本文研究移动广告网络中点击欺诈（click fraud）的一种新型变体，称之为“人形攻击”（humanoid attack）。点击欺诈利用按点击付费（pay-per-click）机制，通过自动化或伪造方式产生虚假点击，给广告主造成巨大经济损失。已有检测方案大多基于动态分析，通过统计点击流量或行为模式识别异常。但本文指出，人形攻击能够生成与正常点击高度相似的模式，从而规避基于模式匹配的现有检测机制。为应对这一挑战，作者提出了名为 ClickScanner 的检测工具，专门面向 Android 应用进行静态分析，并采用变分自编码器（VAE）构建仅基于良性样本训练的分类模型。该方法的设计动机在于：现实中恶意点击样本难以获取，因此采用无监督/单类学习思路。ClickScanner 首先通过静态分析在字节码层面提取关键特征，构建数据依赖图（DDG），然后基于新定义的特征向量描述应用内疑似人形攻击的行为模式。实验验证了该工具在检测准确性方面具有有效性，能够在不依赖已知攻击样本的前提下识别出人形攻击。本文的主要贡献包括：首次系统性地识别并命名“人形攻击”这一点击欺诈形态；提出字节码级特征与DDG相结合的特征提取方案；构建仅用良性数据训练的VAE检测模型；实现ClickScanner工具并在真实Android应用上验证可行性。适合移动安全、广告反欺诈、恶意应用检测领域的研究人员和蓝队工程师阅读，以了解新型点击欺诈的检测思路。