RTBChina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』。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。
为什么可以刷刷刷 ？
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！
留存轻松『刷刷刷』
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』。
APP 刷量，你也可以！
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。
在刷安装、激活、留存，甚至是过任务中
中级手段，有技术含量，常见的手段有：
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。
这些都是常使用的刷量手段，十有八九，你现在的流量中就有可能中招。
高级手段，技术高能，门槛很高：
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。
如何应对移动流量作弊现象？
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，用我们的归因产品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。
最后高级手段，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。
