ML esasly oýnamakda antifrod we antibot

1) Oýnamak üçin näme üçin aýratyn antifrod-ulgam?

Oýun oýnamak işjeňligi höweslendirýär (missiýalar, bellikler, kosmetika), bu bolsa:

botlar (missiýalary ýerine ýetirmegiň skriptleri, tokenleriň/reýtingleriň fermasy);
multiakkauntlar/kolluziýalar (toparlaýyn aýlaw, baýraklary "atmak");
emulýatorlar/rut-enjamlar (müşderi tarapyndan manipulýasiýa);
missiýalaryň ekspluatasiýasy (ösüş hakyky oýun bolmazdan dowam edýän sikller).

Antifrod maksatlary: dogruçyllygy saklamak, UX-ni aşa gyzdyrmazlyk, gizlinligi/düzgünleşdirmegi berjaý etmek we ykdysadyýeti durnukly saklamak.

2) Signallar we çyzgylar (näme hasaplamaly)

Enjam we gurşaw

Müşderiniň bitewiligini tassyklamak (mobile/web), emulýator/rut alamatlary, standart däl WebGL/Canvas-profil.

Device fingerprint (PII-siz): User-Agent, şriftler, grafikler, render wagty.

Özüni alyp baryş biometriýasy

Düwmeleriň/düwmeleriň tizligi, egrileriň tekizligi, mikropauzlylygy, traýektoriýalaryň üýtgemegi.

"Adam" sesleri: kursoryň titremesi, skrollyň mikrodreýfi, aralyklaryň paýlanyşy (lognormallyk).

Oýun we missiýa patternleri

"Ideal" uzynlygyň gaýtalanýan aýlawlary, adaty bolmadyk durnukly depginler (spin/min).

Dar işjeňlik penjireleri (mysal üçin, takmynan her 10 minutda), köp basgançakly gözlegleriň derrew tamamlanmagy.

Graf signallary we tor

IP/AS gabat gelmegi, umumy töleg çeşmeleri (agregatlarda), dostluk/çakylyk klasterleri.

"Kiçi oýun" bilen ýaryşlara bilelikde gatnaşmak (netijeleriň geň korrelýasiýalary).

Ykdysadyýet/mahabat

Bellikler bilen missiýalarda proporsional monetizasiýa, farmadan soň ýiti netijeler.

RG/Kontekst

Mikropauzsyz uzyn sessiýalar (bot-alamat), gijeki "konweýerler".

💡 Ähli çyzyklar jemlenýär we anonimleşdirilýär. PII - diňe düzgünleşdirijiniň talaplarynyň möçberinde.

3) Model steki (nädip tutýarys)

1. Anomaliýa detektorlary (unsupervised):

"Isolation Forest", "One-Class SVM", "Autoencoder".
Ulanmak: "günäkär" diýen belliksiz irki "şübhe skoring".

2. Analitik grafika we GNN:

Community detection (Louvain/Leiden) + merkeziň alamatlary (betweenness, degree).
GNN (GraphSAGE/GAT).

3. Supervised:

Gradient Boosting/Tabular Transformers öňki derňewleriň bellikleri boýunça.
Calibrated probabilities → karar bermekde ynam.

4. Özüni alyp baryş embeddingleri:

User2Vec yzygiderliligi boýunça; aralyklar → "bot-klasterler".

5. Gorag çäreleri üçin kontekstli garakçylar:

UX töwekgelçiligi kontekstinde iň az päsgelçiligi (ýeňil çek vs berk tassyklama) ×.

4) Düzgünleriň orkestrasiýasy (policy engine)

Pikir: ML risk_score berýär, syýasat ykdysadyýeti we UX-i göz öňünde tutup "näme etmelidigi" barada karar berýär.

Derejeleriň mysaly:

R0 (ýaşyl): çäklendirmesiz; passiw gözegçilik.
R1 (sary): ýumşak "humanity-challenge" (mikro-baglanyşyk), missiýalar azaldy.
R2 (mämişi): device-çek, goşmaça tizlige gözegçilik, bellikleriň goýberilişiniň peselmegi.
R3 (gyzyl): jedelli missiýalar boýunça ösüş blogy, el bilen moderasiýa/baýraklary wagtlaýyn doňdurmak.
R4 (gara): gadagan/KUS-revew (eger kadalaşdyryjy ýol berilse we esasly bolsa).

Geçiş hereketlendirijileri: jemlenen töwekgelçilik, kollýuziýanyň graf-baýdaklary, şikaýatlar, üpjün edijilerden gelýän signal.

5) Artykmaç sürtülmezden dogruçyl päsgelçilikler

Invisible checks: fon özüni alyp barş biometriýasy, daşky gurşawyň şahadatnamasy.

Kapçanyň ýerine Humanity-action: mini-jest (tötänleýin drag-pattern, improwizirlenen slaýd), mikropauzly wagt-window.

"Gymmat" hereketler üçin WebAuthn/Passkeys: parolsyz enjamy/şahsyýeti berkitmek.

Reaktiw päsgelçilikler: diňe anomaliýalaryň pursatynda açylýar, hemmeler üçin däl.

6) Missiýalara garşy nagyşlar (nädip "farmit" bermeli däl)

Talaplaryň üýtgemegi: dürli üpjün edijilerdäki/wagtlardaky/nyrhlardaky hereketleriň seriýasy.

Kuldaunlar we mazmuny üýtgetmek: yzly-yzyna bir görnüşli aýlawlary gadagan etmek.

Tötänleýin gözegçilik wakalary: uzyn missiýanyň ortasynda ownuk "adam" barlaglary.

Paralel ösüşi çäklendirmek: fermalaryň bir wagtyň özünde onlarça missiýany ýapmazlygy üçin.

7) Laýyklyk, gizlinlik, aç-açanlyk

Data minimization: diňe zerur hileler, anonim agregatlaryň saklanmagy.

Explainability: jedelli hereketler üçin reason-codes (mysal üçin, "anomal tizlik + graf-klaster").

Appeal-proses: arzanyň düşnükli görnüşi; çalt gözden geçirmek.

RG syýasaty: ýadawlygyň alamatlarynda oýunçyny "iteklemek" däl-de, ýüki azaltmak.

8) Üstünligiň ölçegleri we ykdysadyýetiň goragçylary

Bot/Collusion catch rate (esasy baýraklary almazdan ozal ýüze çykarylanlaryň paýy).

False Positive Rate (Maksat bosagasy; kalibrlemek möhümdir).

Lag to Action (anomaliýadan ölçege çenli wagt).

Emission to GGR and Prize ROI: Gorag öz öwezini dolýar.

Complaint/Appeal rate и Appeal overturn rate.

Impact on UX: missiýalaryň öwrülişigi, şahsylaşdyrmakdan mute/opt-out, dogruçyllyk boýunça NPS.

9) A/B we awtonom tassyklama

1. Antislop missiýalar: üýtgewlilik vs esasy.

2. Humanity-check: görünmeýän hereket vs nusgawy kapça.

3. risk_score bosagasy: ýumşak/gaty (dürli TPR/FPR).

4. Graf-süzgüçler: GNN c/siz, diňe grafa düzgünleri.

5. Päsgelçilikleriň orkestratory: statiki vs kontekstli garakçy.

10) Pseudo-resminama (skoring → syýasat → hereket)

python def score_request(user, event):
x = build_features (user, event) # enjamy, özüni alyp barşy, grafiki alamatlary r_unsup = oc_svm. score (x) # anomaliýa r_sup = gbdt. predict_proba (x) [:, 1] # frod ähtimallygy r_graph = gnn_node_prob (user. node_id) # grafa töwekgelçiligi = calibrate (r_unsup, r_sup, r_graph) # izotrop kalibrlemek return risk

def decide_action(risk, context):
kontekst: hereketiň ähmiýeti, baýragyň gymmaty, UX-faktor 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. kap missiýalar if risk <0. 85: return "HOLD_REWARDS" # review return "BAN_OR_REVIEW"

def enforce(action, user):
iň az zerur päsgelçilik 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 şablonlary (düzgünler we magazineurnal)

Töwekgelçilik derejeleriniň syýasaty:

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}
}

Karar sanawy (audit/şikaýat üçin):

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) Jogap bermek we redtiming prosesi

Hakyky wagtda gözegçilik: töwekgelçilikleriň köpelmegi, graf-komponentler boýunça daşbordlar.

Wakanyň Runbook:

1. anomaliýa detekti → 2) jedelli baýraklaryň çykarylyşyny azaltmak/doňdurmak → 3) log/grafalary saýlamak → 4) düzgünleriň/modelleriň ýama → 5) dogruçyl baýraklaryň retro-gaýtadan sanalmagy.

Red Team/ýerasty laboratoriýa: botlaryň simulýasiýasy (obfuskasiýa, randomizasiýa), modellere hüjümler (adversarial examples).

Kanar relizleri: traffigiň 5-10% -ine täze päsgelçilikleri çykarýarys.

13) UX we aragatnaşyklar

Bitarap, hormat goýýan äheň: "Adaty däl hereketler görüldi - siziň adam bolandygyňyzy tassyklaň (30 sek)".

Opsiýalar: "soň gaýtalaň", "goldaw bilen habarlaşyň", "şikaýat".

Elýeterlilik: hereketlendirijisi/görüşi çäklendirilen adamlar üçin alternatiwalar.

Aç-açanlyk: Umumy ýörelgeler bilen "Dogruçyllygy nädip goraýarys" sahypasy (hyýanatçylykly peýdalanmak üçin reseptler bolmazdan).

14) Tehniki binagärlik (gysgaça)

Wakalary ýygnamak: Kafka/Redpanda, 'mission _ progress', 'input _ stream', 'device _ attest' shemalary.

Fichestor: onlaýn (ms-gizlinlik) + oflayn (batchi 1-6 s).

ML-hyzmatlar: 'risk-scorer', 'graph-service', 'policy-engine'.

Subutnamalary saklamak: üýtgewsiz loglar (WORM), ýeke-täk we kanalda şifrlemek.

Gizlinlik: serwerdäki RNG gizlin sidleri; müşderi - diňe wizualizasiýa.

15) Goýberilmezden öň çek-sanawy

Maksat koridoryndaky ähtimallyklar (Platt/Isotonic), FPR kalibrlenendir.
Graf signallary we korrelýasiýa kross enjamlary birikdirildi.
Päsgelçilikleriň orkestratory sazlandy (pes töwekgelçilikde iň az sürtülme).
Gurlan RG-gwardlar we şikaýatlar; log-audit we reason-codes.
Gizlinlik we maglumatlary saklamak syýasaty kadalaşdyryjy talaplara laýyk gelýär.
Kanareýler, aladalar we dikeldiş runbook sazlandy.

Oýnamakda antifrod/antibot - zerur ýerlerde açylýan ML gatlagy + grafalar + dogruçyl päsgelçilikler. Özüni alyp baryş biometriýasy we anomaliýa-detekt irki signal berýär, graf-analitika kollýuziýalary açýar, orkestrator iň az ýeterlik barlagy saýlaýar. Aç-açanlyk, gizlinlik we UX-a hormat goýmak bilen ulgam ýaryşlaryň dogruçyllygyny saklaýar, baýraklaryň ykdysadyýetini goraýar we önümi ak ýürekli oýunçylar üçin "päsgelçilik zolagyna" öwürmeýär.