">淘宝商城事件中体现的一个技术问题：如何预防和防范恶意用户行为。
最近，由于淘宝商城涨价引起的中小卖家围攻大卖家的事件愈演愈烈。事件的各方都有自己的道理，而且从各自的角度看，都感觉很委屈。
我不想去讨论这件事里的是是非非，只想探讨一个很多网站都遇到的技术问题：如何反欺诈/反恶意用户行为。为了应对这次淘宝商城事件，淘宝的技术团队现在一定在加班开发防范恶意网购行为的技术。其实，很多网站也都有类似的需求：Google、百度需要防范恶意点击，新浪微博需要封堵小广告，赶集、58需要删除虚假发贴.。.
我曾经作为技术总监，在Google美国总部负责建立了Google的反欺诈/反恶意行为的技术平台，积累一些经验和方法。这里和各位朋友们分享一下。
首先，从宏观上看，有几个方面需要网站的领导了解：
1)好的产品机制是解决欺诈或恶意行为的最有效的方法。如果恶意行为普遍的发生在大量用户身上，那么要好好反思一下自己的产品机制了。这和社会制度有相通之处：好的制度使人向善，坏的制度诱人向恶。在合适的机制下，恶意行为的用户应该是少数人，当然这些少数人会大量重复的进行恶意行为以实现他们的商业目的。
2)防范恶意行为是一场博弈。你的对手在不断的学习你，研究你。道高一尺，魔高一丈。所以，一切方法都不是静止的，而是应该不断变化，不断改进的。
3)时刻关注对正常用户的影响。打击恶意行为的任何动作都可能有负作用。如果这些动作使正常用户在网站上的正常行为受到影响，那么就得不偿失了。
然后，我们来看看防范欺诈和恶意行为的战术方法都有哪些：
1)发现反常的用户行为。反常可以从以下的一些角度寻找：
反常的速率。例如，用户点击页面的速度，购买的频率。
反常的数量。例如，用户购买商品的数量和金额。
反常的动作。例如，一些正常用户不常做的动作，比如“登出账户”。
反常的分布。例如，用户的cookie age。
2)发现关联的用户账户。恶意用户是少数人，他们需要建立大量的账户来实施恶意行为，所以找到关联的、可能由相同的人建立的账户很有帮助。判断账户关联的线索非常多，比如cookie、IP、用户名、email、地址、电话、信用卡号.。.
3)关注新账户。因为有历史，所以老用户容易被判断。新用户的风险比较高，需要有特别的关注
4)数据挖掘技术。通过机器学习，可以找出很多因素和恶意用户的相关程度。很多人觉得数据挖掘、机器学习很神秘，其实简单的将，这些技术就是把定性的东西定量化。比如，从前面的方法(1)(2)(3)，你可以找到很多可能发现恶意用户的线索。把这些线索数字化，然后把历史的数据输入模型，你就可以定量地预测出未来的一个用户是否为恶意用户的概率了。
5)根据前面的恶意用户的概率，我们可以把一个用户分为黑、灰、白三类。黑的(明确的恶意用户)就自动封闭了，白的(明确正常用户)就自动放行并且未来尽量避免干扰。灰的需要进一步处理，往往会安排更多的检查方法，比如打个电话给用户。
6)延迟任何反馈信息给恶意用户。恶意用户和网站在博弈。他们越快了解网站是否发现了他们，就会越快做出改进。因此，我们对恶意用户的处置需要做一些迷惑处理，从而使恶意用户花更长的时间才能知道自己已被发现。
实施好这些方法，恶意行为就应该可以被控制住了。简单的讲，一个用户偶尔的一次恶意行为是很难被防范的，但是使用这些方法可以使试图多次实行恶意行为的成本变得很高，从而击退恶意用户。
最后，忍不住说一句，这次淘宝商城事件也说明了过度依赖单一渠道的风险。无论反应激烈的中小卖家，还是无辜被攻击的大卖家，都非常集中的依赖淘宝作为销售渠道。一旦这个渠道出现了系统性问题，那么这些卖家就会受到严重的影响。在技术领域，类似这种问题被称作单点故障(single point of failure)，它是各个技术团队非常注意和避免发生的问题。