大咖说第1期：Unity 中基于图技术的欺诈检测 Lun Jiang，高级数据科学家Unity Technologies SF欺诈无处不在，甚至在游戏行业也是如此。在Graph+AI 2022 春季全球峰会上，来自游戏平台开发商Unity Technologies的高级数据科学家Lun Jiang，为大家分享了用于Unity游戏引擎中的欺诈检测的图技术。 Unity公司介绍 Unity是一家视频游戏软件开发公司，专门为游戏开发者提供实时3D开发平台。此外，Unity还帮助游戏开发者通过向广告商出售游戏内广告位来实现变现。手游是目前全球来看表现最好的行业之一，其2021年收入超过850亿美元，复合年均增长率超过18%，所以到2023年，游戏行业的大部分收入将来自手游。2020年第四季度的报告中显示，Unity每月服务的广告超过了230亿，玩家每周花在Unity手游上的平均时间为2小时22分钟。此外，50%的新手游都是由Unity提供技术支持，所以这是一个相当有前景的行业。 游戏广告是如何运作的？ 在游戏广告领域里，既有供应方（游戏发行商），也有需求方（广告商）。Unity广告通过统一竞拍将两者联系起来。从供应方来看，欲出售广告位的源游戏将向Unity广告服务端提交请求，然后，来自需求方的广告商将对这些位置出价以展示他们的广告。因此中标者将能够提交他们的广告创意、添加展示位置并触发事件，尤其是广告事件。接着，当特定的广告事件被触发后，广告商将向游戏发行商支付费用。基本上，这就是游戏开发者在游戏广告领域赚钱的方式。 那在此过程中，会出现什么问题呢？ 有这样一个问题我们必须重点谈谈。在现实中，并非所有发行商在游戏广告方面都是“诚实的”，他们中的一些人，我们称为欺诈者，因为他们在这个体系中实施欺诈。欺诈是一种恶意活动，旨在不劳而获，大多数欺诈是游戏发行商实施的。而调查此类欺诈，就是我的工作，以及欺诈检测部门。我们的目标是保护我们的广告商免受“无效广告”的侵害，并确保广告商对我们的广告服务体系充满信心。 欺诈到底是什么？ 欺诈有很多种，根据Unity的政策，游戏行业中存在非常多的欺诈，我们每天都能看到新类型的欺诈出现，这真的很恼火。根据我们以往的经验，有几种常见的欺诈类型，比如设备农场、SDK伪造、垃圾点击、机器人、滥用激励和其他类型的诈骗。所以在游戏广告的领域里欺诈无所不在，这就是为什么我们需要使用图技术。 在使用图技术之前，我们是如何检测欺诈的呢？ 正如我之前提到的，我们有广告事件。对于那些广告事件而言，它们在游戏中的某个广告时刻出现，而且不是单独出现。它们成群结队，按顺序排列，形成广告事件和模式。我们可以看到它们的模式：模式1，模式2，模式3，模式4……而模式又有许多不同的组合和不同的形状。 现在，我们处理此类欺诈的方式是这样的：我们收集并分析这些广告事件，以发现潜在的欺诈模式，我们还根据不同的实体聚合不同类型的广告事件。例如，我们知道它们的实体有游戏发行商、游戏、玩家，将这些聚合结果与我们在其它地方得到的实体特征及其嵌入相结合。 我们来看看一个我们正在做的例子。正如您在上图中看到的，我们有多个渠道，分别对应于发行商，游戏本身，还有玩家。除了它们都使用相同的来源和事件以外，它们彼此互相独立，然后我们聚合这些广告事件，并从不同的聚合层面将它们与不同类型的特征连接起来。例如，这里有一些发行商特征，和发行商嵌入，我们将它们与发行商层级的事件聚合连接起来。整个特征向量将通过我们的机器学习管道，然后将不同类型的模型组合在一起，在每个聚合层面进行预测。 在这三条管道运行之后，我们会有三种不同的预测，一个在发行商层面，一个在游戏层面，一个在用户层面。这就是我们在不使用图技术的情况下检测欺诈的方式。 现在的问题是，这些结果彼此之间不一定相符，或者说不一定总相符。而且我不认为它们真的彼此独立。例如，如果我们预测某个发行商存在欺诈行为，有没有可能，这个发行商旗下的所有游戏都是无辜的？这在现实世界中不太可能发生。在现实世界中，我们所编织的，是这样一张错综复杂的关系网。所以在真实的游戏广告网络中，彼此之间都是有联系的。例如，在下图中我们可以看到一个发行商旗下有许多游戏，而且一款游戏有很多玩家。此外，一个玩家，例如这里的3号玩家，这个玩家还可以玩另一个游戏，也就是3号游戏，并且2号玩家和3号玩家，他们可以共享相同的IP地址，或者说他们的IP非常接近，这种情况很可能是发生在同一个设备农场或同一个VPN地址中，这就是我们面临的现实问题。我们可以从这些关系模式中，看到很多诸如此类的例子，这就是我们的初衷和原因，我们试图利用图来解决欺诈问题。 那么这张图中什么是重要的？其中之一是邻域拓扑。我们可以看到游戏、发行商和玩家这三个实体，它们相互联系，形成社区和集群。两个实体之间也有许多共享信息。 Unity使用了哪些基于图技术的方法来检测欺诈？ 示例一：利用标签传播侦测欺诈信息的传播方法 我们基于图技术来检测欺诈的方法之一，是侦测欺诈信息的传播方式。比如我刚才提到的，我们有多个独立的管道用于不同聚合层面的预测，现在我们如何结合这些信息，全面了解每个实体的欺诈可能性？一种方法是通过消息传递算法传递和聚合节点特征及其各自的预测。例如，标签传播，是最常见的算法之一，而且它也很简单。因此，我们聚合来自邻居结点的信息，然后利用这些信息更新中心结点，从而更新预测，并且还可以更新其特征。然后在调整或消息传递阶段完成后，我们可以全面了解每个实体，然后将此实体用于后续的业务操作。我们也会将这些情况一起报告给我们的客户，使其更可信，更全面。 示例二：利用社区检测算法（如Louvain算法）进行欺诈社区检测 我们使用的另一种方法是欺诈社区检测。正如我们从下图中看到的，欺诈类游戏和非欺诈类游戏，通常不会单独出现，它们往往成群聚集在一起，或者形成一个社区。欺诈类游戏往往与其它欺诈游戏是关联的，而非欺诈类游戏往往与其它非欺诈类的游戏是关联的。当然也有例外，我们可以在中心集群中看到。我们可以看到，非欺诈类游戏社区与一个欺诈类游戏相关联，这个欺诈类游戏混合在了无辜社区中。这就很难被侦测出来。容易发现的是…我们可以找到非欺诈实体和欺诈实体的孤立节点，还有一个小集群，一个小社区，一个欺诈类游戏。这就是我们正在做的一个欺诈社区检测，我们试图找到欺诈团伙，通过社区检测算法，比如Louvain算法，和其他一些东西。在这里我们不能提供太多细节，因为欺诈者非常聪明，他们可能会利用这些信息对我们的技术进行反向工程。所以，这里只是宏观的总结和概述。…