随着互联网开放式、爆发式地增长，数据的价值变得越来越重要，尤其是电商、传媒、社交等等业务，将数据比作黄金也不为过。因而随之诞生了网络爬虫技术，黑客通过调用网站开放的免费接口来批量获取有价值的数据，用以数据挖掘和分析行业状况等。然而大量的非法爬虫会造成网站服务器压力巨大，甚至影响正常用户的访问；而且有价值的数据被窃取，也会对网站的商业利益造成负面影响。
因此反爬虫技术应运而生。反爬虫技术大体包含“爬虫识别”和“爬虫反制”两个步骤，后者主要是用于对前者识别出的爬虫出的爬虫进行惩罚和反制，主要包括限制访问、验证码校验、数据投毒等等，本文不做深究。而前者目前常用的方式是基于规则判断。比如以某个用户或者IP为单位，统计其在一定时间内的访问记录，然后用人为设定的一些阈值，这种可以称为专家规则方法。其优点是规则明确、可靠，可以实时针对发现的爬虫特征来设定规则，从而实现与爬虫对抗。但是它也有明显的缺点：
1.强依赖运营的经验，规则和阈值难以凭空设定；
2.与爬虫对抗依赖人为观察爬虫的特征；
3.当规则越来越复杂且数量庞大时，规则引擎的效率会越来越低，成本会比较大。
由于上述原因，我们结合了两项热门的技术：大数据和机器学习，来探究其在爬虫识别中的应用。
一、基于Flink的大数据统计
首先我们需要通过一些大数据技术来获取统计数据。Flink是一个新兴的分布式大数据流处理引擎，本文不做详细介绍，只是利用了其基于事件时间窗口统计数据的功能。
流处理过程主要包含以下步骤：
○ 数据源：我们的数据源是业务网站吐出的Nginx访问日志，保存在kafka队列中。
○ 预处理：按照数据源中的数据格式，将访问日志中有用的字段解析出来，主要是Timestamp、IP、URI、Htpp_User_Agent等。
○ 维度聚合：利用Flink的keyby功能，将同一IP的数据汇总起来。
○ 时间窗口：利用Flink的Window功能，把Timestamp处于某一时间窗口内的数据汇总到一起。我们采用的是滑动窗口的方式，统计15分钟之内的数据，每1分钟滑动一次。
○ 统计：通过以上两步，我们每1分钟结束，都能获得每个IP在前15分钟内的所有访问记录。我们对这些数据进行进一步统计，得到的数据以Json形式写入到Kafka，格式如下图
Flink输出数据
字段含义：
○ Timestamp：窗口结束时间的时间戳；
○ IP：该数据所属的IP；
○ Sum：该IP在时间区间内的总访问次数
○ URI：该IP在时间区间内访问的URI的具体统计
a）counts: 是一个map，key是所访问的URI，value是访问计数
b）count: counts中不同key的数量
c）sum: counts中所有value的和
d）min: counts中所有value的最小值
e）max: counts中所有value的最大值
○ Http_User_Agent：该IP在时间区间内访问记录所使用的User Agent的具体统计。内部的counts、count、sum、min、max与URI中的类似
○ 其他还有一些字段如http_referer、status、params、http_version等也类似，不再一一列出。
二、数据的特征提取
要利用机器学习的算法来实现爬虫的判断，首先要将原始数据转化为向量，向量中的维度数据要尽量包含数据的特征，这样才能尽可能地区分爬虫和正常记录的差异。
通过观察发现，爬虫记录与正常记录相比，主要有以下特征：
1.访问总计数sum偏高；
2.每个URI的访问计数较高；
3.访问的URI比较集中，通常只访问特定的几个URI，而且可能呈现一定的比例；
4.访问所用的User Agent比较单一；
5.每个User Agent的计数都很接近；
针对以上特征，我们用以下维度来组成数据的特征向量：
1.普通维度：这些维度是直接采用原始数据中的统计量，比如sum、URI.count、URI.max、URI.min、http_user_agent.count、http_user_agent.max、http_user_agent.min等等
2.方差维度：考虑到URI、http_user_agent等字段的不同取值的分布情况也是重要的特征，把counts中value的方差也作为特征维度
3.订制维度：业务方对其URI分布有一定的了解，可以对URI.counts中的数据做一个二次统计，产生一些订制维度。比如把key匹配正则表达式“^/api/v\\d+/products/.*”的记录的value相加，来作为一个新的特征维度。同样的也可用http_user_agent.counts中的数据产生订制维度
三、线下分析
我们采用神经网络算法，该算法的优点是： 技术成熟、适应性强、工程化容易、可移植性强等等。但是它是一种有监督学习，需要有一批训练数据才能工作。
3.1 训练数据获取阶段：
获取训练数据的思路有两种：
3.1.1 借助规则引擎法：我们已经拥有一个规则引擎，可以用它配置一些简单的规则，然后把规则引擎判断出的结果作为标记，和原始数据一起作为训练集数据。这种方法的优点是简单、直观；且规则越复杂，则相应训练出来的模型也越优秀，区分爬虫的能力越强。但是缺点也是很明显的，因为依赖了规则引擎，所以也继承了规则引擎的弊端，要创建合适的规则比较困难，而且学习后的模型也只是能起到和规则引擎一样的效果，无法识别更多特殊的异常。所以该方法必须要搭配数据反馈和模型进化，才能使模型更加智能。
3.1.2 人工标记法：这也是一种常见的获取训练集的方式，训练集越完备，数据代表性越好则训练出来的模型越优秀。但是该种方法最大的缺点是工作量巨大，面对海量的大数据，我们不可能做到一一标记，因此这种方法的难点就在于如何高效地获取有效数据。
我们采用的方法是基于PCA+Kmeans的无监督学习算法，大概步骤如下：
a.先采样一批提取完特征的数据作为输入
b.对原始的特征数据做PCA主成分分析，通过线性变换获得方差最大的几个主成分维度，作为新的、降维后的特征向量，这一步是为了提取特征向量中的有效成分，去除无用信息
c.对降维后的数据采用Kmeans算法进行聚类，得到若干个类别，并且对每条数据标记类别号
d.对于每类数据，抽取最有代表性的若干条数据，人为分析对应的原始数据，判断是否为爬虫，然后计算抽取数据中爬虫的比例。如果比例超过一定阈值，则将该类标记为爬虫；如果比例小于一定阈值，则将该类标记为正常；比例在上下阈值之间的做对类内数据做进一步聚类，再做类似的判断
e.用类别的标记来标记类内的每条数据，得到了带标记的训练数据集
f.这种方式需要在效果和工作量之间做取舍。当然也可以搭配数据反馈和模型进化，使模型表现更好。
3.2 模型构建和训练阶段
使用Pytorch搭建神经网络模型。可以分批、多组地用同一批数据反复训练模型。 当达到一定的迭代次数，或者损失函数小于一定阈值，则表示模型训练完毕。可以将模型参数文件导出，供线上部署。
一个简单的单层神经网络例子
四、线上部署
模型引擎的线上部署如下图所示。Training模块负责数据的线下处理和训练，训练完的模型文件上传至Nos，然后将模型的配置信息以及模型文件的地址写入Etcd。Model Engine模块是线上的模型引擎，实时监听Etcd中额配置，当配置更新时，会立即拉取模型文件，并加载。
Model Engine会消费Flink统计完写入Kafka的数据，并用模型做爬虫判别，并将判别的结果写入数据库，供其他系统查询使用。
五、模型进化
到此我们已经搭建了包含数据采集、线下训练、线上部署的模型引擎架构，但是正如前面所说，目前的模型只能达到与规则引擎相近的效果，要想让模型进化得更为智能，必须加入反馈机制，使得模型能够进化。
反馈的思路是从模型引擎的输出数据入手。神经网络分类算法的输出数据，除了包含记录是否属于爬虫的判断，还包含是否属于爬虫的概率。可以根据概率分为三段：非爬虫：0~33%、疑似爬虫：33%~66%，爬虫：66%~100%。
对三段抽样进行人工分析：
○ 非爬虫、爬虫段：抽取少量数据，检查是否有误杀和漏杀；
○ 嫌疑段：抽取大量数据来重点分析，判断是否为爬虫；
将分析完的数据作为新的训练集，对原来训练好的模型进行增量训练，使模型在保留部分历史经验的情况下获取新的特性。这一步当然也可以结合一些别的增量学习、迁移学习以及强化学习的算法来实现。
“知物由学”是网易易盾打造的一个品牌栏目，词语出自汉·王充《论衡·实知》。人，能力有高下之分，学习才知道事物的道理，而后才有智慧，不去求问就不会知道。“知物由学”希望通过一篇篇技术干货、趋势解读、人物思考和沉淀给你带来收获的同时，也希望打开你的眼界，成就不一样的你。当然，如果你有不错的认知或分享，也欢迎在“网易易盾”公众号后台投稿。
相关阅读：