Was ist Werbebetrug? Arten, Erkennung und Schutz

Einführung: Die Industrialisierung der digitalen Täuschung

Das digitale Werbe-Ökosystem, einst als Gipfel messbaren und nachvollziehbaren Marketings gefeiert, wird derzeit von einer Integritätskrise belagert, die die Grundlagen der Internetwirtschaft bedroht. Wir leben nicht mehr in einer Zeit, in der „Betrug“ einen einzelnen Hacker meint, der ein Skript schreibt, um auf ein Werbebanner zu klicken. Heute ist Werbebetrug ein industrialisiertes globales Geschäft, das mit der Raffinesse von Hochfrequenzhandelsfirmen und der Undurchsichtigkeit von Offshore-Banken arbeitet. Es ist eine parasitäre Wirtschaft, die dem legitimen Handel Milliarden entzieht, Daten verzerrt, Vertrauen untergräbt und organisierte Kriminalität finanziert.

Für Werbetreibende und Marketingverantwortliche reichen die Folgen dieser Bedrohung weit über den unmittelbaren Verlust von Mediabudget hinaus. Werbebetrug ist eine grundlegende Korruption der Datenlieferkette. Wenn Conversion-Daten, Klickraten (CTR) und Attributionsmodelle durch nicht-menschlichen Traffic verunreinigt sind, wird die strategische Entscheidungsfindung fehlerhaft. Algorithmen optimieren auf Bot-Verhalten statt auf menschliche Absicht und erzeugen eine Rückkopplungsschleife der Ineffizienz, die den Markenwert schmälert und die Marktrealität verzerrt.

Die gemessenen finanziellen Folgen sind gewaltig. Eine von MediaPost veröffentlichte Branchenanalyse ergab, dass ungültiger Traffic 2025 für 8,51 % der bezahlten Klicks verantwortlich war, schätzungsweise 63 Mrd. USD an verschwendeten globalen Werbeausgaben, während automatisierte Bots die Marke von 53 % des gesamten Web-Traffics überschritten (Imperva, 2026). Das spiegelt nicht nur gestiegene digitale Ausgaben wider, sondern eine grundlegende Weiterentwicklung der Taktiken, die Betrüger einsetzen. Im Verlauf von 2025 und in 2026 hinein verlagert sich die Landschaft von einfachen Botnetzen hin zu ausgefeilten, KI-gesteuerten Operationen, die Residential Proxys, maschinelles Lernen und Verhaltensimitation nutzen, um der Erkennung zu entgehen. Der Aufstieg von Connected TV (CTV) und Mobile-First-Umgebungen hat neue Angriffsflächen eröffnet, in denen Inventar mit hohem Tausender-Kontakt-Preis (CPM) die ausgefeiltesten Operationen mit ungültigem Traffic (SIVT) anzieht.

Dieser Bericht bietet eine umfassende Analyse der Landschaft des Werbebetrugs für strategische Planer, die sich durch dieses Minenfeld bewegen müssen. Wir zerlegen die feinen technischen Unterschiede zwischen breit angelegtem Werbebetrug und den spezifischen Mechanismen des Klickbetrugs, beleuchten die spieltheoretischen Wirtschaftsmodelle, die das Ringen der Branche um seine Eindämmung prägen, und beschreiben die forensischen Methoden, die für Erkennung und Abwehr im Zeitalter KI-gesteuerter Täuschung erforderlich sind.

Die Bedrohungslage definieren: Werbebetrug vs. Klickbetrug

Ein entscheidender Fehler in der strategischen Abwehr ungültigen Traffics ist die Gleichsetzung von „Werbebetrug“ und „Klickbetrug“. Auch wenn die Begriffe im Branchenjargon oft synonym verwendet werden, stehen sie für unterschiedliche Kategorien in der Taxonomie des ungültigen Traffics (IVT), jeweils mit eigenen technischen Signaturen, Monetarisierungszielen und Auswirkungen auf die Marketinganalyse. Eine präzise begriffliche und technische Abgrenzung ist für eine wirksame Lückenanalyse und den Einsatz geeigneter Gegenmaßnahmen notwendig.

Werbebetrug: Der Oberbegriff für gefälschtes Inventar

Werbebetrug ist die umfassende Bezeichnung für jede vorsätzliche Aktivität, die die ordnungsgemäße Auslieferung von Anzeigen an die vorgesehene Zielgruppe oder deren ordnungsgemäße Messung verhindert. Der Oberbegriff umfasst den gesamten Lebenszyklus einer Anzeige, von der Gebotsanfrage und der Darstellung der Impression bis zum Klick und zur Attribution nach dem Klick. Das Hauptziel von Werbebetrug ist oft die Monetarisierung des Inventars selbst.

Im programmatischen Ökosystem zielt Werbebetrug häufig auf die Impressionsebene (CPM-Modelle). Betrüger erstellen gefälschte Websites, fälschen Domains oder nutzen Malware, um Anzeigen im Hintergrund auf Nutzergeräten zu laden. Ziel ist es, der Demand-Side-Plattform (DSP) vorzugaukeln, dass ein legitimer Nutzer auf der Website eines Premium-Publishers eine Anzeige gesehen hat. Dazu gehören Mechanismen, die nicht unbedingt eine Interaktion erfordern, etwa Impression Laundering, Pixel Stuffing und Videoanzeigenbetrug, bei denen der Umsatz allein dadurch entsteht, dass der Server ein „Render“-Ereignis registriert.

Für Strategen ist Werbebetrug ein Problem von Reichweite und Markensicherheit. Er verwässert den effektiven CPM (eCPM) und setzt die Marke Umfeldern aus, die ihren Werten widersprechen können. Er bläht den oberen Teil des Funnels auf, sodass Awareness-Kampagnen erfolgreicher wirken, als sie sind, und verschlechtert gleichzeitig die Sichtbarkeitskennzahlen, die oft als KPIs für Branding-Initiativen dienen.

Klickbetrug: Der interaktionsbasierte Angriffsweg

Klickbetrug ist eine spezielle, aggressive Unterdisziplin des Werbebetrugs, die sich ausschließlich auf das Fälschen von Interaktionen konzentriert. Dabei werden gefälschte Klicks auf Pay-per-Click-Anzeigen (PPC) erzeugt, mit der gezielten Absicht, das Budget eines Werbetreibenden aufzuzehren (finanzielle Erschöpfung) oder den Umsatz eines Publishers zu steigern, der die Anzeige ausspielt (Umsatzgenerierung).

Anders als allgemeiner Impressionsbetrug greift Klickbetrug die Performance-Ebene des Marketing-Stacks an. Er zielt auf Suchmaschinenmarketing (SEM), Social-Media-Werbung und Affiliate-Netzwerke, in denen Auszahlungen an Nutzeraktionen gebunden sind (CPC oder CPA). Klickbetrug ist besonders tückisch, weil er Leistungskennzahlen wie die Klickrate (CTR) und die Kosten pro Klick (CPC) aktiv verzerrt. In Such-Ökosystemen wie Google Ads können hohe Raten ungültiger Klicks die CTR zunächst aufblähen und den Qualitätsfaktor womöglich vorübergehend verbessern, doch das anschließende Fehlen von Conversion-Signalen (oder „Pogo-Sticking“, bei dem der Bot sofort wieder abspringt) signalisiert dem Algorithmus schließlich geringe Relevanz und schadet der langfristigen Position des Werbetreibenden.

Klickbetrug erfordert ein höheres Maß an technischer Interaktion als Impressionsbetrug. Der Täter muss die Anzeige nicht nur laden, sondern auch ein Interaktionsereignis eines Nutzers simulieren: einen Mausklick, ein Touch-Ereignis oder ein Tippen. Das setzt ausgefeiltere Skripte oder den Einsatz menschlicher Klickfarmen voraus, um die einfachen Filter zu umgehen, die nach nicht-interaktiven Impressionen suchen.

Vergleichende Analyse: Werbebetrug vs. Klickbetrug

Die folgende Analyse verdeutlicht die technischen, finanziellen und operativen Unterschiede zwischen diesen beiden sich überschneidenden Konzepten und bietet einen Rahmen, um zu erkennen, welcher Angriffsweg welche Kampagnenziele bedroht.

Die Taxonomie des ungültigen Traffics (IVT): Regulatorische Rahmenwerke

Um den Kampf gegen Betrug zu standardisieren und Anbietern, Publishern und Werbetreibenden eine gemeinsame Sprache zu geben, haben der Media Rating Council (MRC) und das Interactive Advertising Bureau (IAB) eine strenge Taxonomie festgelegt. Dieses Rahmenwerk ordnet ungültigen Traffic danach ein, wie anspruchsvoll seine Erkennung ist. Diese Zweiteilung zu verstehen, ist entscheidend, um die Fähigkeiten von Verifizierungsanbietern zu bewerten und die Grenzen der Standardabwehr der Plattformen zu erkennen.

General Invalid Traffic (GIVT)

GIVT bezeichnet Traffic aus bekannten nicht-menschlichen Quellen, der in der Regel harmlos oder mit routinemäßigen Filtermethoden leicht zu erkennen ist. Er ist die „tief hängende Frucht“ der Betrugserkennung: das Rauschen, das herausgefiltert werden muss, bevor eine ernsthafte Analyse beginnen kann.

• Bekannte Crawler: Diese Kategorie umfasst Suchmaschinen-Bots (z. B. Googlebot, Bingbot) und kommerzielle Crawler für Indexierung und Monitoring. Diese Agenten geben sich in der Regel über den User-Agent-String zu erkennen und lassen sich daher leicht filtern
• Rechenzentrums-Traffic: Traffic von IP-Adressen, die Hosting-Anbietern gehören (z. B. AWS, Azure, Google Cloud) statt privaten Internetanbietern. Da Menschen selten von einem Rechenzentrumsserver aus im Web surfen, wird dieser Traffic automatisch als nicht-menschlich markiert. Wie wir im Abschnitt zu SIVT zeigen, haben ausgefeilte Betrüger jedoch Methoden entwickelt, um Rechenzentrums-Traffic als privaten Traffic zu tarnen
• Unregelmäßige Muster: Zu GIVT zählen auch einfache Skripte, die Klicks in exakten, nicht-menschlichen Abständen ausführen (z. B. genau alle 1,0 Sekunden) oder andere offensichtlich robotische Verhaltensweisen zeigen, die einfache heuristische Filter auslösen

Sophisticated Invalid Traffic (SIVT)

SIVT ist die Front des Gegners und die Hauptsorge erfahrener Strategen. Er ist definiert als Traffic, der schwer zu erkennen ist und fortgeschrittene Analysen, die Bestätigung über mehrere Datenpunkte und menschliches Eingreifen erfordert. SIVT ist bewusst täuschend und darauf ausgelegt, menschliches Verhalten zu imitieren, um Standardfilter zu umgehen und als legitime Zielgruppendaten „durchzugehen“.

• Residential Proxys: Betrüger leiten Bot-Traffic über die Geräte ahnungsloser Privatnutzer (oft über Malware oder fragwürdige VPN-Apps), um die Herkunft des Traffics zu verschleiern. So scheint die Anfrage von einer legitimen privaten Internetverbindung zu stammen (z. B. Verizon Fios, Comcast Xfinity) und umgeht die üblichen „Rechenzentrums“-Sperrlisten, mit denen GIVT abgefangen wird
• Geräte-Spoofing: Dabei werden der User-Agent-String und die Fingerabdrücke des TCP/IP-Stacks manipuliert, damit ein serverseitiges Skript wie ein bestimmtes Mobilgerät aussieht (z. B. ein iPhone 15 Pro mit iOS 17.4). Betrüger bilden die Header und Merkmale echter Geräte akribisch nach, um Technologien für Geräte-Fingerprinting zu täuschen
• Verhaltensimitation: Fortgeschrittene Bots (wie bei der 3ve-Operation) simulieren Mausbewegungen, unterschiedliche Scrollgeschwindigkeiten und „Verweildauer“ auf einer Seite. Sie sind so programmiert, dass sie eine Website nicht linear durchlaufen, pausieren, um Inhalte zu „lesen“, und mit Seitenelementen interagieren, um „Engagement“-Signale zu erzeugen, die verhaltensbiometrische Sensoren täuschen
• Verschleierte Malware: In mobile Apps oder Browsererweiterungen eingebetteter Schadcode fügt ohne Wissen des Nutzers im Hintergrund Anzeigen oder Klicks ein. Dieser Traffic wird technisch von einem echten Gerät erzeugt und ist daher äußerst schwer von der legitimen Aktivität des Nutzers auf demselben Gerät zu unterscheiden

Die Mechanik der Manipulation: Typologien im Detail

Werbebetrug stützt sich auf ein vielfältiges Arsenal technischer Mechanismen. Diese Angriffswege nutzen unterschiedliche Schwachstellen im Ad-Tech-Stack aus, vom Gerät des Nutzers bis zur Auktion an der Börse. Die konkrete Funktionsweise dieser Angriffe zu verstehen, ist entscheidend, um zu erkennen, welche Teile einer Marketingstrategie am verwundbarsten sind.

Impressionsbasierte Betrugsmechanismen

Pixel Stuffing und Ad Stacking

Mit diesen Techniken wird organischer Traffic mehrfach monetarisiert oder es werden Impressionen ohne Sichtbarkeit erzeugt. Sie verraten das Grundversprechen des CPM-Modells, nämlich die „Gelegenheit, gesehen zu werden“.

Pixel Stuffing: Hier platzieren Betrüger eine Anzeige in einem 1x1-Pixel-iframe. Die Anzeige „lädt“ technisch und sendet ein Impressions-Signal an den Ad-Server, ist für das menschliche Auge aber unsichtbar. Der Werbetreibende bezahlt für eine Impression, die keinerlei Chance hatte, gesehen zu werden. Eine einzige Webseite kann Dutzende solcher 1x1-Pixel enthalten, sodass der Publisher einen einzigen Besucher dutzendfach gleichzeitig monetarisieren kann.

Ad Stacking: Dabei werden mithilfe von CSS-z-index-Manipulation mehrere Anzeigen in einem einzigen Anzeigenplatz übereinandergelegt. Nur die oberste Anzeige ist für den Nutzer sichtbar, doch der Betrüger lässt die Seite Impressionen für alle Anzeigen im Stapel melden. In manchen Varianten des Klickbetrugs wird ein einziger Klick auf die oberste Anzeige so manipuliert, dass er gleichzeitig als Klick für alle gestapelten Anzeigen zählt und so mit einer einzigen Nutzeraktion mehrere Werbetreibende betrügt.

Domain-Spoofing

Domain-Spoofing ist eine Arbitrage-Taktik, bei der ein Betrüger minderwertiges Inventar als hochwertiges Premium-Inventar ausgibt. Sie nutzt die Lücke zwischen den Daten der Gebotsanfrage und der tatsächlichen Darstellungsumgebung aus.

Mechanismus: Ein Betrüger betreibt eine wertlose Website (z. B. eine Website mit raubkopierten Inhalten, Hassrede oder zufällig generiertem Text), verändert aber die an die Anzeigenbörse gesendete Gebotsanfrage so, dass die URL als Premium-Publisher wie nytimes.com oder cnn.com erscheint.

Auswirkung: Werbetreibende bieten hohe CPMs in dem Glauben, Premium-Zielgruppen auf vertrauenswürdigen Websites zu erreichen. Tatsächlich werden ihre Anzeigen auf markenschädlichen, wertlosen Websites ausgespielt. Das verschwendet nicht nur Budget, sondern birgt erhebliche Reputationsrisiken, da die Marke scheinbar illegale Inhalte finanziert. Die Einführung von ads.txt (Authorized Digital Sellers) war eine direkte Reaktion der Branche auf diesen Angriffsweg: Publisher können damit öffentlich erklären, wer zum Verkauf ihres Inventars berechtigt ist.

Interaktionsbasierte Betrugsmechanismen

Click Injection (Mobil)

Click Injection ist eine ausgefeilte Form des Mobilbetrugs, die im Android-Ökosystem verbreitet ist und bestimmte Funktionen der Broadcast Receiver des Betriebssystems ausnutzt.

Mechanismus: Ein Nutzer installiert eine schädliche App (oft ein Hilfsprogramm wie eine Taschenlampe, ein Taschenrechner oder ein Dateimanager), die die Berechtigung anfordert, im Hintergrund zu laufen. Diese App lauscht auf „Install Broadcasts“, also Systemsignale, die anzeigen, dass auf dem Gerät eine neue App installiert wird. Lädt der Nutzer eine legitime App (z. B. Uber oder Spotify) aus dem Play Store herunter, erkennt die schädliche App den Installationsvorgang.

Attributionsdiebstahl: Kurz bevor die Installation abgeschlossen ist, sendet die schädliche App einen synthetischen Klick an den Mobile Measurement Partner (MMP). Da Attributionsmodelle oft nach dem „Last Click“-Prinzip arbeiten, sieht der Attributionsanbieter den Klick der schädlichen App unmittelbar vor der Installation. Folglich wird die organische Installation dem Betrüger zugeschrieben, der eine Vergütung pro Installation (CPI) für einen Nutzer erhält, den er gar nicht gewonnen hat.

Click Spamming / Click Flooding

Bei dieser Technik wird im Hintergrund eine riesige Menge gefälschter Klicks erzeugt, ein statistischer Angriff auf das Attributionsmodell.

Mechanismus: Eine betrügerische App sendet im Hintergrund Klickmeldungen für Tausende Anzeigen, während der Nutzer die App verwendet, obwohl keine Anzeigen angezeigt werden. Das geschieht unabhängig von der Absicht des Nutzers.

Die statistische Wette: Der Betrüger setzt auf Wahrscheinlichkeiten. Sendet er für jeden kontrollierten Nutzer Klicks für beliebte Apps (z. B. Shopping- oder Reise-Apps), besteht eine statistische Wahrscheinlichkeit, dass der Nutzer eine dieser Apps oder Websites später organisch besucht. Geschieht das, beansprucht der Betrüger die „Last Click“-Attribution, weil er den Geräteverlauf des Nutzers mit gefälschten Interaktionssignalen geflutet hat.

Klickfarmen

Während viele Betrugsformen automatisiert sind, bringen Klickfarmen das „menschliche“ Element ins Spiel, um biometrische Erkennung auszuhebeln.

Funktionsweise: Große Gruppen gering bezahlter Arbeitskräfte werden angeheuert, um manuell auf Anzeigen zu klicken, Videos anzusehen oder Apps zu installieren. Diese Farmen können physische Standorte mit Geräteregalen oder dezentrale Netzwerke von Remote-Arbeitskräften sein.

Umgehung: Da die Klicks von echten Menschen mit echten Fingern auf echten Bildschirmen stammen, bestehen sie viele „Bot-Erkennungs“-Prüfungen, die nach robotischen Mausbewegungen oder perfektem Timing suchen. Der Traffic ist dennoch betrügerisch, denn es gibt keine echte Kauf- oder Interaktionsabsicht; die einzige Absicht ist, den Klick gegen Bezahlung zu erzeugen.

Fallstudien zu industrialisierter Cyberkriminalität: Methbot und 3ve

Um das Ausmaß der Bedrohung vollständig zu begreifen, muss man die wegweisenden Operationen betrachten, die die moderne Ära des Werbebetrugs geprägt haben. Das waren keine kleinen Betrügereien, sondern massive, koordinierte Cyberoperationen, die die Abwehrlandschaft grundlegend verändert haben.

Die Methbot-Operation (2016)

Methbot markiert einen Wendepunkt in der Industrialisierung des Werbebetrugs. Von einer russischen cyberkriminellen Gruppe betrieben, erzielte die Operation in ihrer Hochphase einen Tagesumsatz zwischen 3 Mio. und 5 Mio. USD und zielte auf den lukrativen Markt für Videowerbung.

Technische Architektur: Anders als frühere Botnetze, die auf infizierte private Computer setzten (die unzuverlässig sind und unterschiedliche Betriebszeiten haben), nutzte Methbot eine eigens aufgebaute Infrastruktur aus über 2.000 dedizierten Servern in Rechenzentren (vor allem in Dallas und Amsterdam). Das verschaffte den Betreibern enorme Bandbreite und Rechenleistung.

Die Täuschung: Um zu verbergen, dass der Traffic aus Rechenzentren kam, fälschten die Betreiber IP-Registrierungen, damit ihre Rechenzentrums-IP-Blöcke so aussahen, als gehörten sie privaten Internetanbietern wie Verizon und Comcast. Sie setzten eine eigene Browser-Engine (auf Basis von Node.js) ein, um JavaScript auszuführen und Videoaufrufe und Interaktionen auf über 6.000 gefälschten Premium-Domains zu simulieren.

Auswirkung: Methbot bewies, dass Betrüger die gesamte Umgebung in industriellem Maßstab fälschen konnten: den Nutzer, das Netzwerk, den Browser und den Publisher.

Das 3ve-Botnetz (2018)

Nach der Enttarnung von Methbot entwickelten sich die Betrüger weiter. Die Operation 3ve (ausgesprochen „Eve“) zeigte den Wandel hin zu Widerstandsfähigkeit und hybriden Architekturen.

Hybridmodell: 3ve kombinierte den Rechenzentrumsansatz von Methbot mit einem riesigen Botnetz aus privaten Rechnern (über 1,7 Millionen infizierte PCs). Es nutzte Malware-Familien wie Kovter und Boaxxe, um echte Nutzergeräte zu kapern.

Raffinesse: Indem 3ve den Traffic über echte Residential-IPs leitete, überwand es die IP-Filter, die Methbot gestoppt hatten. Die Malware startete auf dem Rechner des Opfers oft eine versteckte Chromium-Browserinstanz und erzeugte Traffic, der vom tatsächlichen Surfverhalten des Nutzers nicht zu unterscheiden war.

Ausmaß: In seiner Hochphase erzeugte 3ve über 3 Milliarden Gebotsanfragen pro Tag. Zerschlagen wurde es schließlich von einer historischen Allianz aus Google, White Ops (heute HUMAN) und dem FBI, was zur Anklage mehrerer Betreiber führte. Der Fall 3ve machte deutlich, dass rein technische Abwehrmaßnahmen nicht ausreichen: Um die Infrastruktur des Betrugs zu zerschlagen, braucht es rechtliche und branchenübergreifende Zusammenarbeit.

Die Ökonomie des Werbebetrugs: Anreize und Spieltheorie

Um zu verstehen, warum Werbebetrug trotz massiver Investitionen der Branche in die Erkennung fortbesteht, muss man die zugrunde liegenden wirtschaftlichen Anreize und spieltheoretischen Dynamiken analysieren. Das Fortbestehen des Betrugs ist nicht nur ein technisches Versagen, sondern ein Marktversagen.

Das „Lemons-Problem“ und Informationsasymmetrie

Der digitale Werbemarkt leidet unter einer ausgeprägten Informationsasymmetrie, ähnlich wie in George Akerlofs berühmtem „Market for Lemons“. Werbetreibende können vor dem Kauf nicht zuverlässig zwischen legitimen (hochwertigen) und betrügerischen (minderwertigen) Impressionen unterscheiden.

Die Folge für den Markt: Diese Unsicherheit drückt den Wert des gesamten Inventars. Käufer sichern ihre Gebote gegen die Betrugswahrscheinlichkeit ab und zahlen für jede Impression weniger. Da hochwertige Publisher die Reinheit ihres Publikums jedoch nicht ohne Weiteres in Echtzeit nachweisen können, müssen sie preislich mit billigem betrügerischem Angebot konkurrieren.

Die Abwärtsspirale: Dieser Wettbewerb kann legitimes Inventar vom Markt verdrängen oder Publisher zu „Traffic Sourcing“ zwingen, also zum Einkauf billigen Traffics, um Auslieferungsziele von Kampagnen zu erfüllen, der oft selbst mit Bot-Traffic durchsetzt ist. Das Ergebnis ist ein geschwächtes Ökosystem, in dem Qualität unterbewertet und Betrug durch die Nachfrage nach billiger Reichweite belohnt wird.

Spieltheorie: Das Dilemma der Plattform

Forschungsarbeiten von Wilbur und Zhu (2009) wenden die Spieltheorie auf die Beziehung zwischen Suchmaschinen und Werbetreibenden an und zeigen eine komplexe Anreizstruktur.

Das Gleichgewicht: Wissen Werbetreibende in einer Zweitpreisauktion mit vollständiger Information, dass x % der Klicks betrügerisch sind, senken sie ihre Gebote rational um genau x %. In diesem theoretischen Gleichgewicht bleibt der Umsatz der Suchmaschine neutral: Sie wird für mehr Klicks bezahlt, aber zu einem entsprechend niedrigeren Preis pro Klick.

Der Anreiz zur Duldung: Die Forschung zeigt jedoch, dass die Plattform wirtschaftlich von einem gewissen Maß an unentdecktem Betrug profitieren kann, wenn Unsicherheit über die Betrugsrate besteht oder die Auktion weniger umkämpft ist. Daraus entsteht ein Prinzipal-Agent-Konflikt, in dem die Plattform (der Agent) keinen Anreiz hat, Betrug vollständig zu beseitigen, wenn die Kosten der Erkennung den Umsatzverlust durch gesunkenes Vertrauen der Werbetreibenden übersteigen. Die Plattform muss den kurzfristigen Umsatz aus betrügerischen Klicks gegen das langfristige Risiko abwandernder Werbetreibender abwägen.

Affiliate-Betrug und die Attributionslücke

Affiliate-Marketing basiert auf Leistung (CPA), was das Risiko für Werbetreibende theoretisch senkt. Dieses Modell schafft jedoch einen starken Anreiz für „Attributionsbetrug“.

Der Mechanismus: Da Affiliates nur für Conversions bezahlt werden, haben sie einen hohen Anreiz, Cookie Stuffing oder Click Injection einzusetzen, um sich organische Conversions gutschreiben zu lassen, die ohnehin stattgefunden hätten.

Der wirtschaftliche Verlust: Der Werbetreibende erleidet einen doppelten Verlust: Er zahlt eine Provision für einen Kunden, den er bereits hatte, und seine Daten legen fälschlicherweise nahe, dass der Affiliate-Kanal sehr wirksam ist. Das führt dazu, dass künftiges Budget in den betrügerischen Kanal fehlgeleitet wird, was die Ineffizienz weiter verstärkt.

Die Perspektive des Werbetreibenden finden Sie in unserem Ratgeber, wie Sie Klickbetrug im Affiliate-Marketing verhindern.

Technische Erkennung und forensische Analyse

Um modernen Werbebetrug zu erkennen, muss man über einfache Sperrlisten (IP-Blockierung) hinausgehen und auf probabilistische Modellierung und Verhaltensbiometrie setzen. Die Abwehr muss so ausgefeilt sein wie der Angriff.

Deterministische vs. probabilistische Erkennung

Deterministische Erkennung (signaturbasiert): Sie stützt sich auf eine Datenbank bekannter „schlechter“ Signale und ist die erste Verteidigungslinie.

• IP-Sperrlisten: Pflege von Echtzeitlisten bekannter Rechenzentren, VPN-Ausgangsknoten und Command-and-Control-Server (C2) von Botnetzen
• User-Agent-Sperrlisten: Blockierung veralteter, fehlerhafter oder als Bot bekannter User-Agent-Strings

Grenzen: Dieser Ansatz ist reaktiv. Er kann nur Betrug stoppen, der bereits identifiziert und erfasst wurde. SIVT umgeht ihn mühelos, indem IPs rotiert und User-Agents gefälscht werden.

Probabilistische Erkennung (verhaltensbasiert): Sie nutzt maschinelles Lernen, um Anomalien in Traffic-Mustern zu erkennen.

• Entropieanalyse: Echtes menschliches Verhalten ist mathematisch „unordentlich“. Menschen bewegen die Maus in Kurven, scrollen unterschiedlich schnell und bleiben unregelmäßig lange auf einer Website. Bots sind oft zu perfekt (lineare Mausbewegung) oder auf vorhersehbare, algorithmische Weise zu zufällig. Hohe Entropie deutet auf einen Menschen hin, niedrige Entropie oder sich wiederholende Muster deuten auf Automatisierung hin
• Analyse der Zeit bis zur Installation (CTIT): Bei Kampagnen für App-Installationen deutet eine unmöglich kurze CTIT (z. B. unter 10 Sekunden) auf Click Injection hin (der Klick erfolgte erst nach Beginn des Downloads). Umgekehrt deutet eine extrem lange CTIT (z. B. über 24 Stunden) mit flacher Verteilung auf Click Spamming hin. Eine legitime Verteilung folgt in der Regel einer erkennbaren Kurve (Pareto-Verteilung). (Siehe wie Betrug bei mobilen App-Anzeigen funktioniert, von Click Injection bis SDK-Spoofing.)

Maschinelles Lernen und gegnerische KI

Fortgeschrittene Erkennungssysteme nutzen überwachte und unüberwachte Lernmodelle, um Traffic zu klassifizieren. Das hat jedoch zu einem Wettrüsten geführt, das als Adversarial Machine Learning bekannt ist.

Das Wettrüsten: Betrüger nutzen inzwischen eigene ML-Modelle, um Bots darauf zu trainieren, Erkennungsklassifikatoren zu überlisten. Sie setzen „Generative Adversarial Networks“ (GANs) ein, um mögliche Betrugsmuster zu simulieren und gegen Abwehrsysteme zu testen.

Die Antwort der Abwehr: Anbieter von Erkennungslösungen müssen nun dieselben GANs nutzen, um neue Betrugsvarianten zu simulieren und ihre Detektoren darauf zu trainieren, bevor der Betrug überhaupt in freier Wildbahn auftaucht. Diese vorausschauende Abwehr ist entscheidend, um KI-generiertem SIVT einen Schritt voraus zu bleiben.

Graphbasierte Erkennung: Dabei werden die Beziehungen zwischen Geräten, IPs und Cookies abgebildet. Wird eine einzelne Geräte-ID innerhalb einer Stunde mit 500 verschiedenen IPs in Verbindung gebracht oder bewegt sich ein Cluster von Geräten immer gemeinsam durchs Web und besucht dieselben Websites in derselben Reihenfolge, markiert die Graphanalyse dies als Botnetz, selbst wenn das Einzelverhalten legitim aussieht.

Die nächste Front: Neue Bedrohungen ab 2025

Während die Branche ihre Abwehr im klassischen Web verstärkt, wandert der Betrug in neuere, weniger regulierte Umgebungen ab. Erfahrene Strategen müssen diese neuen Angriffswege im Blick haben.

Betrug bei Connected TV (CTV)

CTV ist derzeit das lukrativste Ziel für Betrüger, wegen hoher CPMs (oft 20–30 USD) und im Vergleich zum Web noch unausgereifter Messstandards.

SSAI-Spoofing: Beim Server-Side Ad Insertion (SSAI) werden Anzeigen auf dem Server in den Videostream eingefügt, um ein flüssiges, fernsehähnliches Erlebnis zu bieten. Betrüger richten Proxy-Server ein, die CTV-Geräte imitieren, Anzeigen anfordern und sie als „angesehen“ melden, ohne jemals Video auf einen Bildschirm zu bringen. Mehrere große SSAI-Spoofing-Systeme, die Sicherheitsforscher aufgedeckt haben, sind Paradebeispiele für diese Entwicklung.

Geister-Apps: Betrüger erstellen Roku- und FireTV-Apps, die vorgeben, Premium-Inhaltskanäle zu sein, in Wirklichkeit aber im Hintergrund laufen (oft getarnt als Bildschirmschoner oder Hilfsprogramme). Diese Apps erzeugen Anzeigenimpressionen, während der Fernseher im Leerlauf ist, und simulieren einen Zuschauer, der stundenlang Inhalte ansieht.

KI-generierter Betrug (MFA-Websites)

Generative KI ermöglicht es Betrügern, „Made for Advertising“-Websites (MFA) zu Grenzkosten von null zu erstellen.

Die Bedrohung: Diese Websites sind mit KI-geschriebenen Inhalten gefüllt, die nur dazu dienen, Keyword-Arbitrage zu betreiben und Anzeigen auszuspielen. Auch wenn es sich nicht immer streng um „ungültigen“ Traffic handelt (echte Menschen besuchen sie womöglich über Clickbait), entziehen sie dem Ökosystem in großem Umfang Wert. Sie liefern minderwertige Placements, die die Kampagnenleistung verschlechtern und Aufmerksamkeitsbudgets verschwenden. KI wird zudem genutzt, um „Slop“-Inhalte zu erzeugen, die gerade kohärent genug sind, um Keyword-Filter zu passieren, dem Nutzer aber keinerlei Mehrwert bieten.

Das „Vertrauensdefizit“ und Walled Gardens

Das Fortbestehen des Betrugs treibt Werbetreibende in „Walled Gardens“ (Google, Meta, Amazon), wo sie mehr Sicherheit vermuten. Berichten zufolge sind aber auch diese Plattformen nicht immun, wobei erhebliche Raten ungültigen Traffics oft durch die fehlende Prüfbarkeit durch Dritte verschleiert werden. Diese Konzentration der Ausgaben verringert die Vielfalt am Markt, zwingt unabhängige Publisher aber, strengere Standards einzuführen, um zu überleben. Der Trend geht zu einem „zweigeteilten“ Web: einer sicheren, authentifizierten Ebene aus angemeldeten Nutzern und Premium-Publishern und einem „Wilden Westen“ aus Open-Web-Inventar, das zunehmend als toxisch gilt.

Strategische Abwehr: Ein Rahmenwerk für den Schutz

Für Werbetreibende erfordert die Abwehr einen mehrschichtigen Ansatz aus technischer Umsetzung, sauberer Lieferkette und strategischer Kontrolle. Es genügt nicht, bei einem Tool einen Schalter umzulegen; man muss einen betrugsresistenten Stack aufbauen.

Eine kürzere Version, die Sie auf Ihre eigenen Kampagnen anwenden können, finden Sie in unserer Checkliste gegen Werbebetrug für Paid-Media-Teams.

Supply Path Optimization (SPO)

Werbetreibende müssen den Weg zum Publisher verkürzen und intransparente Zwischenhändler ausschalten.

• ads.txt und app-ads.txt durchsetzen: Setzen Sie strikt durch, dass DSPs nur Inventar kaufen, das in der ads.txt-Datei des Publishers autorisiert ist. Das verhindert Domain-Spoofing, weil sichergestellt ist, dass der Verkäufer berechtigt ist
• sellers.json prüfen: Prüfen Sie regelmäßig die sellers.json-Dateien Ihrer Börsenpartner, um sicherzustellen, dass Zwischenhändler ihre Beziehung zum Publisher transparent machen
• Partner bündeln: Reduzieren Sie die Zahl der Börsen und SSPs im Einkaufsweg. Weniger Partner bedeuten weniger dunkle Ecken, in denen sich Betrug verstecken kann

Defensive Kalibrierung und Ausschlüsse

• Dynamische Ausschlusslisten: Auch wenn IP-Blockierung gegen SIVT nur begrenzt wirkt, ist die Pflege dynamischer Ausschlusslisten für Placement-URLs entscheidend. Dazu gehört das Sperren bekannter MFA-Websites und Apps mit hohen Betrugsraten
• Auszuschließende Keywords: In Suchkampagnen verhindern konsequente Listen auszuschließender Keywords, dass Anzeigen bei irrelevanten Suchanfragen erscheinen, auf die Bots oft zielen, um Suchvolumen zu erzeugen. So wird das Budget davor geschützt, von nicht konvertierendem Bot-Traffic mit breiten Suchbegriffen aufgezehrt zu werden

Kennzahlenwechsel: Von Volumen zu Aufmerksamkeit

Die wirksamste Abwehr gegen Werbebetrug besteht darin, nicht mehr auf Kennzahlen zu optimieren, die Bots leicht fälschen können (Impressionen, Klicks), sondern auf Kennzahlen, die sie nur schwer imitieren können.

• Aufmerksamkeitskennzahlen: Binden Sie Anbieter ein, die tatsächliches Eye-Tracking oder aktive Aufmerksamkeit messen. Ein Bot kann ein Impressions-Signal senden, aber keine echten menschlichen Aufmerksamkeitssignale erzeugen
• Geschäftsergebnisse: Verlagern Sie Optimierungsziele weiter nach unten im Funnel. Optimieren Sie auf gültige Leads (im CRM validiert) oder tatsächliche Käufe (ROAS) statt auf CPA. Conversion-Betrug existiert zwar, ist für Betrüger aber ungleich teurer und schwieriger umzusetzen als einfacher Klickbetrug

Fazit

Werbebetrug ist kein Fehler im System der digitalen Werbung, sondern eine parasitäre Wirtschaft, die sich im Gleichschritt mit dem legitimen Markt entwickelt. Der Übergang von einfachem GIVT zu komplexem, KI-gesteuertem SIVT erfordert einen Paradigmenwechsel in der Art, wie die Branche an Verifizierung herangeht. Es reicht nicht mehr, sich auf einfache „Betrugsfilter“ der Werbenetzwerke zu verlassen. Eine mehrschichtige Abwehrstrategie verlangt ein forensisches Verständnis der technischen Betrugsmechanismen, das die spezifischen Bedrohungen des Klickbetrugs von den umfassenderen Gefahren des Impression Laundering unterscheidet, und die Bereitschaft, die wirtschaftlichen Anreize jedes Partners in der Lieferkette zu prüfen.

Auf dem Weg ins Jahr 2026 wird der Kampf von der Dynamik „KI gegen KI“ bestimmt sein, in der Adversarial Machine Learning Algorithmen zur Betrugserzeugung in Echtzeit gegen Erkennungsalgorithmen antreten lässt. Für Strategen gibt es nur einen gangbaren Weg: Wachsamkeit, Transparenz und ein konsequenter Fokus auf überprüfbare Geschäftsergebnisse statt auf Eitelkeitskennzahlen. Die Ära von „Vertrauen, aber prüfen“ ist vorbei; angesichts industrialisierten Werbebetrugs muss die neue Maxime lauten: „Prüfen, dann vertrauen.“

Weiterführende Ressourcen