Torrent Gear

Антифрод і антибот в гейміфікації на базі ML

1) Навіщо окрема антифрод-система для гейміфікації

Гейміфікація стимулює активність (місії, токени, косметика), а значить - провокує:

ботів (скрипти виконання місій, фарм токенів/рейтингів);
мультиаккаунти/колюзії (командна накрутка, «перекидання» нагород);
емулятори/рут-девайси (маніпуляція клієнтом);
експлойт місій (цикли, де прогрес йде без реальної гри).

Цілі антифроду: зберегти чесність, не перегріти UX, дотримати приватність/регуляції і тримати економіку промо стійкою.

2) Сигнали і фічі (що вважати)

Пристрій і середовище

Атестація цілісності клієнта (mobile/web), ознаки емулятора/рут, нестандартний WebGL/Canvas-профіль.

Device fingerprint (без PII): комбінації User-Agent, шрифтів, графіки, часу рендерингу.

Поведінкова біометрія

Темп кліків/таких, плавність кривих, мікропаузність, варіативність траєкторій.

«Людські» шуми: тремтіння курсору, мікродрейф скролла, розподіл інтервалів (логнормальність).

Ігрові та місійні патерни

Повторювані цикли «ідеальної» довжини, аномально стабільні темпи (спінів/хв).

Вузькі вікна активності (наприклад, рівно кожні 10 хв), миттєві завершення багатошагових квестів.

Граф-сигнали і мережа

Збіги IP/AS, загальні платіжні джерела (в агрегатах), кластери дружби/запрошень.

Спільна участь у турнірах з «підіграшем» (дивні кореляції результатів).

Економіка/промо

Непропорційна монетизація на місіях з токенами, різкі висновки після фарму.

RG/контекст

Наддовгі сесії без мікропауз (бот-ознака), нічні «конвеєри».

Всі фічі агрегуються і анонімізуються. PII - тільки в обсязі вимог регулятора.

3) Модельний стек (як ловимо)

1. Аномалія-детектори (unsupervised):

Isolation Forest, One-Class SVM, Autoencoder для поведінкових і пристроїв.
Використання: ранній «скоринг підозрілості» без ярлика «винен».

2. Граф-аналітика і GNN:

Community detection (Louvain/Leiden) + ознаки центральності (betweenness, degree).
GNN (GraphSAGE/GAT) для класифікації вузлів/ребер (колюзії, ферми акаунтів).

3. Супервізія (supervised):

Gradient Boosting/Tabular Transformers за мітками минулих розслідувань.
Calibrated probabilities → довіру у прийнятті рішень.

4. Поведінкові ембеддинги:

User2Vec за послідовностями подій; відстані → «бот-кластери».

5. Контекстні бандити для захисних заходів:

Вибір мінімального бар'єру (легкий чек vs жорстка верифікація) під контекст ризик × UX.

4) Оркестрація правил (policy engine)

Ідея: ML дає risk_score, policy вирішує «що робити» з урахуванням економіки і UX.

Приклад рівнів:

R0 (зелений): без обмежень; пасивний моніторинг.
R1 (жовтий): м'які «humanity-челенджі» (мікровзаємодії), знижений кап місій.
R2 (помаранчевий): device-чек, доп. контроль темпу, зниження емісії токенів.
R3 (червоний): блок прогресу по спірних місіях, ручна модерація/тимчасова заморозка нагород.
R4 (чорний): бан/КУС-рев'ю (якщо регуляторно допустимо і обґрунтовано).

Драйвери переходів: агрегований ризик, граф-прапори колюзій, скарги, сигнал від провайдерів.

5) Чесні бар'єри без зайвого тертя

Invisible checks: фонова поведінкова біометрія, атестація оточення.

Humanity-action замість капчі: міні-жест (випадковий drag-pattern, імпровізований слайдер), тайм-window з мікропаузами.

WebAuthn/Passkeys для «дорогих» дій: закріпити пристрій/особистість без пароля.

Реактивні бар'єри: включаються тільки в момент аномалій, не кожному.

6) Анти-патерни місій (як не дати «фармити»)

Варіативність вимог: серія дій в різних провайдерах/часах/ставках.

Кулдауни і зміна контенту: заборона однотипних циклів поспіль.

Випадкові контрольні події: невеликі «людські» перевірки в середині довгої місії.

Обмеження паралельних прогресів: щоб ферми не закривали десятки місій одночасно.

7) Комплаєнс, приватність, прозорість

Data minimization: тільки необхідні фічі, зберігання анонімних агрегатів.

Explainability: reason-codes для спірних дій (наприклад, «аномальна швидкість + граф-кластер»).

Appeal-процес: зрозуміла форма апеляції; швидкий перегляд.

Політики RG: при ознаках втоми знижуємо навантаження, а не «штовхаємо» гравця.

8) Метрики успіху і вартові економіки

Bot/Collusion catch rate (частка виявлених до отримання ключових нагород).

False Positive Rate (поріг <цільового; важливе калібрування).

Lag to Action (час від аномалії до міри).

Emission to GGR и Prize ROI: захист окупає себе.

Complaint/Appeal rate и Appeal overturn rate.

Impact on UX: конверсія місій, mute/opt-out від персоналізації, NPS по чесності.

9) A/B і офлайн-валідація

1. Антизловживані місії: варіативність vs базові.

2. Humanity-чек: невидимий жест vs класична капча.

3. Поріг risk_score: м'який/жорсткий (різні TPR/FPR).

4. Граф-фільтри: з/без GNN, тільки правила графа.

5. Оркестратор бар'єрів: статичний vs контекстний бандит.

10) Псевдокод (скоринг → політика → дія)

python def score_request(user, event):
x = build_features (user, event) # пристрій, поведінка, графові ознаки r_unsup = oc_svm. score (x) # аномальність r_sup = gbdt. predict_proba(x)[:1] # імовірність фроду r_graph = gnn_node_prob (user. node_id) # графовий ризик risk = calibrate (r_unsup, r_sup, r_graph) # ізотропне калібрування return risk

def decide_action(risk, context):
контекст: важливість дії, цінність нагороди, 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 місій if risk <0. 85: return «HOLD_REWARDS» # заморожування до рев'ю return «BAN_OR_REVIEW»

def enforce(action, user):
мінімально потрібний бар'єр 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-шаблони (правила і журнал)

Політика рівнів ризику:

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 рішення (для аудиту/апеляції):

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) Процес реагування та редтимінг

Моніторинг в реальному часі: дашборди за сплесками ризиків, граф-компонентам.

Runbook інциденту:

1. детект аномалії → 2) зниження емісії/заморожування спірних нагород → 3) вибірка логів/графів → 4) патч правил/моделей → 5) ретро-перерахунок чесних нагород.

Red Team/підпільна лабораторія: симуляція ботів (обфускація, рандомізація), атаки на моделі (adversarial examples).

Канарські релізи: викочуємо нові бар'єри на 5-10% трафіку.

13) UX і комунікації

Нейтральний, шанобливий тон: «Помічені нестандартні дії - підтвердіть, що ви людина (30 сек)».

Параметри: «повторити пізніше», «зв'язатися з підтримкою», «апеляція».

Доступність: альтернативи для людей з обмеженнями моторики/зору.

Прозорість: сторінка «Як ми захищаємо чесність» із загальними принципами (без рецептів для зловживань).

14) Технічна архітектура (коротко)

Збір подій: Kafka/Redpanda, схемы `mission_progress`, `input_stream`, `device_attest`.

Фічестор: онлайн (мс-латентність) + офлайн (батчі 1-6 год).

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

Сховище доказів: незмінні логи (WORM), шифрування в спокої і в каналі.

Сек'юрність: сек'юрні сиди RNG на сервері; клієнт - тільки візуалізація.

15) Чек-лист перед релізом

Калібровані ймовірності (Platt/Isotonic), FPR в цільовому коридорі.
Підключені граф-сигнали і крос-девайс кореляції.

Налаштований оркестратор бар'єрів (мінімум тертя при низькому ризику).

Вбудовані RG-гварди та апеляції; лог-аудит і reason-codes.
Політики приватності та зберігання даних відповідають регуляторним вимогам.
Налаштовані канарки, алерти і runbook відновлення.

Антифрод/антибот в гейміфікації - це шар ML + графи + чесні бар'єри, які включаються рівно там, де потрібно. Поведінкова біометрія і аномалія-детект дають ранній сигнал, граф-аналітика розкриває колюзії, оркестратор підбирає мінімально достатню перевірку. При прозорості, приватності і повазі до UX система зберігає чесність змагань, захищає економіку нагород і не перетворює продукт в «смугу перешкод» для сумлінних гравців.