本書主要介紹惡意流量的欺詐手段和對抗技術，分為5個部分，共12章：先講解流量安全基礎；再基于流量風險洞察，講解典型流量欺詐手段及其危害；接著從流量數據治理層面，講解基礎數據形態、治理和特征工程；然后重點從設備指紋、人機驗證、規則引擎、機器學習對抗、復雜網絡對抗、多模態集成對抗和新型對抗等方面，講解流量反欺詐技術；最后通過流量情報與運營體系來迭代和優化流量反欺詐方案。
1. 市面上新出的有關流量安全的業務實戰級的指導圖書。
2. 本書來自于互聯網一線大廠多年來流量反欺詐對抗風控經驗總結，帶領讀者深入了解流量安全全貌。
3. 本書對技術的講解融入在真實業務對抗場景中，更具獨特性和實操性。
4. 基于《大數據治理與防范——反欺詐體系建設》（豆瓣9.2分）的基礎理論體系，幫助讀者建立大數據安全思維，手把手教讀者搭建大數據安全場景下的流量反欺詐系統。
張凱，現任騰訊專家工程師。一直從事大數據安全方面的工作，積累了10多年的黑灰產對抗經驗，主要參與過游戲安全對抗、業務防刷、金融風控和反詐騙對抗系統等項目。
周鵬飛，現任騰訊高級工程師。主要從事大數據安全方面的工作，積累了多年黑灰產對抗經驗，參與過游戲安全對抗、金融風控、業務防刷、廣告反作弊、電信反詐和風險情報等項目。
楊澤，現任騰訊研究員。主要從事金融風控、黑灰產對抗等業務安全工作。
郝立揚，現任騰訊研究員。主要從事反詐騙、反賭博等業務安全工作。
熊奇，現任騰訊專家工程師。一直從事業務安全方面的工作，先后參與過反詐騙、App安全、金融反詐、安全大數據合規與業務風控等項目，積累了15年的黑灰產對抗和安全系統架構的經驗。
第 1部分 流量安全基礎
第 1章 緒論 2
1．1 互聯網流量的發展歷程 2
1．1．1 PC互聯網時代 3
1．1．2 移動互聯網時代 4
1．1．3 云計算和大數據時代 5
1．2 大數據時代的流量欺詐問題 6
1．3 大數據時代的流量反欺詐挑戰 7
1．3．1 監管層面 7
1．3．2 行業層面 8
1．3．3 業務層面 8
1．4 流量反欺詐系統的架構 9
1．4．1 流量反欺詐方案的演變歷程 9
1．4．2 流量反欺詐系統的架構 11
1．5 小結 13
第 2部分 流量風險洞察x
第 2章 流量欺詐手段及其危害 16
2．1 流量前期欺詐 17
2．1．1 推廣結算欺詐 17
2．1．2 注冊欺詐 21
2．1．3 登錄欺詐 22
2．2 流量中期欺詐 24
2．2．1 “薅羊毛”欺詐 24
2．2．2 刷量欺詐 25
2．2．3 引流欺詐 27
2．3 流量后期欺詐 30
2．3．1 電信詐騙 30
2．3．2 資源變現欺詐 31
2．4 欺詐收益分析 33
2．5 小結 34
第3部分 流量數據治理
第3章 流量數據治理和特征工程 36
3．1 基礎數據形態 36
3．1．1 流量前期數據 37
3．1．2 流量中期數據 37
3．1．3 流量后期數據 39
3．1．4 流量數據特性對比 40
3．2 數據治理 41
3．2．1 數據采集 41
3．2．2 數據清洗 42
3．2．3 數據存儲 43
3．2．4 數據計算 44
3．3 特征工程 45
3．3．1 特征構建 45
3．3．2 特征評估與特征選擇 46
3．3．3 特征監控 48
3．4 小結 49
第4部分 流量反欺詐技術
第4章 設備指紋技術 52
4．1 設備指紋的價值 52
4．2 技術原理 54
4．2．1 基礎概念 54
4．2．2 發展歷程 55
4．2．3 生成方式 56
4．3 技術實現方案 58
4．3．1 評估指標 58
4．3．2 構建特征 59
4．3．3 生成算法 60
4．4 小結 64
第5章 人機驗證 65
5．1 人機驗證基礎 65
5．1．1 驗證碼的誕生 65
5．1．2 驗證碼的應用場景 66
5．1．3 驗證碼的構建框架 67
5．2 基礎層面的攻防 68
5．3 設計層面的攻防 69
5．3．1 字符驗證碼 70
5．3．2 行為驗證碼 73
5．3．3 新型驗證碼 75
5．4 小結 77
第6章 規則引擎 78
6．1 風險名單 78
6．1．1 風險名單基礎 78
6．1．2 風險名單的攻防演進 79
6．1．3 風險名單上線和運營 80
6．2 通用規則 82
6．2．1 IP策略的攻防演進 83
6．2．2 設備策略的攻防演進 87
6．2．3 賬號策略的攻防演進 90
6．3 業務定制規則 94
6．3．1 規則智能預處理模塊 95
6．3．2 規則智能構建模塊 96
6．3．3 規則智能篩選模塊 96
6．3．4 其他模塊 97
6．4 小結 97
第7章 機器學習對抗方案 98
7．1 無樣本場景 99
7．1．1 傳統統計檢驗方案 101
7．1．2 無監督學習方案 102
7．2 單樣本場景 104
7．2．1 傳統半監督學習方案 105
7．2．2 行為序列學習方案 107
7．3 多樣本場景 112
7．3．1 二分類模型與回歸模型 113
7．3．2 可解釋性判別場景 114
7．3．3 集成模型 117
7．4 小結 122
第8章 復雜網絡對抗方案 123
8．1 流量前期方案 124
8．1．1 單維資源聚集的團伙檢測 125
8．1．2 多維資源聚集的團伙檢測 129
8．2 流量中期方案 133
8．2．1 結構相似性團伙檢測 134
8．2．2 欺詐資源家族檢測 138
8．3 流量后期方案 141
8．4 小結 145
第9章 多模態集成對抗方案 146
9．1 多模態數據來源 147
9．1．1 關系圖譜信息 147
9．1．2 文本信息 148
9．1．3 圖像信息 149
9．1．4 其他模態信息 149
9．2 多模態融合方案 150
9．2．1 數據層融合 151
9．2．2 特征層融合 152
9．2．3 決策層融合 154
9．2．4 混合融合方案 156
9．3 小結 157
第 10章 新型對抗方案 158
10．1 聯邦學習 158
10．1．1 聯邦學習框架 159
10．1．2 異常流量的檢測效果 161
10．2 知識蒸餾 162
10．2．1 知識蒸餾框架 162
10．2．2 異常流量檢測的步驟 164
10．2．3 異常流量檢測的效果 164
10．3 小結 165
第5部分 運營體系與知識情報
第 11章 運營體系 168
11．1 穩定性運營 169
11．1．1 服務穩定性 171
11．1．2 數據穩定性 173
11．2 防誤報處理 175
11．2．1 疑似白名單 176
11．2．2 自動化運營 177
11．3 用戶反饋處理 177
11．3．1 用戶申訴處理 178
11．3．2 用戶舉報處理 179
11．4 告警處理體系 179
11．5 小結 181
第 12章 知識情報挖掘與應用 182
12．1 黑灰產團伙情報挖掘 183
12．1．1 “薅羊毛”情報 184
12．1．2 水軍刷評論情報 187
12．2 黑灰產行為模式情報挖掘 189
12．2．1 短視頻平臺養號 189
12．2．2 廣告點擊欺詐 191
12．3 黑灰產價格情報挖掘 193
12．4 小結 194
新書資訊