广告主如何避免移动营销预算遭受“刷刷刷”的损失？
导读：透明求真，是我们做数据产品的产品经理的基本价值观。移动时代，在流量快速变现的利益驱动下，“刷刷刷”的造假行为越发猖獗，流量造假形式和技术手段也越发高级。无论什么形式的作弊，最后损失最大的永远都是为流量买单的“广告主“。移动营销时代，流量作弊的方式有哪些？广告主应该如何识别是否遭受了虚假流量的坑害？又该如何杜绝和应对虚假流量，减小损失?《RTBChina》特约反作弊专家AdMaster首席产品官邬剑，现身经验解读移动虚假流量的辨别和杜绝。
上一篇和大家分享的文章《你的广告预算如何被白白吞噬？》，不少业内朋友反馈说写得太温柔，不够“暴力”。的确，与负面现象的博弈，需要有人经常跳出来，谈谈这些负能量的危害，说说皇帝的新衣，这样行业才能健康发展。这篇内容的力度将从“暴力”入手，将我在AdMaster过去五年时间里，沉淀的很多移动数据反作弊的实战经验，扒一扒抖一抖，希望能够促进行业的良性发展，透明公平。
什么可以刷刷刷 ？
我们一直简单地以为传统 PC 时代，IP、Cookie、User-Agent很容易刷，到了移动领域，设备信息很难刷。事实却并非如此，不仅移动的设备信息容易且批量地刷，而且被识别出来的难度更高，更像真的一样。
移动流量作弊形式的主要形式：
刷广告数据：
首先就是刷广告曝光和广告的点击了。之前文章已经提到过，移动应用内作弊可以让一个被控制用户每小时创造 700 次不可见曝光，每天可以控制成千上万的中毒肉鸡刷曝光或者点击。
刷广告数据只是基础
如今 Android 生态下的数亿手机，不比当年的 Windows XP 时代好。在用户不知情下，预装或者下载了乱七八糟的应用的情况比比皆是，中个小病毒或木马，被各种流氓软件留些后门已是常态，顺理成章地为黑色产业链做贡献。移动广告的销售更加的程序化，按 CPM 与 CPC 的销售是主流。在这样的大环境下，按 CPM 与 CPC 购买的流量质量风险如何？可想而知。
刷下载，激活与留存：
除了积分墙、搜索优化冲榜等这种 App 广告主自发的刷下载行为之外，不少广告主还是花了大价钱在不同的广告平台、应用市场、明星 App（HeroApp）上做转化为导向的推广的。既然 KPI 是下载量、激活量，那“刷子”们当然有非常多的办法去冲 KPI。即使要求高的留存，也是可以实现的哦！
现在的行情还是很“规范”透明的，为了刷传统的分析统计工具数据表现，实现 App下载成本在 0.2~0.8元；设备激活大概 0.3~1元；设备激活+留存，一般需要1~1.5元。而且有一些平台已经开放注册使用了，从此刷量也已不再是难事，人人都可是刷子，真是“与民同乐”。
虚假流量如何刷出来？
刷量的基本原理非常简单，就是不断变更设备信息，实现模拟行为，批量造成想要的流量。设备伪装，主要通过篡改设备ID号或者 使用模拟器等进行，并伪造虚假的网络环境。现在已经可以实现移动设备 ID （MAC、IMEI、IDFA、Android ID）不重复、IP 地址离散、机型变换、时间分散。包括：手机不 Root、不越狱也可以伪装。当然这一领域主要是集中在 Android 系统上，iOS 系统伪装成本高很多。
一系列的黑产工具可以实现以下功能：
初级手段：找一些人工在程序辅助下重复安装，或者控制一些木马注入的设备实现刷量。
中级手段：API Hook，通过篡改公用的 API 执行结果，使原本不可篡改的设备 ID 以及设备型号等信息。实现轻松一台设备伪装成无法轻易识别的多个设备。自动化点击脚本，模拟用户行为操作。一个专业的刷榜机构，可以完成任何 App 上所有的用户行为。
高级手段：定制开发模拟器，不需要移动设备也可以伪装成批量的设备。低硬件成本，扩展性高。但技术门槛非常高，需要对 iOS 或者 Android 操作系统硬件层有一定建树。反编译监测 SDK 的代码，了解统计逻辑，目前最典型的受害者为诸多开源的 SDK。这基本上，想要什么数据表现，任意生成即可。
移动流量反作弊应对策略：
在AdMaster做移动归因与反作弊产品的这几年，团队花了大量的时间通吃黑白两道。我们曾花钱买假流量，用AdMaster归因产品ConversionMaster去测试这些假流量是否能通过我们的 AdShield™反作弊系统。知己知彼，不断验证才能实现反作弊的最高追求。
由于涉及到很多反作弊的保密机制，就简单粗略介绍一下方法论。
首先，硬件指纹识别，几乎是所有移动分析与监测工具必须攻坚与持续投入的。单一 ID 容易被刷，但是指纹ID，往往是通过多个 ID 与因素混合而成，越复杂，混合得因素越多，越难彻底刷机，从而可以识别单一设备。市面上每一家的方法和策略不同，所以效果不一样。虽然形式简单，但是需要投入大量数据验证有效性以及可行性。
其次，行为+设备分析。通过经验，长期数据分析经验，构建设备属性、IP属性、设备黑名单库，像一个过滤引擎，将不符合正常逻辑的设备与行为进行过滤。
最后，通过异常行为模型训练。通过积累多样的设备以及行为特征，构建对应的设备健康度评分。从而能将健康度评分，较为异常的部分过滤。需要通过机器学习等方式，打磨出有效的概率模型进行支持。
反作弊是一项任重而道远的行业责任，后续我将陆续和大家分享AdMaster在反作弊方面的技术经验和观点。也希望能联合更多行业合作伙伴，共同对抗这一行业难题和挑战。
你想了解更多 AdMaster 的微信吗？
长按二维码加关注