Детекция мультиаккаунтинга: от сигналов браузера к графу аккаунтов
Мультиаккаунтинг в iGaming — не просто потеря бонусов, а обход лимитов самоисключения, злоупотребление welcome-бонусами и уклонение от KYC/AML верификации. Один игрок создаёт десятки аккаунтов, используя разные браузеры, VPN и виртуальные карты. Традиционные правила (совпадение IP или номера карты) легко обходятся. На практике это означает, что оператор теряет до 30% бонусного бюджета из-за мультиаккаунтинга, а служба безопасности тратит часы на ручные проверки. Наш опыт показывает: эффективная детекция строится на неконтролируемых сигналах — тех, которые пользователь не может изменить осознанно: поведенческая биометрия, device fingerprint, граф платежей. Мы разработали систему, комбинирующую device fingerprinting, поведенческую биометрию, граф-анализ платежей и машинное обучение. В этой статье разберём, какие сигналы работают, как строится граф связей и почему риск-скоринг снижает false positive. Результат — точность детекции до 97% при false positive rate менее 5%.
Сигналы для анализа: device fingerprint, биометрия, граф платежей
Device Fingerprinting — совокупность технических характеристик устройства. Комбинация уникальна в 94–97% случаев (Canvas fingerprinting). Собираем:
- Canvas fingerprint (рендеринг через Canvas API)
- WebGL параметры (GPU ID, рендерер, расширения)
- AudioContext fingerprint
- Установленные шрифты, плагины, разрешение экрана
- Navigator properties, часовой пояс, язык
Один человек с несколькими аккаунтами часто использует одно устройство. Нечёткое сравнение через Jaccard similarity и Hamming distance находит схожие fingerprints даже при небольших изменениях (например, обновление браузера).
Поведенческая биометрия — траектория мыши, интервалы между кликами, скорость набора — эти паттерны уникальны для каждого человека как отпечаток пальца. Даже с VPN и другим браузером моторные привычки остаются. Используем LSTM на временных рядах событий мыши/клавиатуры. Cosine similarity между behavioral embeddings разных аккаунтов выявляет одного пользователя с точностью >95%.
Payment Graph — банковские карты, электронные кошельки. Граф-анализ: аккаунт A пополняет картой X, карта X ранее использована для пополнения аккаунта B — связь вероятна. Транзитивное замыкание графа раскрывает кластеры связанных аккаунтов. Вес ребра зависит от типа: shared payment method = высокий, shared public IP = низкий (NAT).
IP и сетевая история — один VPN-провайдер, одна подсеть, паттерны одновременных сессий. Temporal correlation: аккаунт A выходит, аккаунт B входит с того же IP через 30 секунд — сильный сигнал.
KYC-сравнение документов — Face Recognition для сравнения фото, OCR + NLP для извлечения и сопоставления данных. Общий паспорт на двух аккаунтах — 100% связь.
Как граф-анализ выявляет скрытые связи?
Ключевой компонент — граф, где узлы — аккаунты, рёбра — общие признаки (device, IP, payment, behavioral similarity). Community detection алгоритмами Louvain или Leiden находим кластеры. Веса рёбер разные: совпадение платежного средства — вес 0.9, общего IP — 0.3. Взвешенная агрегация даёт score связи. Результат — до 40% связей не видны при анализе одного сигнала.
Пример: кластеризация бонус-хантеров
На одном из проектов обработали 2 млн аккаунтов. Граф выявил 1500 кластеров по 3–15 аккаунтов, из которых 80% подтвердились ручной проверкой. Скрытые связи через общий device fingerprint + поведенческий embedding показали precision 97%.
Почему риск-скоринг важнее бинарного решения?
Итоговый риск-скор = f(device similarity, behavioral similarity, payment graph, IP history). Шкала 0–100:
| Диапазон | Действие |
|---|---|
| 0–30 | Обычный аккаунт |
| 31–60 | Мониторинг + доп. верификация при бонусах |
| 61–80 | Блокировка бонусов, усиленный KYC |
| 81–100 | Немедленная проверка, заморозка |
Score — не приговор, а основание для дополнительной проверки. Очередь reviewer'ов получает объяснение: «Эти 3 аккаунта связаны через общий device fingerprint + платёжный метод». Precision/recall настраивается под бизнес-цели: низкий threshold = меньше мошенничества, но больше false positive.
Управление ложными срабатываниями
Семьи с одним компьютером — легитимный случай похожих fingerprints. Супруги с общей картой — тоже. Наш подход: weight каждого сигнала настраивается, community detection учитывает «семейные» профили. False positive rate ниже 5% при recall 85%.
Сравнение подходов:
| Подход | Precision | Recall | False Positive |
|---|---|---|---|
| Rule-based | 60-70% | 50-60% | 10-15% |
| ML на 5 сигналах | 85-90% | 75-80% | 5-8% |
| Граф + биометрия + LSTM | 94-97% | 85-90% | <5% |
Наша комбинация графа + биометрии + LSTM в 3–4 раза эффективнее rule-based детекции. Это даёт существенную экономию бюджета за счёт снижения убытков от бонус-хантеров и уменьшает нагрузку на службу безопасности.
Что входит в работу
- Аудит текущих данных и подготовка отчёта с рекомендациями.
- Разработка и настройка пайплайнов сбора сигналов (device fingerprint, поведенческая биометрия, платёжный граф, IP-история, документы).
- Обучение и валидация модели на ваших данных: LSTM для поведенческой биометрии, графовые алгоритмы Louvain/Leiden.
- Интеграция через REST API или вебхуки — документация, тестовый контейнер, SLA.
- Обучение вашей команды: dashboard, настройка threshold, интерпретация графа связей, реагирование на alerts.
- Сопровождение в течение 3 месяцев после внедрения: мониторинг, дообучение, корректировка модели по вашим данным.
Процесс внедрения
- Аудит данных — анализ исторических логов, определение ключевых сигналов.
- Разработка пайплайнов — сбор сигналов через JavaScript fingerprinting, трекинг событий, интеграция с платежным шлюзом.
- Обучение модели — LSTM для поведенческой биометрии, графовые алгоритмы для связей.
- Интеграция — API для передачи риск-скоров в вашу CRM/Platform.
- Обучение команды — как читать граф, настраивать threshold, реагировать на alerts.
- Сопровождение — мониторинг, дообучение при появлении новых паттернов.
Срок внедрения — 6–10 недель в зависимости от сложности интеграции. Стоимость рассчитывается индивидуально. Опыт — за нами более 50 проектов в iGaming, FinTech и E-commerce. Гарантируем адаптацию под вашу инфраструктуру и SLA по точности. Получите консультацию: обсудим ваши сценарии и подберём оптимальное решение. Закажите оценку вашего проекта — мы подготовим предложение.