'%20stroke-opacity='0.55'%20stroke-width='2'%20/%3e%3cpath%20d='M18%2015%20L32%2032%20L18%2049'%20stroke='url(%23acx)'%20stroke-width='6'%20stroke-linecap='round'%20stroke-linejoin='round'%20/%3e%3cpath%20d='M46%2015%20L32%2032%20L46%2049'%20stroke='url(%23acx)'%20stroke-width='6'%20stroke-linecap='round'%20stroke-linejoin='round'%20stroke-opacity='0.5'%20/%3e%3ccircle%20cx='32'%20cy='32'%20r='4.5'%20fill='%23E8D20F'%20/%3e%3c/svg%3e){kind=small}
Traffic Integrity
多套反作弊系统，加上一个正在长大的模型
作弊手法每周都在变，所以我们不赌单一方案：多层规则联防负责已知手法，AI 模型负责规则覆盖不到的灰区，两者的判定互相独立、互相校验。
Traffic Integrity
多套反作弊系统并行，AI 反作弊正在研发
规则引擎与模型引擎相互独立、互相校验：任何一层被绕过，其余层仍然生效。所有拦截都留痕，可回溯到具体请求。
- L1
设备与环境完整性
设备特征 + 模拟器/Root/注入检测，识别改机、多开与农场设备。
device-traitsemulatorintegrity-token - L2
行为轨迹分析
点击热区、停留时长与转化路径建模，识别脚本化的规律性行为。
click-mapdwell-timefunnel - L3
频次与熔断
多维频次控制，异常突增自动熔断广告位并冻结对应结算。
rate-limitcircuit-breakerhold-settlement
AI Anti-Fraud 研发中
用模型接管规则覆盖不到的灰区
规则引擎擅长处理已知作弊手法，模型引擎负责未知模式。我们正在训练基于请求序列的异常检测模型，让新出现的作弊手法在被人工发现之前就先被降权。
- 请求序列异常检测内测
- 作弊团伙图谱聚类训练中
- 素材点击真实性判别研发中
3 层
联防层级
30 天
拦截留痕
100%
拦截可回溯
Pipeline
一次请求要过多少道关
从 SDK 发出请求到结算入账，中间有四个检查点。任何一个判定为异常，请求都会被降权或直接丢弃，并写入可回溯的拦截记录。
- S1
协议校验
签名、时间戳与重放检测，伪造请求在网关就被拒。
- S2
环境判定
设备特征与完整性令牌，识别模拟器、改机与多开。
- S3
行为评分
点击热区、停留与转化路径打分，规律性行为被标记。
- S4
结算复核
结算前二次抽检，异常突增冻结对应周期的账目。
Evidence
拦截必须能解释，否则就是黑箱
每一条拦截都保留触发规则、命中特征与原始请求指纹。流量主可以申诉，我们可以复核 —— 这比单纯提高拦截率更重要。