机器学习互联网业务安全实践

互联网产业正在从IT时代迈入DT时代（数据时代），同时互联网产业的繁荣也催生了黑灰产这样的群体。那么，在数据时代应该如何应对互联网业务安全威胁？机器学习技术在互联网业务安全领域的应用正是答案。本书首先从机器学习技术的原理入手，自成体系地介绍了机器学习的基础知识，从数学的角度揭示了算法模型背后的基本原理；然后介绍了互联网业务安全所涉及的重要业务场景，以及机器学习技术在这些场景中的应用实践；最后介绍了如何应用互联网技术栈来建设业务安全技术架构。作者根据多年的一线互联网公司从业经验给出了很多独到的见解，供读者参考。本书既适合机器学习从业者作为入门参考书，也适合互联网业务安全从业者学习黑灰产对抗手段，帮助他们做到知己知彼，了解如何应用机器学习技术来提高与黑灰产对抗的能力。

王帅，花名“莲华”，美丽联合集团（蘑菇街）安全部风控算法技术负责人。2015年初加入蘑菇街，主要负责风控相关的反作弊算法，从无到有搭建了电商平台的风控策略架构体系，主要研究方向是基于机器学习的风控算法策略。

吴哲夫，本科就读于山东大学，研究生就读于北京大学，曾在微软亚洲研究院实习，毕业后就职于阿里巴巴（北京），现供职于美丽联合集团。

√ 垃圾注册|刷单|薅羊毛|信息泄露，反欺诈|反爬虫|账户安全|内容安全|信贷安全，完整方案|成熟体系与一手实践。

√ 利用机器学习扩大风险识别范围|提高风险识别的准确度|提升业务安全的自动化水平，跨安全与AI领域的入行指南。

√ 业务安全从业者可用来快速选择至优机器学习方案，算法工程师可用来了解ML业务安全应用独特之处以备深入研究。

√ 覆盖真实安全业务场景|机器学习算法原理|算法实现优化与生产环境上线迭代，与常胜高手过招一般快速提升功力。

推荐序一

2016年3月，AlphaGo战胜李世石，人工智能一下子又成为被广泛讨论的热门话题。这两年人工智能发展得非常快，深度学习为语音、文本和图像处理带来了很多突破。机器学习在各种业务场景中有很重要的应用价值。市面上介绍机器学习的书有不少，介绍互联网业务安全的书也有一些，但是介绍机器学习在互联网业务安全领域实践的书，并不多。

本书开篇概述了互联网业务安全的内涵，接着就进入正题介绍机器学习的内容，从机器学习的入门知识到模型再到具体工程的实施，让缺少相关经验的读者能够比较容易地顺着这个思路了解对应内容。后面的章节更多的是围绕具体业务安全工作而展开的，内容十分丰富。更重要的是，这些都是两位作者在实际业务场景中的实战经验的总结。从我个人的角度看，这些在业务场景中积累的经验更加宝贵，就好比是真的上了战场而且打了胜仗的高手所分享的经验，弥足珍贵。

希望本书能够给读者带来更多的帮助。

——曾宪杰 蘑菇街副总裁

推荐序二

当我突然收到王帅同学的《机器学习互联网业务安全实践》初稿时，既感到惊讶也感到佩服。惊讶的是，在我印象中还是个毛头小伙子的他，已经能拿着自己的著作出现在我面前。佩服的是，写书毕竟是一件非常繁杂辛苦的事情，王帅同学虽然研究生毕业才5年，但却有勇气也乐意在繁忙的工作之余，花功夫将理论知识和自己的实践经验总结成书，造福读者。

回想起来，王帅读研期间一直都是一位发展全面、表现优秀的学生。学习成绩好，自不必说，他是2010年从哈尔滨工业大学保送到华中科技大学图像所（2013年已与自控系合并为自动化学院）读研的，读研期间课程成绩名列前茅。最突出的是他的科研动手能力，那段时间我们刚好承担了一项国家工程的关键技术攻关任务，由于问题的特殊性，几乎没有可参考借鉴的资料，而且时间紧、任务重，王帅作为主力承担了其中的两项研究工作，均圆满完成任务，得到单位的好评。另一方面，王帅还是当时图像所研究生会的主席，积极为同学服务，把所里的学生工作开展得有声有色，除了组织日常的学术交流活动，文体活动也举办得丰富多彩，拿了学校不少的奖，很有影响力。

这几年，人工智能在媒体的高度关注下热度爆棚，技术发展极为迅速，新思想、新方法、新算法层出不穷，应用领域也在不断扩大。如果仅靠在学校学习的知识，显然是不能适应这个领域日新月异的发展的，每一个技术人员在工作中都必须有很强的自学能力，不断提高自身素质，才能跟上技术发展的步伐。显然，王帅做到了不断学习、不断进步。他能写这本书就是最好的证明。

这本书的意义不仅仅在于王帅同学对自己的前期工作做了很好的总结，更重要的是，业务安全是一个充满激烈对抗的领域，如何应对黑灰产对互联网平台的攻击是每一位相关技术从业者都需要思考的问题，本书对于那些刚入职场、刚进入业务安全领域的新人来说，具有很强的指导意义，能让他们很快将书本知识和实际应用相连接，尽快达到工作要求。当然，这本书将机器学习理论与业务安全相结合，也能让这个领域的从业者受到启发，具有“抛砖引玉”的作用。

最后，希望王帅同学戒骄戒躁，继续努力，为机器学习在业务安全领域中的应用做出更多贡献。

——曹治国 教授，华中科技大学自动化学院院长

序言一

写下本文的此刻，我正坐在从杭州前往北京的G40次列车上，准备参加第二天在北京理工大学举办的MLA 2017会议。北京是我开始参加工作的地方，也是我第一次实习的地方，对于北京，我是很有感情的。而对于杭州，则怀着难以名状的情愫，从古至今，无数文人墨客在此留下印记，其中李叔同先生的“未能抛得杭州去，一半勾留是此湖”给我的印象最为深刻。所以2015年春节后，我毅然从百度离开加入蘑菇街（现在的美丽联合集团，简称美联），在反作弊团队工作。工作的方向也从搜索算法策略转到了业务安全算法策略。我们的团队从最初仅有反作弊相关算法策略，到现在机器学习算法能够服务于主要的业务安全场景，算法技术的迭代与优化历经了近3年的时间。虽然与BATJ等巨头相比，我们的体量还有较大的差距，但是“麻雀虽小，五脏俱全”，当前我们的业务安全算法策略体系基本涵盖了统计机器学习方法、深度学习方法和复杂网络的相关算法。

在2018年51CTO组织的WOT峰会 和唯品会组织的城市沙龙上海站 中，我们的团队都分享了在美联业务安全场景中使用机器学习方法的一些心得体会和实践经验，收到了较好的反响。在会议期间，我们和同行们针对当前所面临的问题做了深入的交流。而我个人也在CSDN的博客上发表文章，剖析和分享生产环境中涉及的一些算法原理知识。正是因为这些文章，电子工业出版社的张春雨先生辗转找到我，希望我能写一本关于如何在业务安全中应用机器学习的书籍。说实话，一开始我是非常“紧张”的，一是考虑到业务安全的范围实在太大，自己平时接触的工作还是有一定的局限的；二是机器学习这个领域内的经典图书很多，李航博士的《统计学习方法》和周志华老师的《机器学习》（俗称“西瓜书”）都广受好评，我来写书岂不是班门弄斧？而与张春雨先生深入沟通后，我逐渐打消了顾虑，也明确了本书的定位。

幸运的是，我们团队内新加入的盖世（花名）同学对于此事非常感兴趣，再加上其个人在机器学习领域也积累了不少经验，所以我们一拍即合，欣然接受了张春雨先生的邀请，决定为互联网业务安全中的机器学习技术做一点小小的贡献。

本书旨在为工程技术人员提供一份在业务安全中实践机器学习技术的入门指南，内容包括业务的背景、机器学习算法的原理、算法的实现与优化，以及在生产环境中算法的上线与迭代方法。如果我们踩过的“坑”和积淀的经验能够为相关从业者带来一些启发，我们就心满意足了。

此时列车刚开过济南西站，窗外已经是茫茫黑夜，正如黑灰产和“羊毛党”们所处的隐蔽之处。与这些不法分子对抗是业务安全从业者的职责，而机器学习技术也许就是划破这黑暗的一束光，为我们赢得胜利带来可能。希望此书可以让这束光愈加明亮。

——王帅

序言二

作为一个科班出身的计算机从业人员，深知在机器学习领域摸爬滚打的不易。在山东大学学习期间，我学的是软件工程，对编程有浓厚的兴趣，陈竹敏老师认可我的才能，并让我参加与美国得克萨斯州大学的合作项目，还推荐我继续读研究生。在读研的两年期间，北大的杨雅辉老师对我的学习给予了极多的指导。后来，我又跟随微软亚洲研究院的袁进辉老师学习，收获良多，从一个动手能力极弱的“小白”成长为能熟练编写代码的机器学习工程师。现在从业三年，也指导了许多学弟、学妹进入职场，希望自己也能像我的老师们一样无私地传授知识。

回想自己学习机器学习的经历，感慨良多。本科毕业时，尽管已经学习了《微积分》《线性代数》《离散数学》《数理统计》《计算机组成原理》《编译原理》《操作系统》《算法导论》《运筹学》等教材，我却并没有见到这些本应有极高价值的书本知识在实际工作中发挥多大的作用，因此十分迷茫。当时陈竹敏老师推荐我继续深造，从此折节读书，半载后来到梦寐以求的学府——北京大学。感谢我的室友，他们的专业（自然语言处理和机器学习）对我产生了极大的影响，也终于看到了自己投入时间学习的课程知识能够发挥的价值。为了不至于落后周围人太多，我深居简出，自学了《数值分析》《测度论》《代数》《统计学》《贝叶斯统计》《图论》《矩阵论》《凸优化》等教材，并且了解与学习了衍生的应用学科知识，研读《机器学习》《密码学》《应用回归分析》《组合数学》等书籍。工作以后，虽然有很多想要深入学习的细分理论知识，买了《实变函数与泛函分析》《博弈论》《拓扑学》等图书，但是一直苦于没有足够的时间，这些书籍已经在书架上落灰了。

上面罗列了一些教材，其实是想给在校的学生朋友学习机器学习提供一个书单。当然，纸上学来终觉浅，绝知此事要躬行，任何理论知识只有在实际场景中应用或实验，才能加深理解。

作为一个机器学习领域的新人，我也在不断认真学习机器学习的理论，希望能够在工作中充分应用所学知识。我曾在传统行业工作，后来进入大数据领域，在电商行业摸爬滚打。我觉得人应该脚踏实地，无论身处何种行业，都应该在一个专业领域深入地学习。现在，我已经是一个父亲，肩上的责任越来越重，但是我十分感恩。感谢家人，让我学会了真诚待人，享受生活中的一切美好。

——吴哲夫

前言

机器学习学科的发展大体经历了规则学习、统计学习、深度学习这三大阶段。从最早的结构化的人机赛棋，到广泛领域的知识问答，再到当下红极一时的自动驾驶等工业领域，机器学习已经被成功应用到模式识别、数据挖掘、自然语言处理、人工智能、语音识别、图像识别等各个领域，并且被综合应用到信息检索、生物信息技术、自动驾驶、无人机、AR/VR、医疗、教育等各个行业。

机器学习的很多方法在原理上是相通的，只不过适用的领域不同。机器学习的能力比较强大，应用范围广泛，要解决的问题多且繁杂，因此并不存在一个适用于所有问题的结构化方法。这就要求机器学习工程师具备较高的素质，除了掌握计算机科学基础的三个方面的知识（系统、软件、理论），还要对机器学习算法有深入的了解，只有这样才可以搭建出一个适用于工业界应用的好框架。

基础决定深度。一般来讲，机器学习由模型（建模）、策略（学习方法）、算法（实现）三部分组成，叫作机器学习三要素。这三部分层层递进，推理的难度逐渐增加，对人的要求也不一样：在建模过程中需要有理解能力，在设计学习方法时需要有数学推理能力，最终将学习方法实现为算法时需要有转化能力。当然，一些资深的程序员或者ACM（Association for Computing Machinery）竞赛的参赛者，本身有非常强的代码理解能力，这些能力能帮助他们理解算法，并进一步理解机器学习的过程。

要想成为一名优秀的机器学习工程师，必须有良好的数学基础。在本科阶段学习的数值分析、线性代数、概率与统计、离散数学等课程知识，对于理解大多数模型来说已经足够了。概率与统计及离散数学是理解模型的基础，线性代数决定了你实现算法的能力，数值分析决定了推衍过程。

第1章 互联网业务安全简述 1
1．1 互联网业务安全现状 1
1．2 如何应对挑战 4
1．3 本章小结 6
参考资料 6
第2章 机器学习入门 8
2．1 相似性 9
2．1．1 范数 9
2．1．2 度量 12
2．2 矩阵 20
2．2．1 线性空间 20
2．2．2 线性算子 24
2．3 空间 33
2．3．1 内积空间 33
2．3．2 欧几里得空间（Euclid space） 34
2．3．3 酉空间 37
2．3．4 赋范线性空间 38
2．3．5 巴拿赫空间 39
2．3．6 希尔伯特空间 43
2．3．7 核函数 44
2．4 机器学习中的数学结构 46
2．4．1 线性结构与非线性结构 46
2．4．2 图论基础 47
2．4．3 树 56
2．4．4 神经网络 62
2．4．5 深度网络结构 80
2．4．6 小结 95
2．5 统计基础 96
2．5．1 贝叶斯统计 96
2．5．2 共轭先验分布 99
2．6 策略与算法 106
2．6．1 凸优化的基本概念 106
2．6．2 对偶原理 120
2．6．3 非线性规划问题的解决方法 129
2．6．4 无约束问题的最优化方法 134
2．7 机器学习算法应用的经验 145
2．7．1 如何定义机器学习目标 145
2．7．2 如何从数据中获取最有价值的信息 149
2．7．3 评估模型的表现 154
2．7．4 测试效果远差于预期怎么办 156
2．8 本章小结 159
参考资料 160
第3章 模型 163
3．1 基本概念 163
3．2 模型评价指标 166
3．2．1 混淆矩阵 167
3．2．2 分类问题的基础指标 167
3．2．3 ROC曲线与AUC 171
3．2．4 基尼系数 173
3．2．5 回归问题的评价指标 175
3．2．6 交叉验证 175
3．3 回归算法 177
3．3．1 最小二乘法 177
3．3．2 脊回归 181
3．3．3 Lasso回归线性模型 181
3．3．4 多任务Lasso 181
3．3．5 L1、L2正则杂谈 182
3．4 分类算法 183
3．4．1 CART算法 183
3．4．2 支持向量机 186
3．5 降维 188
3．5．1 贝叶斯网络 189
3．5．2 主成分分析 195
3．6 主题模型LDA 198
3．6．1 马尔可夫链蒙特卡罗法 198
3．6．2 贝叶斯网络与生成模型 199
3．6．3 学习方法在LDA中的应用 206
3．7 集成学习方法（Ensemble Method） 215
3．7．1 Boosting方法 216
3．7．2 Bootstrap Aggregating方法 220
3．7．3 Stacking方法 221
3．7．4 小结 222
参考资料 223
第4章 机器学习实践的基础包 226
4．1 简介 226
4．2 Python机器学习基础环境 228
4．2．1 Jupyter Notebook 228
4．2．2 Numpy、Scipy、Matplotlib和pandas 231
4．2．3 scikit-learn、gensim、TensorFlow和Keras 250
4．3 Scala的基础库 266
4．3．1 Zeppelin 266
4．3．2 Breeze 267
4．3．3 Spark MLlib 276
4．4 本章小结 281
参考资料 282
第5章 机器学习实践的金刚钻 283
5．1 简介 283
5．2 XGBoost 284
5．3 Prediction IO（PIO） 287
5．3．1 部署PIO 287
5．3．2 机器学习模型引擎的开发 294
5．3．3 机器学习模型引擎的部署 296
5．3．4 PIO系统的优化 297
5．4 Caffe 298
5．5 TensorFlow 304
5．6 BigDL 306
5．7 本章小结 308
参考资料 308
第6章 账户业务安全 310
6．1 背景介绍 310
6．2 账户安全保障 312
6．2．1 注册环节 312
6．2．2 登录环节 314
6．3 聚类算法在账户安全中的应用 315
6．3．1 K-Means算法 315
6．3．2 高斯混合模型（GMM） 317
6．3．3 OPTICS算法和DBSCAN算法 326
6．3．4 应用案例 331
6．4 本章小结 334
参考资料 334
第7章 平台业务安全 335
7．1 背景介绍 335
7．2 电商平台业务安全 338
7．3 社交平台业务安全 343
7．4 复杂网络算法在平台业务安全中的应用 346
7．4．1 在电商平台作弊团伙识别中的应用 346
7．4．2 在识别虚假社交关系中的应用 351
7．5 本章小结 353
参考资料 354
第8章 内容业务安全 355
8．1 背景介绍 355
8．2 如何做好内容业务安全工作 357
8．2．1 面临的挑战 357
8．2．2 部门协作 358
8．2．3 技术体系 359
8．3 卷积神经网络在内容业务安全中的应用 361
8．3．1 人工神经网络（Artificial Neural Network） 361
8．3．2 深度神经网络（Deep Neural Network） 367
8．3．3 卷积神经网络（Convolutional Neural Network） 379
8．3．4 应用案例 392
8．4 本章小结 405
参考资料 405
第9章 信息业务安全 406
9．1 背景介绍 406
9．2 反欺诈业务 407
9．3 反爬虫业务 412
9．3．1 验证问题的可分性 412
9．3．2 提升模型效果 413
9．4 循环神经网络在信息安全中的应用 414
9．4．1 原始RNN（Vanilla RNN） 414
9．4．2 LSTM算法及其变种 415
9．4．3 应用案例 419
9．5 本章小结 429
参考资料 430

第10章 信贷业务安全 432
10．1 背景介绍 432
10．2 信贷业务安全简介 434
10．3 分类算法在信贷业务安全中的应用 438
10．3．1 典型分类算法的介绍 438
10．3．2 应用案例：逻辑回归模型在信贷中风控阶段的应用 463
10．4 本章小结 468
参考资料 469
第11章 业务安全系统技术架构 470
11．1 整体介绍 470
11．2 平台层 471
11．3 数据层 473
11．4 策略层 474
11．5 服务层 480
11．6 业务层 481
11．7 本章小结 484
参考资料 484
第12章 总结与展望 486
12．1 总结 486
12．2 展望 487
参考资料 489
后记一 490
后记二 491
本书常见数学符号定义 492