Детекція мультиакаунтингу: від сигналів браузера до графа акаунтів
Мультиакаунтинг в iGaming — не просто втрата бонусів, а обхід лімітів самоісключення, зловживання welcome-бонусами та ухилення від KYC/AML верифікації. Один гравець створює десятки акаунтів, використовуючи різні браузери, VPN та віртуальні картки. Традиційні правила (збіг IP або номера картки) легко обходяться. На практиці це означає, що оператор втрачає до 30% бонусного бюджету через мультиакаунтинг, а служба безпеки витрачає години на ручні перевірки. Наш досвід показує: ефективна детекція будується на неконтрольованих сигналах — тих, які користувач не може змінити усвідомлено: поведінкова біометрія, device fingerprint, граф платежів. Ми розробили систему, що комбінує device fingerprinting, поведінкову біометрію, граф-аналіз платежів та машинне навчання. У цій статті розберемо, які сигнали працюють, як будується граф зв'язків і чому ризик-скоринг знижує false positive. Результат — точність детекції до 97% при false positive rate менше 5%.
Сигнали для аналізу: device fingerprint, біометрія, граф платежів
Device Fingerprinting — сукупність технічних характеристик пристрою. Комбінація унікальна в 94–97% випадків (Canvas fingerprinting). Збираємо:
- Canvas fingerprint (рендеринг через Canvas API)
- WebGL параметри (GPU ID, рендерер, розширення)
- AudioContext fingerprint
- Встановлені шрифти, плагіни, роздільна здатність екрану
- Navigator properties, часовий пояс, мова
Одна людина з кількома акаунтами часто використовує один пристрій. Нечітке порівняння через Jaccard similarity та Hamming distance знаходить схожі fingerprints навіть при невеликих змінах (наприклад, оновлення браузера).
Поведінкова біометрія — траєкторія миші, інтервали між кліками, швидкість набору — ці патерни унікальні для кожної людини, як відбиток пальця. Навіть з VPN та іншим браузером моторні звички залишаються. Використовуємо LSTM на часових рядах подій миші/клавіатури. Cosine similarity між behavioral embeddings різних акаунтів виявляє одного користувача з точністю >95%.
Payment Graph — банківські картки, електронні гаманці. Граф-аналіз: акаунт A поповнює карткою X, картка X раніше використана для поповнення акаунта B — зв'язок ймовірний. Транзитивне замикання графа розкриває кластери пов'язаних акаунтів. Вага ребра залежить від типу: shared payment method = високий, shared public IP = низький (NAT).
IP та мережева історія — один VPN-провайдер, одна підмережа, патерни одночасних сесій. Temporal correlation: акаунт A виходить, акаунт B входить з того ж IP через 30 секунд — сильний сигнал.
KYC-порівняння документів — Face Recognition для порівняння фото, OCR + NLP для вилучення та зіставлення даних. Спільний паспорт на двох акаунтах — 100% зв'язок.
Як граф-аналіз виявляє приховані зв'язки?
Ключовий компонент — граф, де вузли — акаунти, ребра — спільні ознаки (device, IP, payment, behavioral similarity). Community detection алгоритмами Louvain або Leiden знаходимо кластери. Ваги ребер різні: збіг платіжного засобу — вага 0.9, спільного IP — 0.3. Зважена агрегація дає score зв'язку. Результат — до 40% зв'язків не видно при аналізі одного сигналу.
Приклад: кластеризація бонус-хантерів
На одному з проектів опрацювали 2 млн акаунтів. Граф виявив 1500 кластерів по 3–15 акаунтів, з яких 80% підтвердилися ручною перевіркою. Приховані зв'язки через спільний device fingerprint + поведінковий embedding показали precision 97%.
Чому ризик-скоринг важливіший за бінарне рішення?
Підсумковий ризик-скор = f(device similarity, behavioral similarity, payment graph, IP history). Шкала 0–100:
| Діапазон | Дія |
|---|---|
| 0–30 | Звичайний акаунт |
| 31–60 | Моніторинг + дод. верифікація при бонусах |
| 61–80 | Блокування бонусів, посилений KYC |
| 81–100 | Негайна перевірка, заморозка |
Score — не вирок, а підстава для додаткової перевірки. Черга рев'юверів отримує пояснення: «Ці 3 акаунти пов'язані через спільний device fingerprint + платіжний метод». Precision/recall налаштовується під бізнес-цілі: низький threshold = менше шахрайства, але більше false positive.
Управління хибними спрацьовуваннями
Сім'ї з одним комп'ютером — легітимний випадок схожих fingerprints. Подружжя зі спільною карткою — теж. Наш підхід: вага кожного сигналу налаштовується, community detection враховує «сімейні» профілі. False positive rate нижче 5% при recall 85%.
Порівняння підходів:
| Підхід | Precision | Recall | False Positive |
|---|---|---|---|
| Rule-based | 60-70% | 50-60% | 10-15% |
| ML на 5 сигналах | 85-90% | 75-80% | 5-8% |
| Граф + біометрія + LSTM | 94-97% | 85-90% | <5% |
Наша комбінація графа + біометрії + LSTM в 3–4 рази ефективніша за rule-based детекцію. Це дає суттєву економію бюджету за рахунок зниження збитків від бонус-хантерів і зменшує навантаження на службу безпеки.
Що входить в роботу
- Аудит поточних даних та підготовка звіту з рекомендаціями.
- Розробка та налаштування пайплайнів збору сигналів (device fingerprint, поведінкова біометрія, платіжний граф, IP-історія, документи).
- Навчання та валідація моделі на ваших даних: LSTM для поведінкової біометрії, графові алгоритми Louvain/Leiden.
- Інтеграція через REST API або вебхуки — документація, тестовий контейнер, SLA.
- Навчання вашої команди: dashboard, налаштування threshold, інтерпретація графа зв'язків, реагування на alerts.
- Супровід протягом 3 місяців після впровадження: моніторинг, донавчання, коригування моделі за вашими даними.
Процес впровадження
- Аудит даних — аналіз історичних логів, визначення ключових сигналів.
- Розробка пайплайнів — збір сигналів через JavaScript fingerprinting, трекінг подій, інтеграція з платіжним шлюзом.
- Навчання моделі — LSTM для поведінкової біометрії, графові алгоритми для зв'язків.
- Інтеграція — API для передачі ризик-скорів у вашу CRM/Platform.
- Навчання команди — як читати граф, налаштовувати threshold, реагувати на alerts.
- Супровід — моніторинг, донавчання при появі нових патернів.
Термін впровадження — 6–10 тижнів залежно від складності інтеграції. Вартість розраховується індивідуально. Досвід — за нами більше 50 проектів в iGaming, FinTech та E-commerce. Гарантуємо адаптацію під вашу інфраструктуру та SLA по точності. Отримайте консультацію: обговоримо ваші сценарії та підберемо оптимальне рішення. Замовте оцінку вашого проекту — ми підготуємо пропозицію.