黑白双分类器与矩阵式风险判定框架

腾讯防刷架构的风险学习引擎采用黑/白双分类器机制，而不是单一分类器——黑分类器判断本次请求”异常”的概率，白分类器判断”正常”的概率。用两个分类器而不是一个的原因是为了减少对正常用户的误伤：一个IP被判定为恶意，不代表这个IP上的所有用户都是黑产，比如大网关IP或ADSL拨号上网场景下，恶意用户和正常用户可能共用同一个IP——单靠”黑分类器判定异常就拦截”的逻辑，会连带误伤共享同一环境特征的正常用户，而白分类器提供了一个独立的”这个请求看起来像正常用户”的信号，用来对冲黑分类器的误判风险。风险学习引擎的线下训练用Python等工具做通用算法调优，线上判定用C++实现DBScan等快速聚类算法，不用太担心线上性能问题，因为学习工作已经提前放在线下完成。除了黑白双分类器，团队还设计了矩阵式逻辑框架来解决另一个问题：最初的黑分类器是”一把抓”，随意建立一个个针对黑产的检测规则模型，结果不是这个逻辑漏检、就是那个逻辑误伤量大，想针对某一类账号加强打击力度时改动起来也很麻烦。矩阵横向采用Adaboost方法（一种迭代算法，核心思想是针对同一训练集训练出多个弱分类器、再把它们集合成一个最终分类器），每个弱分类器只负责解决一种账号类型的安全风险判断，集合起来才能覆盖所有账户类型。这套矩阵式设计带来三个工程收益：便于轻重分离（比如某平台虚假账号集中在邮箱账号，就可以只加强邮箱账号策略，影响范围局限在邮箱账号、不波及其他账号类型）；降低模型训练难度（拆分成子问题后，不需要考虑不同账号类型之间的数据配比均衡问题，正负样本比率的处理难度大大降低）；提高逻辑健壮性（某个分类器出问题时，受影响范围不会扩展到全局）。