2016年3月16日，广告欺诈是一场猫捉老鼠的游戏——在桌面上，现在也在手机上。一旦欺诈者追查大量广告预算涌入移动，反措施就被引入。然后移动广告欺诈不断演变，没有自身的反击，等等开。假装印象和点击率首先是很容易与CPM和CPC定价模型。欺诈者要把他们的手放在钱上所要做的就是假装一个印象或一个点击。在app经济中，CPI模型最为常见。赚钱的重要来源很快引起了坏人的注意，他们策划了多种策略来模仿安装在-在过去的一年里，注册会计师模式开始获得发展势头，因为应用程序经济变得高度竞争，导致高流失率。因此，忠诚用户而不是安装（新用户）成为最重要的KPI。注册会计师定价模式是一个自然的跟进。虽然更难实施（模拟点击、安装和应用内活动），但应用内欺诈是一个真正的问题，因为它的巨额支出为欺诈者提供了额外的动力，以找到满足技术要求的方法挑战。怎么做要打击应用程序欺诈，重要的是要意识到，尽可能减少你的暴露是绝对可能的。打击欺诈的一个有效方法涉及到一个双管齐下的方法：预防和事后发现。无论是在之前还是之后，减少欺诈的风险都集中在数据和数据透明度上，其中最高形式是获取原始数据。有了这些数据，机器学习算法和人类可以检测出不同形式的数据异常形状.App欺诈预防例如，企业软件平台，IP相关欺诈（例如，来自同一IP的大量点击/安装/唯一标识符，或广告点击和安装/首次启动之间的不同IP位置），与模式相关（例如，每20秒点击/安装一次，或者某个特定来源的玩家/用户总是在游戏/应用程序中的同一点下线）、设备ID相关（例如，同一设备的不同标识符，或与性能相关（如安装量急剧增加，第1天的保留率明显下降）。预防是一个更大的挑战，因为它必须实时进行，并防止安装被归因于欺诈来源。克服实时挑战的一种方法是使用所谓的深度学习（神经网络）。这些系统提供了一类新的高精度机器学习算法，大数据定义，训练输入的分层表示数据。输入通俗地说，深度学习是建立一个大集合的简单函数，这些函数相互作用以近似解决问题。这一领域的许多进步都是围绕图像处理的（例如，可以识别狗品种的微软Fetch，Google deep dream等），但它们可以应用于广泛的领域，包括欺诈。模型在离线数据上进行训练，然后基于预先计算的模型进行实时评分，返利app是真的吗，以防止欺诈。显然，引擎训练开发模型的数据规模是its的一个主要因素有效性。欺诈预防是生态系统中每个人的责任。广告商应该与信誉良好的广告网络合作，要求这些网络具有透明度，与反欺诈专家一起提高其商业智能，物联网的，并与能够提供强大反欺诈能力的测量合作伙伴合作能力。战斗未来的移动广告欺诈网络也有一个利益，即透明化，北京大数据公司，至少要有欺诈意识。它将有助于他们获得更多的预算，通过能够查明单一的欺诈来源，并将预算转移到所有其他合法的来源。最终，广告商应该只为那些提供真实和可测量价值的广告付费。这就是目标。当这个目标是达到了。欺诈是数字生活的一部分。但是，有了适当的措施和全行业的合作，我们可以确保在这场猫捉老鼠的游戏中，杰瑞总是比汤姆领先一步；Patrick Witham来自Product Madness，提供广告客户的观点；Johnny Thwaites来自Forensiq，提供欺诈专家的角度。关于Arnon Rotem Gal Oz Arnon Rotem Gal Oz是Appsflyer的首席数据官。Arnon拥有超过20年的经验，使用各种平台和技术开发、管理和构建大型分布式系统。Arnon是Manning出版物中SOA模式的作者。跟随阿农·罗特姆·加尔·奥兹