在如搜索、排序、广告等策略相关的产品当中， 因为各种各样的利益诉求， 作弊行为是极其常见的现象。有些平台在产品发展的特殊阶段为了数据好看，会部分容忍作弊行为如刷单等情况外。长期看，所有作弊行为都会影响平台的公正性，阻碍平台的健康发展，所以大多数平台都会对作弊行为进行监测和处理。作弊的目的多种多样，有通过作弊骗钱骗补贴的，有通过作弊做平台不允许的事情的等等，今天我们主要讨论通过作弊让item在系统中处于有利地位的作弊行为。
因为反作弊对抗的并不是数理规则，而是一个个活生生的人，因此作弊的手段的是会不断进化的，每个做反作弊的产品经理都必须必须明白一个道理，那就是反作弊是一个长期的斗智斗勇的事情，基本不可能有完全可靠一劳永逸的反作弊系统。也是在这种逻辑之下，反作弊系统的常规发展思路就是不断发现，不断优化。如果接受了这种设定，是不是觉得每一个做反作弊的人都应该混入作弊团体中？
在所有和机器学习系统有关的作弊手段中，细分起来其实只有两类，一是利用系统规则漏洞，二是利用算法策略缺陷。利用系统规则漏洞差不多就是利用产品BUG来作弊了，这一类比较好解决，除了产品经理在设计功能最初就考虑到各种边界情况之外，唯一的办法就是早发现早解决，类似于救火的方式。填补规则漏洞通常也不是策略产品经理的事，这里就不说太多了。利用算法策略缺陷作弊相对来说高端一些，解决起来也稍微麻烦一些，如果细分下来，也可以分为两类，一个是特征攻击，一个是针对策略点的攻击。
******
特征攻击
特征是所有机器学习系统的基础，模型输出都依靠对特征的计算，如果能够改变特征值，就一定能够改变item在系统中的地位。因为特征的重要性太为众人所知了，所以这类针对特征的作弊行为完全不需要对系统有具体的了解，只需要用最笨的方法去做就行了。
伪造
大家经常见到的刷单刷评价都属于通过伪造数据来作弊的方式。在电商平台上，策略会依靠销量和评分等因素对item进行优劣的判断，商家为了获得更多的曝光，就可以通过刷单刷评论来增加销量和提升评分。类似的还有SEO通过各种方式增加反链或关键词展示次数（嗯，我认为SEO过度了确实就是在作弊）等等。
对于这一类的作弊行为，最常用的方式是识别出可疑行为（另一片文章《如何识别作弊刷单》中有介绍，可供举一反三），产品策略上把可疑操作的行为从模型训练数据和特征生产上排除掉，如果作弊并不能达到商家想要的效果，长久下去他们也就没了作弊的动力。除了策略层面的处理，往往还需要配合运营手段，对有作弊行为的商家给于处罚。惩罚的度会根据平台的强势程度有所不同，比如淘宝和百度惩罚起来根本是没有讨论的余地的。
变更
在机器学习系统的推荐中，会有一类离散的分类特征，这类特征很有可能是人工填写完成的。假设某个特征有AB两个分类，大家都知道A分类比B分类更优势，那么如果我是B分类，我完全可以将自己的分类变更为B分类来获取优势。对于这一类的作弊行为处理，人肉处理的话就加强审核，机器处理的话就增加一些交叉验证来保证数据的准确。举个例子，假如我的资料显示我是富二代，但我还有天天坐地铁的记录，那很有可能两个数据中的某一个是错的。
策略点攻击
前面说的特征攻击往往不需要对产品策略细节有很多的了解，但是对于具体策略点的攻击就需要对系统本身有更深入的了解。做过策略的同学应该都知道，为了解决某些具体的问题，我们往往做一些小的策略调整来让系统更好的运转，如果这些小的策略点让作弊者了解了还恰好有利可图，那么灾难就来了。因为这类作弊行为和具体系统策略有关，实在没有办法分类讨论，这里举两个自身遇到过的例子来处理吧。
冷启动
对于系统中新进入的item，因为很多特征都不具有统计显著性，所以大多数的机器学习系统都会给新加入的item一个考察期。在这个考察期内，常见的方式是把item当做平均水平的item，或者高于平均水平给于更多的扶持。如果某个item本身就是平均水平之下，那TA就可以通过不断新建item来获得不该有的扶持和地位。
这个时候我们就挺为难了，完全废除冷启动扶持肯定是不可能的，怎么办呢？规则上再打补丁呗！对于操作异常的item，在账户层面给于运营和策略上的惩罚，item我们没法管的，在人上面处理。那要是人有不断的注册马甲来捣乱呢？规则上再打补丁吧...前面怎么说来着，反作弊就是斗智斗勇的持久战啊。
特殊节点
在策略产品中，许多连续的统计特征会做一些离散规则处理，常见的如“晚上8点后，不再考虑评分影响”“销量100以前，排序提前10位”“如果出价是其他产品的两倍，则排序提到最前”等等，如果作弊者知道了这些节点，那么他就可以将这些特征值控制在刚好能够获利的节点，欺骗系统达到作弊的目的。对于这类问题，除了职业道德层面的策略保密之外，也只能依靠探测可疑行为并从人更高层面（比如账户 ）的层面进行处罚。
******
反作弊的对手是人，所以仅仅依靠机器是不可能完全解决的，大多数反作弊系统都是规则和模型并存，并配以合理的运营方案来惩恶扬善。但是作弊是除不尽的，我们唯一能做的，就是足够警惕，还有足够能作弊。
