隨著小紅書社區(qū)電商業(yè)務(wù)的發(fā)展，營銷類型不斷豐富，覆蓋的用戶及場景隨之增加，黃牛的搶購手段也逐漸復(fù)雜多樣。除了長期存在的同人聚集性購買熱銷商品的方式，還衍生出了眾包形式的搶購——即通過邀請真人用戶代為購買讓利商品，轉(zhuǎn)寄繼而到貨后轉(zhuǎn)賬的方式來獲取貨物和差價(jià)收益。

此類黃牛行為不僅會給平臺帶來損失，還會持續(xù)影響普通用戶以及商家的權(quán)益。為保護(hù)用戶和商家的利益，小紅書反作弊團(tuán)隊(duì)一直在持續(xù)地通過各種手段與黃牛進(jìn)行對抗，并從中沉淀出了高效、可執(zhí)行、可實(shí)現(xiàn)的圖計(jì)算算法模型。

一、牛黃防空難點(diǎn)與挑戰(zhàn)

在進(jìn)行對抗之前，我們需要先明確對抗的對象是誰，以及將面臨的難點(diǎn)有哪些：

• 黃牛常以團(tuán)伙形式出現(xiàn)，這要求我們除了要注意被購買商品上的明顯聚集特征外，還需使用其他特征精準(zhǔn)判斷用戶身份。
• 黃牛用戶主要有兩大類：

• 同人類黃牛：通過大批量注冊、買賣賬號囤積資源，定期運(yùn)營，在交易時會通過切換賬號來規(guī)避風(fēng)控?cái)r截。
• 眾包類黃牛：通過分發(fā)任務(wù)的模式進(jìn)行交易，賬戶真實(shí)性高，從設(shè)備或行為上較與正常用戶的區(qū)別較小，難以區(qū)分。

• 電商業(yè)務(wù)變化較快，黃牛所針對的商品類型及作弊手段也在不斷變化，反作弊需要不斷優(yōu)化并且更新方式，在滿足業(yè)務(wù)精細(xì)化需求的同時防止新型黃牛手段的攻破。

二、防空手段與方式-圖計(jì)算算法模型

Q：為什么使用圖計(jì)算？

A：在回答這個問題之前，我們可以先了解什么是圖。圖是由一組節(jié)點(diǎn)與一組能夠?qū)蓚€節(jié)點(diǎn)相連的邊組成的，節(jié)點(diǎn)間建立的邊可以描述不同的關(guān)聯(lián)關(guān)系。比如在電商場景中，存在購買用戶與商品兩個不同屬性的節(jié)點(diǎn)，其間的邊可以代表著用戶的瀏覽關(guān)系、購買關(guān)系與點(diǎn)評關(guān)系等；而用戶在交易中使用的手機(jī)號、設(shè)備等又可以作為不同屬性的節(jié)點(diǎn)與購買者相連，并通過邊來描述其使用或持有關(guān)系，這種關(guān)系可以通過圖數(shù)據(jù)結(jié)構(gòu)存儲下來，在電商推薦、搜索、風(fēng)控等多哥領(lǐng)域?qū)崿F(xiàn)大數(shù)據(jù)分析與模型訓(xùn)練。圖計(jì)算的優(yōu)勢主要在于：

1. 圖數(shù)據(jù)結(jié)構(gòu)所能存儲的數(shù)據(jù)特征維度更加豐富：相較于傳統(tǒng)表式存儲更能描述不同主體間復(fù)雜的關(guān)聯(lián)關(guān)系，在電商領(lǐng)域中更能凸顯作弊群體內(nèi)以及不同群體間的關(guān)聯(lián)關(guān)系，使這些關(guān)聯(lián)更直接，更直觀，也更易于理解。
2. 圖數(shù)據(jù)庫的查詢與分析效率更高，性能更優(yōu)：比如在社交關(guān)系型數(shù)據(jù)中，隨著社交關(guān)系的深度（即朋友的朋友）越深，關(guān)系型數(shù)據(jù)庫與圖數(shù)據(jù)庫的查詢性能相差越大。

3. 圖數(shù)據(jù)庫能夠更加方便地使用數(shù)據(jù)進(jìn)行建模：圖數(shù)據(jù)庫的重要性往往體現(xiàn)在當(dāng)前電商交易場景中重要的“數(shù)據(jù)關(guān)系”上，和人際關(guān)系一樣，數(shù)據(jù)的價(jià)值也在于它們之間的關(guān)聯(lián)關(guān)系上。相較于單純的節(jié)點(diǎn)數(shù)據(jù)分析，這種關(guān)系數(shù)據(jù)的建模分析往往能帶來更多增益。

Q：我們怎么使用圖計(jì)算來預(yù)防和對抗黃牛風(fēng)險(xiǎn)？

A：之前已經(jīng)介紹了主要的兩類黃牛風(fēng)險(xiǎn)：同人黃牛與眾包黃牛。我們團(tuán)隊(duì)分別從這兩類黃牛風(fēng)險(xiǎn)的作弊特征出發(fā)，設(shè)計(jì)了兩種針對的性的圖計(jì)算模型。

2.1 電商同人黃牛圖算法

同人黃牛圖的設(shè)計(jì)理念：在平臺交易對抗中，同人黃牛用戶經(jīng)常會通過特別手段更換資源來繞過傳統(tǒng)策略，并且在交易時的特征維度存在多跳關(guān)系，策略的局限性會被放大；且交易鏈路對時效性的要求極高，我們更需要實(shí)時地識別賬號或行為間具有聚集性的黑產(chǎn)并打擊，以保障平臺商家與用戶的交易安全。為了應(yīng)對這種挑戰(zhàn)，我們開發(fā)一種表現(xiàn)更直觀，可描述性更強(qiáng)且具有實(shí)時迭代能力的黃牛圖算法，并通過以下流程進(jìn)行構(gòu)建：

1. 通過線上數(shù)據(jù)對 Kafka 交易行為日志實(shí)時消費(fèi)，并通過反序列化方式提取用戶 UID、 設(shè)備指紋參數(shù)、IP 地址、商品 ID 等信息。
2. 將對象作為不同節(jié)點(diǎn)并構(gòu)建其間的邊，在這種建立節(jié)點(diǎn)與邊的過程中賦予其內(nèi)在多維度特征，并將這種異構(gòu)拓?fù)潢P(guān)聯(lián)圖譜寫入 Nebula 圖數(shù)據(jù)庫，建邊方式包含但不限于：

a.用戶注冊、登錄行為中的綁定關(guān)系 e.g.：用戶→ 綁定賬號等。

b.用戶交易行為中的使用關(guān)系 e.g.：用戶→ 設(shè)備、IP等。

c.用戶交易行為中的購買關(guān)系 e.g.：用戶→ 商品、商家等。

利用這種關(guān)系圖譜，我們可以實(shí)時多跳關(guān)聯(lián)抽樣子圖并進(jìn)行強(qiáng)實(shí)體挖掘與弱標(biāo)簽傳播等方式來發(fā)現(xiàn)同人黃牛群體，并將異常群體更新至風(fēng)險(xiǎn)種子庫來實(shí)時保障交易安全。

2.2 電商眾包黃牛社群發(fā)現(xiàn)算法

Q：什么是社區(qū)發(fā)現(xiàn)算法？

A：社區(qū)發(fā)現(xiàn)算法基于模塊度（Modularity），通過不斷遍歷鄰居結(jié)點(diǎn)并將自己的社區(qū)標(biāo)簽更新為模塊度增量最大的鄰居標(biāo)簽直至不再有增益，從而找到每個節(jié)點(diǎn)所屬的社區(qū)。

Q：怎么使用社區(qū)發(fā)現(xiàn)算法來對抗眾包黃牛？

A：針對電商場景中具有團(tuán)伙聚集性質(zhì)的眾包黃牛購買行為，我們利用社區(qū)發(fā)現(xiàn)算法建立了電商異常社群發(fā)現(xiàn)模型，通過用戶與其購買的商品之間的關(guān)系建邊，構(gòu)建用戶與用戶之間的二部圖。在模型的建立過程中我們使用數(shù)據(jù)預(yù)處理過濾了對模型影響較大的異常數(shù)據(jù)，并使用自定義距離算法來量化用戶之間在購買上的相似度：

其中k表示兩用戶共同購買的商品數(shù)目，CA與CB分別表示對應(yīng)用戶購買商品數(shù)量，Wpurchase與Wreceive分別表示用戶購買與收貨相似度，并隨著時間窗口與是/非大促期間自適應(yīng)變化，R（A，B）越高表示用戶購買相關(guān)性越大，對應(yīng)建邊權(quán)重越大，由此構(gòu)建用戶間購買關(guān)系。

通過建立的用戶購買關(guān)系圖，我們使用社群發(fā)現(xiàn)算法進(jìn)行社群歸并，得到被劃分的社群后，進(jìn)一步對不同社群用戶進(jìn)行特征描述并自動篩查，從而獲得真正想要找到的可疑度較高的眾包黃牛用戶與團(tuán)伙。

三、結(jié)語

除了前文主要介紹的兩類圖算法，小紅書反作弊團(tuán)隊(duì)仍在持續(xù)沉淀并研發(fā)多種對抗黃牛的手段。比如我們針對眾包黃牛的特點(diǎn)，利用黃牛團(tuán)伙邀請真人用戶的流程，在技術(shù)層面設(shè)計(jì)了一整套識別、攔截和數(shù)據(jù)沉淀的流程，通過用戶標(biāo)注——>攔截——>識別商品——>沉淀商品和用戶數(shù)據(jù)——>回掃確定風(fēng)險(xiǎn)用戶——>更新標(biāo)注形成一個閉環(huán)的監(jiān)控，這套流程幫助我們根據(jù)攔截率制定預(yù)警，使我們能夠?qū)崟r監(jiān)控并及時發(fā)現(xiàn)搶購情況，后續(xù)我們還將利用它沉淀用戶黑產(chǎn)畫像、讓利商品和黃牛地址等多維數(shù)據(jù)。

在業(yè)務(wù)層面上，我們根據(jù)商品類型、售賣模式制定了個性化限購方案——通過了解商家對具體商品的限購業(yè)務(wù)邏輯，針對直播間的讓利營銷，抽象出不同類別的限購需求，再結(jié)合hammurabi風(fēng)控引擎，構(gòu)建累計(jì)因子，定制限購的風(fēng)控策略，同時持續(xù)與業(yè)務(wù)交互，以實(shí)現(xiàn)精細(xì)化運(yùn)營。這類型的風(fēng)控方式不需要依賴于用戶間的關(guān)聯(lián)關(guān)系，而是利用沉淀的數(shù)據(jù)做縱向攔截，與圖算法模型形成互補(bǔ)。

四、作者信息

傅達(dá) 小紅書安全技術(shù)部算法工程師

老皮 小紅書安全技術(shù)部數(shù)據(jù)分析師

時影 小紅書安全技術(shù)部產(chǎn)品經(jīng)理