行为分析:分析用户行为识别异常

问题:机器刷单和真人抢购有什么区别?🤖 vs 👤

想象一下这个场景:

凌晨 2 点,某品牌耳机秒杀开始。

1000 个订单在 0.1 秒内被提交——这绝对不是人类能做到的速度!🚨

这就是行为分析要解决的问题。


行为分析体系 📊

行为分析的核心思想是:机器和人类的行为模式有本质区别。就像你可以通过笔迹鉴定来区分不同的人一样,我们也可以通过行为模式来区分真人和机器。


时间模式分析 ⏱️

时间是黄牛最难伪造的维度。脚本可以伪装 User-Agent、可以模拟鼠标轨迹,但很难同时伪造”等待”——机器不会在按钮上停留 2 秒再点击,除非开发者刻意在脚本里塞随机延时,而那会直接拖慢脚本自己的效率。

操作间隔检测

核心思路:记录用户从”看到页面”到”完成下单”之间每一个关键动作的时间戳,计算相邻动作的间隔。间隔的分布特征比单个值更有判别力——

真人:间隔随机,有长有短(人在思考、在犹豫、在看商品)
      2000ms → 800ms → 3400ms → 1500ms → 波动明显

脚本:间隔高度一致,或者快得不像人
      48ms → 52ms → 47ms → 51ms → 波动极小 ❌

采集哪些时间点:

事件埋点方式说明
活动页曝光performance.now()进入活动页的时刻,作为 T0
商品图片加载完成图片 onload排除网络波动影响的加载时间
点击购买click 事件关键动作
提交订单fetch / XMLHttpRequest 拦截关键动作
支付确认支付 SDK 回调关键动作

必须用 performance.now() 而不是 Date.now()。Date.now() 只有毫秒精度且受系统时间调整影响;performance.now() 是高精度单调时钟(通常精确到微秒),不受用户改系统时间的影响——否则用户把系统时间拨快就能轻松伪造出”人类节奏”。

前端采集代码:

const marks = [];
const t0 = performance.now();

// 关键动作统一打点
function mark(name) {
  marks.push({ name, t: performance.now() - t0 });
}

// 埋点:曝光 / 点击 / 提交
document.addEventListener('DOMContentLoaded', () => mark('page_ready'));
buyButton.addEventListener('click', () => mark('click_buy'));
// 提交订单前
mark('submit_order');

// 上报:和请求一起提交,服务端再算间隔
fetch('/api/seckill/submit', {
  method: 'POST',
  headers: { 'Content-Type': 'application/json' },
  body: JSON.stringify({ marks }),
});

服务端判定(拿到 marks 后按相邻差值计算):

def check_intervals(marks, rules):
    intervals = []
    for prev, cur in zip(marks, marks[1:]):
        intervals.append((cur['name'], cur['t'] - prev['t']))
    reasons = []
    for name, delta in intervals:
        limit = rules.get(name)          # 阈值表:buy_click → 300ms
        if limit and delta < limit:
            reasons.append(f"{name} 间隔 {delta:.0f}ms < {limit}ms")
    # 机器指纹特征:间隔的标准差过小,说明是固定脚本
    values = [d for _, d in intervals]
    if len(values) > 2 and stdev(values) < 30:   # 波动小于 30ms
        reasons.append("操作间隔标准差过小,疑似固定脚本")
    return reasons

为什么用”标准差”比用”平均间隔”更准:一个善意的用户也可能很快(老手、反复刷新),但他的间隔是波动的;脚本的间隔则高度一致。波动性才是机器和真人的分水岭。

实际使用中的三个坑:

  1. 别只看单次阈值。用户网速慢、页面卡顿时,间隔天然会变长。阈值应该取”人类分布的 P1 分位”再往下留一点余量,而不是拍脑袋定 300ms。
  2. 必须与设备指纹、时间戳一致性交叉验证。如果客户端上报的 t 是负数、或者和服务器收到请求的时间差超过 10 秒,说明时间戳被伪造了,直接判定为高风险。
  3. 后台标签页会被浏览器节流。用户切走再切回来,requestAnimationFrame 之类的定时器会被降频,间隔会被拉长。这类”假慢”要通过”页面是否可见”(document.visibilityState)来排除,否则会大量误杀。

判定结果怎么用:间隔异常只是一个信号,不是判决。命中之后应该累加到用户的风险评分里(见下面的综合评分系统),由总分决定是放行、验证码还是拦截。单一信号直接封号,是误杀率最高的做法。

实战数据对比

操作类型机器平均耗时人类平均耗时判定阈值
页面加载 → 点击购买50ms2000ms< 300ms 可疑
点击购买 → 提交订单100ms3000ms< 500ms 可疑
表单填写(每字段)10ms500ms< 100ms 可疑
支付确认50ms4000ms< 1000ms 可疑
验证码输入200ms5000ms< 1000ms 可疑

鼠标轨迹分析 🖱️

机器的鼠标移动是直线,人类的鼠标移动是曲线。这个差异非常显著!

鼠标轨迹可视化对比

人类鼠标轨迹(曲线,有抖动):
起点 ●═══════════╮
               ╱  │
             ╱    │
           ╱      ▼
         ●════════● 终点

机器鼠标轨迹(完美直线):
起点 ●════════════════════● 终点

点击热力图分析 🔥

除了”点了什么”,还有”点在哪里”。同一张按钮上,真人的点击位置是分散的(因为手指落点有误差),脚本的点击位置是精确命中中心的。

真人点击分布(在按钮上):

      ┌─────────────────┐
      │                 │
      │    ·  ·         │
      │   · · · ·       │
      │    ·  ·  ·      │     ← 有 3~5px 的随机偏移
      │      ·          │
      │   ·    ·        │
      │                 │
      └─────────────────┘

脚本点击分布:

      ┌─────────────────┐
      │                 │
      │                 │
      │        ●        │     ← 每次都精确命中中心
      │                 │
      │                 │
      │                 │
      └─────────────────┘

实现方式:在按钮上监听 click 事件,读取 event.offsetX / offsetY(相对按钮的坐标),把坐标归一化到 0~1,上报给服务端做统计。

buyButton.addEventListener('click', (e) => {
  const rect = buyButton.getBoundingClientRect();
  const x = (e.clientX - rect.left) / rect.width;   // 归一化 0~1
  const y = (e.clientY - rect.top) / rect.height;
  report({ type: 'click_point', x, y });
});

判定方法:统计同一用户(或同一设备指纹)多次点击的坐标分布,算它们到中心点的平均距离。

指标真人脚本阈值
到中心点平均距离8-20px< 3px< 3px 可疑
坐标标准差明显(> 5px)接近 0< 1px 高度可疑
命中率分散100% 命中同一点同一坐标重复 > 5 次可疑

注意几个坑:

  • 移动端没有鼠标轨迹。click 事件在触屏上依然有 clientX/clientY,但手指遮挡导致落点偏移更大,阈值要放宽。
  • 按钮位置固定才有意义。活动页是固定布局时坐标可比;如果做了 A/B 实验或响应式布局,需要按按钮尺寸归一化后再比较。
  • 不要单独用它判定。有些用户用键盘回车或辅助设备触发点击,坐标会退化到 0,0——这类情况应该被识别为”非鼠标操作”并排除,而不是当成脚本。

热力图的另一层价值是整页分析:把活动页上所有可点击区域的点击热力叠加,能看出哪些区域真实用户根本不会点(比如某个黄牛专用入口),这些空白区域本身就是线索。

页面导航分析 🗺️

人类会迷路,脚本不会。

真人用户从活动页到下单,通常会经历一些”无意义的停留”:返回上一页、切换商品规格、去看评价、犹豫要不要选颜色、在底部找优惠信息。脚本则是沿着最短路径直奔目标——打开活动页 → 直接调下单接口。

真人导航路径:
  活动页 → 商品详情 → 评价页 → 活动页 → 规格选择 → 下单页 → 提交
  停留时间:12s      8s        3s      5s        2s        1s

脚本导航路径:
  活动页 → 下单页 → 提交
  停留时间:0.4s      0.2s

怎么采集:前端用 history.pushState / replaceState 拦截和 popstate 监听,把访问路径记成序列:

const path = [];
function record(route) { path.push({ route, t: performance.now() }); }

// 劫持路由跳转
const originalPush = history.pushState.bind(history);
history.pushState = function (state, title, url) {
  record(url);
  return originalPush(state, title, url);
};
window.addEventListener('popstate', () => record(location.pathname + location.search));

判定方法:统计三个特征——

特征真人脚本说明
路径长度4-8 个节点1-3 个节点路径越短越可疑
回退次数偶尔有(返回上一页)0从不回退说明在按脚本走
停留时间方差大极小与操作间隔检测同理

最强的信号其实是”页面停留时间”。一个正常用户不可能在活动页停留 400 毫秒就完成下单——除非他早就开着页面等着(这在秒杀场景里恰恰是常态!)。所以这一条必须结合活动开始时间来判断:活动开始前打开页面并停留很久是正常的,活动开始后 400 毫秒内完成全流程才是可疑的。

这一条也说明了为什么行为分析不能孤立使用:秒杀用户的行为本身就和普通用户不同——他们会提前很久打开页面、反复刷新、会算准时间点提交。只有和”活动时间轴”对齐的行为数据才有意义。

综合行为评分系统 🎯

前面四类分析——操作间隔、鼠标轨迹、点击热力、导航路径——每一类都会误判,也都有漏洞。把多个弱信号组合成一个强信号,是反欺诈从”规则”走向”体系”的关键一步。

加权评分模型:

风险分 = 100 × ( w₁·间隔异常度 + w₂·轨迹异常度 + w₃·热力异常度 + w₄·导航异常度 )
        + 硬性规则加分(设备关联多账号、黑名单命中、验证码绕过失败)
信号权重正常用户脚本用户
操作间隔标准差过小0.300.050.95
操作间隔绝对值过短0.150.100.90
鼠标轨迹为直线0.200.050.85
点击落点过于集中0.100.150.95
导航路径过短0.150.200.80
请求频率异常0.100.100.90

分级处置——评分不是用来”封号”的,是用来决定下一步怎么对这个用户:

风险分判定处置
0 - 30正常直接放行,无感知
31 - 60轻微可疑放行,但记录行为轨迹
61 - 80可疑弹出行为验证码(见 5.2 节)
81 - 100高度可疑拦截下单,加入黑名单观察名单(见 7.3 节)

这套设计最重要的两条纪律:

  1. 低风险用户必须完全无感知。正常的 50 万用户里绝大多数落在 0-30 分,如果这部分用户也被要求答题,转化率会断崖式下跌,而收益(多拦住几个黄牛)微不足道。风控的目标是保护真实用户买到货,不是证明每个用户都是人。
  2. 阈值必须可调、可灰度。每次调整阈值都要看两个数字:黄牛拦截率和正常用户误杀率。只盯着拦截率调阈值,一定会调到误杀率飙升。

评分结果应该落到 Redis 里的用户风险画像上,供后续请求实时查询——风控的价值在于跨请求的累积,同一个用户第 20 次请求时,系统对他的了解应该比第 1 次时更准确。

实战:拦截异常行为 🚫

把前面所有能力串起来,看一次真实的请求是怎么被拦下来的。

场景:某黄牛脚本用 200 个账号,在活动开始后 0.3 秒内同时提交下单请求。

① 设备指纹检查(7.1 节)
   200 个账号共享同一个设备指纹 → 命中"单设备关联账号数 > 5"
   → 风险分 +30

② 行为分析(本页)
   操作间隔标准差 8ms(< 30ms 阈值)→ 命中
   点击落点全部落在按钮正中 1px 内 → 命中
   导航路径只有 2 个节点 → 命中
   → 风险分 +30 × 0.30 + 10 × 0.10 + 15 × 0.15 = +13.5

③ 黑名单检查(7.3 节)
   设备指纹不在黑名单,但关联的 IP 段在黑名单里
   → 风险分 +20

④ 限流检查(5.1 节)
   同一 IP 在 100ms 内发起 200 次下单请求 → 令牌耗尽
   → 直接限流拒绝

综合风险分:30 + 13.5 + 20 = 63.5 → 落入"可疑"区间
最终处置:弹出行为验证码 → 脚本无法作答 → 拦截

处置的顺序很重要。注意上面第 ④ 步:限流在行为分析之前就已经把请求挡掉了一部分。这符合”越便宜的拦截越靠前”的原则——限流是一次 Redis 计数(微秒级),行为分析要做统计计算(毫秒级),验证码要用户参与(秒级)。能早拦就早拦,不要让 50 万个请求都跑到最后一步。

误杀的处理:拦截之后必须留痕迹——记录命中了哪几条规则、当时的完整行为数据。这些数据是申诉复核(7.3 节)的依据,也是后续调阈值的样本。一个没有记录、没有申诉通道的风控系统,最终一定会因为误杀而失去用户信任。


想一想

问题 1:高级黄牛使用真人众包(真人代拍),行为分析还能识别吗?

点击查看答案

真人众包确实更难识别,但仍有破绽:

  1. 多个账号的行为模式高度一致(同一套话术)
  2. 地理位置分散但操作时间高度同步
  3. 设备指纹与账号历史不匹配
  4. 结合其他维度(设备关联、购买频率等)综合判断

应对策略:多维度综合分析,不依赖单一指标。

问题 2:行为分析会影响正常用户体验吗?

点击查看答案

设计原则:

  1. 无感分析:大部分分析在后台进行,不影响用户
  2. 分级处置:低风险用户完全无感知
  3. 误杀申诉:提供申诉渠道,快速解封
  4. 持续优化:定期 review 被拦截的用户,调整阈值

目标:拦截 99% 的机器,误杀率 < 0.1%

问题 3:如何收集行为数据而不侵犯隐私?

点击查看答案

隐私保护原则:

  1. 最小化收集:只收集必要的数据
  2. 匿名化处理:数据与个人身份分离
  3. 本地分析:部分分析在前端完成
  4. 透明告知:在隐私政策中说明
  5. 数据脱敏:存储时去除敏感信息

发现内容有问题?

告诉我们哪里需要改进。