行为分析:分析用户行为识别异常
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:
- 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。
- 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。 - 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 | 50ms | 2000ms | < 300ms 可疑 |
| 点击购买 → 提交订单 | 100ms | 3000ms | < 500ms 可疑 |
| 表单填写(每字段) | 10ms | 500ms | < 100ms 可疑 |
| 支付确认 | 50ms | 4000ms | < 1000ms 可疑 |
| 验证码输入 | 200ms | 5000ms | < 1000ms 可疑 |
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
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。
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。
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 | 0.30 | 0.05 | 0.95 |
| 操作间隔绝对值过短 | 0.15 | 0.10 | 0.90 |
| 鼠标轨迹为直线 | 0.20 | 0.05 | 0.85 |
| 点击落点过于集中 | 0.10 | 0.15 | 0.95 |
| 导航路径过短 | 0.15 | 0.20 | 0.80 |
| 请求频率异常 | 0.10 | 0.10 | 0.90 |
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:
- 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。
- 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。
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。
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:
- 多个账号的行为模式高度一致(同一套话术)
- 地理位置分散但操作时间高度同步
- 设备指纹与账号历史不匹配
- 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:
- 无感分析:大部分分析在后台进行,不影响用户
- 分级处置:低风险用户完全无感知
- 误杀申诉:提供申诉渠道,快速解封
- 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:
- 最小化收集:只收集必要的数据
- 匿名化处理:数据与个人身份分离
- 本地分析:部分分析在前端完成
- 透明告知:在隐私政策中说明
- 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。
