AI 反作弊核心算法因应用场景不同而有所差异，常见于广告、考试、游戏等领域，以下是相关介绍：

• 广告反作弊算法1：以阿里妈妈新一代反作弊平台 DNA 为例，其核心算法框架是 DeepString。该算法利用大模型学习业务自然规律，可在无监督场景下保障交付效果和时效。框架由事件挖掘、事件异常度量和对齐模型 3 个部分串行组成。事件挖掘通过启发式搜索找到让作弊流量增加更为明显的子空间；事件异常度量负责计算事件发生频次与理论值的差异；对齐模型以业务侧特有的信号做启发，集成决策，能针对风险演变有更强的召回效果，弱化领域经验，新接入场景也能覆盖大部分风险。

• 考试防作弊算法4：AI 防作弊考试系统主要依靠行为识别技术、多模态融合技术、智能环境检测技术等。通过计算机视觉和机器学习算法结合，利用先进的时序建模算法捕捉考生微表情、肢体动作等异常行为的动态特征。同时将视频流、音频流等多维度数据进行时空对齐和关联分析，提升判断准确率。还能通过深度包检测和人脸识别等技术，识别虚拟机特征、外接设备信息等上千个风险点。

• 游戏反作弊算法：通常基于深度学习算法构建检测模型3。如利用 LSTM 检测异常行为序列，通过游戏客户端埋点收集玩家操作数据、系统环境数据等，经过数据清洗与特征工程后，对模型进行训练，从而实时检测玩家的异常操作，如鼠标轨迹异常、DMA 作弊等6。此外，也会结合设备指纹聚类等技术，识别同一物理设备操控的多个虚拟账号5。

此外，在其他领域还有一些通用的反作弊算法思路，如基于图卷积网络的算法用于识别作弊网络2。通过捕捉具备大量共同属性的用户，根据共同属性构造边，合并各属性构造的子图，形成 Multi - View Graph，随后挖掘异常关联子图，以此来检测如虚假点赞、恶意评论等作弊行为2