Москва, г. Москва и Московская область, Россия
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.
автоматизированная система управления, CPA-платформа, обнаружение фрода, машинное обучение, линейное программирование, многорукие бандиты, прогнозирование временных рядов, ARIMA
1. 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).
2. ГОСТ 34.003-90. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения. – М.: Издательство стандартов, 1990. – 16 с.
3. 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.
4. Juniper Research. Online Ad Fraud: Key Trends, Segment Analysis and Market Forecasts 2023–2028. Juniper Research Ltd, 2023.
5. Kshetri N. The Economics of Click Fraud // IEEE Security and Privacy. – 2010. – Vol. 8. – No. 3. – P. 45-53.
6. 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.
7. Перов И. А., Сидоров В. Н. Архитектура интеллектуальной автоматизированной системы управления рекламной платформой // Автоматизация в промышленности. – 2021. – Т. 19. – № 3. – С. 45-52.
8. 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.
9. 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.
10. Bertsimas D., Tsitsiklis J.N. Introduction to Linear Optimization. Athena Scientific. – 1997. – 608 p.
11. Slivkins A. Introduction to Multi-Armed Bandits // Foundations and Trends in Machine Learning. – 2019. – Vol. 12. – P. 1-286.
12. 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.
13. Советов Б.Я., Яковлев С.А. Моделирование систем. 5-е изд. – М.: Высшая школа, 2006. – 343 с.
