近年移动互联网发展迅速,随之是爆发增长的移动网民数量。精准性、即时性、互动性、扩散性是移动广告的优点,使其受到越来越多的广告主的青睐,广告主在手机app或者电脑网站上投放移动广告。在利益驱使下,广告流量欺诈以赚取广告主佣金恶性发展并影响着移动广告行业的健康发展,故本文研究的移动广告欺诈流量识别问题具有较高的现实意义。首先,本文基于S公司提供的2019年6月份现网流量数据在移动广告流量反欺诈领域做一次数据分析技术的应用,需要做一些准备工作,诸如:数据了解、数据探索、数据清洗、数据划分。其中数据清洗阶段则针对异常值、缺失值、类别特征离群值等,该阶段占据数据分析工作整个过程的七成以上时间,是最为耗时但又无法跳过的一步。其次,对清洗后的数据进行特征工程是为了发掘出更多有价值的特征,主要进行了构建及拆分特征、交叉特征、统计特征、特征筛选工作,其中特征筛选（递归特征消除法）结合随机森林算法和交叉验证进行,目的是以数据支持并筛选出一个最优的特征子集。之后,对特征工程后的数据进行多种模型尝试,包括传统机器学习决策树方法、在此基础上改进的随机森林模型、在此基础上改进的多种boosting算法（GBDT模型、LightGBM模型、XGBoost模型及CATBoost模型）。这一系列算法在处理较多取值的类别变量大数据时具有泛化能力强、准确率高的优势,而移动互联网广告数据正好具有类别变量取值多、类别变量多、数据量大的特点,故本文将这些新方法在这个新领域作一次系统的尝试,最后会结合逻辑回归模型进行模型融合（stacking）的尝试,以进一步提升模型在识别移动广告欺诈流量中的表现。最后,本文设计4组实验,使用了准确率、精确率、召回率、F1值和AUC值作为评价指标,并主要根据F1值来评价模型的分类性能,对比不同模型、不同实验、不同评价指标的表现情况,对本文所使用的各数据分析步骤进行量化比较,就移动广告欺诈流量识别的分类问题在测试集的表现而言,在实验一、二中,针对未清洗的原数据及清洗后的数据,较好的模型都是LightGBM模型。但针对清洗且特征工程后的数据,较好的模型是Catboost模型。故在测试集上本文认为的最好的两个单模型是LightGBM和Catboost模型。同时实验四的逻辑回归模型+stacking尝试也取得了一定收益,使得整体模型效果得到一定提升,其中F1值达到了 0.9683,同时多次建立各模型并对比各特征的表现情况,创新性地在特征角度进行分析并给出相关建议。综合全文,本文系统性的将数据预处理、特征工程方法应用在移动广告反欺诈领域,取得了不错的分类效果,同时尝试了多种机器学习方法,最终的模型融合获得了很好的分类效果,这也为其他分类任务提供了一种借鉴思路,同时也针对此类问题在特征角度做了专门的分析,并结合各模型给出特征的重要性排序,给出了在特征角度的建议。互联网数据场景无论是量级或是整洁度都千差万别,但只要根据实际互联网数据做具体问题具体分析,就可以将本文所使用的欺诈流量识别模型迁移拓展到其他互联网数据分类场景中。