硕士毕业于英国伯明翰大学，就读高级计算机科学专业，毕业获得英国一等荣誉学位；作为流量反作弊项目算法负责人，负责设计与研发虚假流量查杀系统，自主研发多通道 3D Transformer 深度学习模型大大提升识别行为异常的能力。自主研发自我学习式查杀系统，使得系统能通过对抗性学习不断提升性能。

内容介绍

近些年，国内移动网络广告行业取得了爆发性的发展。面对这 7000 亿元的庞大市场，大量广告刷量黑产团伙也嗅到了这庞大利润，不断涌入广告市场进行大肆破话。据数据统计 2018 年虚假广告流量占总广告流量 30%，广告主一年损失约 260 亿人民币。而对抗黑产，反作弊的路上也充满了荆棘。随着反作弊团队打击力度加大，黑产作案手段与技术也不断地提高，有时候为了迷惑广告主，甚至会在业务表象数据上模拟真实用户，达到以假乱真的效果。

面对黑产不断地演进，反作弊团队不能墨守成规，必须灵活应对黑产不断变换“姿势”地一波又一波的攻击。这是一个攻防的过程，也是反作弊团队对抗性学习的过程。为此我们研发出一套可对抗性学习提升的广告流量反作弊查杀系统。

对于广告黑产不断变换姿态攻击广告平台，不断查找漏洞试图避开反作弊团队布下的层层防御设施，反作弊团队不能一直被动防守，要主动出击，主动寻找黑产的作弊方式。通过我们“查”模块，系统主动发现大量聚集且疑似刷量的行为，通过规则，情报与人工筛选锁定作案方式，并将相关信息记录至样本库当中。“杀”模块将“查”模块检测出的新的作弊方式融入模型训练当中。使我们的模型更全面地识别目前刷量行为。只要我们反作弊系统一直有流量进来，我们就能探测新的广告作弊方式，增强我们对虚假流量的识别能力，最终整个系统形成一个自我学习的良好闭环。