[腾讯云]腾讯云对抗黑产，人工智能将派上什么用场？(3)

实际应用中的例子——基于实时挖掘的身份鉴定

众所周知，互联网安全产品中，识别是否真人是否本人是一个关键的基础的问题。很多年前就有这样的一个笑话，你不知道跟你聊天的是只猫还是一只狗。现在我们还得问，你知道跟你聊天的是人还是机器？是人的话是他本人吗？是不是人？这是识别自然人的范畴。是他本人吗？是否有帐号盗用或者共用的可能？在活动防刷、金融反欺诈等领域，身份鉴定都是一个绕不开的问题。来看下我们是怎么做的？首先，我们基于大数据，使用多标签精准刻画建立用户画像。

用户画像涉及的维度有风险画像，包含用户的恶意指数、活跃指数、负反馈指数等。行为序列，用于刻画用户在产品中的行为轨迹。帐号画像，包含用户的社交倾向，比如是否热衷原创、是否乐于分享、是否乐于互动等，帐号画像还有一个重要的维度是行为轨迹，包含用户使用产品的区域倾向和时间段倾向。IP画像，主要包含IP属性和安全标签，我们会记录该IP是否肉鸡IP、作弊IP等，另外还有针对设备的画像等等。

接下来看下我们使用的算法，我们使用的是基于多目标优化的深度学习算法。为什么使用多目标优化？前面我们提到有监督深度学习的两个问题：过拟合与局部最优。我们希望模型精度足够高，同时过拟合情况足够小，传统的方法是将交叉熵（也就是误差），和规范化 （这个是用来衡量是否过拟合的一个量化）进行加权，组成一个最终的目标来训练模型。 多目标优化是同时将误差和规范化作为目标，也就是模型要求同时达到最优。

这样可以全面覆盖搜索空间，最终实现跳出局部最优，避免过拟合。这三张图显示了迭代的过程。横坐标和竖坐标分别表示误差和规范化，构成了搜索空间。通过个体间的信息交换机制，经过若干轮迭代，算法在搜索空间中越过了很多局部最优，得到了较好的结果。就可以根据需要选择其中一个模型应用到生产环境中实施打击。

整个实现过程，我们使用了2TB的画像数据，涉及到380个细分维度，我们使用的底层分析平台保证了身份鉴定整个自学习过程以实时的方式实现。安全策略的精准度至少能达到两个9。

另外一个基于深度学习的应用是色情图片识别，腾讯的色情图片识别依托于腾讯优图的DeepEye主动识别模型，应用在空间、QQ、天御直播鉴黄上，效果在业内处于领先优势。

因为腾讯有着十余年黑产对抗经验，有天然的海量大数据，也有着成功应用于的智能对抗方法，我们能很好地识别自然人和黑产用户，很好地识别垃圾文本、恶意图片，很好地发现更多的恶意模式，我们将这些成熟的业务安全能力开发出来，为互联网金融、电商、游戏、直播提供业务安全解决方案，共享我们的黑产对抗成果。

这也是以SaaS化服务模式，将这些数据和能力整合，在腾讯云上向业界开放了反黑产利器——天御。一年来，天御已经帮助我们大量电商企业应对刷单、金融企业应对诈骗、直播客户鉴黄上发挥了重要作用。今年的一些电商活动中，天御直接拦下了超过80%恶意刷单。