Антиспам, который учится сам: ML, ИИ-агенты и высоконагруженный бэкенд против спам-атак

Спамооборона защищает пользователей Яндекс Почты от спама, фишинга и вредоносных писем. Сервисы Яндекс 360 имеют аудиторию более 102 млн пользователей в месяц, ими пользуются более 170 тыс. организаций. Яндекс Почта обслуживает 1,6 млн доменов.

За первое полугодие 2026 года Спамооборона обработала 50,4 млрд писем. Текущий поток составляет около 306 млн писем в сутки, в среднем это 3,5 тыс. писем в секунду. Отдельно через корпоративный контур проходит около 21 млн писем в сутки. Для каждого письма нужно за миллисекунды собрать сигналы из нескольких сервисов и применить набор моделей.

В докладе отвечу на четыре вопроса.

1. Как устроить бэкенд, в котором несколько моделей работают на общем потоке данных? Покажу, как мы разделили получение сигналов, применение моделей, хранение статистики, обновление данных и эксплуатационные контуры. Такое разделение позволяет независимо менять модели и сервисы, проводить поэтапные выкладки и быстро откатывать изменения.

2. Как выдержать нагрузку, которая на внутренних стадиях во много раз выше входного потока? Для одного письма система обновляет до сотни счётчиков. Хранилище выполняет около 220 тыс. обновлений в секунду, нагрузка на чтение сопоставима. За сутки обновляется около 13 млрд счётчиков. В новой архитектуре данные шардируются, хранятся с фактором репликации 3, записываются через асинхронную очередь и буфер, а чтение разгружается кэшем. Количество неответов уменьшилось в 15 раз. Цена решения состоит в том, что вместо одного сервиса нужно эксплуатировать три и выделять больше железа.

3. Где в этой системе используются модели и ИИ? Модели встроены в бэкенд Спамообороны и решают отдельные задачи с текстом, изображениями, репутационными и поведенческими сигналами. ИИ-агенты работают рядом с основным контуром: помогают разбирать инциденты и обращения, находить новые атаки, формировать гипотезы и автоматизировать работу дежурного. А также принимать решения о бане писем в самых сложных кейсах.

4. Как оценить эффект автоматизации? После каждой атаки пайплайн автоматически готовит данные для следующей итерации моделей. Время реакции на массовую атаку сократилось с 20+ до 5 минут. Число массовых атак за квартал снизилось с 79 до 7 год к году. Новые модели дали в три раза меньше жалоб в B2B и на 30% меньше жалоб на фишинг. Автоматизация эксплуатации снизила количество обращений в команду на 50%, средний цикл тикета сократился с 14 до 4 дней.

Слушатели получат схему интеграции нескольких моделей в highload-бэкенд, подход к расчёту внутренней нагрузки, набор решений для горячих ключей и всплесков трафика, а также способ отделить синхронную обработку от ИИ-автоматизации. Эти решения можно применять в антифроде, модерации, защите платежей и других системах, где модели работают на большом потоке событий.