定义
AB页跳转风控模型是一套融合动态风险评分与贝叶斯决策理论的访问者分类系统，用于解决AB页跳转场景中“当前访问者是否安全”的实时判定问题。其核心是将访问请求转化为多维特征向量，通过风险评分模块输出0至100的量化分值，再由贝叶斯分类器结合历史先验分布与当前特征的条件概率，计算出访问者属于安全类别的后验概率。当后验概率低于预设阈值时，模型判定该访问者为高风险流量并拒绝跳转，返回安全页面；当概率高于阈值时，放行至目标页面。整个判定过程要求在100毫秒内完成，并支持连续多轮的自适应更新。
工作原理
完整的AB页跳转风控模型由四个层级构成，按数据流动方向依次为特征采集层、风险评分层、贝叶斯决策层和动态更新层。
特征采集层
特征采集层在用户发起请求时同步提取四类信号。设备特征包括User-Agent、屏幕分辨率、Canvas指纹、WebGL渲染参数、已安装字体列表和时区偏移量；网络特征包括IP归属地、ASN、代理类型检测结果、TLS握手指纹（JA3/JA4）和HTTP/2帧参数；行为特征包括鼠标移动轨迹、点击间隔分布、页面滚动速度、按键动态和停留时长的熵值；环境特征包括WebGL渲染器字符串、浏览器插件列表、CPU核心数和内存大小。一次完整的特征采集设计耗时不超过30毫秒，全部在浏览器端通过异步脚本完成，不阻塞页面主体资源的加载。
风险评分层
风险评分层将特征向量映射为一个动态风险分数。特征经标准化处理后，每个特征x_i对应一个权重系数w_i，风险分数通过sigmoid函数计算：score = sigmoid(Σw_i·x_i + b)。权重由历史标注数据训练得出，并施加L2正则化防止过拟合。评分层单次计算控制在20毫秒以内，每10分钟会基于新增流量数据对权重执行一次增量更新。评分结果被转换为条件概率形式，输入贝叶斯决策层作为似然项。
贝叶斯决策层
贝叶斯决策层是整个模型的核心。系统维护两个先验概率：P(安全)和P(风险)，初始值分别设为0.7和0.3，并随运行数据动态修正。决策层通过贝叶斯公式计算后验概率：P(安全|特征) = P(特征|安全)·P(安全) / [P(特征|安全)·P(安全) + P(特征|风险)·P(风险)]。当P(安全|特征)大于等于0.85时，模型判定为安全流量，执行跳转；当概率介于0.6与0.85之间时，进入二次验证流程，追加一轮Canvas指纹一致性检查和Cookie合法性校验；当概率低于0.6时，判定为风险流量，返回安全页面。决策阶段耗时控制在50毫秒以内。
动态更新层
动态更新层负责模型的在线学习和自适应调整。系统每10分钟汇总一次全量判定结果，抽取低置信度样本进入人工标注池。标注结果同步参与两件事：先验概率的贝叶斯修正，以及评分层权重的增量更新。模型每24小时生成一份风险分布报告，反映不同IP段、UA组合和TLS指纹在24小时内的风险分数时序变化，为规则调整提供依据。
技术分类
AB页跳转风控模型按决策机制的演进层级，可以分为三类。
静态规则评分模型
该模型依赖人工维护的黑白名单和静态阈值。例如，IP位于数据中心段且UA匹配无头浏览器特征时，触发一条风险标记；标记累计达到3条则禁止跳转。规则模型部署成本低、响应快，单次判定耗时约5毫秒，但对UA伪造和IDC出口轮换几乎没有抵抗能力，公开测试中的准确率约为62%。在现有AB页跳转系统中，规则模型通常作为前置过滤器，将明显异常的流量直接剔除。
统计贝叶斯决策模型
以朴素贝叶斯和贝叶斯网络为代表，显式建模特征与类别之间的条件概率关系。该模型直接从样本中估计每个特征的条件概率表，决策时将各特征的条件概率与先验相乘，得到后验分布。优势在于样本效率高，数百条标注数据即可完成训练；局限是特征间强相关时精度受限。单次判定耗时15至40毫秒，准确率约82%。
机器学习增强型评分模型
将风险评分模块替换为LightGBM、XGBoost或深度神经网络。树模型擅长捕获特征交互效应，深度模型可直接处理原始特征序列，但需要三万条以上标注样本才能达到稳定精度。这类模型单次判定耗时50至120毫秒，准确率约90%。由于AB页跳转要求总体决策延迟不超过100毫秒，纯深度学习方案会占用过高延迟预算，实际部署中更常见的是将树模型与贝叶斯决策层串联：前者输出精确风险概率，后者负责融合时序先验和业务自定义先验。
应用场景
该模型在以下三类AB页跳转场景中应用最成熟。
跨境电商独立站
面向欧美市场的独立站在投放广告时，审核系统会伪装成普通用户访问落地页。风控模型部署在跳转决策入口，对每个入站流量执行完整评分。以月均10万次访问的站点为例，模型将约15%的流量判定为低置信度并展示安全页，其中包含绝大多数审核流量。安全页与目标页的切换速度直接影响广告转化率，要求单次判定延迟低于80毫秒。
金融与医美行业投放
金融和医美物料包含强合规词，容易被机审锁定。风控模型在页面跳转前增加一轮TLS指纹与浏览器环境一致性校验，并将判定阈值从0.85提升至0.90，以降低误判成本。此类场景中，合法用户流量与审核流量在行为特征上区分度高，动态风险评分的AUC值通常达到0.92以上。
联盟营销与订阅流
联盟营销流量包含大量无效点击和激励流量。风控模型通过行为特征中的点击间隔分布和鼠标轨迹熵值，将流量中约25%的低质请求识别出来，并对其实施安全页展示或直接丢弃。此场景对准确率的要求低于对吞量率的约束，系统通常将吞量率控制在10%以内。
与相邻概念对比
AB页跳转风控模型与普通重定向
HTTP 301/302重定向是协议层跳转，决策逻辑无状态，依据固定的URL映射关系执行。AB页跳转风控模型则是有状态的实时决策系统，每一次跳转都先经过特征采集、风险评分和贝叶斯概率计算三个阶段。普通重定向的Location字段固定不变，AB跳转在低置信度场景下会动态返回安全页URL，在两次相邻请求之间也可能产生不同结果。
AB页跳转风控模型与Cloak技术
Cloak技术用于描述通过向不同访问者展示不同页面来规避广告审核的策略集合，其实现方式包括HTTP重定向、前端动态渲染和服务端路由分发。AB页跳转风控模型是Cloak技术落地中决定内容分发策略的核心子系统，负责回答“当前访问者是谁”的问题。没有该
