什么是广告欺诈？类型、检测与预防

引言：数字欺骗的产业化

数字广告生态系统曾被誉为可衡量、可问责营销的巅峰，如今却深陷一场诚信危机，这场危机正威胁着互联网经济的根基。我们早已不在那个“欺诈”意味着某个独行黑客写脚本点击横幅广告的时代。如今，广告欺诈是一项产业化的全球生意，运作起来兼具高频交易公司的精密和离岸银行的不透明。它是一种寄生经济，从正当商业中吸走数十亿美元，扭曲数据、侵蚀信任，并为有组织犯罪提供资金。

对广告主和营销负责人而言，这一威胁的影响远不止眼前的媒体预算损失。广告欺诈代表着数据供应链的根本性腐化。当转化数据、点击率（CTR）和归因模型被非人类流量污染时，战略决策过程就会出现偏差。算法朝着机器人行为而非人类意图进行优化，形成一个低效的反馈循环，削弱品牌资产并扭曲市场现实。

实测的财务影响令人震惊。MediaPost 报道的行业分析发现，2025 年无效流量占付费点击的 8.51%，估计造成全球 630 亿美元的广告支出浪费，而自动化机器人已超过 全部网络流量的 53%（Imperva，2026）。这不仅仅反映了数字广告支出的增长，更标志着欺诈者所采用的对抗手段发生了根本性演变。从 2025 年走向 2026 年，格局正从简单的僵尸网络转向复杂的 AI 驱动行动，这些行动利用住宅代理、机器学习和行为模仿来躲避检测。联网电视（CTV）和移动优先环境的兴起开辟了新的可乘之机，高千次展示费用（CPM）的广告资源吸引着最复杂的无效流量（SIVT）行动。

本报告对广告欺诈格局进行了详尽分析，面向必须在这片雷区中穿行的战略规划者。我们将拆解宽泛意义上的广告欺诈与具体的点击欺诈机制之间细微的技术差异，探讨支撑行业遏制欺诈之困境的博弈论经济模型，并详细介绍在 AI 驱动的欺骗时代进行检测和缓解所需的取证方法。

界定威胁格局：广告欺诈与点击欺诈

在针对无效流量的战略防御中，一个严重的失误是把“广告欺诈”和“点击欺诈”混为一谈。尽管在行业的日常交流中二者常被混用，但它们代表的是无效流量（IVT）分类体系中截然不同的类别，各自具有独特的技术特征、变现目标以及对营销分析的影响。要进行有效的差距分析并部署合适的应对措施，就必须在语义和技术上作出准确区分。

广告欺诈：伪造广告资源的统称

广告欺诈是一个综合性分类，指任何阻止广告正确投放给目标受众、或阻止对这些广告进行正确衡量的蓄意行为。它是一个宽泛的统称，涵盖广告的整个生命周期，从竞价请求和展示渲染，到点击和点击后归因。广告欺诈的主要目的往往是将广告资源本身变现。

在程序化生态系统中，广告欺诈常常针对展示层（CPM 模式）。欺诈者创建虚假网站、伪造域名，或利用恶意软件在用户设备后台加载广告，目的是让需求方平台（DSP）误以为优质发布商网站上的正常用户看到了广告。这包括一些不一定涉及互动的机制，例如展示洗白、像素填充和视频广告欺诈，只要服务器记录下一次“渲染”事件，收入就产生了。

对战略规划者而言，广告欺诈是覆盖面和品牌安全问题。它稀释了有效千次展示费用（eCPM），并使品牌暴露在可能与其价值观背道而驰的环境中。它让漏斗顶部虚胖，使品牌认知类广告系列看起来比实际更成功，同时又拉低了常被用作品牌推广 KPI 的可见度指标。

点击欺诈：基于互动的攻击途径

点击欺诈是广告欺诈中一个具体且激进的分支，专门伪造互动。它是指在按点击付费（PPC）广告上制造虚假点击，具体意图是消耗广告主的预算（财务消耗），或抬高展示该广告的发布商的收入（创造收入）。

与一般的展示欺诈不同，点击欺诈攻击的是营销技术栈的效果层。它瞄准搜索引擎营销（SEM）、社交媒体广告以及按用户行为（CPC 或 CPA）结算的联盟网络。点击欺诈的危害尤其大，因为它会主动扭曲点击率（CTR）和每次点击费用（CPC）等效果指标。在 Google Ads 这样的搜索生态系统中，高比例的无效点击起初可能抬高点击率，甚至暂时提升质量得分；但随之而来的转化信号缺失（或者机器人立即跳出的“pogo-sticking”行为）最终会向算法传递相关性低的信号，损害广告主的长期排名。

点击欺诈比展示欺诈需要更高水平的技术互动。作案者不仅要加载广告，还必须模拟用户互动事件：鼠标点击、触摸事件或轻触。这就需要更复杂的脚本，或借助真人点击农场来绕过那些专门查找无互动展示的基础过滤机制。

对比分析：广告欺诈与点击欺诈

以下分析阐明了这两个相互重叠的概念在技术、财务和运营上的区别，并提供了一个框架，用于判断哪种攻击途径威胁着特定的广告系列目标。

无效流量（IVT）的分类：监管框架

为了规范反欺诈工作，并为供应商、发布商和广告主提供通用语言，媒体评级委员会（MRC）和美国互动广告局（IAB）制定了一套严格的分类体系。该框架根据识别所需检测手段的复杂程度对无效流量进行分类。理解这一二分法，对于评估验证供应商的能力和理解标准平台防御的局限都至关重要。

一般无效流量（GIVT）

GIVT 是指由已知非人类来源产生的流量，通常是无害的，或者通过常规过滤方法就能轻松识别。它相当于欺诈检测中“唾手可得的果实”：在开展任何认真的分析之前必须先过滤掉的噪声。

• 已知爬虫： 这一类包括搜索引擎机器人（如 Googlebot、Bingbot），以及用于索引和监控的商业爬虫。这些代理通常会通过 User-Agent 字符串声明自己的身份，因此很容易过滤
• 数据中心流量： 来自托管服务商（如 AWS、Azure、Google Cloud）而非住宅互联网服务提供商 IP 地址的流量。由于真人很少从数据中心服务器上网，这类流量会被自动标记为非人类流量。不过，正如我们将在 SIVT 一节中探讨的，复杂的欺诈者已经开发出把数据中心流量伪装成住宅流量的方法
• 异常模式： GIVT 还包括以精确的、非人类的间隔（例如恰好每 1.0 秒一次）执行点击，或表现出其他明显机器人行为、会触发基础启发式过滤器的简单脚本

复杂无效流量（SIVT）

SIVT 代表着对抗的前沿，也是资深战略规划者最关心的问题。它被定义为难以检测、需要高级分析、多点佐证和人工干预才能识别的流量。SIVT 具有蓄意欺骗性，旨在模仿人类行为以绕过标准过滤器，“冒充”正常的受众数据。

• 住宅代理： 欺诈者通过毫不知情的住宅用户的设备（通常借助恶意软件或可疑的 VPN 应用）路由机器人流量，以掩盖流量来源。这让请求看起来来自正常的住宅互联网服务提供商连接（如 Verizon Fios、Comcast Xfinity），从而绕过用来拦截 GIVT 的标准“数据中心”屏蔽名单
• 设备伪造： 这是指篡改 User-Agent 字符串和 TCP/IP 协议栈指纹，让服务器端脚本看起来像某款特定的移动设备（例如运行 iOS 17.4 的 iPhone 15 Pro）。欺诈者煞费苦心地模拟真实设备的请求头和特征，以骗过设备指纹识别技术
• 行为模仿： 高级机器人（例如 3ve 行动中出现的那些）会模拟鼠标移动、变化的滚动速度和页面“停留时间”。它们被编程为以非线性方式浏览网站，停下来“阅读”内容，并与页面元素互动，制造足以骗过行为生物特征传感器的“互动”信号
• 混淆恶意软件： 嵌入移动应用或浏览器扩展中的恶意代码，会在用户不知情的情况下在后台注入广告或点击。这类流量在技术上确实由真实设备产生，因此极难与用户在同一设备上的正常活动区分开来

操纵的机制：详细分类

广告欺诈的实施依赖于多种多样的技术手段。这些攻击途径针对广告技术栈中的不同漏洞，从用户设备一直延伸到广告交易平台的竞价。了解这些攻击的具体机制，对于判断营销策略中哪些环节最脆弱至关重要。

基于展示的欺诈机制

像素填充与广告堆叠

这些手段用于将自然流量多次变现，或在不可见的情况下制造展示。它们从根本上背弃了 CPM 模式“有机会被看到”的承诺。

像素填充： 在这种情况下，欺诈者把广告放进一个 1x1 像素的 iframe 中。广告在技术上“加载”了，并向广告服务器发送了展示信标，但人眼根本看不见。广告主为一次毫无机会被看到的展示付了费。一个网页可以包含几十个这样的 1x1 像素，让发布商能同时把一位访客变现几十次。

广告堆叠： 这是指利用 CSS z-index 操纵，在同一个广告位中把多个广告层层叠放。用户只能看到最上面的广告，但欺诈者通过脚本让页面为堆叠中的所有广告上报展示。在某些点击欺诈变体中，对顶层广告的一次点击会被设计成同时记为所有堆叠广告的点击，用一次用户操作骗取多个广告主的费用。

域名伪造

域名伪造是一种套利手段，欺诈者把低质量的广告资源冒充成高端优质广告资源。它利用的是竞价请求数据与实际渲染环境之间的脱节。

机制： 欺诈者运营一个低价值网站（例如含有盗版内容、仇恨言论或随机生成文本的网站），却篡改发送给广告交易平台的竞价请求，声称该网址是 nytimes.com 或 cnn.com 这样的优质发布商。

影响： 广告主以为自己在可信网站上触达优质受众，于是出了很高的 CPM。实际上，他们的广告却展示在对品牌不安全的低价值网站上。这不仅浪费预算，还会带来严重的声誉风险，因为品牌看起来像是在资助非法内容。ads.txt（授权数字卖家）的推出正是行业针对这一攻击途径的直接回应，它让发布商可以公开声明谁有权出售其广告资源。

基于互动的欺诈机制

点击注入（移动端）

点击注入是一种在 Android 生态系统中盛行的复杂移动端欺诈，利用的是操作系统广播接收器的特定功能。

机制： 用户安装了一个恶意应用（通常是手电筒、计算器或文件管理器之类的工具类应用），该应用会请求在后台运行的权限。这个应用会监听“安装广播”：表明设备上正在安装新应用的系统信号。当用户从 Play 商店下载正规应用（例如 Uber 或 Spotify）时，恶意应用就会检测到安装过程。

窃取归因： 就在安装即将完成之前，恶意应用向移动衡量合作伙伴（MMP）发送一次合成点击。由于归因模型通常采用“最终点击”原则，归因服务商会看到恰好在安装之前有一次来自该恶意应用的点击。于是，这次自然安装就被归因给了欺诈者，后者为一个并非由自己带来的用户领取了按安装付费（CPI）的报酬。

点击垃圾/点击泛洪

这种手段是在后台制造海量虚假点击，对归因模型发动统计学攻击。

机制： 用户在使用某个欺诈性应用时，该应用会在后台为成千上万个广告发送点击报告，尽管根本没有展示任何广告。无论用户意图如何，都会这样做。

统计学赌注： 欺诈者押注的是概率。如果他们为所控制的每位用户都针对热门应用（例如购物应用、旅行应用）发送点击，那么从统计上看，用户之后很可能会自然访问其中某个应用或网站。当这次自然访问发生时，欺诈者就会领走“最终点击”的归因功劳，因为他们已经用虚假互动信号淹没了用户设备的历史记录。

点击农场

虽然许多形式的欺诈都是自动化的，但点击农场引入了“人”的因素来击败生物特征检测。

运作方式： 雇用大批低薪工人手动点击广告、观看视频或安装应用。这些农场可以是摆满一排排设备的实体场所，也可以是由远程工人组成的分散网络。

规避检测： 由于点击是真人用真实的手指在真实的屏幕上产生的，它们能通过许多寻找机械化鼠标移动或完美时间规律的“机器人检测”。然而，这类流量仍然是欺诈性的，因为它们没有真正的购买或互动意图，唯一的意图就是为了报酬而制造点击。

产业化网络犯罪案例研究：Methbot 与 3ve

要全面理解这一威胁的规模，就必须审视那些定义了现代广告欺诈时代的标志性行动。它们不是小打小闹的骗局，而是大规模、有组织的网络行动，从根本上改变了防御格局。

Methbot 行动（2016）

Methbot 是广告欺诈产业化进程中的一个分水岭。它由一个俄罗斯网络犯罪团伙操控，以高价值的视频广告市场为目标，在鼎盛时期 每天产生 300 万至 500 万美元的收入。

技术架构： 以往的僵尸网络依赖被感染的家用电脑（这些电脑不稳定，在线时间也参差不齐），而 Methbot 使用的是一套定制的基础设施，由数据中心（主要位于达拉斯和阿姆斯特丹）里的 2,000 多台专用服务器组成。这为他们提供了庞大的带宽和计算能力。

欺骗手法： 为了掩盖流量来自数据中心这一事实，操作者伪造了 IP 注册信息，让其数据中心 IP 段看起来属于 Verizon 和 Comcast 等住宅互联网服务提供商。他们还使用定制的浏览器引擎（基于 Node.js）执行 JavaScript，在 6,000 多个伪造的优质域名上模拟视频观看和互动。

影响： Methbot 证明了欺诈者可以在产业规模上伪造整个环境（用户、网络、浏览器和发布商）。

3ve 僵尸网络（2018）

Methbot 被曝光后，欺诈者随之进化。3ve（读作“Eve”）行动展示了向高韧性和混合架构的转变。

混合模式： 3ve 将 Methbot 的数据中心路线与一个庞大的住宅僵尸网络（170 万台以上被感染的个人电脑）结合起来。它使用 Kovter 和 Boaxxe 等恶意软件家族劫持真实用户的设备。

复杂程度： 通过真实的住宅 IP 路由流量，3ve 击败了曾经拦住 Methbot 的 IP 过滤防御。恶意软件常常在受害者的电脑上运行一个隐藏的 Chromium 浏览器实例，产生与用户实际浏览毫无二致的流量。

规模： 在鼎盛时期，3ve 每天产生超过 30 亿次竞价请求。它最终被一个由 Google、White Ops（现为 HUMAN）和 FBI 组成的历史性联盟摧毁，数名操作者遭到起诉。3ve 案凸显了单纯的技术防御是不够的，要摧毁欺诈的基础设施，还需要法律手段和跨行业协作。

广告欺诈的经济学：激励与博弈论

要理解为什么在业界对检测投入巨资的情况下广告欺诈依然存在，就必须分析其背后的经济激励和博弈论动态。欺诈的持续存在不只是技术上的失败，更是市场失灵。

“柠檬问题”与信息不对称

数字广告市场存在严重的信息不对称，类似于 George Akerlof 著名的“柠檬市场”。广告主无法在购买之前完美地区分正常的（高质量）展示和欺诈性的（低质量）展示。

市场后果： 这种不确定性压低了所有广告资源的价值。买家会针对欺诈的可能性对冲出价，为每次展示支付更少的费用。然而，由于高质量发布商无法轻易实时证明其受众的纯净度，他们被迫与低成本的欺诈性供应进行价格竞争。

恶性循环： 这种竞争可能把正当的广告资源挤出市场，或迫使发布商进行“流量采买”（购买廉价流量以完成广告系列投放目标），而这些流量本身往往掺杂着机器人流量。结果就是生态系统不断退化：质量被低估，而对廉价规模的需求又助长了欺诈。

博弈论：平台的两难

Wilbur 和 Zhu（2009）的研究将博弈论应用于搜索引擎与广告主之间的关系，揭示了一个复杂的激励结构。

均衡： 在信息完全的第二价格竞价中，如果广告主知道 x% 的点击是欺诈性的，他们会理性地将出价恰好降低 x%。在这种理论均衡下，搜索引擎的收入保持不变：它获得了更多的点击收入，但每次点击的价格按比例降低了。

容忍的动机： 然而，研究表明，如果欺诈率存在不确定性，或者竞价竞争不那么激烈，平台可能会从一定程度的未被发现的欺诈中获得经济利益。这就形成了委托代理冲突：如果检测成本超过广告主信心下降带来的收入损失，平台（代理人）就缺乏彻底消除欺诈的动力。平台必须在欺诈性点击带来的短期收入与广告主流失的长期风险之间取得平衡。

联盟欺诈与归因漏洞

联盟营销按效果（CPA）结算，从理论上讲降低了广告主的风险。然而，这种模式也为“归因欺诈”带来了强烈的诱因。

机制： 由于联盟伙伴只有在产生转化时才能获得报酬，他们有很强的动机使用 Cookie 填充或点击注入，把本来就会发生的自然转化的功劳据为己有。

经济损失： 广告主遭受双重损失：他们为本来就已拥有的客户支付了佣金，而且他们的数据会错误地显示联盟渠道非常有效。这会导致未来的预算被错误地分配到这个欺诈性渠道中，进一步加剧低效。

从广告主的角度，请参阅如何防止联盟营销中的点击欺诈。

技术检测与取证分析

检测现代广告欺诈需要超越简单的屏蔽名单（IP 拦截），转向概率建模和行为生物特征。防御必须与攻击一样精密。

确定性检测与概率性检测

确定性检测（基于特征码）： 这依赖于一个已知“不良”信号的数据库，是第一道防线。

• IP 屏蔽名单： 实时维护已知数据中心、VPN 出口节点和僵尸网络命令与控制（C2）服务器的列表
• User-Agent 屏蔽名单： 拦截过时的、格式错误的或已知属于机器人的 User-Agent 字符串

局限： 这种方法是被动响应的，只能阻止已经被识别并建立指纹的欺诈。SIVT 通过轮换 IP 和伪造 User-Agent 就能轻松绕过。

概率性检测（基于行为）： 这利用机器学习来识别流量模式中的异常。

• 熵分析： 真实的人类行为在数学上是“杂乱”的。人类以曲线移动鼠标，滚动速度时快时慢，网站停留时间也不规律。机器人则往往过于完美（直线移动鼠标），或者以一种可预测的、算法式的方式过于随机。高熵意味着真人；低熵或重复模式则意味着自动化
• 点击到安装时间（CTIT）分析： 在移动应用安装广告系列中，短到不可能的 CTIT（例如不到 10 秒）意味着点击注入（点击发生在下载开始之后）。反之，长得出奇的 CTIT（例如 24 小时以上）且分布平坦，则意味着点击垃圾。正常的分布通常呈现一条可识别的曲线（帕累托分布）。（请参阅移动应用广告欺诈的运作方式：从点击注入到 SDK 伪造。）

机器学习与对抗式 AI

高级检测系统采用监督学习和无监督学习模型对流量进行分类。然而，这引发了一场被称为“对抗式机器学习”的军备竞赛。

军备竞赛： 欺诈者如今使用自己的机器学习模型来训练机器人，以击败检测分类器。他们使用“生成对抗网络”（GAN）模拟潜在的欺诈模式，并用防御系统进行测试。

防御应对： 检测供应商如今也必须使用同样的 GAN 模拟新的欺诈变种，并在这些欺诈真正出现之前就训练检测器加以应对。这种预测性防御对于领先于 AI 生成的 SIVT 至关重要。

基于图的检测： 这是指描绘设备、IP 和 Cookie 之间的关系。如果同一个设备 ID 在一小时内与 500 个不同的 IP 关联，或者一组设备总是在网络上同进同出，按相同顺序访问相同的网站，图分析就会将其标记为僵尸网络，即使单个行为看起来都很正常。

未来前沿：2025 年及以后的新兴威胁

随着行业在传统网络上加固防御，欺诈正向更新、监管更少的环境迁移。资深战略规划者必须提前关注这些新兴攻击途径。

联网电视（CTV）欺诈

CTV 目前是欺诈者最有利可图的目标，原因在于其 CPM 很高（通常为 20-30 美元），而且与网页相比缺乏成熟的衡量标准。

SSAI 伪造： 服务器端广告插入（SSAI）在服务器上把广告拼接进视频流，旨在提供流畅的类电视体验。欺诈者搭建模仿 CTV 设备的代理服务器，请求广告并将其上报为“已观看”，却从未把视频投送到任何屏幕上。安全研究人员发现的几起大型 SSAI 伪造骗局，正是这一演变的典型例子。

幽灵应用： 欺诈者创建 Roku 和 FireTV 应用，声称是优质内容频道，实际上却在后台运行（常常伪装成屏幕保护程序或工具类应用）。这些应用在电视闲置时产生广告展示，模拟观众观看了数小时的内容。

AI 生成的欺诈（MFA 网站）

生成式 AI 让欺诈者能够以零边际成本创建“为广告而生”（MFA）网站。

威胁： 这些网站充斥着 AI 撰写的内容，唯一的目的就是套利关键字和展示广告。虽然它们并不总是严格意义上的“无效”流量（真人可能会通过标题党链接访问它们），但它们代表着从生态系统中大规模攫取价值。它们提供低质量的展示位置，拉低广告系列效果，浪费用于争取受众关注的预算。AI 还被用来制造“垃圾”内容，这些内容的连贯程度刚好足以通过关键字过滤，却对用户毫无价值。

“信任赤字”与围墙花园

欺诈的持续存在促使广告主转向他们认为更安全的“围墙花园”（Google、Meta、Amazon）。然而，有报告指出，即使这些平台也无法幸免，由于缺乏第三方可审计性，相当比例的无效流量常常被掩盖。这种支出的集中化降低了市场多样性，但也迫使独立发布商采用更严格的标准以求生存。趋势正朝着“两极分化”的网络发展：一边是由已登录用户和优质发布商组成的安全、经过身份验证的层级，另一边则是越来越被视为有毒的开放网络广告资源这片“蛮荒西部”。

战略缓解：防御框架

对广告主而言，防御需要分层的方法，将技术实施、供应链清洁和战略监督结合起来。仅仅在某个工具上拨动开关是不够的，必须构建一个能抵御欺诈的技术栈。

如需可直接用于您自己广告系列的精简版本，请使用我们的面向付费媒体团队的广告欺诈预防清单。

供应路径优化（SPO）

广告主必须缩短与发布商之间的距离，消除不透明的中间商。

• 强制执行 ads.txt 和 app-ads.txt： 严格要求 DSP 只购买发布商 ads.txt 文件所授权的广告资源。这通过确保卖家合法来防止域名伪造
• 审核 sellers.json： 定期审核交易平台合作伙伴的 sellers.json 文件，确保中间商对其与发布商之间的关系保持透明
• 精简合作伙伴： 减少购买路径中的交易平台和供应方平台（SSP）数量。合作伙伴越少，欺诈可藏身的暗角就越少

防御校准与排除

• 动态排除列表： 虽然 IP 拦截对 SIVT 的作用有限，但维护针对展示位置网址的动态排除列表至关重要。这包括拦截已知的 MFA 网站和欺诈率高的应用
• 否定关键字： 在搜索广告系列中，积极使用否定关键字列表，可以防止广告在无关查询上展示，而这些查询往往是机器人为了制造搜索量而瞄准的。这能防止预算被搜索宽泛字词、不会带来转化的机器人流量耗尽

指标转变：从数量到关注度

对抗广告欺诈的终极防御，是不再针对机器人容易伪造的指标（展示、点击）进行优化，而是开始针对它们难以模仿的指标进行优化。

• 关注度指标： 引入能够衡量实际眼动追踪或主动关注度的供应商。机器人可以发送展示信标，却无法产生真正的人类关注信号
• 业务成果： 将优化目标移向漏斗下游。针对有效的潜在客户（经 CRM 验证）或实际购买（ROAS）进行优化，而不是针对 CPA。虽然转化欺诈确实存在，但对欺诈者来说，实施转化欺诈的成本和难度要比简单的点击欺诈高出几个数量级

结论

广告欺诈不是数字广告系统中的一个小故障，而是一种与正当市场同步演化的寄生经济。从简单的 GIVT 到复杂的 AI 驱动 SIVT，这一转变要求行业在验证方式上实现范式转换。仅仅依靠广告网络提供的基础“欺诈过滤器”已经不够了。分层防御策略需要以取证的视角理解欺诈的技术机制（将点击欺诈的具体威胁与展示洗白等更宽泛的危险区分开来），并愿意审视供应链中每个合作伙伴的经济动机。

在迈向 2026 年的过程中，这场战斗将由“AI 对抗 AI”的态势所定义：对抗式机器学习会让欺诈生成算法与检测算法实时交锋。对战略规划者而言，唯一可行的道路是保持警惕、坚持透明，并始终专注于可验证的业务成果，而非虚荣指标。“信任但要验证”的时代已经结束；面对产业化的广告欺诈，新的准则必须是 “先验证，再信任”。