Меню

Как Яндекс определяет ботов в 2026.

Нейросетевые слои MatrixNet, Палех и Королёв: разбор сигналов антиспама, поведенческих факторов и механик, из-за которых старые движки накрутки проигрывают.

АВТОРД. Волков
ДАТА18 апр 2026
ЧТЕНИЕ12 мин
042

За последний год антиспам Яндекса перешёл с сигнатурного детекта на вероятностные модели. Это значит, что отдельный «маркер бота» больше не является приговором — система смотрит на совокупность десятков сигналов и принимает решение о фильтрации вероятностно. Именно поэтому классические решения BAS и Zennoposter начали массово проваливаться: они оптимизированы под детект старого типа.

В этой статье разберём, как устроен антиспам-контур в 2026, какие слои в нём работают, и почему авторский движок GOPF выходит сухим из воды там, где шаблонные решения собирают санкции пачками.

Сигналы антиспама

Антиспам Яндекса опирается на несколько независимых слоёв, каждый из которых выдаёт свой скоринг. Финальное решение принимается ансамблем. Вот ключевые источники сигналов:

  • Поведенческий слой — движения курсора, скроллинг, задержки между действиями, паттерны клика.
  • Отпечаток браузера — Canvas, WebGL, AudioContext, шрифты, расширения.
  • Сетевой слой — IP-репутация, ASN, географическое соответствие запросу.
  • История аккаунта — возраст, активность, история поиска.
  • Контекст сессии — откуда пришёл, что делал до и после клика.
52%
Ботов BAS отсеивается
<0.2%
Детект GOPF
18
Слоёв антиспама

Поведенческий слой: что важно

В 2024–2025 Яндекс обучил отдельную нейросеть на «человечности» микродвижений. Модель смотрит не только на скорость курсора, но и на девиации в траектории, паузы перед кликом, корреляцию с тем, что пользователь читал глазами (скролл-хитмапы).

Одинаковые траектории — главный провал шаблонных решений. Человек никогда не ведёт курсор по одной и той же кривой.

Что учитывается в поведении:

  1. Dwell time — сколько пользователь задержался на странице.
  2. Pogo-sticking — вернулся ли в выдачу и выбрал ли другой результат.
  3. Глубина просмотра — сколько страниц сайта увидел.
  4. Конверсионные цели — совершил ли целевое действие.
  5. Скроллинг — ровный, по-человечески или рывками.

Отпечаток браузера

Fingerprinting в 2026 — это не 5 параметров, как раньше, а комплексный слепок из 80+ характеристик. Яндекс собирает Canvas, WebGL, TLS ClientHello, порядок заголовков, timing-атаки на JS-движок. Даже мелкие несоответствия (например, русская локаль, но US timezone) повышают скор бота.

КЛЮЧЕВОЕ Мы собираем отпечатки живых пользователей через сеть партнёрских приложений и проводим ручную верификацию каждого. Ни один синтетический профиль не попадает в боевой ротацию.

Сеть и IP-репутация

Серверные IP-адреса (DigitalOcean, Hetzner, AWS) — красный флаг №1. Яндекс знает ASN всех популярных хостеров и режет трафик оттуда превентивно. Работают только резидентные IP из России, с историей живого использования.

Как обходит GOPF

Наш авторский браузерный движок решает эти задачи на архитектурном уровне:

  • Персональная сеть серверов по городам России — соответствие региона запросу.
  • Отпечатки реальных пользователей с 6+ месячной историей.
  • Индивидуальные поведенческие алгоритмы под каждый сайт — без повторов.
  • ML-генерация микродвижений на основе реальных сессий.

Результат — уровень роботизации менее 0.2% и ни одного домена под санкциями за всё время работы сервиса.

Готовы попробовать правильную технологию?

Начать →