有些作弊用户用仿照器天生的ssid会是乱码，对ssid中的乱码进行检测不仅可以为作弊检测供应依据，其核心方法也可以进一步泛化到邮箱、imei等字符串数据的乱码检测，具有主要意义。
数据
正常的ssid： 一方面通过正常用户的ssid得到；另一方面网络网络上常用的用户名；统共50万
乱码的ssid：通过程序自己天生随机的ssid，长度分布与正常ssid的分布相同
举个例子：
| 正常的ssid | 乱码的ssid |
| MERCURY_FB1A | ZMPQm8DVCHWH |
| FAST_1986 | idOsErHEmg7 |
| TP-LINK_887178 | 72Ue07lDtr5wu2 |
特色
根据不雅观察到的数据，可以做一个进一步的定一下特色：字符串的熵，长度，大写字符长度，数字个数，大小写字符个数，元音字母个数，重复字母个数，字符串n-gram的干系数据（占已有的统计结果，类似方差，均值，排名等），还有其他的一些潜在特色比如（常用词汇的bag of words ， 是否包含手机名称 ， 是否包含中文姓名 ， 是否包含中等长度的英文词汇 ， 是否包含常用缩写）等。
演习
利用的模型是lr和random forest（100颗树，10深度）。
演习时把稳的两点：
a) 做好归一化，实在lr须要做详细的特色处理，但是rf实在是不须要的；
b) 是否包含分外字符串这个特色，只管即便选用一些比较有代表性较长的字符串，选的太多太短则会失落去判别性。
结果
在测试集上的precison－recall曲线如下，上面两个时LR的，下面两个时Random Forest的：
LR可以达到95%recall，95%precison
RandomForest可以达到97%recall，97%precision
总结&TODO
目前估量在scene15上的日命中量约300条；
在线上数据上精度估计约95%旁边（可通过调节阈值提高精度，但降落召回率）；
有连续提高的空间
下一步要:
a) 统计一下rf模型的主要特色，不雅观察一下哪些特色起到浸染。
b) 加入bag of words 做第二版
c) 泛化到其他字段的乱码识别上
d) 现在的gibberish detection是在英文样本上演习的，须要改成中文拼音和英文结合的。
e)利用gbdt做一下预测，与rf做一下比拟
参考文献
［1］http://bobao.360.cn/learning/detail/418.html
［2］Ma J, Saul L K, Savage S, et al. Beyond blacklists: learning to detect malicious web sites from suspicious URLs[C]//Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2009: 1245-1254.
［3］Yadav S, Reddy A K K, Reddy A L, et al. Detecting algorithmically generated malicious domain names[C]//Proceedings of the 10th ACM SIGCOMM conference on Internet measurement. ACM, 2010: 48-61.
［4］Wang W, Shirley K E. Breaking Bad: Detecting malicious domains using word segmentation[C]. IEEE Web 2.0 Security and Privacy Workshop}}, 2015.
