Automation and modeling in design and management Automation and modeling in design and management Автоматизация и моделирование в проектировании и управлении 2658-3488 2658-6436 126253 10.30987/2658-6436-2026-2-78-84 Управление в организационных системах Management in organizational systems Управление в организационных системах INTELLIGENT AUTOMATED SYSTEM FOR MANAGING APPLICATION FLOWS OF THE TARGETED REWARD PLATFORM ИНТЕЛЛЕКТУАЛЬНАЯ АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ ПОТОКАМИ ЗАЯВОК ПЛАТФОРМЫ ЦЕЛЕВОГО ВОЗНАГРАЖДЕНИЯ Щербачев Никита Олегович Shcherbachev Nikita Olegovich Юй Дуань Yu Duan https://orcid.org/0000-0003-3898-7819 Карлова Татьяна Владимировна Karlova Tatyana Viacheslavovna karlova-t@yandex.ru

доктор социологических наук;кандидат технических наук;

doctor of sociological sciences;candidate of technical sciences;

 Институт конструкторско-технологической информатики Российской академии наук Россия Institute for Design-Technological Informatics of the Russian Academy of Sciences Russian Federation Институт конструкторско-технологической информатики Российской академии наук Россия Institute for Design-Technological Informatics of the Russian Academy of Sciences, Moscow, Russia Russian Federation Институт конструкторско-технологической информатики РАН Москва Россия Institute for design-technological Informatics of the RAS Moscow Russian Federation 30 06 2026 30 06 2026 2026 2 78 84 16 04 2026 30 04 2026 https://zh-szf.ru/en/nauka/article/126253/view

Целью исследования является разработка архитектуры интеллектуальной автоматизированной системы управления потоками заявок на платформе целевого вознаграждения (CPA-платформе), объединяющей четыре функциональных модуля в замкнутый контур. Решаемая задача – комплексная автоматизация управления, включающая обнаружение мошеннического трафика, оптимизацию назначения кликов на офферы, адаптивную корректировку ставок и прогнозирование объёмов трафика. Использованные методы: каскадный антифрод на основе экспертных правил и градиентного бустинга LightGBM; оптимизатор маршрутизации, сочетающий линейное программирование и ML-предсказание конверсии; адаптивное ценообразование на базе алгоритмов многоруких бандитов (Thompson Sampling, ε-greedy, UCB1); ансамблевый прогнозист объёмов трафика на основе моделей ARIMA и Хольта–Уинтерса. Научная новизна работы заключается в том, что впервые четыре разнородных по методологии модуля интегрированы в единый последовательный конвейер обработки заявок CPA-платформы и протестированы на общем наборе данных. Полученные результаты на синтетическом наборе из 200 000 кликов показали: каскадный антифрод обеспечивает F₁ = 0,787 при Precision = 0,992; LP-маршрутизация увеличивает ожидаемую выручку на 122 %; адаптивные алгоритмы бандитов дают прирост 11…12 %; ансамблевый прогноз обеспечивает MAPE = 0,66 %. Реализован программный прототип на Python 3.13 объёмом 3298 строк кода, верифицированный набором из 202 автоматических тестов.

The aim of this study is to design the architecture of an intelligent automated system for managing application flows of the targeted reward (CPA) platform, integrating four functional modules into a closed-loop system. The objective is to achieve comprehensive automation of management, including fraudulent traffic detection, optimization of click assignment to offers, adaptive bid adjustments, and traffic volume forecasting. The methods used include cascade antifraud based on expert rules and LightGBM gradient boosting; a routing optimizer combining linear programming and ML conversion forecasting; adaptive pricing based on multi-armed bandit algorithms (Thompson Sampling, ε-greedy, UCB1); an ensemble forecaster of traffic volume based on the ARIMA and Holt-Winters models. The scientific novelty of the work lies in the fact that for the first time four modules, heterogeneous in their methodology, have been integrated into a unified sequential pipeline for processing applications of a CPA platform and tested on a common data set. The results obtained on a synthetic data set of 200,000 clicks show that cascade antifraud provides F₁ = 0.787 with Precision = 0.992; LP routing increases the expected revenue by 122%; adaptive bandit algorithms provide an increase of 11...12%; the ensemble forecast provides MAPE = 0.66%. A software prototype is implemented in Python 3.13, comprising 3,298 lines of code, verified by a set of 202 automated tests.

 автоматизированная система управления CPA-платформа обнаружение фрода машинное обучение линейное программирование многорукие бандиты прогнозирование временных рядов ARIMA automated management system CPA platform fraud detection machine learning linear programming multi-armed bandits time series forecasting ARIMA

Statista Research Department. Affiliate marketing spending in the United States from 2010 to 2025. 2024. URL: https://www.statista.com/statistics/693438/affiliate-marketing-spending/ (дата обращения: 09.05.2026). Statista Research Department. Affiliate Marketing Spending in the United States from 2010 to 2025 [Internet]. 2024 [cited 2026 May 09]. Available from: https://www.statista.com/statistics/693438/affiliate-marketing-spending ГОСТ 34.003-90. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения. – М.: Издательство стандартов, 1990. – 16 с. GOST 34.003-90. Information Technology. Set of Standards for Automated Systems. Automated Systems. Terms and Definitions. Moscow: Izdatelstvo Standartov; 1990. Mouawi R., Safa N.S., Selamat A. Click Fraud Detection: A Systematic Literature Review // Recent Advances in Information and Communication Technology // Springer. – 2019. – P. 164-174. Mouawi R, Safa NS, Selamat A. Click Fraud Detection: A Systematic Literature Review. In: Recent Advances in Information and Communication Technology. Springer; 2019. p. 164-174. Juniper Research. Online Ad Fraud: Key Trends, Segment Analysis and Market Forecasts 2023–2028. Juniper Research Ltd, 2023. Juniper Research. Online Ad Fraud: Key Trends, Segment Analysis and Market Forecasts 2023-2028. Juniper Research Ltd; 2023. Kshetri N. The Economics of Click Fraud // IEEE Security and Privacy. – 2010. – Vol. 8. – No. 3. – P. 45-53. Kshetri N. The Economics of Click Fraud. IEEE Security and Privacy. 2010;8(3):45-53. Ду Цзиньтао, Дуань Юй, Михайлова М.В. Влияние инженерно-психологических параметров на оптимизацию управления производством и повышение качества выпускаемой продукции (международный опыт) // Автоматизация и моделирование в проектировании и управлении. – 2024. Du J., Duan Yu., Mikhailova M.V. The Influence of Engineering and Psychological Parameters on Optimizing Production Management and Improving Product Quality (International Experience). Automation and Modelling in Design and Management. 2024. Перов И. А., Сидоров В. Н. Архитектура интеллектуальной автоматизированной системы управления рекламной платформой // Автоматизация в промышленности. – 2021. – Т. 19. – № 3. – С. 45-52. Perov I.A., Sidorov V.N. Architecture of an Intelligent Automated System for Managing an Advertising Platform. Automation in Industry. 2021;19(3):45-52. Сафонов А.В., Петров Д.А. Нечёткая экспертная система для обнаружения мошеннического трафика в контекстной рекламе // Программная инженерия. – 2019. – Т. 10. – № 5. – С. 234-242. Safonov A.V., Petrov D.A. Fuzzy Expert System for Detecting Fraudulent Traffic in Contextual Advertising. Software Engineering. 2019;10(5):234-242. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – Vol. 30. – P. 3146-3154. Ke G, Meng Q, Finley T, et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems (NeurIPS); 2017; vol. 30. p. 3146-3154. Bertsimas D., Tsitsiklis J.N. Introduction to Linear Optimization. Athena Scientific. – 1997. – 608 p. Bertsimas D., Tsitsiklis J.N. Introduction to Linear Optimization. Athena Scientific; 1997. Slivkins A. Introduction to Multi-Armed Bandits // Foundations and Trends in Machine Learning. – 2019. – Vol. 12. – P. 1-286. Slivkins A. Introduction to Multi-Armed Bandits. Foundations and Trends in Machine Learning. 2019;12:1-286. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. 5th ed. John Wiley & Sons. – 2015. – 712 p. Box GEP, Jenkins GM, Reinsel GC, et al. Time Series Analysis: Forecasting and Control. 5th ed. John Wiley & Sons; 2015. Советов Б.Я., Яковлев С.А. Моделирование систем. 5-е изд. – М.: Высшая школа, 2006. – 343 с. Sovetov B.Ya., Yakovlev S.A. System Modeling. 5th ed. Moscow: Vysshaya Shkola; 2006.