональная монетизация на миссиях с токенами, резкие выводы после фарма.

RG/контекст

Сверхдлинные сессии без микропауз (бот-признак), ночные «конвейеры».

💡 Все фичи агрегируются и анонимизируются. PII — только в объёме требований регулятора.

3) Модельный стек (как ловим)

1. Аномалия-детекторы (unsupervised):

Isolation Forest, One-Class SVM, Autoencoder для поведенческих и устройств.
Использование: ранний «скоринг подозрительности» без ярлыка «виновен».

2. Граф-аналитика и GNN:

Community detection (Louvain/Leiden) + признаки центральности (betweenness, degree).
GNN (GraphSAGE/GAT) для классификации узлов/рёбер (коллюзии, фермы аккаунтов).

3. Супервизия (supervised):

Gradient Boosting/Tabular Transformers по меткам прошлых расследований.
Calibrated probabilities → доверие в принятии решений.

4. Поведенческие эмбеддинги:

User2Vec по последовательностям событий; расстояния → «бот-кластеры».

5. Контекстные бандиты для защитных мер:

Выбор минимального барьера (лёгкий чек vs жёсткая верификация) под контекст риск×UX.

4) Оркестрация правил (policy engine)

Идея: ML даёт risk_score, policy решает «что делать» с учётом экономики и UX.

Пример уровней:

R0 (зелёный): без ограничений; пассивный мониторинг.
R1 (жёлтый): мягкие «humanity-челленджи» (микровзаимодействия), снижен кап миссий.
R2 (оранжевый): device-чек, доп. контроль темпа, снижение эмиссии токенов.
R3 (красный): блок прогресса по спорным миссиям, ручная модерация/временная заморозка наград.
R4 (чёрный): бан/KYC-ревью (если регуляторно допустимо и обосновано).

Драйверы переходов: агрегированный риск, граф-флаги коллюзий, жалобы, сигнал от провайдеров.

5) Честные барьеры без лишнего трения

Invisible checks: фоновая поведенческая биометрия, аттестация окружения.

Humanity-action вместо капчи: мини-жест (случайный drag-pattern, импровизированный слайдер), тайм-window с микропаузами.

WebAuthn/Passkeys для «дорогих» действий: закрепить устройство/личность без пароля.

Реактивные барьеры: включаются только в момент аномалий, не каждому.

6) Анти-паттерны миссий (как не дать «фармить»)

Вариативность требований: серия действий в разных провайдерах/временах/ставках.

Кулдауны и смена контента: запрет однотипных циклов подряд.

Случайные контрольные события: небольшие «человеческие» проверки в середине длинной миссии.

Ограничение параллельных прогрессов: чтобы фермы не закрывали десятки миссий одновременно.

7) Комплаенс, приватность, прозрачность

Data minimization: только необходимые фичи, хранение анонимных агрегатов.

Explainability: reason-codes для спорных действий (например, «аномальная скорость + граф-кластер»).

Appeal-процесс: понятная форма апелляции; быстрый пересмотр.

Политики RG: при признаках усталости снижаем нагрузку, а не «толкаем» игрока.

8) Метрики успеха и стражи экономики

Bot/Collusion catch rate (доля выявленных до получения ключевых наград).

False Positive Rate (порог < целевого; важна калибровка).

Lag to Action (время от аномалии до меры).

Emission to GGR и Prize ROI: защита окупает себя.

Complaint/Appeal rate и Appeal overturn rate.

Impact on UX: конверсия миссий, mute/opt-out от персонализации, NPS по честности.

9) A/B и офлайн-валидация

1. Антизлоупотребительные миссии: вариативность vs базовые.

2. Humanity-чек: невидимый жест vs классическая капча.

3. Порог risk_score: мягкий/жёсткий (разные TPR/FPR).

4. Граф-фильтры: с/без GNN, только правила графа.

5. Оркестратор барьеров: статический vs контекстный бандит.

10) Псевдокод (скоринг → политика → действие)

python def score_request(user, event):
x = build_features(user, event)      # устройство, поведение, графовые признаки r_unsup = oc_svm.score(x)         # аномальность r_sup  = gbdt.predict_proba(x)[:,1]   # вероятность фрода r_graph = gnn_node_prob(user.node_id)   # графовый риск risk = calibrate(r_unsup, r_sup, r_graph) # изотропная калибровка return risk

def decide_action(risk, context):
контекст: важность действия, ценность награды, UX-фактор if risk < 0.25:  return "ALLOW"
if risk < 0.45:  return "SOFT_CHECK"  # humanity-gesture, micro-pause if risk < 0.65:  return "DEVICE_ATTEST" # integrity + сниж. кап миссий if risk < 0.85:  return "HOLD_REWARDS" # заморозка до ревью return "BAN_OR_REVIEW"

def enforce(action, user):
минимально нужный барьер if action == "SOFT_CHECK": trigger_humanity_challenge(user)
elif action == "DEVICE_ATTEST": run_integrity_attestation(user.device)
elif action == "HOLD_REWARDS": freeze_rewards(user, duration="72h")
elif action == "BAN_OR_REVIEW": open_case_to_fraud_ops(user)

11) JSON-шаблоны (правила и журнал)

Политика уровней риска:

json
{
"policy_id": "anti_fraud_s1",  "tiers": [
{"name":"R0","risk_lt":0.25,"action":"allow"},   {"name":"R1","risk_lt":0.45,"action":"soft_check"},   {"name":"R2","risk_lt":0.65,"action":"device_attest_and_cap"},   {"name":"R3","risk_lt":0.85,"action":"hold_rewards_review"},   {"name":"R4","risk_gte":0.85,"action":"ban_or_kyc_review"}
],  "caps": {"missions_per_day_r2": 2, "token_emission_multiplier_r2": 0.5},  "appeal": {"enabled": true, "sla_hours": 48}
}

Лог решения (для аудита/апелляции):

json
{
"decision_id":"dec_2025_10_24_1415",  "user_id":"u_45219",  "risk_components":{"unsup":0.38,"sup":0.41,"graph":0.57},  "final_risk":0.51,  "action":"device_attest_and_cap",  "reasons":["abnormal_click_tempo","graph_cluster_c17"],  "expires_at":"2025-10-27T14:15:00Z"
}

12) Процесс реагирования и редтиминг

Мониторинг в реальном времени: дашборды по всплескам рисков, граф-компонентам.

Runbook инцидента:

1. детект аномалии → 2) снижение эмиссии/заморозка спорных наград → 3) выборка логов/графов → 4) патч правил/моделей → 5) ретро-пересчёт честных наград.

Red Team/подпольная лаборатория: симуляция ботов (обфускация, рандомизация), атаки на модели (adversarial examples).

Канареечные релизы: выкатываем новые барьеры на 5–10% трафика.

13) UX и коммуникации

Нейтральный, уважительный тон: «Замечены нестандартные действия — подтвердите, что вы человек (30 сек)».

Опции: «повторить позже», «связаться с поддержкой», «апелляция».

Доступность: альтернативы для людей с ограничениями моторики/зрения.

Прозрачность: страница «Как мы защищаем честность» с общими принципами (без рецептов для злоупотреблений).

14) Техническая архитектура (вкратце)

Сбор событий: Kafka/Redpanda, схемы `mission_progress`, `input_stream`, `device_attest`.

Фичестор: онлайн (мс-латентность) + офлайн (батчи 1–6 ч).

МЛ-сервисы: `risk-scorer`, `graph-service`, `policy-engine`.

Хранилище доказательств: неизменяемые логи (WORM), шифрование в покое и в канале.

Секьюрность: секьюрные сиды RNG на сервере; клиент — только визуализация.

15) Чек-лист перед релизом

Калиброваны вероятности (Platt/Isotonic), FPR в целевом коридоре.
Подключены граф-сигналы и кросс-девайс корреляции.
Настроен оркестратор барьеров (минимум трения при низком риске).
Встроены RG-гварды и апелляции; лог-аудит и reason-codes.
Политики приватности и хранения данных соответствуют регуляторным требованиям.
Настроены канарейки, алерты и runbook восстановления.

Антифрод/антибот в геймификации — это слой ML + графы + честные барьеры, которые включаются ровно там, где нужно. Поведенческая биометрия и аномалия-детект дают ранний сигнал, граф-аналитика вскрывает коллюзии, оркестратор подбирает минимально достаточную проверку. При прозрачности, приватности и уважении к UX система сохраняет честность соревнований, защищает экономику наград и не превращает продукт в «полосу препятствий» для добросовестных игроков.