如何用 IP 数据减少海外广告欺诈：分层过滤与信号组合

用 IP 数据减少海外广告欺诈，核心判断是：IP 数据能高效过滤低成本的机房流量和已知代理，但对住宅代理这种“IP 本身是真实家庭宽带”的欺诈形态，单靠 IP 字段远远不够。有效的做法是把 IP 数据作为分层过滤的第一道闸门，用网络类型和 ASN 快速剔除明显异常，再对“看起来正常”的住宅流量叠加行为与设备信号做二次判断。

第一层：用网络类型和 ASN 做快速定性

这是成本最低、吞吐最高的过滤层。广告请求进来后，先查 IP 的网络类型字段（net_type），区分住宅、移动、数据中心。数据中心 IP 归属于云服务商 ASN（如 AWS、阿里云），几乎可以直接判定为非真人流量——某 DSP 平台在过滤数据中心 IP 后，无效流量占比从 30% 降至 8%。

同时检查代理/VPN/Tor 的布尔标识。主流商业 IP 库在这一层提供基础字段。不同供应商的字段设计存在差异：MaxMind 的 Anonymous IP 数据库以独立标志位（is_anonymous、is_hosting_provider 等）提供二元判断，接入简单但无法区分代理类型或置信度；IPinfo 通过主动探测代理服务出口节点行为来生成标签，能提供代理服务商名称等辅助字段；Digital Element 的 Nodify 方案则强调用上下文信号评估风险，代理列表每日更新，其定位是减少误报而非单纯二元判断。免费库的问题在于这些标识基本不可用，或者更新以月计，而代理 IP 池轮换以小时甚至分钟计，滞后数据等于没有。

这一层的局限很明确：住宅代理的 IP 本身就是真实家庭宽带，网络类型显示“住宅”，ASN 是 Comcast 或 AT&T，从 IP 属性上看和正常用户完全一样。传统基于机房 IP 段的规则对它失效。

第二层：对住宅代理做主动探测与行为指纹

住宅代理是当前广告欺诈最难啃的部分。hCaptcha 的分析显示，在多家住宅代理服务商的总请求量中，具有广告欺诈特征的比例达到 20%–50%。CSA 的研究进一步指出，同一个家庭 IP 可能上一秒承载普通用户的浏览流量，下一秒就被租用该代理的黑产用于点击欺诈，网络层没有持久信号能区分二者。

应对这个问题的思路不是找“更准的 IP 库”，而是用主动探测和行为特征补充 IP 的静态标签。IPinfo 的做法是订阅数百个住宅代理服务作为注册用户，通过实际路由流量来验证哪些 IP 正在被用作代理出口、属于哪个服务商、最近出现时间，其住宅代理数据集每日更新。Digital Element 的 Nodify 方案通过分析数十种上下文信号评估风险，代理列表同样每日更新。IPQualityScore 的欺诈评分则偏行为历史，对近期滥用行为响应较快，但对长期未被报告的住宅代理可能漏判。

工程上更可行的是行为指纹。代理节点通常有可检测的特征：常见代理端口（8080、3128、1080）开放、IP 存活时间异常短（秒拨池常见几天内轮换）、TLS 指纹与 IP 归属地矛盾（一个“美国住宅 IP”的请求携带 Python-Requests 的 JA3 指纹）。这些信号不依赖 IP 库本身，但需要广告系统在请求层面采集。

第三层：地理与时间逻辑校验

这一层不直接判断 IP 类型，但能有效识别地域伪装。最典型的规则是“不可能的地理跳跃”：同一设备 ID 或用户 Token 在 5 分钟内，IP 归属地从北京跳到纽约，无论 IP 类型显示什么，都几乎可以确定使用了 VPN 或代理切换出口。

另一个辅助信号是时区与活跃时间矛盾。IP 归属巴西的用户持续在巴西时间凌晨 3 点产生大量点击，不符合自然人作息。这类规则简单但有效，适合在竞价前做快速拦截。

工程落点：离线库嵌入竞价链路

广告竞价（RTB）对延迟极度敏感，在线 API 的 P99 延迟在几十毫秒量级，不适合嵌入同步决策链路。可行的做法是将 IP 情报库编译为内存加载的离线数据，查询延迟控制在毫秒以内。字段裁剪到实际用到的几个——网络类型、代理标识、ASN——避免加载不需要的城市级地理数据。

一个需要接受的现实

IP 数据能解决的是“明显不是真人”的流量。对于模拟了正常浏览器指纹、通过真实住宅 IP 发起、行为模式也在刻意模仿人类的欺诈，IP 层的信号已经用尽。此时需要把 IP 风险分作为输入之一，结合设备指纹一致性、点击频率分布、转化链路 IP 一致性等信号做综合判断，而不是指望 IP 库给出一个“是欺诈”的确定答案。IPinfo 自己的文档也承认，住宅代理检测数据应作为风险上下文使用，而非确定性判决。

选型的实质不是找“最强的反欺诈库”，而是根据你的流量结构和欺诈形态，确定哪一层需要什么精度的信号。机房流量占比高的渠道，第一层的网络类型字段就够用；住宅代理泛滥的场景，第二层的主动探测和行为指纹才是关键。没有一个库能同时做好所有层的判断，组合使用比单点押注更可靠。