Crypto Casino
Torrent Dişli
ML tabanlı oyunlaştırmada anti-dolandırıcılık ve anti-botlar
1) Neden oyunlaştırma için ayrı bir dolandırıcılık önleme sistemi
Oyunlaştırma, etkinliği (görevler, belirteçler, kozmetikler) teşvik eder, yani şunları teşvik eder:- Botlar (görev komut dosyaları, çiftlik belirteçleri/derecelendirmeleri);
- Çoklu hesaplar/çarpışmalar (takım hilesi, "atma" ödülleri);
- emülatörler/kök cihazlar (istemci manipülasyonu);
- Görev istismarı (ilerlemenin gerçek bir oyun olmadan gittiği döngüler).
Dolandırıcılıkla mücadelenin amacı, dürüstlüğü korumak, UX'i aşırı ısıtmamak, gizliliği/düzenlemeyi korumak ve promosyon ekonomisini sürdürülebilir tutmaktır.
2) Sinyaller ve özellikler (sayılacak şey)
Cihaz ve çevre
Müşteri bütünlüğü sertifikası (mobil/web), emülatör/kök özellikleri, standart dışı WebGL/Canvas profili.
Aygıt parmak izi (PII olmadan): User-Agent, yazı tipleri, grafikler, oluşturma süresi kombinasyonları.
Davranışsal biyometri
Tıklama/sızıntı oranı, eğrilerin düzgünlüğü, mikropause, yörüngelerin değişkenliği.
"İnsan" sesleri: imleç sallama, kaydırma mikrodrafı, aralık dağılımı (lognormalite).
Oyun ve görev kalıpları
"Mükemmel" uzunlukta tekrarlanan döngüler, anormal derecede kararlı oranlar (spin/min).
Dar etkinlik pencereleri (örneğin, tam olarak her 10 dakikada bir), çok adımlı görevlerin anında tamamlanması.
Grafik sinyalleri ve ağ
IP/AS eşleşmeleri, ortak ödeme kaynakları (toplu olarak), arkadaşlık/davet kümeleri.
"Birlikte oynama" içeren turnuvalara ortak katılım (sonuçların garip korelasyonları).
Ekonomi/Promosyon
Belirteçli görevlerde orantısız para kazanma, ilaç sonrası sert sonuçlar.
RG/Bağlam
Mikro duraklamalar (bot işareti), gece "konveyörler" olmadan ekstra uzun seanslar.
3) Model yığını (nasıl yakalanır)
1. Anomali dedektörleri (denetimsiz):- İzolasyon Ormanı, Tek Sınıf SVM, Davranışsal ve cihazlar için Autoencoder.
- Kullanım: "Suçlu" etiketi olmadan erken "puanlama şüphesi".
- Topluluk algılama (Louvain/Leiden) + merkeziyet belirtileri (iyilik, derece).
- Düğüm/kenar sınıflandırması için GNN (GraphSAGE/GAT) (gizli anlaşma, hesap çiftlikleri).
- Geçmiş araştırmaların etiketlerinde Gradient Boosting/Tabular Transformers.
- Kalibre edilmiş olasılıklar - karar vermede güven.
- Olay sırasına göre User2Vec; mesafeler bot kümeleri.
- Risk × UX bağlamı için minimum engel (kolay kontrol ve zor doğrulama) seçimi.
4) Politika motoru
Fikir: ML risk_score verir, politika ekonomiyi ve UX'i dikkate alarak'ne yapılacağına "karar verir.
Seviye örnekleri:- R0 (yeşil): sınırsız; pasif izleme.
- R1 (sarı): yumuşak "insanlık zorlukları" (mikro etkileşimler), azaltılmış görev sınırı.
- R2 (turuncu): cihaz kontrolü, ek tempo kontrolü, belirteç sorunu azaltma.
- R3 (kırmızı): Tartışmalı görevlerde ilerleme bloğu, manuel moderasyon/geçici ödül dondurma.
- R4 (siyah): ban/CCR incelemesi (düzenleyici ve haklı ise).
Geçiş sürücüleri: toplu risk, gizli anlaşma bayrakları, şikayetler, sağlayıcılardan gelen sinyaller.
5) Gereksiz sürtünme olmadan adil engeller
Görünmez kontroller: arka plan davranışsal biyometri, çevre tasdik.
Captcha yerine insanlık eylemi: mini hareket (rastgele sürükleme deseni, doğaçlama kaydırıcı), mikropozlu zaman penceresi.
"Pahalı" aktiviteler için WebAuthn/Passkeys: şifresiz güvenli cihaz/kimlik.
Reaktif bariyerler: Sadece anomaliler sırasında açın, herkes için değil.
6) Görev karşıtı kalıplar ("çiftlik" nasıl önlenir)
Gereksinimlerin değişkenliği: farklı sağlayıcılarda/zamanlarda/oranlarda bir dizi eylem.
Bekleme süreleri ve içerik değişiklikleri: Üst üste aynı tür döngüleri yasaklama.
Rastgele kontrol olayları: Uzun bir görevin ortasında küçük "insan" kontrolleri.
Paralel ilerlemenin sınırlandırılması: Çiftliklerin aynı anda düzinelerce görevi kapatmaması için.
7) Uyum, gizlilik, şeffaflık
Veri minimizasyonu: sadece gerekli özellikler, anonim agregaların depolanması.
Açıklanabilirlik: tartışmalı eylemler için sebep kodları (örneğin, "anormal hız + grafik-küme").
Temyiz süreci: anlaşılabilir bir temyiz şekli; hızlı revizyon.
RG politikaları: Yorgunluk belirtileriyle, yükü azaltıyoruz ve oyuncuyu "itmiyoruz".
8) Başarı ölçütleri ve ekonominin koruyucuları
Bot/Collusion yakalama oranı.
Yanlış Pozitif Oran (eşik Harekete geç. GGR'ye emisyon ve ROI Ödülü: koruma kendisi için öder. Şikayet/Temyiz oranı и Temyiz devir oranı. UX üzerindeki etkisi: görev dönüştürme, sessize alma/kişiselleştirme dışında bırakma, dürüstlük için NPS. 9) A/B ve çevrimdışı doğrulama 1. Tüketim karşıtı görevler: değişkenlik vs temel. 2. İnsanlık kontrolü: görünmez jest vs klasik captcha. 3. risk_score eşiği: yumuşak/sert (farklı TPR/FPR). 4. Grafik filtreleri: GNN'li/GNN'siz, sadece grafik kuralları. 5. Bariyer orkestratörü: statik vs bağlamsal haydut. 10) Pseudocode (puanlama - politika - eylem) 11) JSON şablonları (kurallar ve günlük kaydı) 12) Yanıt süreci ve redtiming Gerçek zamanlı izleme: risk artışları için gösterge panoları, grafik bileşenleri. 1. Anomali tespiti 2) emisyonun azaltılması/tartışmalı ödüllerin dondurulması 3) günlüklerin/grafiklerin örneklenmesi 4) kural/model yaması 5) dürüst ödüllerin yeniden hesaplanması. Kırmızı Takım/yeraltı laboratuvarı: botların simülasyonu (şaşırtma, randomizasyon), modellere saldırılar (rakip örnekler). Kanarya bültenleri: Trafiğin %5-10'u için yeni engeller çıkarmak. 13) UX ve İletişim Tarafsız, saygılı ton: "Standart olmayan eylemler fark edildi - insan olduğunuzu onaylayın (30 saniye)". Seçenekler:'daha sonra tekrarla "," iletişim desteği "," itiraz ". Erişilebilirlik: Motor/görme sınırlamaları olan insanlar için alternatifler. Şeffaflık: Genel ilkelerle Bütünlüğü Nasıl Koruyoruz sayfası (kötüye kullanım reçetesi yok). 14) Teknik mimari (kısaca) Olayların toplanması: Kafka/Redpanda, şemalar 'mission _ progress', 'input _ stream', 'device _ attest'. Fichestor: çevrimiçi (ms-latency) + çevrimdışı (partiler 1-6 saat). ML hizmetleri: 'Risk-skorer', 'grafik-servis', 'politika-motor'. Kanıt depolama: değişmez günlükleri (WORM), dinlenme ve kanalda şifreleme. Güvenlik: Sunucuda RNG güvenlik tohumları; Müşteri - sadece görselleştirme. 15) Yayın öncesi kontrol listesi Oyunlaştırmada antifraud/antiboot, tam olarak ihtiyaç duyulan yerlerde bulunan bir ML + grafikleri + dürüst engeller katmanıdır. Davranışsal biyometri ve anomali tespiti erken bir sinyal verir, grafik analizi çarpışmaları ortaya çıkarır, orkestratör minimum yeterli kontrolü seçer. Şeffaflık, gizlilik ve UX'e saygı ile sistem, rekabetin bütünlüğünü korur, ödül ekonomisini korur ve ürünü vicdanlı oyuncular için bir "engel parkuru'na dönüştürmez.
Python def score_request (kullanıcı, olay):
x = build_features (kullanıcı, olay) # aygıt, davranış, grafik özellikleri r_unsup = oc_svm. Skor (x) # anomali r_sup = gbdt. predict_proba (x) [:, 1] # dolandırıcılık olasılığı r_graph = gnn_node_prob (kullanıcı. node_id) # graph risk = kalibre (r_unsup, r_sup, r_graph) # izotropik kalibrasyon geri dönüş riski
Def decide_action (risk, bağlam):
bağlam: eylem önemi, ödül değeri, risk <0 ise UX faktörü. 25: return "ALLOW"
Risk <0 ise. 45: return "SOFT_CHECK" # humanity-jest, mikro-duraklama eğer risk <0. 65: "DEVICE_ATTEST" # integrity + сниж döndürür. Risk <0 ise kapak görevleri. 85: return "HOLD_REWARDS" # freeze to review return "BAN_OR_REVIEW"
def enforce (eylem, kullanıcı):
Eylem = = "SOFT_CHECK": trigger_humanity_challenge (kullanıcı)
elif eylemi = = "DEVICE_ATTEST": run_integrity_attestation (kullanıcı. cihaz)
elif action = = "HOLD_REWARDS": freeze_rewards (user, duration =" 72h")
elif eylemi = = "BAN_OR_REVIEW": open_case_to_fraud_ops (kullanıcı)
Karar günlüğü (denetim/itiraz için):
Json
{
"policy_id":" anti_fraud_s1 "," katmanlar ": [
{'ad ":" R0 "," risk _ lt ": 0. 25, "eylem ":" izin ver"}, {"isim ": "R1 "," risk _ lt": 0. 45, "eylem ": "soft _ check"}, {"isim ": "R2 "," risk _ lt": 0. 65, "action ": "device _ attest _ and _ cap"}, {"name ": "R3 "," risk _ lt": 0. 85, "eylem ": "hold _ rewards _ review"}, {"isim ": "R4 "," risk _ gte": 0. 85, "eylem ": "ban _ or _ kyc _ review"}
], "caps": {"missions _ per _ day _ r2": 2 ", token_emission_multiplier_r2": 0. 5}, "appeal": {"enabled": true, "sla_hours": 48}
}Json
{
"decision_id":"dec_2025_10_24_1415," "user_id":"u_45219," "risk_components":{"unsup":0. 38, "sup": 0. 41, "grafik": 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"
}