广告被机器人点，平台怎么实时拦
摘要：看懂 SLIDR 保护广告预算 做 Amazon 广告的人，最怕一种情况：预算烧得很快，点击很多，订单没有跟上。 这时大家第一反应往往是：是不是被机器人点了？是不是竞争对手在消耗预算？ 今天拆的论文是 Amazon 的《RealTime Detection of Robotic Traffi…
广告被机器人点，平台怎么实时拦
摘要：看懂 SLIDR 保护广告预算
做 Amazon 广告的人，最怕一种情况：预算烧得很快，点击很多，订单没有跟上。
这时大家第一反应往往是：是不是被机器人点了？是不是竞争对手在消耗预算？
今天拆的论文是 Amazon 的《Real-Time Detection of Robotic Traffic in Online Advertising》。它讲的是 Amazon 广告里一个已经部署的实时机器人点击检测系统 SLIDR。
关键结论： 这篇论文最重要的卖家启发是：平台不是简单拉黑 IP，也不是只看点击速度，而是在每一次广告点击发生时，用实时特征、弱监督标签、分切片阈值和上线护栏共同判断。
论文信息卡
- **论文标题：**Real-Time Detection of Robotic Traffic in Online Advertising
- **作者：**Anand Muralidhar, Sharad Chitlangia, Rajat Agarwal, Muneeb Ahmed
- **机构：**Amazon
- **系统名称：**SLIDR, SLIce-Level Detection of Robots
- **部署状态：**论文称 SLIDR 自 2021 年起部署，用于保护 Amazon 上的广告主活动免受机器人点击影响
- **本文使用文件：**05_欺诈_机器人_虚假行为检测/17_Real-time Detection of Robotic Traffic in Online Advertising.pdf
这篇是 Amazon Science 方向的工业论文，但仍然不是 Seller Central 或 Amazon Ads 后台的官方计费申诉规则。本文讲的是论文公开的系统逻辑，不把它解释成卖家能直接看到的后台判定公式。
一句话结论
广告机器人检测要同时解决三个矛盾：尽量拦住无效点击，尽量不要误伤真人点击，还要实时响应不断变化的攻击。
论文关注 CPC 广告，因为 CPC 里广告主会为点击付费。机器人点击可能用来提升某个商品表现、消耗竞争对手预算、影响广告 CPC。平台目标是：无效点击不向广告主收费，真人点击不能被错拦，而且判断要尽量实时。
为什么不能只拉黑 IP
论文明确说，静态 IP 列表或传输层签名有局限。一个 IP 在一段时间里可能既有真人流量，也有机器人流量；新机器人或签名变化时，静态列表召回也会变差。
所以 SLIDR 的思路不是先认定某个 IP 永远坏，而是对每一次广告点击做实时判断。
这对卖家的启发是：不要把广告异常简单归因成“某个 IP 在点我”。真实系统更关心点击行为、时间、设备、登录状态、历史行为和流量切片的组合。
没有完美标签怎么办
机器人点击很难有完全可靠标签。论文使用 weak supervision，也就是弱监督。
它把导致购买的广告点击标成人类点击，因为购买通常需要有效支付。为了增加真人标签密度，它还把最高 RFM 用户的广告点击标成人类点击。RFM 指最近购买、购买频率和购买金额。其他点击则弱标为 robotic。
这不是说所有未购买点击都是机器人，而是用一个可落地的近似标签训练模型。论文也承认这是弱标签。
平台看哪些特征
论文列出了一组实时更新的特征。第一类是频率和速度计数，比如某个用户在几秒到几小时窗口内的点击量和点击速率，用来发现突然爆发的机器人攻击。
第二类是 user-entity counters，比如一个 IP 最近有多少 session、多少 user，以及一小时内的最大值。这个设计很重要，因为企业网关后面可能有很多真人用户，不能把这种 IP 简单判成机器人。
第三类是点击时间，把小时和星期映射到单位圆上，让模型理解人类日夜和周内节奏。第四类是登录状态，登录账号通常比匿名机器人需要更高成本。
模型是一个 DNN，三层全连接隐藏层加 ReLU，最后 sigmoid 输出机器人概率。训练时还用了样本权重，避免稀疏流量切片被模型忽略。
指标不是只看拦截率
论文定义了 IVR，也就是被模型标为 robotic 的点击占比。IVR 可以类比召回，但不能单独看，因为一个差模型也可以把大量真人点击错拦。
所以还要看 FPR。由于没有完整真人标签，论文用“导致购买的广告点击”作为真人点击代理，计算 FPR proxy。
这对卖家很关键：平台不能简单追求多拦。误伤真人点击会影响广告主体验和收入，所以机器人检测本质上是在 IVR 和 FPR 之间找平衡。
为什么要分切片校准
同一个阈值放到所有流量上，会造成不公平。论文举例：桌面和移动 App 两个流量切片，如果使用同一阈值，可能桌面保护不足，移动端却误伤过多。
SLIDR 把广告位置和设备组合成 traffic slices，然后在总 FPR 预算约束下，为每个切片选择不同 FPR operating point。目标是在控制总体误伤的同时，最大化机器人点击识别，并保证每个切片都有最低保护。
论文把这个问题写成凸优化问题。卖家不用懂数学，只要记住：看广告异常时，不要只看账户总指标，要分 campaign、placement、时段、ASIN、关键词和活动切片来看。
评估和上线经验
论文做了几组评估。模型在训练周和下一周的 FPR 偏差很小，说明泛化稳定。DNN 明显优于点击速度 heuristic 和 logistic regression，因为它能学习更复杂的模式。
弱监督方面，同时使用购买点击和高 RFM 点击作为真人标签，比只用购买点击更稳定，FPR 按小时的波动更小。
样本权重也很重要。去掉样本权重后，在类似 IVR 水平下，模型 FPR 接近翻倍，尤其是早晨、工作日、未登录等稀疏切片会更不稳定。
生产系统方面，论文提到实时推理服务 p99.9 延迟低于 5ms，离线 Spark 任务生成训练集，SageMaker GPU 集群训练模型，控制平面管理模型 ID 和各切片阈值。
护栏比模型更重要
论文第五节很值得卖家看。一个异常模型如果上线，可能过度拦截或漏拦广告流量，带来明显业务影响。
SLIDR 设计了多层护栏：训练数据必须有足够的人类标签密度；特征不能大量为空；新模型 AUROC、log-loss 等指标要在合理区间；在相同 FPR 下，新模型的 IVR 要优于生产模型；最近小时的 IVR 不能相对生产模型大幅突变。
即使有护栏，也可能出现异常模型上线。所以系统还准备了快速回滚和 Replay Tool。Replay Tool 可以把历史流量重新送进稳定模型，延迟纠正错误决策。
卖家应该怎么用这篇论文
第一，不要把正常波动都当成机器人点击。广告点击质量会被排名、竞价、预算、库存、促销、页面转化率、大促流量共同影响。
第二，要按切片看异常。总 ACOS 变差不够，要看是哪一个 campaign、哪个 ASIN、哪个关键词、哪个时段、哪个 placement 的 CTR、CPC、CVR、花费速度异常。
第三，要保存证据链。包括广告报表、预算调整时间、竞价调整时间、页面修改时间、库存状态、促销开始结束时间。没有时间线，很难判断是不是异常流量。
第四，远离任何机器人点击服务。论文已经明说，机器人点击可能用于提升 listing、消耗对手预算或影响 CPC。不要测试，也不要购买。
一个卖家案例
假设你发现某个 Sponsored Products campaign 一天内点击量暴涨，订单没有增长，花费速度异常快。
不要第一句就下结论“被恶意点击”。你应该先切片：哪几个关键词、哪个 ASIN、哪个时段、哪个广告位、是否刚调高 bid、是否刚换主图、是否库存变少、是否大促流量进入。
如果异常集中在很短时间窗口，CTR 和 spend 突然拉升，而 CVR、加购和订单都没有跟上，同时你没有做竞价或页面调整，那就把证据整理出来，继续观察并通过平台支持渠道反馈。
这和论文思想一致：判断机器人流量，不是只看一个点，而是看切片、时间、转化和误伤成本。
不要误读这篇论文
第一，这不是 Amazon Ads 后台给卖家的无效点击申诉手册。论文讲的是平台内部实时检测系统。
第二，卖家看不到 SLIDR 的模型分数、切片阈值和内部 FPR 预算。不要把论文公式当成后台规则。
第三，不要用机器人点击自己或竞争对手广告。论文研究的正是这类无效流量检测。
第四，广告异常不一定是恶意点击。先排除竞价、预算、流量季节性、页面转化、库存和活动变化。
结论
这篇论文把广告机器人检测讲成了一个真正的生产系统：实时特征、弱监督标签、业务指标校准、流量切片、公平保护、上线护栏和灾备。
卖家能带走的不是“怎么判断一个点击是不是机器人”，而是怎么用切片思维管理广告异常：少凭感觉，多看证据；少看总数，多看结构。