Facebook Ads, Google ve TikTok'un ML korumasını nasıl aşarsınız: 2025 için anti-bot sistemlerine karşı mücadele yöntemleri
Reklam hesabınızın Facebook'ta başlatıldıktan sonraki gün yasaklandığını mı aldınız? Aynı anda 10 Instagram hesabı mı engellendi? Veri çekici, pazaryerinden veri toplamayı mı durdurdu? Tek bir sebep var — modern platformlar, şüpheli etkinlikleri otomatik olarak tespit etmek için makine öğrenimi (ML) kullanıyor. Bu makalede, ML anti-bot sistemlerinin nasıl çalıştığını ve 2025'te korumayı aşmanıza gerçekten yardımcı olan yöntemleri inceleyeceğiz.
Bu makale, aracıların, SMM uzmanlarının, pazaryeri satıcılarının ve çoklu hesaplar veya otomasyon ile çalışan herkes için yazılmıştır. Hiçbir teori yok — sadece popüler araçlarda ayar örnekleri ile pratik yöntemler.
ML anti-bot sistemleri nasıl çalışır: Facebook ve Google'ın gördükleri
Modern anti-bot sistemleri, "dakikada 100 istek varsa engelle" gibi basit kurallar değildir. Bu, gerçek ve bot davranışlarının milyonlarca örneği üzerinde eğitilmiş sinir ağlarıdır. Facebook, Google, TikTok, Wildberries — tüm büyük platformlar koruma için makine öğrenimini kullanıyor.
ML koruma çalışma prensibi: sistem, her kullanıcı hakkında yüzlerce parametre toplar ve 0 ile 100 arasında bir "şüphe puanı" hesaplar. Eğer puan eşik değerini aşarsa — engelleme veya ek kontrol (captcha, telefon doğrulaması, hesap dondurma) devreye girer.
Pratik örnek: Bir aracı, Dolphin Anty ile farklı proxyler kullanarak 20 Facebook Ads hesabı oluşturdu. 3 gün sonra tüm hesaplar bir dalga halinde yasaklandı. Sebep — ML sistemi, tüm hesapların aynı zamanda oluşturulması, aynı reklam ayarları dizisinin kullanılması ve aynı saatlerde giriş yapılması gibi benzer davranış kalıplarını tespit etti. Farklı IP'ler işe yaramadı — davranış kalıbı aynıydı.
ML sistemlerinin topladığı veriler
ML modelleri üç ana veri kategorisini analiz eder:
| Veri Kategorisi | Neler izleniyor | ML nasıl kullanılıyor |
|---|---|---|
| Teknik Parametreler | IP adresi, User-Agent, ekran çözünürlüğü, Canvas parmak izi, WebGL, fontlar, zaman dilimi, tarayıcı dili, eklentiler | Hesapları bağlamak için cihazın benzersiz dijital parmak izinin oluşturulması |
| Davranış Kalıpları | Yazma hızı, fare hareketleri, eylemler arasındaki duraklamalar, oturum süreleri, giriş sıklığı, tıklama sırası | Otomasyonu ve botları insan dışı kalıplarla belirleme |
| Bağlamsal Sinyaller | Coğrafi konum vs arayüz dili, IP ve zaman dilimi uyumu, cihaz değişim geçmişi, hesaplar arasındaki bağlantılar | Kullanıcı profilindeki tutarsızlıkları ve anormallikleri tespit etme |
ML sistemlerinin sıradan kurallardan temel farkı: öğrenirler. Eğer bir aygıtı aşmanın bir yolunu bulduysanız ve bu bir ay önce işe yarıyorduysa — bu, şimdi işe yaradığı anlamına gelmez. ML modelleri, botlar ve dolandırıcılar hakkında yeni verilere dayanarak sürekli yeniden eğitilir.
Botu veya çoklu hesabı belirten 7 sinyal
ML sistemleri, tek bir "suçüstü" aramaz — sinyallerin kombinasyonu temelinde olasılığı hesaplar. İşte şüphe puanını artıran en güçlü göstergeler:
1. Kimliksiz dijital parmak izi (fingerprint)
Bu nedir: Tarayıcı parametrelerinin kombinasyonu, benzersiz bir cihaz ID'si oluşturur. Canvas parmak izi, WebGL hash, font listesi, ses bağlamı, ekran parametreleri.
Neden kritik: Eğer iki hesap aynı parmak izine sahipse — bu, %100 bir kişinin farklı hesaplarda olduğu anlamına gelir. ML modeli profilleri anında bağlar.
Yasak örneği: Bir SMM uzmanı, farklı proxylerle normal Chrome üzerinden 15 Instagram hesabı yönetiyordu. Parmak izi aynıydı — tüm hesaplar çoklu hesap kullanımı nedeniyle yasaklandı.
2. IP adresi ve diğer parametrelerin uyumsuzluğu
Bu nedir: IP Moskova'yı gösteriyor, ancak zaman dilimi New York olarak ayarlanmış. Ya da Rusya'dan bir mobil proxy, ancak tarayıcı dili İngilizce.
Neden kritik: ML modelleri, milyonlarca gerçek kullanıcı üzerinde eğitildi ve tipik kombinasyonları biliyor. Uyuşmazlıklar — sahtecilik için güçlü bir sinyal.
Sık yapılan hata: Facebook Ads için ABD'den yerleşik proxyler satın aldılar, ancak anti-detect tarayıcısında zaman dilimi ve dili değiştirmeyi unuttular. Hesap ilk girişte yasaklandı.
3. Robotik davranış kalıpları
Bu nedir: Eylemler arasındaki eşit aralıklar, mükemmel düz fare hareketleri, anlık tıklamalar, metin girerken yazım hatalarının olmaması.
Neden kritik: İnsan, milisaniye hassasiyetinde eylemler gerçekleştiremez. ML modelleri otomasyonu manuel işten kolayca ayırt eder.
Gerçek bir örnek: Wildberries veri çekici, tam olarak her 5 saniyede bir istek yapıyordu. Bir saat içinde IP yasaklandı. 3 ila 8 saniye arasında rastgele gecikmeler ekledikten sonra — veri çekici aylarca çalıştı.
4. Şüpheli IP adresi değiştirme sıklığı
Bu nedir: Hesap her saat farklı IP'lerle giriş yapıyor veya tam tersi — aylarca IP değiştirmiyor.
Neden kritik: Gerçek kullanıcılar öngörülebilir kalıplara sahiptir: akşam ev WiFi'si, gündüz mobil internet, çalışma saatlerinde ofis IP'si. Anomaliler şüphe uyandırır.
Yeni başlayanların hatası: Facebook Ads hesapları için döngüsel proxy kullanımı. IP her 10 dakikada bir değişiyor — sistem "kullanıcı"nın şehirler arasında teleport olduğunu görüyor. Yasak garantili.
5. Kısa sürede toplu aynı eylemler
Bu nedir: Bir saatte 10 hesap oluşturmak, aynı anda 20 reklam kampanyası başlatmak, toplu mesaj göndermek.
Neden kritik: ML modelleri yalnızca bireysel davranışı değil, aynı zamanda tüm platform düzeyindeki kalıpları da analiz eder. Senkronize eylemler — otomasyonun açık bir işareti.
Arbitraj örneği: Bir ekip, farklı proxyler ve tarayıcılar üzerinden bir günde 50 TikTok Ads hesabı başlattı. Hepsi aynı yaratıcıları ve hedefleme ayarlarını kullandı. Bir hafta sonra dalga yasak — ML sistemi hesapları davranış kalıbına göre bağladı.
6. Sert kontrol gerektiren platformlarda veri merkezi proxy kullanımı
Bu nedir: Gerçek internet sağlayıcıları yerine veri merkezlerinden (AWS, Google Cloud, Hetzner) IP adresleri.
Neden kritik: ML sistemleri, tüm bilinen veri merkezlerinin veritabanlarına sahiptir. Facebook, Google, Instagram bu tür IP'leri neredeyse anında şüpheli olarak tespit eder.
Nerelerde kullanılabilir: Veri merkezi proxyleri, bazı web siteleri ve pazaryerlerinden veri çekmek için çalışır. Ancak sosyal medya ve reklam platformları için yalnızca yerleşik veya mobil proxyler gereklidir.
7. Yeni hesabın "ısınma" eksikliği
Bu nedir: Yeni hesap hemen agresif bir aktiviteye başlıyor: büyük bütçeli reklam başlatma, toplu takip, yüzlerce mesaj gönderme.
Neden kritik: ML modelleri, milyonlarca gerçek kullanıcı üzerinde eğitildi ve yeni kullanıcıların nasıl davrandığını biliyor. İlk günden itibaren agresif aktivite — bot veya satın alınmış bir hesabın açık bir işareti.
Doğru yaklaşım: İlk 7-14 gün, normal bir kullanıcıyı taklit etmek: haber akışını gözden geçirmek, beğeniler, yorumlar, profil doldurma. Aktiviteyi kademeli olarak artırma.
Dijital parmak izinin değiştirilmesi: anti-detect tarayıcıların ayarlanması
Dijital parmak izi (fingerprint) — ML sistemlerinin kontrol ettiği ilk şeydir. Eğer iki hesabın parmak izleri %90+ oranında örtüşüyorsa — birbirleriyle bağlanacaklardır, farklı proxy kullanılsa bile.
Anti-detect tarayıcılar, her profil için benzersiz bir parmak izi oluşturarak bu sorunu çözer. 2025'te popüler çözümler:
| Tarayıcı | Kimler için | Özellikler | Fiyat |
|---|---|---|---|
| Dolphin Anty | Aracılar, SMM | Basit arayüz, Facebook/Google için şablonlar, eylemlerin otomasyonu | $89/ay (10 profil) |
| AdsPower | E-ticaret, toplu çalışma | Birçok profil, otomasyon için API, eylemlerin senkronizasyonu | $5.4/ay (10 profil) |
| Multilogin | Profesyoneller | Maksimum parmak izi koruması, iki motor (Chromium + Firefox) | €99/ay (10 profil) |
| GoLogin | Yeni başlayanlar, bütçe | Düşük fiyat, bulut profilleri, basit ayar | $24/ay (100 profil) |
| Octo Browser | Ekipler, ajanslar | Ortak çalışma, erişim hakları, ayrıntılı günlükler | €29/ay (10 profil) |
Anti-detect tarayıcı neyi değiştirir
Kaliteli bir anti-detect, benzersiz bir parmak izi oluşturmak için onlarca parametreyi değiştirir:
- Canvas parmak izi — tarayıcıda grafiklerin render edilmesi için benzersiz bir hash
- WebGL parmak izi — ekran kartı ve sürücülerinin parmak izi
- Ses bağlamı — cihazın ses sistemi parametreleri
- User-Agent — tarayıcı ve işletim sistemi tanımlama dizesi
- Ekran çözünürlüğü — ekran çözünürlüğü ve renk derinliği
- Fontlar — sistemde yüklü fontların listesi
- Zaman dilimi ve Coğrafi konum — saat dilimi ve GPS koordinatları
- WebRTC — WebRTC üzerinden gerçek IP sızıntısını engelleme
- Diller — tarayıcı ve sistem dilleri
- Eklentiler — yüklü eklentilerin listesi
- Donanım eşzamanlılığı — işlemcinin çekirdek sayısı
- Aygıt belleği — cihazın RAM miktarı
Kritik önem: Tüm parametrelerin birbirleriyle tutarlı olması gerekir. iPhone'dan User-Agent ayarlamak ama ekran çözünürlüğünü dizüstü bilgisayardan almak mümkün değildir. ML sistemleri, parametrelerin tutarlılığını kontrol eder ve tutarsızlıklar şüphe puanını artırır. Anti-detect tarayıcılarda hazır cihaz şablonları kullanın — bunlar gerçekçi parametre kombinasyonlarını içerir.
Parmak izi ayarlarken yapılan hatalar
Anti-detect tarayıcı ile bile, parametreleri yanlış ayarlarsanız yasak alabilirsiniz:
❌ Farklı hesaplar için aynı parmak izinin kullanılması
Bazı yeni başlayanlar, anti-detect tarayıcısındaki profil ayarlarını kopyalar. Sonuç — aynı parmak izleri ve hesapların bağlanması.
✅ Doğru:
Yeni bir profili sıfırdan oluşturmak veya tarayıcıda "rastgele parmak izi" işlevini kullanmak. Her hesap, benzersiz bir parametre setine sahip olmalıdır.
❌ Egzotik parametre kombinasyonları
Nadir bir işletim sistemi (örneğin Linux) ile mobil User-Agent kullanmak veya eski tarayıcı sürümlerini kullanmak. ML modelleri, gerçek kullanıcılar üzerinde eğitildi ve hangi kombinasyonların doğada bulunduğunu biliyor.
✅ Doğru:
Popüler kombinasyonları kullanmak: Windows 10 + Chrome, MacOS + Safari, Android + Chrome Mobile. Tarayıcı sürümleri — güncel veya en fazla 1-2 sürüm geride.
❌ Parmak izi ve proxy arasındaki uyumsuzluk
Rusya'dan bir mobil proxy + masaüstü User-Agent + ABD zaman dilimi. Bu tür tutarsızlıklar — ML sistemleri için kırmızı bayraktır.
✅ Doğru:
Tüm parametreler proxy'nin coğrafi konumuna uygun olmalıdır: Moskova'dan IP → zaman dilimi Europe/Moscow → dil ru-RU → coğrafi konum 55.75,37.61 (Moskova'nın koordinatları).
İnsan davranışının taklit edilmesi: zamanlamalar ve etkinlik kalıpları
Mükemmel bir parmak izi bile, davranış botu ifşa ediyorsa kurtarmaz. ML sistemleri, fare hareketi, metin girme hızı, tıklamalar arasındaki süre, kullanıcının hangi saatlerde aktif olduğu gibi yüzlerce mikro kalıbı analiz eder.
Modern ML modelleri, milyarlarca gerçek oturum üzerinde eğitildi ve milisaniyelik gecikmelerle bile insanı bir scriptten yüksek doğrulukla ayırt edebilir.
ML sistemlerinin izlediği davranış sinyalleri
| Davranış Parametresi | Botun gördüğü | İnsanın gördüğü |
|---|---|---|
| Fare hareketleri | Düz çizgiler, anlık hareketler, rastgele hareketlerin olmaması | Pürüzsüz eğriler, mikro dalgalanmalar, butonların dışına tıklama, yol düzeltme |
| Yazma hızı | Karakterler arasındaki eşit aralıklar (50ms), yazım hatası yok, anlık metin ekleme | Farklı hız (100-300ms), düzeltmelerle yazım hataları, kelimeler arasında duraklamalar |
| Eylem zamanlamaları | Tıklamalar arasında tam 5 saniye, her gün aynı zamanda eylemler | Rastgele aralıklar 3-15 saniye, farklı etkinlik süreleri, okuma duraklamaları |
| Kaydırma kalıbı | Sabit bir mesafeye kaydırma, duraklama yok, sabit hız | Düzensiz kaydırma, ilginç içerikte duraklama, geri dönüş |
| Oturum süresi | Her seferinde tam 10 dakika, duraklama yok, anlık çıkış | Farklı süreler (5-60 dakika), dikkat dağılması, sekme açık kalır |
İnsan davranışını taklit etmenin pratik yöntemleri
1. Eylemler arasında rastgele gecikmeler
Eğer otomasyon kullanıyorsanız (veri çekme scriptleri, sosyal medyada otomatik gönderim), mutlaka rastgele gecikmeler ekleyin. Sabit aralıklar kullanmayın.
Kötü: İstekler arasında tam 5 saniye gecikme
time.sleep(5) # Aynı gecikme — bot olarak tespit edilir
İyi: 3 ila 8 saniye arasında rastgele gecikme
import random
time.sleep(random.uniform(3, 8)) # İnsan taklidi
2. İçeriği okuma taklidi
Sayfayı açtığınızda — hemen butona tıklamayın. ML sistemleri, ilk eyleme kadar geçen süreyi izler. Gerçek bir insan metni okur, resimlere bakar, sayfayı kaydırır.
- Sayfa yüklendikten sonra — başlık okuma taklidi için 2-5 saniye duraklama
- Rastgele 100-500 piksel aşağı kaydırma (içeriği gözden geçirme)
- Metni okuma için 3-7 saniye duraklama
- Butona hareket (cursor teleportasyonu değil)
- Küçük bir sapma ve düzeltme ile tıklama
3. Doğal etkinlik kalıpları
Gerçek insanlar, 24/7 aynı yoğunlukta çalışmaz. Gerçekçi etkinlik grafiklerini oluşturun:
- Giriş zamanı: Her gün tam 09:00'da hesaba giriş yapmayın. Zamanı değiştirin: 08:45, 09:15, 09:30
- Oturum süreleri: Her seferinde farklı: 10 dakika, 45 dakika, 5 dakika, 1 saat
- Haftanın günleri: Hafta sonları daha az aktivite (eğer bu bir iş hesabıysa) veya tam tersi daha fazla (eğer kişisel bir hesapsa)
- Duraklamalar: Aktivitelerde duraklamalar yapın. Instagram'da her 2 saatte bir robot gibi paylaşım yapmayın — sabah 3 gönderi yapın, sonra akşama kadar duraklayın
Aracılar için ipucu: Eğer Facebook Ads hesapları oluşturuyorsanız — ilk 7-14 gün gerçek bir kullanıcının davranışını taklit edin. Hesaba giriş yapın, haber akışını 5-10 dakika gözden geçirin, 2-3 gönderiye beğeni yapın, videoları izleyin. Isındıktan sonra reklam kampanyaları oluşturmaya başlayın. Reklamı hemen başlatan hesaplar — 10 kat daha fazla yasaklanır.
4. Davranış taklit araçlarının kullanımı
Bazı anti-detect tarayıcılar, insan davranışını taklit etme işlevlerine sahiptir:
- Dolphin Anty: "Senaryolar" işlevi, doğal gecikmelerle eylem dizisini kaydetmenizi sağlar ve sonra varyasyonlarla yeniden oynatır
- AdsPower: Rastgele gecikmeler ve fare hareketleri ayarlama ile RPA (Robotik Süreç Otomasyonu)
- Tarayıcı otomasyon araçları: Puppeteer Extra, puppeteer-extra-plugin-stealth eklentisi ile otomasyona insan benzeri davranış ekler
Doğru proxy döngüsü: neden her hesap için bir IP çalışmaz
Yaygın bir yanlış anlama: "her hesabın asla değişmeyen kendi statik IP'si olmalı". Bu doğru değil. Gerçek kullanıcılar sürekli IP adreslerini değiştirir: ev WiFi'si, mobil internet, kafe, ofis, seyahat.
ML sistemleri bunu bilir ve şüpheli olan, hem çok sık IP değişimi (her 10 dakikada bir) hem de hiç değişim olmamasıdır (bir IP aylarca).
Proxy döngüsü türleri ve ne zaman kullanılacağı
| Döngü Türü | Nasıl çalışır | Ne zaman kullanılmalı | Riskler |
|---|---|---|---|
| Statik IP | Bir IP, hesapla sonsuza kadar ilişkilidir | Reklam hesapları (Facebook Ads, Google Ads), önemli sosyal medya hesapları | Eğer IP yasaklanırsa — hesap da yasaklanır. Mobil kullanıcılar için doğal değildir |
| Oturum bazında döngü | Her yeni bağlantıda IP değişir (tarayıcıyı kapattığınızda — yeni IP) | Veri çekme, toplu kayıt, tek seferlik görevler | Çok sık değişim — sosyal medya ML sistemleri için kırmızı bayrak |
| Zamana göre döngü | IP her X dakikada bir değişir (5, 10, 30 dakika) | Rate limiting korumalı veri çekme, fiyat izleme | Sosyal medya hesapları için UYGUN DEĞİLDİR — VPN gibi görünür |
| 2-5 IP havuzu | Hesap, doğal bir şekilde değişen birkaç IP kullanır | Gerçek bir kullanıcıyı taklit etme (ev + iş + mobil) | Geçiş mantığı gerektirir — IP'yi rastgele değiştirmek mümkün değildir |
Farklı görevler için döngü stratejisi
Facebook Ads / Google Ads için (arbitraj):
Statik yerleşik proxyler kullanın. Bir hesap = değişmeyen bir IP. Reklam platformları IP değişimine çok duyarlıdır ve aktif kampanya sırasında adresin bir kez bile değişmesi durumunda hesabı yasaklayabilir.
Hariç tutma: Eğer mobil kullanıcıyı taklit ediyorsanız — her 10-30 dakikada bir döngü ile mobil proxyler kullanabilirsiniz (bu, gerçek mobil internetin çalışma şeklidir). Ancak o zaman tüm parmak izi parametreleri mobil cihazdan olmalıdır.
Instagram / TikTok / sosyal medya için (SMM):
Optimal strateji — "ev-iş-mobil" mantığına göre değişen 2-3 IP adresi havuzudur:
- Ana IP (yerleşik) — %70 aktivite, akşam ve hafta sonları kullanılır
- Çalışma IP'si (farklı alt ağdan yerleşik) — %20 aktivite, çalışma saatlerinde 9-18 kullanılır
- Mobil IP — %10 aktivite, gün içinde rastgele girişler
Bu kalıp doğal görünür ve ML sistemlerinde şüphe uyandırmaz.
Wildberries / Ozon / pazaryerleri için veri çekme:
Her 5-15 dakikada bir otomatik IP değişimi ile döngüsel yerleşik proxyler kullanın. Pazaryerleri, bir IP'den gelen istek sayısını izler ve limitin aşılması durumunda yasaklar.
Önemli: Veri merkezi proxyleri kullanmayın — Wildberries, Ozon, Avito, veri merkezi IP'lerinin veritabanlarına sahiptir ve bunları otomatik olarak yasaklar. Sadece yerleşik veya mobil proxyler kullanın.
Toplu hesap kaydı için:
Her kayıt — yeni bir IP. Büyük bir adres havuzuyla döngüsel proxyler kullanın. Kayıttan sonra, hesap için daha fazla çalışma için statik bir IP atayın. Asla bir IP ile birden fazla hesap kaydetmeyin — bu, tüm hesapların anında yasaklanması demektir.
Proxy döngüsünde kritik hatalar
1. Aynı anda birden fazla hesap için aynı IP kullanımı
Eğer mükemmel parmak izleriniz varsa bile — eğer iki hesap aynı IP ile aynı anda giriş yapıyorsa, ML sistemi onları bağlayacaktır. Bir hesap = belirli bir anda bir IP.
2. Aktif oturum sırasında IP'nin ülke/şehir değiştirmesi
Moskova'dan bir IP ile hesaba giriş yaptınız, 10 dakika sonra IP Vladivostok'a değişti — bu, 7000 km'lik bir teleportasyondur. Anında yasak. Eğer döngü kullanıyorsanız — IP'ler aynı şehir/regiondan olmalıdır.
3. Mobil ve masaüstü IP arasında parmak izi değişikliği olmadan geçiş yapmak
Eğer mobil proxy kullanıyorsanız — parmak izi mobil cihazdan olmalıdır (iOS veya Android). Mobil IP'yi masaüstü User-Agent ile kullanmak mümkün değildir — bu tutarsızlık ML sistemleri tarafından tespit edilir.
Cihaz tutarlılığı: proxy + parmak izi + User-Agent bağlantısı
ML sistemleri yalnızca ayrı parametreleri değil, aynı zamanda bunların tutarlılığını da kontrol eder. Bu, "cihaz tutarlılığı" olarak adlandırılır — tüm özellikler birbirleriyle uyumlu olmalı ve gerçek bir cihazın tek bir resmini oluşturmalıdır.
ML sistemleri, yalnızca bireysel parametreleri değil, aynı zamanda bunların tutarlılığını da kontrol eder. Bu, "cihaz tutarlılığı" olarak adlandırılır — tüm özellikler birbirleriyle uyumlu olmalı ve gerçek bir cihazın tek bir resmini oluşturmalıdır.