Adspect — сервис для клоакинга и фильтрации ботов на базе машинного обучения

[Adspect]

Всем привет!

Мы Adspect — высокотехнологичный сервис для клоакинга и фильтрации ботов на базе машинного обучения.

Что мы умеем:

• Клоачить модераторов множества рекламных сетей, ботов spy-сервисов, ботов антивирусных компаний и прочих нежелательных посетителей.
• Фильтровать накрутку и ботов всех мастей в трафике, от «тупых» автокликеров до современных headless-браузеров.
• Формировать гибкую статистику по отфильтрованным ботам, в том числе с разбивкой по площадкам или любому другому параметру (субаккаунту), что позволяет легко собирать блеклисты ботовых площадок на ранних этапах слива.

Почему стоит выбрать нас:

В отличие от большинства других решений, мы не полагаемся на одни лишь IP-блеклисты, которые очень часто бывают неточными. Мы используем одновременно три подхода:

• Фильтрация по блеклистам различных атрибутов трафика, в том числе по вашим собственным IP-блеклистам, если они у вас есть.
• Фильтрация с использованием машинных отпечатков браузеров — т.н. «JavaScript fingerprinting». Этим же методом пользуются такие корпоративные антифрод-системы, как PerimeterX, BlockFraud и Empello.
• Фильтрация с помощью нашей собственной системы машинного обучения VLA. Она обнаруживает наиболее продвинутый фрод, который пытается активно маскироваться.

Что для этого нужно:

Достаточно зарегистрироваться на нашей платформе и иметь хостинг с поддержкой PHP, чтобы размещать наши фильтрующие PHP-скрипты. Для всех новых регистраций действует бесплатный пробный период 7 дней!

Больше информации вы можете найти на нашем сайте https://www.adspect.ai/ и в технической документации.

По любым вопросам пишите в Telegram: adspect. Также можете писать нам на [email protected].

P.S.: Мы совсем недавно завершили стадию бета-тестирования, поэтому будем очень рады любому вашему фидбеку и сообщениям о багах. Сервис находится в активной разработке, любые идеи и пожелания рассматриваются и могут быть включены в roadmap на обозримое будущее.

[Esse]

300$/m немаленькая оплата на стадии недавнего окончания бета.
какое кол-во блэк листов ip?
а ml в чем заключается?

[Adspect]

Сообщение от Esse

300$/m немаленькая оплата на стадии недавнего окончания бета.

Под бетой мы имеем в виду бету именно публичного сервиса в том виде, в каком он представлен сейчас, то есть веб-интерфейс (фронтенд), сайт и документацию. Все это было разработано в последние два месяца. Основа же системы — ее бэкенд — ранее успешно использовался в течение года нами и нашими партнерами для приватных сливов с различных сеток и зарекомендовал себя там, где конкурирующие сервисы показали результаты хуже. Вообще, весь проект изначально родился из-за неудовлетворенности аналогами. В нашем ценообразовании мы отталкиваемся от реалий рынка с поправкой на наши ноу-хау.

Сообщение от Esse

какое кол-во блэк листов ip?

Если имеется в виду количество IP-адресов в блеклистах (их несколько внутренних), то на текущий момент их порядка 35 тысяч одиночных и несколько сотен подсетей разного размера. Блеклисты не статичны, они периодически пополняются новыми адресами. Впрочем, наш основной метод фильтрации — это JavaScript-фингерпринтинг, именно он дает наилучшие результаты.

Сообщение от Esse

а ml в чем заключается?

ML анализирует факты, составляющие JavaScript-фингерпринт, и на основании их суммарной оценки дает уверенность в том, опасный тот или иной фингерпринт или нет. У каждого составляющего факта (их в среднем 1600-2200 в одном фингерпринте) есть свой score в базе данных ML; имея набор фактов и score каждого, мы считаем общий score при помощи несложной алгебры.

[imgreen]

ML анализирует факты, составляющие JavaScript-фингерпринт, и на основании их суммарной оценки дает уверенность в том, опасный тот или иной фингерпринт или нет. У каждого составляющего факта (их в среднем 1600-2200 в одном фингерпринте) есть свой score в базе данных ML; имея набор фактов и score каждого, мы считаем общий score при помощи несложной алгебры.

Как высчитывались веса фактов и пороговое значение для суммы фактов?

[Adspect]

Сообщение от imgreen

Как высчитывались веса фактов и пороговое значение для суммы фактов?

Факты не взвешенные, для ML они все изначально приняты равнозначными (мы используем Байесовский классификатор в варианте Бернулли). Score отдельных фактов считались и продолжают считаться как вероятности появления этих фактов в фингерпринтах ботов. Изачально эти данные были заложены нами в ходе первичного обучения модели, и мы продолжаем ее обучать, в том числе на трафике наших клиентов. Как именно рассчитывается score — это уже коммерческая тайна, разумеется.

Пороговое значение (score отсечки) выбирается клиентом самостоятельно, это регулируемый параметр. Отправное рекомендованное значение — 0.95, оно стоит по умолчанию при создании потока.

[Adspect]

По случаю недавнего запуска проекта в паблик мы сделали для всех промокод JUMPSTART, дающий скидку 25% на один платеж.

[vipuncle]

300$ как то многовато...

[vedevas]

Сообщение от vipuncle

300$ как то многовато...

насколько я знаю, есть сервисы и за 500 бачей, а по поводу дорого или нет, напишите сервисы в лс если знаете которые будут со схожим функционалом, но дешевле, буду вам благодарен

[Adspect]

Сообщение от vedevas

насколько я знаю, есть сервисы и за 500 бачей, а по поводу дорого или нет, напишите сервисы в лс если знаете которые будут со схожим функционалом, но дешевле, буду вам благодарен

Со схожим функционалом и дешевле $300 вы не найдете, боюсь. Вы в принципе не найдете решений, построенных на комбинации JS-фингерпринтов и машинного обучения и ориентированных на рынок партнерского маркетинга. Корпоративные антифроды есть — PerimeterX, BlockFraud, Empello, DataDome, Netacea — но они нацелены на совсем других клиентов и имеют ценники на пару порядков выше. Собственно, наше главное торговое предложение и заключается в том, что мы предоставляем клиентам технологии серьезного антифрода по ценам affiliate-рынка.

Подчеркну: мы не просто клоака, мы еще и очень мощный фильтр ботов, который помогает быстро отсеивать фродящие источники в таких форматах, как нативка, тизерка и попандер, и не сливать на составление блеклистов круглые суммы. Для обнаружения подавляющего числа существующих в природе накруточных ботов нам даже не нужен IP-адрес, мы их определяем по набору куда более точных признаков. А если какой-то вебмастер пытается маскировать свой фрод, эмулируя или подчищая все основные признаки, то у нас для этого есть машинное обучение, которое найдет обнаружит его по сотне других признаков, о которых он даже не подозревает. Все вышесказанное относится и к задачам клоаки, особенно в крупных сетках, которые активно используют автоматизацию для модерирования рекламных кампаний и которая ярко светится по массе все тех же ботовых признаков.

Здесь подробнее: https://adspect.readthedocs.io/ru/latest/use-cases.html

Что касается наших конкурентов, то у большей части клоак, особенно западного производства, ценники мало того, что выше, так еще и привязаны к количеству кампаний. Поищите, и вы увидите четырехзначные суммы за месячную подписку. А у нас безлимит как по кампаниям, так и по кликам, лейте сколько угодно.

[Adspect]

Выше интересовались точными цифрами, так что мы подсчитали. Итак, Adspect в цифрах на текущий момент:

• В черных списках IPv4: 153 миллиона адресов;
• В черных списках IPv6: 610 подсетей (считать отдельные адреса не имеет смысла, их слишком много);
• JS-фингерпринты обрабатываются 59 эвристическими чекерами;
• База знаний машинного обучения VLA: 3210084 маркера модераторов и ботов в фингерпринтах.