这是 Beta 探索课程,内容结构、实验步骤和示例可能会继续调整。
风险模型
规则上线第二天,攻击者就把注册频率压到阈值以下、切遍 IP 池,停留时间也模拟得像真人。固定阈值挡不住这种对抗,只能换一种判断方式:让模型从大量特征里识别隐蔽的异常行为路径和多维度组合,而不是依赖某条写死的规则。
分工要讲清楚。规则上线快、可解释强,但识别隐蔽模式和抗绕过弱;模型正好相反,代价是上线慢、要训练评估、还要监控漂移。结论不是二选一——规则负责强确定性的已知风险,模型负责综合评分,两者互补而非替代。
模型吃的不是原始日志而是特征,从账号年龄、投诉记录,到设备稳定性、关联账号数、模拟器概率,再到点击间隔、操作路径、订单金额和地址相似度。在线特征为实时判断必须低延迟,离线特征可以更复杂。模型输出 0 到 1 的风险分,再按分数分层处置,阈值按场景配置——登录误伤影响体验,下单漏放可能造成资金损失。
模型上线不是一步到位:离线评估、影子模式只打分不处置、小流量灰度,最后才接入拦截、审核等强动作,上线后还要监控漂移、超阈值回滚。模型能否持续变强取决于标签,误伤不回流就会越来越偏,新攻击样本不标注就会反应迟钝。读完本章你应该能说清规则与模型的边界,为一个场景设计特征与阈值,并画出模型从训练到上线到反馈的链路。
发现内容有问题?
告诉我们哪里需要改进。
