تقلب

تایید

رد کردن

به منظور بهینه‌سازی ارتباط و افزایش تجربه کاربری شما، با کلیک بر روی دکمه تایید، شما با جمع‌آوری اطلاعات توسط کوکی‌ها موافقت می‌کنید. همچنین می‌توانید تنظیمات مختص خود را با کلیک بر روی مدیریت تنظیمات تنظیم کنید. برای اطلاعات بیشتر لطفاً به بخش سیاست حفظ حریم خصوصی ما مراجعه کنید.


سیاست استفاده از کوکی

این کوکی‌ها به ما امکان می‌دهند تا با استفاده از تجزیه و تحلیل داده‌ها، عملکرد وب‌سایت را بهبود بخشیم. این کوکی‌ها همچنین به ما اجازه می‌دهند که با شرکت‌ها همکاری کنیم تا تبلیغات مرتبط با علاقه‌های شما را به شما ارائه دهیم.



کوکی‌های تجزیه و تحلیلی و تبلیغاتی

این کوکی‌ها برای عملکرد اساسی سایت لازم هستند و نمی‌توانند در سیستم‌های ما خاموش شوند. وب‌سایت بدون این کوکی‌ها به درستی کار نمی‌کند. آنها انتخاب‌های شما را به خاطر می‌آورند تا تضمین شود که وب‌سایت به درستی اجرا شود. در نهایت، آنها همچنین در امنیت ما و اطلاعات مقرراتی کمک می‌کنند.



کوکی‌های ضروری

گری دنکز (Gary Danks)، مدیر عامل شرکت “[Machine Advertising](https://www.machineadvertising.com/)“، با یک بررسی عمیق در ارتباط با حجم گسترده‌ی مشکلات موجود در مبحث نصب اپلیکیشن، مرتبط با چگونگی رخدادن آن و چگونگی توقف آن ارائه داده است.

هرگاه که ما درباره‌ی تقلب در نصب اپلیکشن با تبلیغ‌کنندگان و واسطان صحبت می‌کنیم، معمولا مجموعه ثابتی از سوالات از ما پرسیده می‌شود. این سوالات الزاما درباره‌ی مشخصه‌های تکنیکی نیستند بلکه سوالات مربوط به اشخاص هستند، چه کسی این کلاهبرداری را مرتکب شده است، چگونه این کار را انجام داده است و در قدم اول چرا آن را انجام داده است؟

ما اینجاییم تا به این سوالات پاسخ دهیم، تا به شما کمک کنیم دریابید تقلب در نصب از کجا می‌آید.

**چه کسی این کلاهبرداری را مرتکب شده است؟**

اگر چه کلاهبرداری در نصب اپلیکیشن یک مسئله جهانی برای مارکترها است، درصد بسیار زیادی از آن از روسیه و آسیای جنوب شرقی نشات می‌گیرد.

کلاهبرداران نصب اپلیکیشن چهره‌های مختلفی به خود می‌گیرند. آنها ممکن است به عنوان تامین کنندگان متقلبی ظاهر شوند که ابزار لازم برای برای اینستال‌های فیک (Fake) را تولید می‌کنند، که ممکن است یک تکنولوژی برای اینستال‌های تقلبی باشد. اما برای روشن کردن اینکه این ابزار از چه کسی خریداری می‌شود، کلاهبرداران به دو دسته کلی تقسیم می­شوند: صاحبان رسانه­ها (Publisher) و شبکه‌های تبلیغاتی (Ad Networks)

**Publishers** 

این دسته کاملا مستعد انجام عملیات تقلب هستند و می­توانند اپلیکیشن‌ها یا سایت‌هایی ایجاد کنند که تنها هدف آنها درآمدزایی از طریق تقلب در نصب اپلیکشن است. معمولا، کیفیت این اپلیکیشن‌ها پایین است، اما در شبکه‌های تبلیغاتی حضور خواهند داشت تا بتوانند به کمپین‌های UA (User Acquisition) دسترسی پیدا کنند. تشخیص این اپلیکیشن‌ها‌ی فیک (Fake) از 4 میلیون اپلیکیشن دیگر درGoogle Play Store  یا 2 میلیون اپ موجود درApple’s App Store  سخت است.

از طرف دیگر، این کلاهبرداری می­تواند از سمت یک ناشر باشد که اینستال‌های واقعی تولید می‌کند اما پول بیشتری می‌خواهد و به همین دلیل، با نصب‌های تقلبی درآمد خود را افزایش می‌دهد. ما شاهد کلاهبرداری از سمت ناشرانی هستیم که صدها نصب با کیفیت و خوب ارائه می‌دهند. آنها می­توانند از طریق استخدام یک فرد متقلب در این حوزه، یا عمل کردن در جهتی که به ناچار کلاهبرداری را جذب می‌کند (مانند پست کردن اینونتوری خود در دیوار پیشنهادات) این کار را انجام دهند.

**Ad Networks**

شبکه‌های تبلیغاتی که در آنها تقلب در نصب اپلیکشن دیده می‌شود را می‌توان به سه دسته تقسیم کرد: اولین گروه، شبکه‌های کاملا قانونی هستند که بدون اطلاع در معرض کلاهبرداری قرار می‌گیرند. این دسته 12% از نصب‌های تقلبی را در بر می‌گیرند. دسته دوم که رایج ترین نوع شبکه‌های تبلیغاتی کلاهبردار محسوب می‌شوند، شبکه‌های تبلیغاتی سهل انگار هستند که تصمیم می‌گیرند از علائم هشداردهنده‌ی کلاهبرداری چشم‌پوشی کنند و سومین دسته، شبکه‌های تبلیغاتی کاملا متقلبی هستند که آگاهانه تقلب را ارائه می‌دهند.

در گزارشی که اخیرا تمامی نصب‌های انجام شده در دستگاه‌های پردازش شده را بین ماه‌های ژانویه و می 2018 مورد بررسی قرار داد، دیدیم که 5 شبکه از 88 شبکه‌ی بزرگ مورد استفاده‌ی مشتریان، 100% نصب‌های کلاهبرداری ارائه می‌دهند. این ا‌پ‌ها به صورت عمدی مشغول ارائه‌ی اینونتوری تقلبی هستند، مگر در حالتی که این شبکه‌ها فاقد صلاحیت باشند.

این سه نوع شبکه‌های تبلیغاتی یک نوع زنجیره را تشکیل می‌دهند. نصب‌های کلاهبرداری مرتبط با اولین و بی‌گناه‌ترین افراد، نشانه از بدترین متخلفان می‌دهند.

**چگونه تقلب ایجاد می‌شود؟**

روش‌های مختلفی برای تقلب در نصب اپلیکشن وجود دارد اما می‌توان آن را به دو دسته کلی زیر تقسیم کرد: انسان و روش‌های مصنوعی

کلاهبرداری‌های تولید شده توسط بشر می‌تواند شامل کلاهبرداری افرادی شود که در Install Farms کار می‌کنند، با کلیک کردن بر روی تبلیغات روی چندین دستگاه در یک ردیف. هم چنین، این کلاهبرداری‌ها می‌تواند شکل یک اقدام و اشتیاق غیر مجاز ظاهر شود، در جایی که اینستال‌های فیک بدون اطلاع تبلیغ‌کنندگان به یک ناشر اختصاص داده می‌شود. علاوه بر این، این کلاهبرداری می­تواند به صورت تکی ایجاد شود، همانطور که در مورد Incent Abuse وجود دارد (جایی که یک شخص خاص لوکیشن خود را با یک وی پی ان (VPN) می­پوشاند و درOffer Wall  به­روز می‌کند، اپلیکیشن‌ها را به ازای منافع مالی دانلود می‌کند، یک کشور را پاک می­کند و سپس از یک کشور به بعدی نقل مکان می‌کند.

از طرفی در روش مصنوعی، دو نوع Attribution Fraud وجود دارد (در جایی که کلاهبرداران تلاش می‌کنند با کلیک‌های فیک، برای اینستال اپلیکیشن‌ها اعتباری ایجاد کند که واقعی نیست):

*   Install Hijacking : به معنی ربودن نصب که از یک برنامه واقعی مجهز به نرم افزار مخرب استفاده می‌کند.
*   Click Stuffing: وقتی یوزر روی یک تبلیغ قابل رویت کلیک می‌کند، آن کلیک برای همه تبلیغات انباشته شده پشت سر آن به حساب می‌آید. از جایی که این روش میلیون‌ها کلیک ایجاد می‌کند که نشانه­ای از یک شبکه تبلیغاتی یا ناشر مشکوک است، به راحتی قابل شناسایی است.

هم چنین ربات‌هایی وجود دارد که  به عنوان ده‌ها موبایل مجازی روی یک کامپیوتر قرار می‌گیرند و از دستگاه‌های شبیه سازی و روش‌های SDK هک شده ( جایی که یک MMP’s SDK به صورت معکوس طراحی شده است تا حوادثی مانند نصب، گیم پلی یا حتی پرداخت‌هایی که واقعا اتفاق نیفتاده است را ایجاد کند)استفاده می‌کند.

**چگونه Ad Buy ما در نهایت به دستان کلاهبرداران می‌رسد؟**

صنعت تبلیغات دیجیتال دارای تعداد کمی شبکه‌ی تبلیغاتی واقعی با دسترسی مستقیم به اینونتوری انحصاری می‌باشد اما اکثریت بازار دیجیتال، تنها پیشنهادات تبلیغ‌کنندگان را بارها و بارها بهبود می‌بخشند. از این طریق، کلاهبرداری اجتناب ناپذیر خواهد شد.

در بخش قبلی، ما درباره‌ی سه نوع شبکه‌ی تبلیغاتی که در آنها نصب تقلبی دیده می‌شود صحبت کردیم. اگر بهبود بخشی این تبلیغات ادامه پیدا کنند، از مرحله اول یعنی شبکه‌های تبلیغاتی کاملا قانونی که اقدامات احتیاطی کافی در برابر کلاهبرداری را انجام نداده‌اند عبور می‌کند و به انتهای این طیف نزدیک می‌شود.

بازار بارها و بارها از پیشنهادات تبلیغ‌کنندگان استفاده می‌کند تا جایی که فقط برای کلاهبرداران جذاب باشد. در بعضی موارد، ما دیده‌ایم که مشتری‌ها 6 دلار (4.6 پوند) به بازار می‌پردازند، اما آن در طول این زنجیره حرکت می‌کند و از آن عبور می‌کند و به تدریج ارزش خود را از دست می‌دهد، تا زمانی که فقط با قیمت 15 سنت روی Offer Wall  ظاهر می‌شود و تنها راهی که در این شرایط می‌توان از آن برای قیمت‌گذاری استفاده کرد، کلاهبرداری است.

**چگونه کلاهبرداران کسب درآمد می‌کنند؟**

چه روش استفاده شده انسانی یا روش مصنوعی باشد، تقریبا در همه موارد کلاهبرداران نیاز دارند تا به یک شبکه تبلیغاتی متصل شوند تا بتوانند به درآمدی که در گردش است دسترسی داشته باشند و پول خود را دریافت کنند. بسته به نوع کلاهبرداری، آنها می‌توانند مستقیما به وسیله‌ی یک ناشر که در تلاش است تعداد نصب‌های خود را افزایش دهد، کسب درآمد کنند یا ممکن است یک نمونه از اپلیکیشن‌ها و سایت‌ها را اجرا کنند و مانند هر ناشر دیگری توسط شبکه‌های تبلیغاتی پول بدست بیاورند.

**چرا کلاهبرداری در نصب اپلیکیشن اتفاق می‌افتد؟**

جواب این سوال بسیار ساده است: پول. با پیش‌بینیBusiness Insider  مبنی بر اینکه امسال فقط در ایالت متحده 6.7 میلیارد دلار روی تبلیغات نصب اپلیکیشن صرف می‌شود، این می‌تواند به عنوان یک تجارت بزرگ برای کلاهبرداران تلقی ‌شود. 53 درصد از نصب اپ‌های مورد تجزیه و تحلیل قرار گرفته در H1 2018 تقلبی بودند – بنابراین تنها در آمریکا، این مقدار معادل 3.5 میلیارد دلار است – برای یک سازمان کلاهبرداری در نصب کارامد، ما در مورد سود بالقوه‌ی ده‌ها یا حتی هزاران میلیون دلار صحبت می‌کنیم.

طرف دیگر معادله در اینجا، عدم مجازات کلاهبرداران است. در مقایسه با اکثر فعالیت‌های مجرمانه دیگر، نسبت ریسک به سود برای کلاهبرداری در نصب اپلیکیشن بسیار ناچیز است. تا جایی که ما اطلاع داریم، هیچ‌کس به دلیل تقلب در نصب اپلیکیشن مورد پیگیرد قانونی قرار نگرفته است.

با چنین حجم عظیمی از سود و ترس کوچک از مجازات شدن، این امر اصلا تعجب برانگیز نیست که مجرمان،  بازاریابی اپلیکیشن‌ها را یک هدف جذاب و راحت به حساب می‌آورند. نکته مهم این است که [بدانیم چگونه آنها را متوقف کنیم](https://adtrace.io/blog/post/g-%d9%88-%d8%b1%d8%a7%d9%87-%d9%87%d8%a7%db%8c-%d9%85%d9%82%d8%a7%d8%a8%d9%84%d9%87-%d8%a8%d8%a7-%d8%a2%d9%86-%d8%af%d8%b1-%d8%aa%da%a9%d9%86%d9%88%d9%84%d9%88%da%98%db%8c-sdk-spoofing/) و این جایی است که Machine وارد می‌شود.

چگونگی و چرایی تقلب در نصب اپلیکشن و تبلیغات دیجیتال

شما به عنوان یک صاحب اپلیکیشن ممکن است این احساس را داشته باشید که راه‌های تقلب موبایلی همواره در حال به‌روزرسانی است. از نظر پلتفرم‌های اتریبیوشن، تقلب در تبلیغات موبایل را می‌توان توسط متدهای خاصی کاملاً محدود کرد. با این حال، همواره برای تقلب موبایلی و هدررفت بودجه بخش مارکتینگ اپلیکیشن‌ها، روش‌های تقلب جدیدی وجود دارد که توسط متقلبان انجام شود. می‌خواهیم یک راه قطعی برای پیشگیری از تقلب های موجود برای سیستم موبایلی بدست بیاوریم. اما به این معنی نیست که روش‌های جدید ارائه شده با روش‌های گذشته به صورت اساسی متفاوت هستند بلکه این تفاوت زمانی مهم می‌شود که بخواهید راه‌حلی قطعی برای هرکدام از روش‌های ضد تقلب پیدا کنید.

پلتفرم‌های اتریبیوشن در مورد تقلب موبایلی ممکن است راه‌های متفاوتی در پیش بگیرند. اما ما متفاوت فکر می‌کنیم. ما راه‌هایی (مانند SDK Spoofing) را به عنوان “روش اصلی” استفاده می‌کنیم. اما لازم است بدانید که تقلب موبایلی فعلا فقط با یکی از دو ساختار ایجاد شده کار می‌کند که ما با این ساختارها –[در متن تقلب موبایلی](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d9%86%d8%b5%d8%a8-%d8%a7%d9%be%d9%84%db%8c%da%a9%d8%b4%d9%86-%da%86%da%af%d9%88%d9%86%da%af%db%8c-%d9%88-%da%86%d8%b1%d8%a7%db%8c%db%8c-%d8%aa%d9%82%d9%84%d8%a8/)– آشنا هستیم و اطلاعاتی در این مورد را در این متن با شما به اشتراک می‌گذاریم.

شاید برای شما این ادعا عجیب به نظر برسد اما، مسئله تقلب در تبلیغات تلفن همراه – که یک بار تعریف شده‌است – می‌تواند بسیار مؤثرتر و قطعی‌تر حل شود. این بار به جای بحث درباره معناشناسی، عملکرد تقلب را در صنعت دیجیتال بررسی می‌کنیم و به عنوان یک پلتفرم اتریبیوشن تبیین می‌کنیم چگونه می‌توانیم مانع جعل شده و با این پدیده مقابله کنیم.

بنابراین، در این مقاله ما راه‌های تقلب موبایلی در تبلیغات آنلاین را با اصطلاحات جدید دسته بندی می‌کنیم و به یک مسئله گنگ و پیچیده پاسخ داده و آن را توضیح می‌دهیم. برای مطالعه در این مورد با ما همراه باشید.

#### فقط دو نوع تقلب موبایلی وجود دارد.

در همه انواع راه‌های تقلب موبایلی، کلاهبردار می‌تواند یک (یا هر دو) نوع “شناسه” که در اتریبیوشن به کار می‌رود را جعل کند. دو نوع شناسه‌ای که متقلبین می‌توانند جعل کنند:

1- Ad Engagements مانند: نمایش (Views)، کلیک (Clicks)

2- In-App Activities مانند: نصب (Installs)، دوره(Sessions) و رویداد (Events)

به همین ترتیب، ما بین انواع تقلب‌های موبایلی که از طریق Engagements  Adیا فعالیت درون برنامه‌ای کاربر (In-App Activity) ایجاد می‌شوند، تمایز قائلیم.

تقلب از طریق Ad Engagements به اسم Spoofed Attribution و تقلب از طریق In-App Activities به اسم Spoofed Users نیز شناخته می‌شود.

#### چرا تمایز در این حالات را بررسی می‌کنیم؟

ما هرگاه نوع جدیدی از تقلب در موبایل را کشف می‌کنیم، تحقیق و بررسی را در زمینه شناخت نوع شناسه خاصی که برای ایجاد اختلال در اپلیکیشن و بروز جعل استفاده می‌شود را نیز آغاز می‌کنیم.

به عنوان مثال، از زیرمجوعه‌های Spoofed Attribution می‌توان “Click Spamming” را نام برد و با گذشت زمان، روش‌های پیشرفته‌تری مانند “Injection Click” شروع به پیدایش نمود که پلتفرم‌های اتریبیوشن را برای روش‌های پیشگیری از تقلب ملزم به، به‌روز نمودن خود کرد. گرچه در هر دو روش در اتریبیوشن اختلال ایجاد می‌نمایند اما نحوه کارکرد آنها متفاوت است.

با در نظر گرفتن اینکه در هر دو روش تقلب‌کننده اقدام به تقلب در اتریبیوشن می‌کند تصمیم گرفتیم که هر دو روش را Spoofed Attribution بنامیم.

#### انواع تقلب

با ترکیب ترافیک واقعی و اتریبیوشن‌های جعلی ماتریکس زیر بدست می‌آید:

نوع اول این ماتریکس حالتی است که از ترافیک اصلی تبلیغات نشات می‌گیرد. یعنی جایی که کاربران واقعی با مشاهده تبلیغات با اپلیکیشن آشنا می‌شود و تبلیغات مورد نظر توانسته نظر کاربر را جذب کند در نتیجه کاربر اقدام به نصب اپلیکیشن می‌کند.

حالت دوم این ماتریکس، زمانی‌ ایجاد می‌شود که تبلیغاتی برای کاربران واقعی نمایش داده می‌شود و این کار با هدف جعل شناسه کاربری انجام می‌شود، که یا به طور مستقیم از استورهای موبایلی برنامه را نصب نموده یا توسط یک تبلیغ به نصب اپلیکیشن منجر شده‌است. این نوع تقلب همچنین به “Spoofed Attribution” معروف است.

در حالت III وIV ماتریکس تعریفی از User Spoofed را ارائه می‌دهیم: این نوع تقلب موبایل بر اساس شبیه‌سازی یک رفتار واقعی از کاربر واقعی در درون برنامه‌ متمرکز است که در واقع در این نوع تقلب‌های موبایلی، نصب‌ها و رویدادها برای کاربرانی که وجود ندارند، شمرده می‌شود. با این حال متقلبان می‌توانند با دست درازی به بودجه‌های تبلیغاتی، نرخ کانورشن (Conversions Rate) را تغییر دهند. «بالا و پایین شدن آمار»،  «استفاده از رباتها» و هر چیزی که مربوط به «کاربران جعلی» باشد، همه با این نوع تقلب موبایلی مرتبطند.

در حال حاضر، متقلبان می‌توانند به راحتی اینگیجمنت تبلیغاتی جعلی (Fake Ad Engagements) را برای کاربر مورد نظر خود ایجاد کنند و شما در این زمان داده‎‌هایی مشاهده می‌کنید که همراه با داده‌های جعلی ترکیب شده است. برای سادگی در تحلیل، حالت III و IV را با هم جمع و به صورت جامع بررسی می‌کنیم. هنگام بحث در مورد تقلب موبایلی، مفید است که به “ویژگی” (مانند ویژگی Spoofed Attribution) “نوع مدل”، “روش‌های انجام” (مانند کلیک اسپم) و “چگونگی انجام آن” دقت نمایید.

#### روش‌های تقلب

این “روش‌ها” در عمل چگونه هستند؟ با تقسیم‌بندی آنها می‌توانیم درک کنیم که تفاوت هر روش چیست. روش‌های Spoofed Attribution شامل Click Spam و Click Injection است. با استفاده از User Spoofed که فعالیت کاربر در آن جعلی است، ما Simulators، Device Farms و SDK Spoofing را مشاهده می‌کنیم. هنگام اعمال ماتریکس فوق، الگوریتم روش ضد تقلب موبایلی به شرح زیر است:

هم اکنون جزئیات هرکدام را بیشتر بررسی می‌نماییم.

#### تفسیر تقلب‎‌های موبایلی

همانطورکه قبلاً نیز اشاره کردیم، Ad Engagement جعلی از طریق Spamming Click یا مشتقاتش مانند Click Stacking ، “View as Clicks” یا “Preloading” همراه است. در این روش‌ها شرکت متقلب تعداد زیادی کلیک را به سمت پلتفرم اتریبیوشن ارسال می‌کند با این امید که به صورت تصادفی تعدادی از این کلیک ها که با شناسه کاربری یکتای واقعی ارسال شده‌اند اپلیکیشن را در همان دوره زمانی نصب کنند تا شاید پلتفرم اتریبیوشن قادر به شناسایی منبع صحیح کلیک که منجر به نصب شده‌است نباشد.

راه‌های تقلب موبایلی پیشرفته (مانند Click Injection) در هنگام دانلود یک اپلیکیشن، کلیک‌های جعلی ایجاد می‌کنند و سعی می‌کند پلتفرم اتریبیوشن را به اشتباه اندازد تا کلیک جعلی را بعنوان کلیک نهایی منجر به نصب در نظر بگیرد.

#### کاربران جعلی

اولین موارد User Spoofed  که ما شناسایی کردیم مربوط به شبیه سازهای سرویس ذخیره‌های ابری هستند که با اجرای برنامه اندروید سعی کردند وانمود کنند که کاربر واقعی هستند. همچنین در iOS، ما به طور خاص Device Farm (شامل تعداد زیادی از دستگاه‌های موبایل مختلف) های مربوط به سیستم عامل iOS، را در کشورهای جنوب شرقی آسیا شناسایی کردیم که در آن دستگاه‌های واقعی و کاربر‌های واقعی ترافیک جعلی ایجاد می‌کردند.

اخیراً، ما به روش بسیار عجیب‌تر SDK Spoofing برخورد نموده‌ایم. این روش هزینه ایجاد فعالیت‌های جعلی در جهت فریب پلتفرم اتریبیوشن را بسیار پایین آورده است چرا که متقلب تنها سعی در فریب پلتفرم اتریبیوشن از راه ایجاد درخواست‌های جعلی با شکستن کد رمزنگاری پلتفرم دارد. در حالیکه در مابقی روش‌ها متقلب سعی می‌کند به صورت واقعی اپلیکیشن هدف را نصب یا استفاده کند. همانطور که اشاره شد شبیه سازها، کارگران ارزان قیمت و ربات‌ها می‌توانند برای ایجاد فعالیت‌های جعلی در اپلیکیشن به کار گرفته شوند.

#### چرا تقلب را تعریف می‌کنیم؟

اما به چه هدفی ما این مقاله را به تعریف تقلب در تبلیغات موبایلی اختصاص دادیم؟

اساساً، همانطور که در تلاشیم تا روش‌های تفکیک شده‌ای برای تقلب‌های مختلف استفاده کنیم، الگوهای خاصی را نیز شناسایی کردیم. هرچه بیشتر به این رخداد فکر کنیم و تعریف کنیم، ساده‌تر می‌توان در آینده از جعل و تقلب موبایل پیشگیری کرد، در حالی‌که آمادگی بیشتری برای آموزش همه در مورد آنچه در واقع تقلب موبایلی است، لازم است.

ما فهمیدیم که سؤالاتی از قبیل “روش این نوع تقلب موبایل چیست؟” و “چگونه متقلبان فعالیت کاربر جعلی را به سیستم ما وارد کردند؟”، “چگونه Spamming  Clickکار می‌کند؟” بسیار مفهومی و پیچیده است و به ما این فرصت را می‌دهد مصم‌تر برای پاسخ به این سوالات تلاش کنیم.

تقلب دائما در حال تغییر است. با این حال، ما محدودیت‌های موجود را می‌شناسیم و با بررسی دائم و طرح سؤال در جهت مقابله با ورود تقلب به بازار، تلاش می‌کنیم، با درک این نکته که تقلب موبایلی ممکن است فقط در یک سیستم خاص گسترش یابد، می‌توانیم راه حل‌های موثرتری ایجاد کنیم.  
در [مقاله بعد](https://adtrace.io/blog/post/نظریه-تقلب%E2%80%8Cهای-موبایلی:-قسمت-۲) به بررسی این راه‌حل‌ها می‌پردازیم.

برداشتی از متن [نظریه تقلب موبایلی](https://www.adjust.com/blog/mobile-fraud-theory-part-1/) بلاگ ادجاست

نظریه تقلب‌های موبایلی: قسمت 1

تیم ادتریس در قسمت آخر مجموعه مقالات تقلب از دیدگاه جهانی به ارائه آمار و راهکارهایی برای جلوگیری از تقلب در تبلیغات دیجیتال با بهره گیری از ترجمه مقاله اصلی پرداخته است.

**راه‌کارهایی برای مقابله با کلاه‌برداری تبلیغات**

در صنعت تبلیغات شرکت‌های کشف تقلب در تبلیغات وجود دارند که می‌توانند خدمات مختلفی را برای کمک به کاهش کلاه‌برداری تبلیغات ارائه دهند. به‌طور خلاصه، کمک می‌کنند تا روابط بین تبلیغ‌کنندگان و ناشران بهتر پیش برود.

علاوه بر همکاری با شرکت‌های کشف تقلب، طیف وسیعی از اقدامات برای کاهش تقلب‌ها می‌تواند انجام پذیرد. مجموعه‌ای از راه‌حل‌های بلقوه‌ی پیشنهادی توسط کارشناسان برای کاهش هزینه‌ی بالای تقلب توسط فوربس منتشر شده است.

کار با DCPهایی که تضمین می‌کنند تا خدمات بدون تقلب ارائه دهند می‌تواند یک راه‌حل خوب برای جلوگیری از این مسئله باشد که هزینه‌ی تقلب‌های کشف شده توسط مشتریان پرداخت نمی‌شود. با توجه به پیچیدگی‌های زنجیره‌ی تامین و شیوع کلاه‌برداری تبلیغات اپلیکیشن‌ها، تلاش برای به حداقل رساندن تعداد شرکت‌هایی که با آن‌ها کار می‌کنید نیز می‌تواند به کاهش ریسک کمک کند.

یکی دیگر از راه‌حل‌های پیشنهادی این مهم است که در زمینه‌ی تبلیغات دیجیتال معیار خود را تغییر داده و از کلیک به عملکرد روی آورند.

زمانی که صحبت از SDK spoofing به‌میان می‌آید، مایکل پکسمن مشاور mar tech اذعان می‌دارد: چیزی به نام SDK ضد جعل( spoof-proof SDK) وجود ندارد با این‌حال راه‌حل‌هایی برای کاهش خطر ناشی از این نوع تقلب وجود دارد مثل: SDK signature که می‌توانند فرآیند تقلب را به‌قدری پرهزینه و دشوار سازند که احتمالا می‌تواند انگیزه‌ی فرد متقلب را از بین ببرد.

همچنین با استناد به آزمایش تقلب تبلیغاتی برنامه‌ای که توسط guardian US در سال 2018 اجرا شد و نتایج نشان داد که 72 % از SSP[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c-%d9%82%d8%b3%d9%85%d8%aa-%d8%b3%d9%88/#_ftn1) (supply-side platform)های هزینه‌ی ویدئویی صرف ads.txt های غیر مجاز می‌شود توصیه می‌کند منبع ترافیک را آزمایش کنید.

ارتباط مستقیم بین ناشران و تبلیغ‌کننده که ترجیحا بین افراد واقعی و قابل شناسایی اتفاق بیافتد می‌تواند به کاهش ریسک تقلب کمک کند.

**تبلیغات درون‌برنامه‌ای و نرخ تقلب**

اسکات سیلورمن معاون سابق و مدیر کل marketplace در inmobi توصیه می‌کند تبلیغات درون‌برنامه‌ای ازنظر کلاه‌برداری تبلیغات موبایلی ایمن‌تر از اجرای تبلیغات وب است.

براساس گزارش‌ها در نیمه‌ی دوم سال 2018:

**«تبلیغات درون‌برنامه ای 25% کمتر از تبلیغات وب موبایلی دچار تقلب شده‌اند.»**

همچنین کلاه‌برداری‌هایی که برپایه‌ی ربات‌ها و ویروس‌هایی که برای شبیه‌سازی کاربرها طراحی شده‌‌اند نیز 74% کمتر بوده‌است.

با این‌حال تبلیغات درون‌برنامه‌ای ضامنی برای عدم اجرای تقلب نیست. گزارشی در buzzed feed نشان داد که پس از شکایت‌های مکرر مبتنی بر این مورد که یک برنامه‌ی محبوب (نام برنامه محفوظ است) باتری موبایل را خالی می‌کند و از حجم بالایی از اینترنت استفاده می‌کند مشخص شد کلاه‌برداران، تبلیغات ویدئویی را پشت تبلیغات بنری قانونی اجرا کرده و درحالی که این‌تبلیغات قابل مشاهده برای کاربر نبوده‌اند برای تبلیغاتimpression  ثبت می‌کردند. چندین برنامه، ازجمله بسیاری از آن‌ها که از پلتفرم mopub استفاده می‌کنند تحت تاثیر این‌طرح قرار گرفته‌‌اند. یک شرکت اسرائیلی با دفاتری در نیویرک بنام Aiview در این‌طرح دخیل بود که هرگونه دخالتی را رد کرده و ادعا کرد یکی از شرکت‌های تابعه‌ی آن تقلب کرده‌است.

این‌ پدیده در گذشته نیز گزارش شده‌است. یکی از نمونه‌های برجسته‌ی آن در مارس سال 2018 اتفاق افتاد. که از تبلیغات مک‌دونالد برای پوشش استفاده کردند. به موجب این طرح کلاه‌برداران فضای بنری را خریداری کردند و خود را به‌عنوان یک شرکت تبلیغاتی نشان دادند و سپس تبلیغات ویدوئویی را بسیار گران‌تر از مبلغی که فضای بنری را خریداری کرده بودند مجدد به فروش رساندند و این‌گونه کار را پیش‌بردند که درظاهر تبلیغات بنری مک‌دونالد دیده می‌شد ولی در پشت آن تبلیغات ویدئویی پخش و به ‌عنوان ارائه و بازدید ثبت می‌شد. یکی از منابعی که با video Ad News صحبت می‌کرد، متهم به کلاه‌برداری شد. چندین شرکت دیگر به عنوان بخشی از این زنجیره معرفی شدند که به آگهی ها اجازه می‌داند در حجم عظیم قریب به 5 میلیون بار ارائه شوند.

**استفاده از هوش مصنوعی و بلاک‌چین در برابر کلاه‌برداری تبلیغاتی**

درحالی که بهبود فناوری ممکن است راه‌های تقلب در تبلیغات را افزایش دهد همچنین می‌تواند راه‌حل‌های پیشرفته‌تری را برای جلوگیری از این مسئله نیز در اختیار افراد بگذارد. Traffic guard که از داده‌های juniper research استفاده می‌کند می‌گوید machine learning می‌تواند برای جلوگیری از تقلب موثر باشد. و پیش‌بینی می‌شود استفاده ازmachine learning بتواند میزان کلاه‌برداری تبلیغاتی سال جاری را حدود 10 میلیارد کاهش دهد. در APAC این رقم به 3.5 میلیارد دلار خواهد رسید.

شرکت‌های بزرگی مثل فیس‌بوک و گوگل درحال حاضر از Machine learning برای جلوگیری از تقلب استفاده می‌کنند و شرکت‌هایی که خود توان استفاده از هوش مصنوعی را ندارند از شرکت‌های شخص ثالث مثل شرکت‌های کشف تقلب کمک می‌گیرند. تا پایان سال 2022 هزینه‌های تبلیغاتی جهانی با استفاده از machine learning به 370 میلیارد دلار خواهد رسید و تا سال 2023 این رقم به 1.3 تریلیون دلار می‌رسد.

هوش مصنوعی می‌تواند رفتار مشکوک را شناسایی کند؛ ip ها را فیلتر کرده و به طور کلی بر ترافیک نظارت کند. رواج فزاینده‌ی استفاده از این روش ضد تقلب هم‌زمان با رواج گسترده‌ی استفاده از تبلیغات دیجیتال همراه خواهد بود.

بلاک‌چین نیز به عنوان یک راه‌حل بالقوه برای تقلب در تبلیغات پیشنهاد می‌شود که شفافیت کامل را فراهم می‌کند. راه‌حل‌های بلاک‌چین مختلفی برای جلوگیری از تقلب وجود دارد که می‌توان از آن‌ها استفاده کرد و چندین گروه رسانه‌ای معتبر نسبت به استفاده از بلاک‌چین بسیار مشتاق هستند و علاقه نشان داده‌اند.

**برندها و تقلب در تبلیغات**

تحقیقات emarketer نشان می‌دهد که برندها در مورد کلاه‌برداری تبلیغاتی و بلاخص زمانی که صحبت از تبلیغات درون‌برنامه‌ای می‌شود بسیار محتاط عمل می‌کنند. 52% از برندها گفته‌اند که ترس از تقلب یکی از نگرانی‌های اصلی آن‌هاست. اما آژانس‌ها به‌طور قابل توجهی خوش‌بین‌تر هستند و 36% این موضوع را به‌عنوان یک نگرانی تلقی می‌کنند. درخصوص تبلیغات ویدئویی نیز 57% از برندها می‌گویند یکی از نگرانی‌های اصلی آن‌هاست ولی این‌بار آژانس‌ها با برندها همسویی نزدیک‌تری دارند و به‌طور کلی 42% از آن‌ها می‌گویند این نوع تقلب یک چالش است و به‌عنوان شماره 2 لیست چالش‌هایشان می‌شناسند.

یک مطالعه توسط integral Ad science انجام شد و توسطemarketer  پخش شد که از آژانس‌ها و متخصصان برند پرسید چه چیزی را به‌عنوان تهدید‌های قوی برای بودجه تبلیغات دیجیتال در سال 2019 می‌دانستند؟ در این کیس 69% از آژانس‌ها تاثیر تقلب را یک تهدید دانسته‌اند درحالی که فقط 53% از متخصصان برند این مورد را تهدید تلقی کرده‌اند.

واکنش برند‌ها به تهدید فزاینده‌ی تقلب متفاوت است. یک مطالعه که توسط forrester انجام شد نشان داد 69% از برندهایی که 1 میلیون دلار در ماه هزینه می‌کنند گزارش داده‌اند که حداقل 20% از بودجه‌ی آن‌ها به علت تقلب از بین می‌رود. با این‌حال 70% از این شرکت‌ها گزارش داده‌اند که درواقع قصد دارند بودجه‌ی تبلیغاتی خود را افزایش دهند هرچند این مورد به‌هیچ‌عنوان در سطح جهانی صادق نیست.

در ژانویه‌ی سال 2018 شرکت procter & gamble اعلام کرد که قصد دارد با کاهش بودجه‌ تبلیغات خود مبلغ 750 میلیون دلار را صرفه‌جویی کند و تعداد آژانس‌هایی را که با آن‌ها کار می‌کرد را تا 50 درصد کاهش داد و از عدد 2500 تا به 1250 شرکت رساند. این کاهش هزینه‌ی 400 میلیون دلاری در مرحله‌ی بعدی را به‌دنبال داشت.

یک سال قبل مارک پریچارد مدیر ارشد بازاریابی P&G به صنعت خرید و فروش رسانه هشدار داده بود که باید اقدامات خود را پاک‌سازی کرده و خواستار یک زنجیره تامین رسانه‌ی شفاف بود.

در سال 2017 شرکت JP Morgan chase تعداد سایت‌هایی را که در آن‌ها تبلیغ می‌کرد از 400.000 تا به 5000 عدد کاهش داد و تا پایان سال به 10.000 عدد افزایش داد. البته به گفته‌ی نیویورک تایمز این شرکت اعلام داشت که کاهش سایت‌های همکار هیچ تاثیر فوری بر نتایج نداشته است.

دکتر آگوستین فو کارشناس کلاه‌برداری تبلیغاتی به شرکت‌های دیگر توصیه می‌کند که راه P&G را دنبال کنند و به‌طور تدریجی بودجه‌ی خود را کاهش دهند و نتیجه‌را بر سود نهایی مشاهده کنند.

از سال 2021 برطبق گفته‌ی AppsFlyer نرخ تقلب در نصب برنامه‌ در دسته‌هایی با بیشترین میزان تقلب به شرح زیر است:

*   غذا و نوشیدنی 43%
*   امور مالی 38%
*   خرید 17%
*   سرگرمی 15%
*   بازی 2%

**«درسال 2019  شرکت اوبر اجرای کمپین‌های تبلیغاتی نصب اپلیکیشن را که برای شرکت هزینه‌ی 120 میلیون دلاری داشت متوقف کرد و آن‌ها تفاوت قابل توجهی در نرخ نصب برنامه‌های جدید مشاهده نکردند.»**

**سخن آخر**

واضح است که مقیاس تقلب در تبلیغات دیجیتال بسیار بزرگتر از چیزی است که بسیاری در دنیای تبلیغات انتظار دارند. آیا مشکل همچنان رشد خواهد کرد و یا بهبود حاصل می‌شود؟

**«دکتر آگوستین فو در این باره معتقد است که تنها راه‌حل مسئله‌ی تقلب در تبلیغات، سقوط کل سیستم و بازچینی آن است.»**

او استدلال می‌کند که این نتیجه نه‌تنها محتمل است بلکه مطلوب نیز هست که منجر به یک رویکرد موثرتر، کم هزینه‌تر و جدید برای بازاریابی دیجیتال شود.

مطمئنا از دست دادن اعتماد در مقیاس بزرگ در صنعت تبلیغات محتمل است اما با توجه به این مهم که آگاهی از مسئله‌ی تقلب درحال افزایش است می‌توان امیدوار بود با افزایش آگاهی و کشف راه‌حل‌های جدید برای جلوگیری از تقلب بتوان صنعت تبلیغات را بهبود بخشید.

در این راستا ادتریس به‌عنوان یک پلتفرم اتریبیوشن، یکی از وظایف خود را مقابله با تقلب می‌داند و همواره سعی دارد بروزترین راه‌حل‌ها را برای مقابله با انواع تقلب‌های تبلیغات اپلیکیشن‌ها ارائه دهد. برای اطلاع از روش‌های تشخیص تقلب ادتریس با کارشناسان ما در ارتباط باشید و همچنین برای اطلاع از به‌روز‌ترین اطلاعات حوزه‌ی موبایل مارکتینگ بلاگ و صفحات اجتماعی ادتریس را دنبال کنید.

[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c-%d9%82%d8%b3%d9%85%d8%aa-%d8%b3%d9%88/#_ftnref1) یک سیستم نرم‌افزاری که به ناشران اجازه می‌دهد موجودی خود را به تبلیغ‌دهندگان ارائه دهند.

تقلب در تبلیغات از دیدگاه جهانی قسمت سوم

پیشگیری از تقلب‌های موبایلی به اندازه خود تقلب مهم است. اما در صنعت بازاریابی دیجیتال موبایلی، اپلیکیشن­‌ها برای جلوگیری و شناسایی تقلب سردرگم می‌­شوند. این تفکر، که نیازی به پلتفرم‌های واسط وجود ندارد اکثرا به ضرر اپلیکیشن­‌هایی است که می‌خواهند بدون حضور پلتفرم‌های تشخیص تقلب ‌کمپین‎های تبلیغاتی خود را اجرا کنند. تقلب بزرگ زمستان 99، بیش از 60 هزار نصب تقلبی توسط ادتریس شناسایی و جلوگیری شد.

“شناخت تقلب‌های موبایلی” و “جلوگیری از تقلب” دو عنصر اساسی و مهم در اجرای کمپین‌های تبلیغاتی است. بنابراین باید هرکدام را درست تعریف کرد تا ماهیت آنها را بفهمیم. [برای خواندن قسمت اول مقاله به اینجا مراجعه نمایید.](https://adtrace.io/blog/post/%D9%86%D8%B8%D8%B1%DB%8C%D9%87-%D8%AA%D9%82%D9%84%D8%A8%E2%80%8C%D9%87%D8%A7%DB%8C-%D9%85%D9%88%D8%A8%D8%A7%DB%8C%D9%84%DB%8C:-%D9%82%D8%B3%D9%85%D8%AA-1)

در هفته‌های گذشته تقلب بزرگی بر روی نصب‌های دو اپلیکیشن صورت گرفت که سرویس پیشگیری از تقلب ادتریس با شناسایی و مسدود کردن این تقلب‌ها، مانع هدر رفتن بودجه تبلیغاتی اپلیکیشن‌های مذکور شد. بیشتر این تقلب‌ها از نوع IP Anonymous و model Distribution  بوده‌اند. طی 25 روز، بیش از 60 هزار نصب تقلبی بر روی این دو اپلیکیشن صورت گرفت که در صورتی که این تقلب‌ها توسط ادتریس شناسایی نمی‌شد، این دو اپلیکیشن ضرر زیادی متحمل می‌شدند. در ادامه سعی می‌کنیم با توضیح کوتاهی در مورد این دو نوع تقلب و گزارشی از تقلب‌های شناسایی شده توسط ادتریس، شما را بیشتر با تقلب بزرگ زمستان 99 آشنا کنیم.

![download.png](http://159.69.209.246:1360/uploads/download_f188f1660f.png)

### آشنایی با تقلب Model Distribution

با استفاده از دو روش عموما این 60 هزار نصب تقلبی صورت گرفت. یک پلتفرم اتریبیوشن می‌تواند با استفاده از داده‌های گذشته بر روی اپلیکیشن‌ها و ترکرهای مختلف، رفتار نرمال کاربران را شناسایی کند. به این معنی که برای مثال در حالت عادی بین 100 تا 0 درصد کاربران، یک دقیقه بعد از کلیک، اپلیکیشن را باز می کنند(شمارش نصب). اما در برخی بازه‌های زمانی برای بعضی از ترکرها این رفتار تغییر می‌کند؛ برای مثال اکثر کاربران یک ترکر خاص در یک بازه زمانی خاصی بعد از کلیک اپلیکیشن را باز کرده‌اند. تشخیص این نوع تقلب کار بسیار سختی است که نیاز به تحلیل داده‌های گذشته، پیدا کردن رفتار نرمال کاربران و تشخیص رفتارهای متغیر با رفتار نرمال دارد. در زیر جزئیات بیشتر این 60 هزار نصب تقلبی صورت گرفته در تقلب بزرگ زمستان 99 شرح داده شده است.

ضمنا از دلایلی که اصلی ای که ادتریس به نسبت سایر ترکرهای ایرانی تقلب ها را شناسایی و گزارش میکند، مستقل بودن ترکر و شبکه تبلیغاتی است که در مقاله های ادتریس کامل بدان پرداخته ایم.

**تقلب‌های شناسایی شده توسط ادتریس**

![fraud-0۴-768x628.png](http://159.69.209.246:1360/uploads/fraud_04_768x628_7f89cce975.png)

_جزئیات نصب فیک در تقلب بزرگ زمستان 99 که بیش از 60 هزار نصب تقلبی صورت گرفت._

### آشنایی با تقلبIP  Anonymous

این نوع از تقلب‌های موبایلی به دو صورت امکان‌پذیراست که متقلبین هر دو نوع نصب تقلبی را در این 60 هزار نصب تقلبی انجام دادند.

**حالت اول:** در این حالت، نصب واقعی انجام می‌شود اما توسط Device farm تعداد زیادی دستگاه موبایل، اپلیکیشن را نصب کرده و آن را باز می‌کنند. بعد از اینکه نصب توسط پلتفرم شخص ثالث شمرده شد، اپلیکیشن را پاک می‌کنند و مجددا اپلیکیشن را نصب می کنند. برای مثال یک دستگاه شاید در طول روز، 500 بار یک اپلیکیشن را نصب کند.

**حالت دوم:** در این نصب اپلیکیشن شبیه‌سازی می‌شود. فرد متقلب با استفاده از IPمراکز داده و یا VPNها تقلب خود را انجام می‌دهد. روش فهمیدن این تقلب نیز به دست آوردن IPمراکز داده و VPNها است. یکی از پیچیدگی‌های تشخیص این نوع از تقلب در ایران استفاده کاربران موبایلی از VPN در ایران است که تشخیص تقلب از نصب واقعی را برای پلتفرم های اتریبیوشن سخت و پیچیده می‌کند.

![fraud-0۷-768x663.png](http://159.69.209.246:1360/uploads/fraud_07_768x663_91f4c26b06.png)

_مطابق نمودار، اکثر نصب فیک در تقلب بزرگ زمستان، در ساعات اولیه این 60 هزار نصب تقلبی صورت گرفته است._

### تشخیص تقلب توسط راه حل مستقل از پلتفرم‌های اتریبیوشن

برای مثال تصور کنید که فردی قصد کلاهبرداری از حساب بانکی شما را دارد. اگر بانک به جای برخورد قاطع و مسدود کردن حساب شما تنها پیام هشدار برای شما ارسال کند، فقط به کلاهبردار اجازه­‌ی سوءاستفاده و کلاهبرداری از حساب شما را داده است.

تبلیغ‌کنندگانی که از ابزارهای ساده‌­ی کشف تقلب استفاده می‌کنند هم مشابه مثال بالا عمل می­‌کنند. دادن هشدار و اخطار پس از رخ دادن یک اتفاق تنها باعث می‌شود آن اکوسیستم در برابر خطرات احتمالی آسیب‌پذیرتر بشود و زمینه‌ساز شروع کلاهبرداری است. در حالت ایده آل میزان  تقلب در این صنعت باید صفر باشد ولی واقعیت موجود با حالت ایده آل تفاوت زیادی دارد. اکثر تبلیغ­‌کنندگان قبل از تبلیغ، سعی در ایجاد ترافیک جعلی و تقلب می‌کنند و گزارش‌های ارائه شده از سمت اینگونه ناشران، به هیچ وجه قابل استناد نیست.. تنها اقدامی‌ که می‌توان برای جلوگیری از پرداخت هزینه به اینگونه ناشران انجام داد، ایجاد فیلترهای مناسبی هست که با رد و بدل کردن اطلاعات به صورت خودکار بین شبکه‌ها و تبلیغ کنندگان، داده‌ها را در لحظه داشته باشند.

### بررسی دقیق‌تر IP ها و مقایسه رنج IP نصب‌های تقلبی و نصب عادی

با توجه به اینکه درصد زیادی از نصب های صورت گرفته بر روی این دو اپلیکیشن، تقلب تشخیص داده شد، بررسی‌های بیشتری بر روی جزئیات نصب‌های تقلبی انجام شد که این داده‌ها نیز تقلبی بودن این نصب‌ها را تایید می‌کردند. یکی از موارد بررسی شده، “تعداد نصب از هر IP یکتا” بود. در شرایطی که به طور معمول از هر IP در بازه‌های زمانی مشخصی معموال 1 یا 5 نصب شمرده شده بود و در بازه‌های طولانی بر روی تعداد زیادی نصب حداکثر از هر IP ،5 نصب شمرده شده بود، در نصب‌هایی که سرویس پیشگیری از تقلب ادتریس به عنوان تقلب تشخیص داده بود، از هر IP به طور متوسط بین 11 تا 16 5 نصب شمرده شده بود که تفاوت فاحشی با داده سایر نصب ها داشت.

### رفتار غیرمعمولی کاربران

در نصب‌های تقلبی شناسایی شده در تقلب بزرگ زمستان 99 یکی دیگر از مواردی که بررسی شد، فاصله زمانی بین کلیک تا نصب برای کاربران مختلف و مقایسه رفتار کاربران در نصب‌های تقلبی با نصب‌های معمولی بود. در نموداری که در پایین می‌بینیم این تفاوت به وضوح مشخص است. در این نمودار می‌بینیم که در نصب‌های تقلبی کاربران بلافاصله پس از نصب اپلیکیشن را باز کرده‌اند در حالی که رفتار نرمال کاربران به گونه دیگری است. این نمودار همچنین می تواند احتمال اینکه این نصب‌های تقلبی از یک Farm Device باشد را بیشتر کند. به این صورت که فردی بعد از کلیک روی تبلیغ و دانلود اپلیکیشن با هردستگاه، سریع اپلیکیشن را باز می‌کند و سپس به سراغ دستگاه بعد می‌رود.

### بررسی‌های بیشتر بر روی رفتار کاربران

با بررسی‌های بیشتر، مشخص شد رفتار کاربران در نصب‌های تقلبی، بر روی پارامترهای دیگری نیز با رفتار نرمال کاربران تفاوت دارد. برای مثال نرخ ماندگاری کاربران در یکی از اپلیکیشن‌ها برای نصب های تقلبی تا 3 درصد نسبت به نصب‌های عادی کاهش پیدا کرد. یا با بررسی مدل دستگاه ها مشخص شد، دستگاه‌های استفاده شده در نصب‌های تقلبی تفاوت ملموسی با نصب‌های عادی دارند. هم چنین دستگاه های استفاده شده در نصب‌های تقلبی که عموما دستگاه های قدیمی و ارزان قیمت بازار بودند، این فرضیه که احتماال این نصب ها توسط یک Farm Device صورت گرفته باشد را تقویت می‌کرد.

### چه چیزی باعث ایجاد فیلتر مناسب برای تقلب می‌شود؟

بدون جدا کردن داده‌های جعلی، تبلیغ­‌کنندگانی که از تقلب استفاده نمی­‌کنند و ترافیک پاک دارند مزیت داشتن این ترافیک را از دست می‌­دهند. در نتیجه حتی آن­ها هم به ایجاد ترافیک ساختگی و تقلب متمایل می­شوند و نتیجه­‌ی آن افزایش داده‌های تقلبی و وجود داده‌های جعلی در گزارش داده‌های مشتری و کاهش اعتبار گزارش‌­ها می‌شود. به این ترتیب، فیلتر کردن داده‌ها برای جداسازی داده‌های درست از تقلبی، و شکستن این سیکل معیوب مهم‌ترین نتیجه سیستم پیشگیری از تقلب است.

در عین حال، همه فیلترها یک اثر یکسان ندارند. توجه داشته باشید چهار اصلی که پایه و اساس سیستم فیلتر پلتفرم ما را نشان می‌دهد به شرح زیر است:

*   پایین بودن نرخ مثبت
*   پایین بودن نرخ منفی
*   روند منطقی صعود و نزول نمودار
*   شفافیت

ما یکی از فیلتر تقلب را به این صورت تعریف می‌کنیم: مجموعه ای از شرایط منطقی که روند مثبت یا منفی کاذب تولید نمی‌کند یا (حداقل) میزان بسیار کمی ‌از آنها را تولید می‌کنند. از لحاظ منطقی این فیلترها باید واضح و شفاف باشند، به این معنی که  در پاسخ به سؤال “چرا این خصیصه رد شد؟” جوابی واضح، قابل درک و قابل اعتماد داشته باشد. یک فیلتر خوب باید بر اساس واقعیت‌های منطقی باشد و به مکانیزم‌هایی متکی باشد که هیچ متقلبی قادر به کنترل آن نباشد و توانایی دور زدن آن را نداشته باشد. و بدون چنین فیلترهای کارآمدی شناسایی 60 هزار نصب تقلبی و امثالهم امکان پذیر نیست. چه بسا هزینه هایی که هم اکنون تنها بخاطر مبلغ ناچیزی که بابت ترکر و رصد تبلیغات خود حاضر نیستند پرداخت کنند، به صورت نامحسوس بر کسب و کار های زیادی تحمیل می شود.

#### ادتریس در کنار اپلیکیشن‌ها

با پیشرفت تکنولوژی، افرادی که قصد تقلب دارند همواره مسیر جدیدی برای تقلب در نصب پیدا می‌کنند؛ اما ادتریس با توسعه الگوریتم‌های پیشرفته شناسایی و پیشگیری از تقلب، همه این مسیرها را مسدود کرده و به شما این اطمینان را می‌دهد تا بدون نگرانی از هدر رفت بودجه تبلیغاتی، وقت و انرژی خود را صرف بهبود اپلیکیشن و پیشرفت مستمر کنید. تقلب بزرگ زمستان 99 تنها یکی از این موارد بود که شناسایی و تشخیص دقیق به وسیله ترکر ادتریس، هزینه های زیادی را برای متقلبینی که این 60 هزار نصب تقلبی ایجاد کردند، موجب شد.

تقلب بزرگ زمستان 99: بیش از 60 هزار نصب تقلبی

یکی از مواردی که همواره بهینه سازی اپلیکیشن و اپ مارکتینگ شما را تحت تاثیر قرار می گذارد، دست بردن در تعداد نصب و ایجاد تقلب موبایلی در نصب اپلیکیشن هاست. در مقاله های قبلی پیرامون [**مفهوم تقلب موبایلی**](https://adtrace.io/blog/post/نظریه-تقلب%E2%80%8Cهای-موبایلی:-قسمت-۲) صحبت کرده ایم و در این مقاله توضیحات دو مقاله قبلی ادتریس را پیرامون تقلب در تبلیغات موبایلی تکمیل می کنیم.

### یادگیری ماشین در جلوگیری از تقلب در تبلیغات موبایلی 

در این که یادگیری ماشین تأثیر بسیار بزرگی روی شناسایی تقلب‌های موبایلی خواهد گذاشت شکی نیست، در واقع در حال حاضر هم شاهد قدم‌­های بزرگی برای استفاده­‌ی از آن هستیم. اما راه طولانی برای حذف کردن خطا از آن داریم و نقاط ضعف بسیاری هست که می‌توانند این تکنولوژی را به بن‌بست برسانند.

ما هنوز در قدم‌های ابتدایی استفاده از این تکنولوژی هستیم و باید در نظر بگیریم که اگر استفاده‌­ی از این تکنولوژی در شناسایی تقلب‌ موبایلی شکست بخورد شاهد اتفاقات بدی در حوزه‏‌ی انتساب و جلوگیری از تقلب‌های موبایلی خواهیم بود.

در بخش سوم نظریه‌ی تقلب‌های موبایلی ما به این موضوع می‌پردازیم که چرا یادگیری ماشین هنوز آماده­‌ی ورود به بازار نیست و ما برای استفاده­‌ی از آن در وضعیت کنونی باید چکار کنیم تا هم از قدرت آن استفاده کنیم و هم باعث نشویم با عملکرد بد در مراحل ابتدایی ورود به بازار، از بازار حذف شود. اگر قسمت اول این مقاله را نخوانده‌اید [روی این لینک](https://adtrace.io/fa/%d9%86%d8%b8%d8%b1%db%8c%d9%87-%d8%b1%d8%a7%d9%87%e2%80%8c%d9%87%d8%a7%db%8c-%d8%aa%d9%82%d9%84%d8%a8-%d9%85%d9%88%d8%a8%d8%a7%db%8c%d9%84%db%8c-%d9%82%d8%b3%d9%85%d8%aa-1/) بزنید تا اطلاعات جامع تری راجع به تقلب موبایلی دریابید.

### تئوری را از پیاده‌سازی آن جدا بدانید

یادگیری ماشین یک مشکل بنیادین در تئوری خود  و حل تقلب در تبلیغات موبایلی دارد. بیایید آن را با یک مثال توضیح دهیم:

فرض کنید که شما می‌خواهید از آب یک رود بخورید اما آب رود به ‌وسیله‌ی منابع مختلف به شدت آلوده شده است. مشکل اصلی هم اینجاست که علائمی که نشان دهنده‌ی آلودگی آب هستند قابل مشاهده نیستند. پس در قدم اول شما نیاز دارید تا بفهمید آب آلوده است یا نه و بعد از آن دنبال راهی برای از بین بردن منبع آلودگی باشید. این یعنی علاوه بر این که باید دنبال شناسایی منابع آلودگی باشید، باید دنبال راهی برای تصفیه کردن آن­ها هم بگردید.

با دشواری زیاد شما یک ماشین پیشرفته می‌سازید که می‌تواند به خودش یاد بدهد که چطور دنبال نشانه‌های آلودگی باشد و این نشانه‌ها مربوط به کدام نوع آلودگی است.

فرض می‌کنیم ماشین شما در تشخیص اینکه چه نوع آلودگی وجود دارد عالی عمل می‌کند. به خصوص با دیدن موارد جدید بهتر و بهتر می‌شود.

آیا می‌شود نتیجه گرفت که ماشین ما می‌تواند هر نوع آلودگی را تشخیص دهد؟ می‌توان به آن اعتماد کرد که بدون حذف کردن آب سالم جلوی آلودگی را خواهد گرفت؟ آیا به تنهایی میتوانید برای تقلب در تبلیغات موبایلی و منشا آن بدان اتکا کنید؟ قطعا خیر.

### مشکل یادگیری ماشین و تقلب در تبلیغات موبایلی در چیست؟

استفاده از یادگیری ماشین تلاشی است برای فیلتر کردن و از بین بردن یک‌جای همه­ ی انواع تقلب‌ موبایلی به جای استفاده از راه مشخص و متمایز برای هر کدام. در واقع یادگیری ماشین باید کاربران تقلبی را از میان کاربران واقعی جدا کند در حالی که موارد زیادی هستند که در میانه‌ی این دسته بندی قرار می‌گیرند.

علاوه بر این متقلبان می‌توانند رفتار کاربران واقعی را در میان تقلب‌های خود جاسازی کنند. که این مورد شامل هر اتریبیوشن (Attribution) با هر SDK می‌شود. در این بین متقلبانی هم خواهند بود که اشتباه می‌کنند و با ساختن کاربرهای تقلبی که به راحتی شناسایی می‌شوند به ارتقاء ماشین کمک خواهند کرد. اما هر بار که دست آنها رو می‌شود تلاش بعدیشان پیچیده‌تر و پیشرفته‌تر خواهد بود. و بدین ترتیب دست از ایجاد نصب تقلبی برنخواهند داشت.

برای مثال از جایی که یادگیری ماشین گیر می‌افتد فرض کنید یکی از متقلبان از اطلاعات واقعی یکی از کاربران موجود برای تقلب استفاده کند. (مثل ورژن OS یا IDFA یا تنظیمات محلی گوشی) در این صورت تشخیص تقلب برای یادگیری ماشین سخت خواهد شد زیرا اساس الگوریتم آن وابسته به اطلاعات تاریخی کاربران است.

علاوه بر این ممکن است فعالیت‌های کاربران واقعی، توسط یادگیری ماشین به عنوان نصب تقلبی دسته بندی شود. زیرا مشخص کردن نقطه داده‌های اصیل و غیر اصیل برای برنامه‌های سیستم عصبی کار بسیار دشواری محسوب می‌شود. در واقع متقلبانی با ساختار بی‌نقص داده وجود دارند که شناسایی آنها به عنوان متقلب حتی بعد از گذشت مدت زیادی از مشاهده رفتار آنها هم کار سختی خواهد بود.

علاوه بر تمام این‌ها یادگیری ماشین زمانی که با تقلب‌هایی با روش‌های جدید روبه‌رو می‌شود عملکرد خوبی ندارد. همان طور که در قسمت بعد در مورد آن صحبت خواهیم کرد این باعث می‌شود این سیستم در واقعیت قابل اعتماد نباشد.

### اعتماد، اصلی مهم در اتریبیوشن ادتریس (Attribution)

برای اینکه شبکه‌های عصبی به عنوان مبنای شناسایی تقلب شناخته شوند نیاز است که زمانی تصمیم به رد یا قبول یک [**اتریبیوشن**](https://adtrace.io/fa/) یا انتساب بگیرند که زمان کمی از آن انتساب گذشته. این به معنای این است که در آن زمان ما اطلاعات بسیار کمی از کاربر داریم.

برای رسیدن به این هدف و تشخیص اصالت کاربر، یادگیری ماشین تلاش خواهد کرد تا از الگوهایی با جزئیات بیشتر استفاده کند که شامل ویژگی‌های مبهمی از کاربر می‌شود.

حالا اگر بخواهید تا از این الگوهای بکار رفته توسط شبکه‌ی عصبی باخبر شوید با الگوهای پیچیده و تو در تو مواجه‌ می‌شوید. الگوهایی که صفات نامرتبط را به هم ارتباط می‌دهد و علاوه بر این که فهمیدن آن کار سختی است، غیر منطقی هم به نظر می‌رسد.

به خاطر همین موضوع مخاطبانی که برای تشخیص تقلبشان به طور گسترده از یادگیری ماشین استفاده می‌کنند ممکن است علت تشخیص تقلب را پنهان کنند یا اصطلاحاً آن را در جعبه‌ی سیاه بگذارند. علت این کار این است که توضیح دادن این فرایند کار آسانی نیست.

البته این مشکل ممکن است برای آینده‌ی صنعت اتریبیوشن مشکل اساسی باشد. نکته ای که در این بین وجود دارد و  به طور کلی اتریبیوشن بر پایه آن است، این است که شما بایستی از یک [**ترکر**](https://adtrace.io/fa/)، تمام تبلیغات و ورودی های خود را رصد کنید، تا به درستی اتریبیوشن و یا همان انتساب رو صورت پذیرد.

### چرا جعبه‌ی سیاه ایده‌ی در تقلب موبایلی خوبی نیست؟

آیا ایده­ ی جعبه‌ی سیاه در تقلب موبایلی واقعا بد است؟ بگذارید یک مثال بزنیم:

تصور کنید یکی از مخاطبان در مورد انتساب‌های رد شده در کمپین اخیر با شبکه‌ی تشخیص تقلب اختلاف نظر دارد. در صورت استفاده از یادگیری ماشین شبکه به دلیل اینکه داده‌ی منطقی برای اثبات تقلب ندارد، باید ادعای مشتری را قبول کند. در حالی که این اتفاق باید برعکس باشد. یعنی این مشتری است که از خدمات شبکه استفاده می‌کند تا از وقوع تقلب مطمئن باشد.

در این مثال شاید در ترافیک‌های محدود مشکل جدی پیش نیاید اما با افزایش حجم ترافیک و اضافه شدن تعداد این اختلاف نظرها، مشکل جدی در اعتماد به این شبکه به وجود خواهد آمد.

زمانی که یک پلتفرم تشخیص تقلب قدرت اثبات تقلب را از دست می‌دهد به معنی این است که صرفا در مورد وقوع تقلب نظر می‌دهد. نظرات قابل نقد و بررسی هستند و ممکن است از طرف مشتری مورد قبول نباشند. وقتی یک پلتفرم شخص ثالث به این مرحله برسد یعنی کم کم اعتماد مشتری را از دست می‌دهد. بعد آن هر فیلتری که استفاده کند این اعتماد برگردانده نخواهد شد و صرفاً قضاوت پلتفرم شخص ثالث به یک نظر تنزل پیدا می‌کند.

بنابراین اگر چه یادگیری ماشین وسیله‌ی فوق‌العاده‌ای برای تشخیص تقلب است اما هنوز نباید به عنوان منبعی برای رد کردن انتساب از آن استفاده کرد. در وضعیت کنونی اول اینکه **موارد بینابینی نادیده گرفته می‌شوند**.

#### دلیل دوم

دوم اینکه **منطق پشت تصمیم گیری یادگیری ماشین شفاف نیست** و ممکن است به عنوان یک نظر، مورد قبول نباشد. هنوز راه سختی برای ساختن فیلتری داریم که قابل اعتماد باشد و موارد اصیل را حذف نکند.

به مثال اولی که زدیم برگردیم. با استفاده از یادگیری ماشین شما می‌توانید از وجود آلودگی در آب مطمئن باشید اما به این معنی نیست که با استفاده از آن می‌توان آب را تصفیه کرد.

چه کار باید کرد؟ با سرمایه گذاری بیشتر روی این علم و توسعه‌ی آن شما می‌توانید بفهمید منبع این آلودگی چیست و از همانجا جلوی آن را بگیرید.

### آیا هر اختلافی در اتریبیوشن و تعداد نصب اپلیکیشن، تقلب موبایلی محسوب می شود؟

جواب قطعا منفی است. بسیاری از دفعات، این اختلاف در خواندن تعداد نصب ها ریشه در تقلب در تبلیغات موبایلی دارد. اما در پاره ای از اوقات نیز این اختلاف  به دلیل تعاریف مختلف پلتفرم های تبلیغاتی مشابه [**گوگل ادز**](https://ads.google.com/home/) و [**کافه بازار**](https://cafebazaar.ir/) از **تعریف نصب اپلیکیشن** است.

 در ادتریس ما از یادگیری ماشین به عنوان عاملی کمکی بهره می‌گیریم و با توسعه خود پلتفرم تشخیص تقلب ادتریس امکان ارسال جزئیات تقلب و نوع آن را هم در Call-Back برای مشتری و شبکه تبلیغاتی فراهم آورده‌ایم.

نظریه تقلب‌های موبایلی: قسمت ۳

اگر کمی آشنایی با فضای تبلیغات موبایلی به‌ویژه اپ‌مارکتینگ داشته‌باشید حتما مفهومی به نام تقلب به گوشتان خورده است. وب‌سایت business of apps در مقاله‌ای که اخیرا در بلاگ خود منتشر کرده‌است به بررسی تقلب‌های موجود در زمینه‌ی تبلیغات اپلیکیشن‌ها پرداخته‌است که هم‌اکنون ترجمه‌ی آن را به سمع و بصر شما می‌رسانیم.

مانند هر حوزه‌ای از اقتصاد که مبالغ هنگفتی در آن جا‌به‌جا می‌شود، دنیای تبلیغات آنلاین نیز برای کلاه‌برداران جذاب است. درواقع به‌علت ویژگی‌های این بازار مثل: ماهیت غیرشفاف تراکنش‌ها، تکیه بر معیارهای ساده برای پرداخت و زنجیره‌ی تامین گسترده[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftn1) و اغلب غیرشفاف تقلب در چنین بازاری یکی از بزرگترین چالش‌هایی است که امروزه تبلیغ‌کنندگان، ناشران و شرکت‌های تبلیغاتی با آن مواجه هستند. بدتر از دغدغه‌های مربوط به تقلب در تبلیغات اپلیکیشن‌ها، پیچیدگی‌هایی است که کلاه‌برداران هرروز به این تقلب‌ها اضافه کرده و باعث می‌شوند انواع گسترده‌تری از تقلب به‌وجود بیاید تا بتوانند به راحتی بودجه‌ی تبلیغاتی شرکت‌ها را بربایند.

*   کلاه‌برداری تبلیغاتی و کلاهبرداری ازطریق موبایل چیست؟
*   اساسا در چه زمینه‌هایی رخ می‌دهد؟
*   هزینه‌ی این کلاه‌برداری برای مشاغل چقدر است؟

برای یافتن پاسخ این سوالات با ما همراه باشید و آمارهای مختلفی را در این زمینه مشاهده کنید.

**آمارهای کلیدی کلاه‌برداری تبلیغاتی**

*   کل هزینه‌ی کلاه‌برداری تبلیغاتی در سال 2022، مبلغ **81 میلیارد** دلار پیش‌بینی می‌شود که تا سال 2023 به **100 میلیارد** دلار افزایش می‌یابد.
*   بزرگترین ضربه مالی را در منطقه‌ی APAC[\[2\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftn2) با ارزش 75 میلیون دلار در سال 2022 شاهد هستیم.
*   طبق گزارش Interceptd ، **25%** از برنامه‌های ios و **31% ** از نصب برنامه‌های اندروید تقلبی هستند.
*   طبق گزارش Adobe در سال 2018 تقلب در ترافیک وب برابر با **28%** از کل یا مبلغ **66 میلیارد** دلار از کل هزینه‌های تبلیغاتی بود.
*   تلاش برای کلاه‌برداری از تبلیغات درون اپ **25% کمتر** از وب است.
*   در سال 2018، نوع تقلب install farm contributed  42% از کل تقلب‌ها،click spam  27% و  AD Stacking 30% از تقلب‌ها را تشکیل می‌دادند.
*   Traffic guard/ juniper تخمین می‌زند که از هر 13 نصب اپلیکیشن در سراسر جهان، یک مورد تقلب است.

این موارد فقط مهم‌ترین داده‌هایی بودند که از وضعیت کلاه‌برداری تبلیغات دیجیتال در وب و موبایل یاد‌آور شدیم تا به فعالان این حوزه هشدار دهیم. در ادامه آمار‌هایی جامع‌تر را در اختیار شما می‌گذاریم. تخمین هزینه‌های تقلب در تبلیغات، تاثیرات منطقه‌ای، تاثیرات دسته‌های اپلیکیشن، سیستم عامل و اقدامات متقابل برای جلوگیری از تقلب‌ها را با یکدیگر بررسی خواهیم کرد.

**نمونه‌های برجسته‌ی تقلب در تبلیغات**

یک عملیات بات‌نت[\[3\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftn3) عظیم در تاریخ نوامبر سال 2018  به نام 3VE شناسایی  و متوقف شد. و درواقع آماری که از جزئیات این عملیات آشکار شد برای تبلیغ‌کنندگان دیجیتال، ترسناک است.

3VE شامل 3 بخش بود:

*   IP addresses های ربوده شده(hijacked IP addresses)
*   سایت‌های تقلبی(counterfeit sites)
*   ترافیک و موجودی (inventory and data centre traffic)data center

1.7 میلیون رایانه، توسط بدافزار آلوده شدند. 10.000 سایت جعلی به‌طور روزانه تعداد 3 تا 12 میلیارد درخواست پیشنهادی روزانه ایجاد کرده و هویت ناشران قانونی تبلیغات را جعل می‌کردند و بیش از 60.000 شناسه‌ی فروشنده با شرکت‌های دیجیتالی به کلاه‌برداران این امکان را می‌داد که آگهی‌های تبلیغاتی را دریافت کرده و براساس آن پول دریافت کنند.

گوگل در یک وایت‌پیپر گزارش داد که شناسایی شبکه متقلب سخت بوده‌است. زیرا تکنیک‌هایی مانند دستکاری و فرار از تقلب را به‌کار می‌گرفتند. تصور می‌شود که 3VE برای کسب و کارها مبلغ 29 میلیون دلار هزینه‌ی تبلیغاتی ایجاد کرده‌است. متهمان روسی همراه با Methbot که توسط کلاه‌برداران اداره می‌شد متهم به کلاه‌برداری از کسب و کارها از مجموع تبلیغات به ارزش 26 میلیون دلار شدند و هیچ‌یک از تبلیغات که توسط این حلقه پخش شدند هرگز توسط یک انسان مشاهده نشده و تماما تقلبی بود.

وایت‌پیپر منتشر شده توسط گوگل نشان می‌دهد که حتی نام‌های بزرگ تجاری نیز به‌هیچ‌عنوان دربرابر تقلب‌ها مصون نیستند. درواقع در اکتبر سال 2018 ، Buzz feed news وجود یک طرح کلاه‌برداری تبلیغاتی گسترده را فاش کرد که توانسته بودند نزدیک به 10 میلیون دلار از شبکه‌های تبلیغاتی گوگل سرقت کنند در این طرح از بیش از 125 برنامه و ب‌سایت اندورید استفاده می‌شد که به‌منظور فرار از تشخیص تقلب همانند انسان رفتار می‌کردند.

حجم عظیمی از کلاه‌برداری تبلیغات را می‌توان از طریق یک مجرای واحد انجام داد. به‌طور مثال pixelate در ژوئن 2018 گزارش داد برنامه‌ای به‌نام megecast – chrome player به عنوان مجرایی برای تقلب عمل می‌کند که از طریق آن تبلیغاتی به ارزش 75 میلیون دلار انجام شده‌است و در این مسیر از یک راه رایج در کلاه‌برداری تبلیغات موبایل استفاده می‌کرد: App laundering که به شدت وابسته به Bundle ID spoofing است. Pixelate دریافت که دراین روش اگر یک موبایل 24 ساعت روشن باشد میزان 1400 impression را انجام می‌دهد.

Buzz feed در گزارش بالا خاطرنشان شد که پس از افشای طرح تقلبی ، دستیابی به اعدد خاص از ذینفعان این جریان بسیار سخت بوده است. این بدان معناست که ردیابی حرکت پول بسیار سخت بوده است و می‌توان نتیجه گرفت شرکت‌هایی که موظف به کشف این‌گونه اقدامات هستند یا به شدت سهل‌انگاری می‌کنند و یا خودشان نیز در این بازی همدست می‌شوند.

بعضی معتقد‌اند موارد سرقت شده در کیس بالا در واقعیت ممکن است به 100ها میلیون دلار برسد. فقط تعداد کمی از شرکت‌هایی که buzz feed با آن‌ها تماس گرفته‌است اعلام کرده‌اند که قصد دارند پول دریافت شده از تبلیغ‌کنندگان را بازگرداند. البته برخی از کارشناسان می‌گویند باید پذیرفت که مقدار مشخصی از پول در اثر تقلب از بین می‌رود.

در پی افشاگری buzz feed یک سناتور آمریکایی به نام مارک وارنر، معاون رئیس کمیته‌ی اطلاعات سنای ایالات متحده در اکتبر 2018 نامه‌ای به کمیسون تجارت فدرال ارسال کرد و نگرانی‌های خود را درخصوص سطوح بالای این‌گونه تقلب‌ها ابراز داشت. در این نامه مارک وانر، گوگل و دیگر پلتفرم‌ها را متهم به بی‌عملی و حتی چشم‌پوشی عمدی نسبت به این قضایا کرد. در پی این نامه گوگل 30 برنامه را از گوگل‌پلی حذف نمود.

دکتر آگوستین فو مشاور و پژوهشگر ضد تقلب در مصاحبه‌ای با فوربس معتقد است:

**«حل و فصل تقلب به نفع آژانس‌های تبلیغاتی نیست!»**

همچنین حذف تقلب برای بازاریانی که فکر می‌کنند عملکرد آن‌ها خوب است و درک این واقعیت که آن‌چه از عملکرد خود می‌دانند واقعیت نیست دشوار است. بنابراین در این مرحله باید نگرش تمامی ما نسبت به آن‌چه به عنوان عملکرد خوب تلقی می‌شود تغییر کند. درحالی که نرخ کلیک در واقعیت چیزی حدود 0.01 درصد است شاخص‌های کلیدی عملکرد باید در سراسر جهان تغییر کند و به‌طور کلی اعداد به سمت پایین بازنگری شوند و یا حتی می‌توانیم عوامل سنجش متفاوتی را جایگزین کنیم.

نمونه‌ی جدیدتر از تقلب در تبلیغات آنلاین در سال 2021 مورد Leo terra به نام درج آگهی در سمت سرور است. به‌طور خلاصه طرح کلاه‌برداری آنلاین در اوج تقلب خود به بیش از 20 میلیون تلویزیون در روز متصل بود تا تبلیغ‌کنندگان را فریب دهد که تصور کنند موجودی تبلیغات CTV در مقیاس وسیع درحال انجام است. برای مقایسه خوب است بدانید که در سال 2020 همین طرح 20 برابر حجم کمتری از CTV های جعلی را تولید می‌کرد. این گذاره به این معناست که تقلب در تبلیغات آنلاین به سرعت درحال رشد است.

**هزینه کلاه‌برداری‌های تبلیغاتی**

به‌دلیل پیچیدگی در تعیین حجم ترافیک به دانلود‌های نامعتبر برآورد مقیاس کل و هزینه‌ی کلاه‌برداری تبلیغاتی بسیار متفاوت است.

درسال 2016 فدراسیون جهانی تبلیغ‌کنندگان پیش‌بینی کرد که:

**«ظرف یک دهه کلاه‌برداری تبلیغاتی و سایر طرح‌های ترافیک اینترنتی** **جعلی پس از تجارت مواد مخدر به دومین بازار بزرگ برای جرایم سازمان‌یافته تبدیل خواهد شد!»**

با یک دیدگاه محافظه‌کارانه می‌توان تخمین زد که این هزینه تا سال 2025 به 50 میلیارد دلار خواهد رسید که معادل 10% از ارزش کل پیش‌بینی شده برای بازار تبلیغات دیجیتال است.

در سال 2018 ، adobe در بررسی هزاران وب‌سایت مشتری، دریافت که به‌طور بالقوه 28% از ترافیک وب‌سایت‌ها از ربات‌ها و سایر عوامل غیرانسانی نشئت می‌گیرد. بر اساس این واقعیت یکی از مفسران تخمین زد که هزینه‌ی کل کلاه‌برداری تبلیغاتی ممکن است به 66 میلیارد دلار برسد.

بر اساس آماری که juniper research برای وایت‌پیپر شرکت تشخیص تقلب تبلیغاتی traffic guard تهییه کرد تخمین زده می‌شود که در سطح جهانی، از هر 13 نصب اپلیکیشن در سال 2018، یک مورد از کاربران جعلی بوده است که عددی حدود 7.7% از کل است!

همین منبع تخمین می‌زند شرکت‌هایی که در یک بازه‌ی زمانی 24 ساعته برای 1 میلیون آگهی هزینه می‌پردازند قبل از شناسایی هرگونه مشکلی احتمالا برای 100.000 تبلیغ تقلبی هزینه می‌پردازند.

برطبق یکی دیگر از وایت‌پیپرهای traffic guard فعالیت‌های کلاه‌برداری در سال 2017 به‌طور روزانه مبلغ 39 میلیون دلار برای تبلیغ‌کنندگان دیجیتال هزینه داشته است. با توجه به آمارهایی که juniper research  با استفاده از تاکتیک‌های رایج، هزینه‌ی تبلیغات تقلبی را تجزیه و تحلیل  و ارائه می‌کند App install farms / SDK spoofing  با 42% بیشترین سهم را از این بازار دارند و در ادامه click spam & Ad stacking fraud  27% و click injection 30.33% از بازار را در بر می‌گیرند. بر طبق این تحلیل هزینه‌ی کل این تبلیغات تقلبی به مبلغ 25.8 میلیارد دلار می‌رسد. درحالی که این 3 تاکتیک کلاه‌برداری در تبلیغات آنلاین در حال رشد هستند در سال جاری به اعداد 20 میلیارد برای App install farms / SDK spoofing ،  35 میلیارد دلار برای  click spam & Ad stacking fraud و 65 میلیارد برای click injection  رسیده‌اند.

در سال 2019، eMarketer برآورد کرد که هزینه‌ی کل این کلاه‌برداری‌ها می‌تواند از 6.5 میلیارد دلار تا 19 میلیارد دلار متفاوت باشد. به گفته‌ی این منبع در سال 2022 تبلیغات نمایشی برنامه‌ای یک تجارت عظیم به ارزش 15 میلیارد دلار است که 90% از کل تبلیغات دیجیتال را پوشش می‌دهد که این موضوع به علت پیچیدگی در عدم شفافیت در زنجیره‌های تامین بین خریدار و فروشنده می‌تواند تهدید تقلب‌های تبلیغات آنلاین را شدیدتر کند.

در نهایت با بررسی تخمین‌ها در چند سال گذشته و یک سال آینده مشاهده می‌کنیم که تا سال 2021 به‌طور کلی مبلغ 10 میلیارد افزایش سالانه در هزینه‌ی تقلب وجود داشته است و سپس شروع به 2 برابر شدن می‌کند. برای سال جاری حدود 20 میلیارد و پیش‌بینی می‌شود برای سال 2023  با همین روند به مرز 100 میلیار دلار برسد.

این نوشتار تنها بخشی از آمار اصلی را نشان می‌دهد برای دریافت تمام آمار و مطالعه‌ی قسمت‌های بعدی گزارش بلاگ و صفحات اجتماعی ادتریس را دنبال کنید.

[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftnref1)  شبکه‌ای از تمام افراد، سازمان‌ها، منابع، فعالیت‌ها و فناوری‌هایی که در ایجاد و فروش یک محصول دخیل هستند.

[\[2\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftnref2)  آسیای شرقی، جنوبی، جنوب شرقی و اقیانوسیه که شامل بیش از 20 کشور است.

[\[3\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c/#_ftnref3) بات‌نت مجموعه‌ای از دستگاه‌های متصل به اینترنت است که اغلب در یک شبکه اینترنت توسط بدافزارها آلوده و کنترل می‌شوند تا مجرمان سایبری از آن‌ها به نفع خود استفاده کنند.

تقلب در تبلیغات از دیدگاه جهانی قسمت اول

SDK Spoofing یکی از مهمترین انواع تقلب‌های موبایلی است و این سوال که چگونه Open-Source SDKها خود را در برابر این نوع از تقلب ایمن می‌کنند برای فعالین صنعت تبلیغات موبایلی بسیار حائز اهمیت است. در این مقاله کوتاه، ما در مورد چگونگی حفظ امنیت داده‌ها در Open-Source SDKها صحبت می‌کنیم و مقایسه کوتاهی بین Closed-Source SDKها و Open-Source SDKها از لحاظ امنیت اطلاعات و امکان جلوگیری از تقلب خواهیم داشت.

**اگر نمی‌دانید SDK Spoofing چیست، در ادامه سعی کرده‌ایم این مفهوم را به صورت مفصل توضیح دهیم.**

شبکه‌های تبلیغاتی که از این نوع تقلب استفاده می‌کنند معمولا یک بد افزار (اپلیکیشن دیگری که روی موبایل تعداد زیادی از کاربرها نصب شده است) دارند و هنگامی که یک اپلیکیشن خاص تبلیغات گسترده‌ای را برای مدتی نسبتا طولانی انجام می‌دهد بدافزار موجود در موبایل‌های مختلف شروع می‌کند به دنبال کردن اطلاعاتی که از طریق اپلیکیشن (و Tracker داخل آن) به سرورهای Tracker ارسال می‌شوند. تا پس از مدتی بتوانند این داده‌ها را رمز گشایی کنند و پس از آن سعی کنند با تولید داده‌های جعلی و ارسال آن به Tracker هدف کاری کنند که اعداد نصب یا هر Event دیگری که برایشان سود دارد را افزایش دهند.

اگر این فرایند به درستی انجام شود، برای شبکه متقلب این امکان ایجاد می‌شود که تعداد نامحدودی از تقلب­ (که معمولا شبیه‌سازی یک رفتار خاص کاربر هستند) را به آمار واقعی اضافه کنند، بدون آنکه برنامه واقعی روی گوشی موردنظر وجود داشته باشد.

امروزه کلاهبرداران می‌توانند شناسه دستگاه واقعی را شناسایی نمایند، این بدان معناست که اگر شما از کد رمزنگاری شبکه Tracker (Cryptograph Signature) استفاده نکنید شبکه متقلب می‌تواند داده‌های جعلی را جایگزین داده واقعی کند. متخصصین امنیت ادجاست در مقاله خود بیشتر در مورد این ایده صحبت می‌کنند.

ادجاست ([Adjust](https://www.adjust.com/)) اعتقاد دارد مشتریانش شایسته این هستند که بدانند در اپلیکیشن‌شان چه می‌گذرد. همچنین استفاده از Open-Source SDK این امکان را فراهم می‌کند که در پایدارترین حالت ممکن بتواند با ارائه داده‌های مطمئن به تیم‌های مارکتینگ به بیشترین تعداد مشتریان خدمات ارائه دهد و از هدر رفتن بودجه تبلیغات جلوگیری کند. در ادامه به تعدادی از دلایلی اشاره می­کنیم که چرا SDKهای Open-Source بر SDKهای Close-Source اولویت دارد.

**چگونه SDK Adjust ایمن است؟**

به منظور دنبال نمودن (Track) با استفاده از Adjust. هر مشتری با پیاده‌سازی و تنظیم SDK در برنامه خود شروع به کار می‌کند. اما برای محافظت از مشتری‌های خود در مقابل کلاهبرداری. به مشتریان این امکان را می‌دهیم.تا یک کتابخانه جداگانه را ایجاد نموده و آن را به SDK متصل کنند. بدون این کتابخانه، SDK امن نیست و ما داده‌های آنها را نمی‌پذیریم.

این کتابخانه یک امضای رمزنگاری (Cryptographic Signature) را ایجاد می‌کند که با هر بار درخواست و هر ارسال داده، به SDK ادجاست پیوست می‌شود. این نوع پیشگیری از تقلب بهترین مورد پیشگیری در برابر همه روش‌های شناخته شده‌ی جعل داده و حمله‌های تقلب است و توسط تیم متخصصان امنیتی ما به طور مداوم به روز می‌شود. هر کتابخانه دارای واحد متفاوتی است، به این معنی که اگر طی یک اتفاق به یک اپلیکیشن حمله شود و قصد اخلال و ایجاد تقلب وجود داشته باشد، بار دیگر همان روش حمله روی هیچ برنامه دیگری در جهان کار نمی‌کند. علاوه براین، کتابخانه توسط تیم امنیتی ما به طور مداوم به روز می‌شود، به این معنی که هرگونه تلاش جدید برای شکستن امنیت و ایجاد اختلال به سرعت ناکارآمد می‌شود.

کتابخانه با استفاده از الگوریتم‌های تولید داده‌های تصادفی تهیه شده و سپس در یک فرآیند ویژه تدوین می‌شود که به این معناست که یک مهاجم نمی‌تواند با استفاده از مهندسی معکوس کتابخانه را تولید کند.

**آیا SDKهای Closed-Source ایمن هستند؟**

بیشتر ­SDKهای اختصاصی دیگر منبع بسته (Closed-Source SDK) هستند و عملکردشان و اطلاعات رد و بدل شده را برای اپلیکیشنی که از این نوع از Trackerها استفاده می‌کنند مشخص نمی‌کنند. آیا این باعث می‌شود امنیت بیشتری پیدا کند؟

**پاسخ به این ادعا “نه” است.**

در طول تحقیق ما در مورد جعل SDK ، ما ­SDKهای منبع بسته (Closed-Source SDK) را در بازار بررسی کردیم تا بدانیم که بدون امضای رمزنگاری (Cryptographic Signature) چقدر امن هستند. متأسفانه، ما متوجه شدیم که در هر مورد، عملکردی که آنها برای امضای (Sign) درخواست داده‌های خود استفاده می‌کردند، به راحتی قابل استخراج است و شکستن این کدها توسط انسان به راحتی قابل اجرا است که باعث می‌شود که اینکار (استخراج داده‌ها توسط هر فردی) بسیار آسان باشد.

در حقیقت، برای برخی از ­SDKها برای کارشناسان ما فقط چند دقیقه طول کشید تا بتوانند تابع امضای (Signing Function) را بیابند و Decode کنند و دسترسی خرابکاری در SDK را بدست آورند – به این معنی که در طی چند لحظه،SDK  کاملاً بی‌حفاظ شده بود. این امر دارای پیامدهای بسیار جدی است، زیرا وقتی مهاجمی در یک لحظه این کار را انجام می‌دهد، می‌توانند از Signature استفاده کنند تا داده‌های جعلی را به صورت کاملاً واقعی جایگزین داده واقعی کنند و کاری کنند که این داده واقعی به نظر برسد.

**به طور خلاصه، یک مهاجم می‌تواند به راحتی همه راه حل‌های منبع بسته (Closed-Source) موجود را فریب دهد.**

کتابخانه‌های (Library) معمول که مشتریان به SDK خود اضافه می‌کنند نمی‌تواند تمامی کارکردهای (Function) یک Attribution SDK را پوشش دهد. بلکه تنها مجموعه محدودی از Functionهای مقابله با کلاهبرداری( بالاخص SDK Spoofing را شامل می‌شوند. این بدان معنی است که ما می‌توانیم از طریق روش‌های ادجاست این کتابخانه‌ها را ایمن‌تر بنویسیم، بهتر به­ به‌روزرسانی کنیم و پردازش موثرتری انجام دهیم.

در حالی که ما نمی‌توانیم تمام روش‌های مورد استفاده برای تأمین امنیت کتابخانه را به دلایل امنیتی فاش کنیم، این افتخار ما است که مشتری‌ها را با یکی از کارشناسان امنیت سایبری خود مرتبط می‌کنیم تا برای ایشان رفع ابهام نماییم.

و در انتها این گفته را باور نکنید که Open-Source SDK ایمن نیست. نمی‌تواند ایمن باشد و این ادعا که Closed-Source SDK نمی‌تواند جعل شود و همواره ایمن است.

ترجمه از بلاگ ادجاست  
لینک ” https://www.adjust.com/blog/sdk-spoofing-open-source-vs-closed-source/

SDK Spoofing و راه‌های مقابله با آن در Open-Source SDK و Closed-Source SDK

در قسمت قبلی درخصوص تقلب در تبلیغات در سطح جهانی توضیح دادیم در این نوشتار به ادامه آن خواهیم پرداخت.

**زمینه‌های متفاوت کلاه‌برداری تبلیغاتی**

1.  **تقلب تبلیغات بر اساس منطقه**

مشکل تقلب به‌ویژه در منطقه‌ی APAC که هزینه‌ی آن **17 میلیون دلار در روز** تخمین زده می‌شود برجسته است. افزایش ضریب نفوذ به این معنی است که این مسئله در تبلیغات موبایل به ویژه در یک سری از مناطق بسیار جدی است. پیش‌بینی می‌شود که هزینه‌ی کلاه‌برداری تبلیغات در همه مناطق طی چند سال آینده افزایش یابد و APAC همچنان بیشترین ضربه مالی را خواهد خورد چراکه زیان آن از 33 میلیارد به 75 میلیارد خواهد رسید یعنی بیش از 2 برابر رشد خواهد داشت.

در سال 2019 پلتفرم تایید تبلیغات دیجیتال و جلوگیری از تقلب Traffic guard بار دیگر به Jupiter research  پیوست تا تصویر جامعی از درصد تقلب دیجیتال از کل هزینه تبلیغات در مناطق مختلف ایجاد کند.

نمودار زیر نشان می‌دهد که چه مقدار هزینه به ازای هر کاربر دیجیتال در سال در مقایسه با چه مقدار از هزینه به دلیل تقلب از بین رفته است.

![hazine-karbar.jpg](http://159.69.209.246:1360/uploads/hazine_karbar_6a323b5945.jpg)

![hazine-karbar.jpg](https://adtrace.io/api/uploads/hazine_karbar_6a323b5945.jpg)

چین بزرگترین بخش APAC است که با 11 میلیون دلار ضرر به دلیل تقلب دیجیتال به ازای 63 میلیون هزینه برای تبلیغات به ازای هر کاربر درسال با 17% پیشتاز بود.

در ایالات متحده نیز 62 میلیون دلار از 407 میلیون دلار هزینه‌ی تبلیغات برای هر کاربر به دلیل تقلب در تبلیغات دیجیتال هدر رفت که درواقع 15% از کل هزینه را تشکیل می‌داد.

در نقطه مقابل، آفریقا و خاورمیانه قرار داشتند که در آن تقلب سالانه تبلیغات دیجیتال به ازای هر کاربر 1 میلیون دلار از 19 میلیون دلاری بود که صرف تبلیغات دیجیتال شد یعنی فقط 5% از هزینه‌ی کل را تشکیل می‌داد.

2.  **تقلب تبلیغات بر اساس دسته برنامه و سیستم عامل**

شرکت تشخیص و پیش‌گیری از کلاه‌برداری تبلیغات موبایلی Intercepted در گزارش تقلب تبلیغاتی خود در سال 2019 دریافته است که میزان تقلب در **اندروید بیشتر از ios** است. در ios ترافیک برنامه‌های تقلبی 25% و در اندروید 31% است.

کلاه‌برداری تبلیغات اندروید

برطبق گزارش فوق‌الذکر برخی از دسته‌های اپلیکیشنی نسبت به سایر دسته‌بندی‌ها نسبت به تقلب تبلیغات آسیب‌پذیرتر هستند. در اندروید، بخش مالی با بیش از **یک‌ سوم نصب‌های تقلبی** در صدر است. در رتبه‌های بعدی دسته‌های خرید، بازی و رسانه‌های اجتماعی قرار دارند. کلاه‌برداری تبلیغات موبایلی مربوط به برنامه‌های مالی اندروید تحت سلطه‌ی bots / emulatorsها است که مسئول بیش از یک‌سوم کلاه‌برداری‌های تبلیغاتی این دسته هستند. و click injection  یک‌چهارم دیگر را تشکیل می‌دهد. در تقلب‌های این دسته میزان SDK spoofing نسبتا کم است.

به‌نظر می‌رسد نوع تقلب SDK spoofing در دسته‌ی خرید وجود ندارد. در این دسته نوع تقلب click spam 22% و device farm ها با 21% بزرگترین مشکل محسوب می‌شوند. همچنین سایر تقلب‌ها نیز مسئول 22% از تقلب‌های برنامه‌های خرید اندروید هستند.

در دسته‌ی بازی‌ها برای اولین بار مشاهده می‌کنیم که SDK spoofing مسئولیت بیشترین سهم تقلب تبلیغاتی را با 24%  برعهده دارد. Device farm  و incent abuse هر کدام با میزان 19% مسئول تقلب‌ها در این دسته هستند.

با این‌حال دسته‌ی شبکه‌های اجتماعی همچنان بیشترین ضربه را از SDK spoofing می‌خورند و این نوع تقلب مسئول 38% از تقلب‌های این دسته می‌باشد. Click injection  21% از تقلب‌های این دسته را انجام می‌دهد.

کلاه‌برداری تبلیغات IOS

ترتیب دسته‌بندی برنامه‌ها که بیشترین میزان تقلب را در IOS دارند به ترتیب دسته‌بندی خرید با حجم یک‌سوم از تقلب‌ها و دسته‌های بازی، مالی و سفر بعد از آن قرار می‌گیرند.

در سیستم عامل IOS و دسته‌ی برنامه‌ی خرید نوع تقلبDevice farm  مسئول 37% از تقلب‌ها است. در این دسته bots/emulators تقریبا مسئول یک‌چهارم از تقلب‌ها هستند و در این بین میزان تقلب SDK spoofing به 18% می‌رسد.

در دسته‌ی بازی‌های ios انواع تقلب‌های bots/ emulators 26%، SDK spoofing 24% و device farm ها 22% حجم تقلب‌ها را تشکیل می‌دهند.

در دسته‌ی مالی ios انواع تقلب‌های device farm  با 31% و SDK spoofing با 19% از مشکلات بزرگ این دسته به شمار می‌روند. همچنین نوع تقلب click spam با 21% تقلب‌ها نیز چالش ایجاد می‌کند.

در دسته‌ی اپلیکیشن‌های سفر ios بار دیگر انواع تقلب‌های device farm با 26% و  SDK spoofing با 28% بزرگترین چالش را ایجاد می‌کنند.

**شرکت‌های تشخیص تقلب تبلیغات و سایر اقدامات ضد تقلب**

کلاه‌برداری تبلیغاتی خطرات زیادی را برای شرکت‌های تبلیغاتی ایجاد می‌کند.

در این زمینه امید زیادی به Ads.txt[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c-%d9%82%d8%b3%d9%85%d8%aa-%d8%af%d9%88/#_ftn1)(Authorized Digital Sellers) ها وجود داشت که درواقع یک سیستم است که به ناشران اجازه می‌دهد شرکت‌هایی را که مجاز به فروش آگهی‌های خود از طریق یک فایل txt هستند را فهرست کنند. سپس خریداران می‌توانند لیست را بررسی کنند تا دریابند آیا شرکتی که از آن خرید می‌کنند قانونی است یا خیر؟

با این‌حال کلاه‌برداری تبلیغاتی، یک بازی بین کلاه‌برداران، تبلیغ‌کنندگان و شرکت‌های تشخیص تقلب در تبلیغات است. البته راه‌هایی برای دور زدن Ads.txt ها ابداع شد که شامل وب‌سایت‌های کپی شده، فروشندگان تایید شده و بات‌نت‌هایی بود که بازدید صفحه‌ی جعلی ایجاد می‌کردند. به گزارش وال‌استریت ژورنال، این طرح اگر کشف نمی‌شد می‌توانست بین **70 تا 80 میلیون دلار** برای تبلیغ‌کنندگان هزینه داشته باشد.

1.9 میلیون وب‌سایت تا 3 ماه اول سال 2019 توسط Ad.txt مورد پذیرش قرار گرفته است که 48% نسبت به 3 ماه اول سال 2018 افزایش داشته است. در سمت تبلیغات موبایل با توجه به گزارش Pixalate در بازه‌ی زمانی مارچ تا سپتامبر 2019 ما یک جهش بزرگ را در تعداد اپلیکیشن‌هایی می‌بینیم که توسط Ads.txt ثبت شدند که نسبت به ماه قبل یعنی آگوست سال 2019  رشد بسیار زیادی داشت و اعداد آن از 23000 اپلیکیشن به 68000 اپلیکیشن رسید. از ماه می سال 2022  اندازه‌گیری شده است که 27% از برنامه‌های اندروید و 7% از برنامه‌های ios به آمار ارائه شده توسط Ads.txt ها اعتماد کرده‌اند.

نسخه‌ ارتقا یافته‌ی Ads.txt

یک نسخه‌ی ارتقا یافته از Ads.txt ها به نام Ads.cert  است که با استفاده از امضای دیجیتالی دارای مهر رمزگذاری شده، ایجاد شده است تا بتواند مشکل اعتبارسنجی را حل کند. از زمان نگارش این مقاله در ماه مه سال 2022، آزمایشگاه فناوری IAB بر روی Ads.txt ورژن 0.2 کار می‌کند تا سطح اعتبار بیشتری را در تبلیغات آنلاین افزایش دهد. این سیستم برای چندین پروتکل برای مقابله با افزایش سطوح تقلب در تبلیغات دیجیتال طراحی شده است.

[\[1\]](https://adtrace.io/fa/%d8%aa%d9%82%d9%84%d8%a8-%d8%af%d8%b1-%d8%aa%d8%a8%d9%84%db%8c%d8%ba%d8%a7%d8%aa-%d8%a7%d8%b2-%d8%af%db%8c%d8%af%da%af%d8%a7%d9%87-%d8%ac%d9%87%d8%a7%d9%86%db%8c-%d9%82%d8%b3%d9%85%d8%aa-%d8%af%d9%88/#_ftnref1)  روشی ساده، انعطاف‌پذیر و امن که ناشران و توزیع‌کنندگان می‌توانند از آن برای اعلام عمومی شرکت‌هایی که مجاز به فروش موجودی دیجیتال خود هستند استفاده کنند.

تقلب در تبلیغات از دیدگاه جهانی قسمت دوم

با توجه به آنچه که در قسمت قبل راجع به تقلب‌های موبایلی مطرح شد، اکنون وقت آن رسیده‌ که با توجه به تفاوت موجود بین انواع تقلب و راه‌حل‌های موجود برای هرکدام، راهکاری دقیق برای پیشگیری از تقلب معرفی کنیم.

پیشگیری از تقلب‌های موبایلی به اندازه خود تقلب مهم است. اما در صنعت بازاریابی دیجیتال موبایلی، اپلیکیشن­‌ها برای جلوگیری و شناسایی تقلب سردرگم می‌­شوند. این تفکر، که نیازی به پلتفرم‌های واسط وجود ندارد اکثرا به ضرر اپلیکیشن­‌هایی است که می‌خواهند بدون حضور پلتفرم‌های تشخیص تقلب ‌کمپین‎های تبلیغاتی خود را اجرا کنند.

“شناخت تقلب‌های موبایلی” و “جلوگیری از تقلب” دو عنصر اساسی و مهم در اجرای کمپین‌های تبلیغاتی است. بنابراین باید هرکدام را درست تعریف کرد تا ماهیت آنها را بفهمیم. [برای خواندن قسمت اول مقاله به اینجا مراجعه نمایید.](https://adtrace.io/blog/post/نظریه-تقلب%E2%80%8Cهای-موبایلی:-قسمت-1)

### پیشگیری از تقلب چیست؟

اکنون با توجه به مفاهیمی که تعریف کردیم و زبان مشترکی که با هم در حوزه‌­ی تقلب ساختیم، می‌توانیم درباره­­‌ی جلوگیری از تقلب‌های موبایلی صحبت کنیم.

پیشگیری از تقلب در صنعت بازاریابی دیجیتال، عدم قبول انتساب تعریف می‌شود. به دلیل همین تعریف است که تفاوت اساسی بین پلتفرم‌های مختلف اتریبیوشن و آنالیتیکس فعال در اکوسیستم تبلیغات موبایلی وجود دارد.

در صنعت دیجیتال مارکتینگ موبایلی، معمولا بجای تشخیص و پیشگیری از تقلب به انکار وقوع آن می‌پردازند. این امر باعث عدم اطمینان از وجود یک راه ‌قطعی برای پیشگیری از تقلب می‌شود که خود آن باعث خرابی داده‌ها و ایجاد سردرگمی در تحلیل و بررسی آنها می‌شود.

![پیشگیری از تقلب](https://adtrace.io/fa/wp-content/uploads/2020/07/Fraud-main-1024x480.png)

مراحل پیشگیری از تقلب

به دلیل پیچیدگی­‌های فرآیند انتساب و استفاده متقلبان از ابزارها و روش­های جدید، تنها پلتفرم‌­های شخص ثالث هستند که توانایی استفاده مؤثر از فیلترهای موجود و ساخت فیلترهای جدید برای جلوگیری از تقلب را دارند. پلتفرم‌های شخص ثالث معیارهایی برای تشخیص تقلب‌های موبایلی دارند و در انجام روش‌ها، بسیار دقیق و محتاط هستند. اپلیکیشن ها امکان ردیابی و پیشگیری تقلب را ندارند مگر اینکه توسط یک پلتفرم اتریبیوشن شخص ثالث از آنچه توسط کاربران رخ می‌دهد آگاه شوند.

### از اقدامات لازم برای پیشگیری از تقلب آگاه شوید.

 با توجه به آنچه مشاهده نموده‌ایم هیچکدام از صاحبان اپلیکیشن در ابتدای کار حاضر به تفکیک کاربران و داده تمیز، از داده تقلبی نبودند. به دلیل این که تصور می­‌کردند با حضور پلتفرم واسط درآمد شبکه‌های تبلیغاتی که گاهاً شرکای کاری آن­ها نیز هستند کاهش می‌یابد و باعث آسیب به روابط و ارتباطات بالقوه بین شرکای تجاری می‌شود. برخی از کمپانی‌ها برای جلوگیری از این سوءتفاهم­‌ها استانداردهایی را برای همکاری با شبکه­‌های تبلیغاتی و ورود پلتفرم‌­های اتریبیوشن بی­‌طرف ایجاد کردند.

حتی برخی از اپلیکیشن‌ها فیلترهایی را به مجموعه‌ی “جلوگیری از تقلب” خود اضافه کردند، اما هنوز هم تفاوت‌های اساسی بین فن‌آوری ما و سایر فعالین این حوزه در ایران وجود دارد. تفاوت ما در اثر دو رویکرد است:

*   تحقیق مداوم در مورد روش‌های جدید تقلب و مقابله با آن­‌ها و یافتن نشانه و علامت منحصربه‌فرد از وجود تقلب‌.
*   پذیرش مسئولیت نسبت به اسناد رد شده، دور نگهداشتن مشتری از بحث‌های این‌چنینی و گفتگو با شبکه‌ی تبلیغاتی.

اکنون نگاهی دقیق‌تر به شناسایی و فیلتر برای تقلب و متقلبان می‌اندازیم.

### چه چیزی باعث تفاوت ما درتشخیص تقلب می‌شود؟

می‌دانیم که پیشگیری از تقلب باید با شناخت تقلب آغاز شود، زیرا نمی‌توانیم بدون آگاهی از آنچه وجود دارد با آن، مبارزه کنیم. مبحث “تشخیص تقلب” به عنوان یک فرایند مهم در تحلیل آماری مشاغل تبلیغاتی و فعالیت‌ بخش مارکتینگ اپلیکیشن‌ها مطرح می‌شود. در نظر داشته باشید که تجزیه و تحلیل آماری با آنالیز منطقی متفاوت است که در قسمت بعدی به آن خواهیم پرداخت.

نحوه تشخیص تقلب را می‌توان به دو نوع مجزا تقسیم کرد.

برای ویژگی تقلب Spoofed، تشخیص اکثراً بر روی شناسه‌هایی نظیر: IP‌های مبدا کلیک، نرخ تبدیل و کلیک کلی برای نصب زمان توزیع (CTIT) تمرکز دارد. تشخیص User Spoofed به رفتار کاربر نگاه می‌کند. آیا کاربران تراکنش دارند؟ آیا رفتار آنها از الگوی یک کاربر عادی (انسانی) پیروی می‌کند؟

اکثراً تشخیص تقلب قبل از رسیدن به چگونگی تقلب اتفاق می‌­افتد، مثلا فرض کنید یکی از صاحبان اپلیکیشن با مراجعه به پنل خود با نرخ تبدیل ۰.۰۵ از طرف یک شبکه‌­ی تبلیغاتی مواجه می‌­شود. در این مثال حتما تقلب اتفاق افتاده است اما از چگونگی این تقلب اطلاعاتی در دست نیست.

به عنوان مثال دیگر فرض کنید یک تیم تبلیغاتی، نرخ خرید انلاین توسط کاربرانی را بررسی می‌کند که از طریق ناشران مختلف جذب شده‌اند. در این حالت تیم تبلیغاتی نمی‌تواند تشخیص دهد که این کاربران واقعی هستند یا نه اما با محاسبه­‌ی متوسط ارزش آورده شده توسط بازدیدکنندگان هر شبکه (LTV) می­تواند وقوع تقلب را تشخیص دهد. در این مثال هم تشخیص وقوع تقلب قبل از تشخیص چگونگی تقلب اتفاق می‌­افتد.

ناگفته نماند استفاده از [ماشین لرنینگ](https://www.adjust.com/blog/perspectives/is-machine-learning-the-answer-to-fraud//) و هوش مصنوعی هم در تشخیص وقوع تقلب­‌ها می‌­تواند بسیار مفید باشد.

این مثال‌ها نشان می‌دهند که چرا ما تشخیص تقلب را اولین گام (و نه گام نهایی) برای جلوگیری از تقلب می‌دانیم. در واقع، ما اعتقاد داریم این دیدگاه که تشخیص تقلب به صورت تجربی در بخش مارکتینگ اپلیکیشن می‌تواند انجام شود، اثرات منفی زیادی بر اکوسیستم بازاریابی موبایلی خواهد داشت.

### تشخیص تقلب توسط راه حل مستقل از پلتفرم‌های اتریبیوشن

برای مثال تصور کنید که فردی قصد کلاهبرداری از حساب بانکی شما را دارد. اگر بانک به جای برخورد قاطع و مسدود کردن حساب شما تنها پیام هشدار برای شما ارسال کند، فقط به کلاهبردار اجازه­‌ی سوءاستفاده و کلاهبرداری از حساب شما را داده است.

تبلیغ‌کنندگانی که از ابزارهای ساده‌­ی کشف تقلب استفاده می‌کنند هم مشابه مثال بالا عمل می­‌کنند. دادن هشدار و اخطار پس از رخ دادن یک اتفاق تنها باعث می‌شود آن اکوسیستم در برابر خطرات احتمالی آسیب‌پذیرتر بشود و زمینه‌ساز شروع کلاهبرداری است.

در حالت ایده آل میزان  تقلب در این صنعت باید صفر باشد ولی واقعیت موجود با حالت ایده آل تفاوت زیادی دارد. اکثر تبلیغ­‌کنندگان قبل از تبلیغ، سعی در ایجاد ترافیک جعلی و تقلب می‌کنند و گزارش‌های ارائه شده از سمت اینگونه ناشران، به هیچ وجه قابل استناد نیست.. تنها اقدامی‌ که می‌توان برای جلوگیری از پرداخت هزینه به اینگونه ناشران انجام داد، ایجاد فیلترهای مناسبی هست که با رد و بدل کردن اطلاعات به صورت خودکار بین شبکه‌ها و تبلیغ کنندگان، داده‌ها را در لحظه داشته باشند.

### چه چیزی باعث ایجاد فیلتر مناسب برای تقلب می‌شود؟

بدون جدا کردن داده‌های جعلی، تبلیغ­‌کنندگانی که از تقلب استفاده نمی­‌کنند و ترافیک پاک دارند مزیت داشتن این ترافیک را از دست می‌­دهند. در نتیجه حتی آن­ها هم به ایجاد ترافیک ساختگی و تقلب متمایل می­شوند و نتیجه­‌ی آن افزایش داده‌های تقلبی و وجود داده‌های جعلی در گزارش داده‌های مشتری و کاهش اعتبار گزارش‌­ها می‌شود. به این ترتیب، فیلتر کردن داده‌ها برای جداسازی داده‌های درست از تقلبی، و شکستن این سیکل معیوب مهم‌ترین نتیجه سیستم پیشگیری از تقلب است.

در عین حال، همه فیلترها یک اثر یکسان ندارند. توجه داشته باشید چهار اصلی که پایه و اساس سیستم فیلتر پلتفرم ما را نشان می‌دهد به شرح زیر است:

*   پایین بودن نرخ مثبت
*   پایین بودن نرخ منفی
*   روند منطقی صعود و نزول نمودار
*   شفافیت

ما یکی از فیلتر تقلب را به این صورت تعریف می‌کنیم: مجموعه ای از شرایط منطقی که روند مثبت یا منفی کاذب تولید نمی‌کند یا (حداقل) میزان بسیار کمی ‌از آنها را تولید می‌کنند. از لحاظ منطقی این فیلترها باید واضح و شفاف باشند، به این معنی که  در پاسخ به سؤال “چرا این خصیصه رد شد؟” جوابی واضح، قابل درک و قابل اعتماد داشته باشد. یک فیلتر خوب باید بر اساس واقعیت‌های منطقی باشد و به مکانیزم‌هایی متکی باشد که هیچ متقلبی قادر به کنترل آن نباشد و توانایی دور زدن آن را نداشته باشد.

### روش‌ها را اجرا کنید.

به دلیل اینکه ما به تقلب در نصب را نمی‌­پذیریم و مسئولیت اتریبیوشن‌­های رد شده را می‌­پذیریم، ادعا می‌­کنیم داده­‌های ما بسیار قابل اعتماد بوده و از آن  دفاع می‌کنیم.

پیشگیری حداکثری از تقلب فقط یک مزیت بین پلتفرم‌های اتریبیوشن نیست. به عبارت دیگر نباید به ابزاری برای ماهی­گیری از آب گل‌­آلود تبدیل شوند تا پلتفرم‌ها در این بازی منفعت خود را افزایش بدهند. پلتفرم‌های شخص ثالث در این حالت مسٔولیت مهمی دارند که اگر به درستی انجام نشود، راه حل‌های ضد تقلب نتیجه عکس خواهد داشت و به پیشرفت کل اکوسیستم بازاریابی دیجیتال موبایل آسیب می‌رساند. اگر بدون توجه به تحقیقات لازم برای ایجاد یک فیلتر، راه‌ و روشی برای مقابله با تقلب در پیش بگیرند به عنوان یک عامل تخریبی برای کل اکوسیستم عمل می­کند. در دومین قسمت از سری تقلب موبایلی با چشم انداز جدیدی در مورد تقلب در تبلیغات مواجه شدیم. برای خواندن قسمت اول به مطلب زیر مراجعه نمایید. در بخش بعدی یک موضوع کاملاً جدید را پوشش خواهیم داد. اینکه آیا ماشین لرنینگ می‌تواند با منطق فیلترینگ انسان مطابقت داشته باشد یا خیر.