机器人流量盯上商品页，平台怎么识别

摘要：看懂电商 Bot 流量检测

很多卖家遇到广告点击异常、Session 暴涨、转化不跟、竞品价格被秒跟、listing 访问很怪时，会怀疑“是不是被机器人盯上了”。

第 20 篇论文正好讲这个问题。它不是亚马逊官方论文，而是 Alibaba Group 与 Arizona State University、University of Delaware、George Mason University 作者合作的《Detecting and Characterizing Web Bot Traffic in a Large E-commerce Marketplace》。论文研究对象是 Taobao/Tmall 平台上的 Web Bot traffic。

它的价值有两层：

第一，平台怎么从访问日志里识别 Bot IP。

第二，Bot 和正常用户到底有什么行为差异。

对卖家来说，最重要的结论不是“平台会封哪个 IP”，而是：机器人流量不是单纯点击多，它会在活跃时间、搜索节奏、商品访问路径、结果页偏好、店铺选择上留下系统性痕迹。

1. 为什么电商平台必须识别 Bot

论文开头讲了 Web Bot 的两类影响。

一类是资源消耗。Bot 会占用服务器资源，提高负载和响应时间，却不带来正常商业价值。

另一类更麻烦：Bot 抓取的页面内容，可能被用于后续欺诈活动。比如监控价格、抓商品信息、推断排序规则、批量访问商品页、为其他套利或攻击做准备。

论文引用行业报告说，Web Bot 在全站流量里占比很高，电商门户尤其容易受到恶意 Bot 影响。论文也提到，Alibaba 在 Taobao/Tmall 上观察到了一定量恶意 Bot 流量。

对亚马逊卖家来说，这不等于 Amazon 官方规则。但它解释了一个现实：平台不会只看订单和差评，搜索、点击、访问路径这些“成交前行为”也会进入风控视野。

2. 平台怎么识别 Bot IP

论文提出的检测流程并不复杂，但很工程化。

第一步，用 EM 方法做特征选择。它假设候选特征里混合了正常流量和异常流量两类分布，然后找出那些最能区分正常与异常的特征。

第二步，用决策树组合多个特征。单一规则只能抓一部分 Bot，决策树可以把多个访问行为放在一起，输出一个 IP 是 Bot IP 的可能性。

第三步，做阈值估计。作者不是随便拍一个阈值，而是希望过滤 Bot 后，平台的非 Bot 流量曲线能回到合理形态。

论文在线验证中，模型达到 precision 95.4%、recall 92%。这说明规则在 Taobao/Tmall 场景里有较强检测能力。

3. 数据样本有多大

论文后半部分做 Bot 行为画像，样本来自一个月的交互日志。

Bot 侧是 99,140 个 Bot IP，也就是 BIP。正常用户侧是 97,109 个 logged-on users。

这里有一个边界要注意：论文研究的是 Bot IP，不是“一个真实机器人账号”。Bot 可能频繁换 IP，IP 和 Bot 之间未必是一对一关系，所以作者用 BIP 作为分析对象。

样本里，BIP 几乎都在 PC 端：99.9% 的 BIP 出现在 PC 设备，贡献 92.7% 的搜索和 98.7% 的点击。正常用户则更偏移动端，移动端用户贡献 82.4% 的搜索和 89.6% 的点击。

4. Bot 不像真人的地方

论文列出了很多行为差异，卖家最该关注的是下面几类。

第一，活跃天数短。约 88% 的 BIP 在一个月内只活跃 1 到 2 天，平均活跃 1.7 天。论文认为这可能和 Bot 频繁更换 IP、规避检测有关。

第二，活跃时段不同。正常用户在晚上 20 点到 23 点最活跃，而 BIP 在这个时间段并不活跃，反而在工作时段更活跃。

第三，搜索强度极高。BIP 平均每天发起 421.3 次搜索；正常 PC 用户约 12.2 次，正常移动用户约 41.7 次。论文总结为：Bot 每天搜索次数约为正常用户 10 倍。

第四，搜索间隔更短。BIP 连续搜索之间的时间明显短于正常用户，活动更激进。

第五，点击强度极高。BIP 平均每天 166.3 次点击；正常 PC 用户约 12.6 次，正常移动用户约 22.6 次。

第六，路径更像抓取。对于没有前置搜索的商品页点击，97.1% 的 BIP 点击来自商品详情 URL 直达。

5. Bot 最关心什么商品和店铺

论文对搜索结果页、商品页、店铺也做了分析。

它发现，多数 Web Bot 只浏览搜索第一页，说明它们更关注 top listings，也就是靠前展示的商品。

它还发现，BIP 会在一天内多次访问同一个商品，频率约为正常用户访问同一商品的 10 倍。论文推测，这可能是为了周期性监控商品动态。

在店铺层面，BIP 平均每天访问 12 个店铺，约为正常用户的两倍。并且 BIP 更偏向访问中低信誉等级店铺，而正常用户更偏向中高等级店铺。

这些结论对卖家很有启发：机器人流量不一定只盯大卖，也可能盯中腰部卖家、特定价格带、特定排名位置、特定商品页。

6. 对亚马逊卖家的启发

第一，不要只看总 Session。Bot 异常往往藏在时段、入口、关键词、placement、ASIN、排名位置里。总量可能只是噪声，切片才有意义。

第二，广告异常要和行为质量一起看。如果某个 campaign 突然点击高、CVR 低、停留差、退款或客诉集中，就不能只看 ACOS，要拆入口和时段。

第三，价格和排名被频繁监控，也可能反映在访问轨迹上。卖家能看到的不是平台原始日志，但可以通过竞品价格跟随、排名波动、Session 异常、广告点击异常做间接判断。

第四，不要把“直接访问商品页”简单等同于恶意。正常用户也可能收藏、从外部链接进入、从广告进入。关键是比例、频率、时段和后续转化是否同时异常。

第五，Bot 风险和账户绩效有关，但不是一个公式。它可能影响广告消耗、转化率、搜索表现、库存判断、竞品监控，也可能成为平台识别恶意流量的对象。

7. 卖家明天可以做的复盘

如果你怀疑异常流量，不要先写“我被 Bot 攻击了”。先做这五件事。

第一，按小时拆。看 Sessions、CTR、CVR、CPC、花费速度、订单、退款是否在某个时段突然异常。

第二，按入口拆。搜索自然流量、广告流量、外部流量、直接访问分别看，不要混成一个总数。

第三，按目标拆。ASIN、变体、关键词、placement、价格带、排名位置分别看。

第四，看重复访问和不转化。如果某个商品被高频访问但转化、加购、订单不跟，要结合价格和排名波动判断。

第五，留证据。截图、广告报表、订单时间线、调价记录、促销记录、库存状态、竞品价格变化都要留。

8. 边界：这不是教你用 Bot

这篇论文的研究目的是帮助平台识别和理解 Bot traffic，不是给卖家提供爬虫、刷点击、监控排名或操纵流量的方法。

对卖家来说，最重要的底线是：不要使用 Bot 刷点击、爬竞品、抓平台内容、操纵排名或制造虚假流量。这样做不是“增长技巧”，而是把自己放进平台风控样本。

同时，也不要把论文结论直接套成 Amazon 规则。论文对象是 Taobao/Tmall，检测粒度是平台内部日志，卖家后台看不到同等细节。

真正可执行的结论是：

异常流量要按时段、入口、目标、行为质量和后续转化拆开看。平台识别 Bot 看的是一组行为痕迹，卖家自查也应该从一组证据开始。

资料来源

• Haitao Xu et al. Detecting and Characterizing Web Bot Traffic in a Large E-commerce Marketplace. PDF: https://www.eecis.udel.edu/~hnw/paper/esorics18.pdf
• 本地 PDF：05_欺诈_机器人_虚假行为检测/20_Bot Detection at Scale in Retail Platforms.pdf