Google 的无效流量指南涵盖自动点击工具、机器人、蜘蛛程序、爬虫、误点击，以及其他不反映真实用户兴趣的活动。Google 会过滤它检测到的无效活动，但广告主仍需要自己审核流量质量，关注点击后行为、潜在客户质量和反复出现的可疑模式。请参阅 Google 关于无效流量和无效点击的指南。
了解什么是点击欺诈是第一步。要降低机器人风险，您还需要知道哪些信号可靠、哪些信号噪音大，以及如何避免误判。
为什么单一信号检测会失败
当团队把一条线索当作定论时，机器人检测就会失败。
例如：
- VPN 点击可能来自注重隐私的潜在客户
- 短会话可能是机器人，也可能是着陆页糟糕或搜索字词不对
- 重复出现的 IP 可能是竞争对手，也可能是办公网络或移动运营商
- 数据中心 IP 对潜在客户开发来说很可疑，但对某些 B2B 工具来说可能很正常
- 看起来虚假的潜在客户可能是欺诈，也可能只是表单验证做得不好
好的检测要问的是：设备、网络、行为和转化质量信号是否一致？
机器人流量与不良流量
并非每次低价值点击都来自机器人。有些浪费源于定位、广告素材或着陆页不匹配。
| 流量类型 | 含义 | 最佳的第一步应对 |
|---|---|---|
| 机器人流量 | 自动化或非人类活动 | 设备、行为、网络和时间分析 |
| 点击欺诈 | 意图浪费支出或操纵报告的无效付费点击 | 有证据支撑的拦截和报告 |
| 低意图流量 | 购买意图很弱的真人 | 否定关键字、受众清理和着陆页匹配 |
| 误点击 | 无意的轻触或点击，往往来自宽泛的展示位置 | 展示位置排除和广告素材审核 |
| 虚假潜在客户 | 并不代表真实潜在客户的表单提交 | 潜在客户验证和合格转化导入 |
这种区分很重要，因为解决方法不同。机器人问题需要检测和拦截。低意图搜索问题需要整顿广告系列。虚假潜在客户问题需要清理转化质量。
核心机器人检测技术
有效的机器人检测需要多层协同。没有任何单一技术能拦下所有机器人，但组合起来就能形成多层防护。
技术 1：设备指纹识别
设备指纹识别根据数十种设备特征生成唯一标识符，能够发现那些轮换 IP 地址、但使用相同底层硬件或软件配置的机器人。
指纹识别采集的内容：
- 浏览器类型、版本和已安装的插件
- 屏幕分辨率和色深
- 时区和语言设置
- Canvas 指纹（浏览器渲染图形的方式）
- WebGL 渲染器信息
- 音频上下文指纹
- 字体枚举
- 硬件并发数（CPU 核心数）
- 设备内存
- 触控支持和能力
如何检测机器人：
正常用户的指纹一致且真实。机器人往往表现为：
- 不可能的组合（移动端用户代理配桌面端屏幕）
- 缺少应有的浏览器功能
- “不同”用户之间的指纹完全相同
- 会话中途指纹发生变化
- 无头浏览器特征（Puppeteer、Playwright）
- 自动化框架留下的痕迹
检测示例：
Fingerprint Analysis:
- User Agent: Chrome 120 on Windows 11
- Screen Resolution: 800x600 (unusual for modern desktop)
- WebGL Renderer: ANGLE (Google Inc.); indicates headless browser
- Canvas Hash: Matches 847 other "users" this week
- Result: HIGH PROBABILITY BOT
局限性：
复杂的机器人可以随机化指纹，或使用真实的浏览器实例。请把指纹识别当作其中一层，而不是全部判断依据。
技术 2：行为分析
行为分析考察访客如何与您的页面互动，识别指纹识别可能遗漏的非人类模式。
鼠标移动分析：
人类的鼠标移动具有自然的模式：
- 目标之间的路径是弯曲的（而非直线）
- 速度有变化（加速/减速）
- 有微小的修正和越过目标
- 阅读或做决定时会停顿
- 有自然的抖动和不精确
机器人通常表现为：
- 元素之间是完美的直线
- 匀速移动
- 点击精确得像数学计算
- 没有犹豫或阅读时间
- 非人类的反应速度（<100ms 的响应）
滚动行为分析：
人类的滚动模式包括：
- 滚动速度随内容密度变化
- 在感兴趣的内容处停顿
- 向回滚动重新阅读
- 触屏设备上的惯性滚动
- 到达页面末尾时自然减速
机器人的滚动往往表现为：
- 滚动速率恒定
- 没有基于内容的停顿
- 立即滚动到页面底部
- 滚动距离精确到像素
- 不同会话之间毫无差异
点击时间分析：
人类需要认知处理时间：
- 从页面加载到首次互动至少需要 250-500ms
- 延迟随页面复杂程度变化
- 重要决定耗时更长
- 重复操作时存在自然差异
机器人往往表现为：
- 页面加载后几毫秒内就点击
- 不同会话的时间模式完全相同
- 间隔精确得像数学计算
- 页面复杂程度与响应时间毫无关联
会话流程分析：
正常用户的会话流程合乎逻辑：
- 先阅读，再点击 CTA
- 为了研究访问多个页面
- 返回之前的页面
- 自然的会话时长（2-15 分钟）
- 合乎逻辑的浏览模式
机器人会话往往表现为：
- 不阅读就立即点击 CTA
- 只访问单个页面
- 没有回访
- 会话极短（<10 秒）
- 随机或不合逻辑的浏览
技术 3：IP 情报与信誉
虽然复杂的机器人会使用住宅代理，但 IP 分析仍能发现大量欺诈，并提供有价值的信号。
IP 信誉数据库：
- 已知的数据中心 IP 段
- VPN 和代理服务的出口节点
- Tor 网络出口节点
- 此前已识别的欺诈来源
- 托管服务商的 IP 段
地理位置一致性：
- IP 所在地与设备时区不一致
- 不可能的移动（几分钟内来自多个国家/地区的点击）
- IP 所在地与语言设置不一致
- 连接类型异常（移动 IP 却有桌面端行为）
网络分析：
- ASN（自治系统号）信誉
- ISP 分类（住宅、企业、托管）
- 连接速度与预期行为的对比
- 单个企业 IP 上有多名用户（正常）与单个住宅 IP 上有多名用户（可疑）
检测示例：
IP Analysis:
- IP Address: 45.33.32.156
- ASN: AS14061 (DigitalOcean)
- Type: Data Center / Hosting
- Reputation Score: 12/100 (High Risk)
- Previous fraud flags: repeated in past 30 days
- Result: high-risk source for review or blocking
技术 4：机器学习分类
现代机器人检测采用在数百万个真人和机器人会话上训练的机器学习模型。
监督学习模型：
在已知真人和机器人流量的标注数据集上训练：
- 用于特征组合的随机森林分类器
- 用于复杂模式识别的梯度提升
- 用于行为序列分析的神经网络
- 组合多个模型的集成方法
使用的特征：
- 设备指纹特征（50 多项特征）
- 行为指标（鼠标、滚动、点击模式）
- 会话特征（时长、页面数、互动）
- 网络特征（IP 信誉、连接类型）
- 时间特征（一天中的时段、一周中的日期模式）
- 历史模式（这个指纹/IP 以前出现过吗？）
实时评分：
每次点击都会得到一个欺诈概率得分：
Fraud Score: 0.87 (High Probability Bot)
Contributing Factors:
- Behavioral anomaly score: 0.92
- Device fingerprint risk: 0.78
- IP reputation: 0.45
- Session pattern match: 0.91
Decision: BLOCK
技术 5：JavaScript 验证与工作量证明
要求执行 JavaScript 并完成计算工作，可以过滤掉不渲染页面的基础机器人。
JavaScript 执行测试：
- 验证 JavaScript 确实在执行（而不只是声称在执行）
- 测试浏览器 API 是否可用
- 执行基于时间的验证
- 验证 DOM 操作能力
工作量证明验证：
对于可疑流量，要求完成计算工作：
- 哈希计算验证
- 需要真实浏览器才能完成的解谜
- 对高风险访客使用 CAPTCHA
- 人类能自动通过的隐形验证
实施注意事项：
验证必须对正常用户不可见。任何摩擦都会降低转化。最佳实施方式：
- 在后台静默运行
- 在用户互动之前完成
- 只向风险最高的访客显示 CAPTCHA
- 尽可能使用隐形验证
高级检测策略
跨会话分析
单个会话可能看起来很正常，但跨多个会话就会显现出规律：
- 同一指纹出现在多个 IP 上
- “不同”用户之间的行为模式相似
- 协调一致的时间，暗示有组织的攻击
- 跨会话出现地理上不可能的情况
- 单独看都低于阈值、却持续出现的欺诈信号
蜜罐技术
人类永远不会与之互动、但机器人会互动的隐藏元素：
- 隐形的表单字段（用 CSS 隐藏）
- 屏幕外的链接
- 名称诱人的隐藏按钮
- 虚假的转化端点
与蜜罐的任何互动都是强烈的风险信号，但在把它用于自动拦截之前，仍要检查该字段的实现方式。
流量模式分析
分析整体流量模式可以发现协调一致的攻击：
- 广告系列没有相应变化，流量却突然激增
- 来自异常地理来源的流量
- 异常的设备类型分布
- 与目标受众不符的时段模式
为 Google Ads 实施机器人检测
第 1 层：点击前防护
在已知的不良行为者点击之前就将其拦截：
- Google Ads 中的 IP 排除列表
- 针对高欺诈地区的地理位置排除
- 通过设备定位排除可疑类别
- 针对欺诈网站的展示位置排除
Google Ads 限制每个广告系列最多 500 个 IP 排除项；ClickFortify 会自动管理这一限制。
第 2 层：实时检测
在每次点击发生时进行分析：
- 快速做出检测判断，不拖慢正常用户
- 并行运行多种检测技术
- 对高置信度的重复模式自动采取行动
- 对正常用户的延迟影响降到最低
第 3 层：点击后验证
对于通过初步筛查的点击：
- 着陆页上的行为分析
- JavaScript 验证
- 监控会话中的异常
- 转化验证
第 4 层：反馈循环
利用检测结果改进防护：
- 更新 IP 排除列表
- 用新的欺诈模式重新训练机器学习模型
- 根据误判率调整检测阈值
- 向 Google 报告已确认的欺诈以申请退款
衡量检测效果
关键指标
- 检出率：已知欺诈被发现的百分比
- 误判率：被错误拦截的正常用户
- 检测用时：识别新欺诈模式的速度
- 节省的成本：免受欺诈影响的预算
- 质量得分提升：欺诈减少后，质量得分随之上升
测试您的防护
- 在不违反平台条款的前提下审查已知的可疑模式
- 比较启用防护前后的转化率
- 分析被拦截的流量中是否有误判
- 长期跟踪质量得分的变化
ClickFortify 的方法
ClickFortify 将上述所有检测技术整合为统一的防护：
多层检测：
- 使用 50 多项信号的设备指纹识别
- 实时行为分析
- 来自多个来源的 IP 信誉评分
- 机器学习分类
- 跨会话模式识别
自动响应：
- 在影响预算之前实时拦截
- 自动管理 IP 排除列表
- 集成 Google Ads API，即时更新
- 提供欺诈报告，用于申请退款
持续改进：
- 根据最新欺诈模式重新训练模型
- 随着机器人演变推出新的检测技术
- 根据您的流量模式定制规则
- 专门的欺诈研究团队监控威胁
误判控制
机器人检测应在保护广告系列的同时，不惩罚真实的潜在客户。在自动化变得激进之前，先加入控制措施。
- 为内部团队、代理商和可信的客户网络设置允许名单
- 拦截新来源之前要求多个信号同时成立
- 为中等风险会话建立审核队列
- 将被拦截的流量与 CRM 结果和销售反馈进行比较
- 当不同广告系列的风险状况不同时，分别设置广告系列级规则
- 记录添加重要规则的原因，以及应在何时复查
目标不是展示最大的拦截点击数，而是在保护预算的同时保留真实需求。
结论：纵深防御
没有任何单一的机器人检测技术是足够的。现代欺诈需要多层防御，结合以下几项：
- 设备指纹识别，识别可疑的配置
- 行为分析，发现复杂的模仿行为
- IP 情报，拦截已知的不良行为者
- 机器学习，识别新出现的模式
- 持续调整，跟上机器人的演变
机器人模式在不断变化，因此检测需要定期复查。保持技术组合的实用性：检测可疑行为，验证下游结果，并在证据变化时调整规则。
了解点击欺诈如何影响您的质量得分，就能明白为什么有效的检测至关重要：欺诈不只是浪费预算，还会对整个账户造成层层叠加的损害。
