預防在線廣告欺詐的世界涉及在未達到廣告預算之前就發現攻擊。這需要連續流傳輸高頻，大容量數據。這就需要建立神經網絡以檢測廣告欺詐。由于存在信用卡欺詐行為，銀行的請求數量有限，每天要進行100萬次調查。但是，廣告欺詐預防解決方案需要每秒分析20000個請求。因此，非常有必要在異常事件發生時使用我們的平臺來監視和警告我們的網絡安全團隊和廣告客戶。

這聽起來可能并不那么復雜。但是從我們的經驗來看，這絕非易事，為了使我們的客戶認真對待這些警報，它們必須有意義。因此，正確警報與錯誤警報的比率必須盡可能高。使用標準方法，例如數據點的百分比變化例如，每分鐘變化一次，不要考慮趨勢，因此添加的新數據流/量將引發錯誤警報。

簡單的統計方法，例如移動平均交叉法一種用于時間序列分析的技術，其中您可以計算兩次時間窗的移動平均沒有考慮到季節性，每日一次，每周一次或每月一次。

ARIMA等更復雜的統計模型確實可以說明趨勢和季節性，ARIMA是一種使用時間序列數據以更好地理解數據集或預測未來趨勢的統計分析模型。但是，當試圖在預測中描述變量多變量之間的復雜關系時，這些模型通常不準確。

這些困難導致我們建立了一個深層的神經網絡來學習我們的信號，預測下一個值并在觀察到的實際值超出模型的誤差范圍即異常或外層時發出警報。從技術上講，我們在python中構建了服務語言和Google的tensorflow深度學習庫。

該模型是具有雙重堆疊的長期短期記憶LSTM層的遞歸神經網絡，可預測下一個時間步的信號值，在本例中，我們使用10分鐘時間步，將30天歷史網絡流量分段的數據集分為在線廣告欺詐類型。

該模型的靈感來自Egor Korneev出色的中級帖子，一旦發現異常，就將其饋送到一個解釋性模塊，該模塊通過查詢數據庫獲取異常時間戳及其附近的不同字段，并將警報發送到包含信號圖表的團隊松弛通道在突出顯示異常的情況下，異常的詳細信息和指向Kibana儀表板的鏈接已按照說明模塊的建議在異常的異常值上進行過濾。

該異常檢測算法和解釋模塊可發現大量數據的隱藏欺詐模式。我們為客戶分析的數據包括，例如，分析一組具有類似行為模式的欺詐性遠程服務器，特定的數據中心/在線服務/ Web瀏覽器/具有欺詐性流量的地理區域，而無論這些欺詐性趨勢是在用戶端例如，機器人，DDOS攻擊 ，VPN用戶等或網站例如，點擊劫持，強制刷新等。

例如，這在我們的點擊欺詐產品中使用，可以防止所有付費搜索和付費社交平臺上的無效點擊。

例如，我們發現了八個網站，所有網站都建立在同一免費論壇的平臺上，所有網站都復制了來自不同網站的內容，都使用了相同的網站模板，并且都在巴西圣保羅以外的同一村莊運營。將它們連接在一起的事實是，它們全部只將其98%的流量歸功于三個IP，而這三個IP則歸因于其他七個站點中的三個。

在CHEQ，我們正在與在線廣告欺詐作斗爭，發現這些模式使我們既能夠連續檢查我們的產品是否存在不合理的屏蔽，又能夠不斷開發新功能以適應不斷變化的在線廣告欺詐形勢。沒錯，這是一場軍備競賽，如果您沒有前進，那么您將落后，想了解更多關于神經網絡的信息，請繼續關注中培偉業。