身份验证:用户身份验证和设备指纹
黄牛问题一直是秒杀系统的痛点。你想想,如果一个黄牛用 100 个账号同时抢购,普通用户怎么可能抢得过?😤
今天我们就来解决这个问题——身份验证和设备指纹。
身份验证不是一刀切,而是分层防御。就像城堡一样,有护城河、城墙、内城三道防线。
设备指纹是什么?简单说,就是给每个设备一个”身份证”。即使用户换了账号,设备指纹也能认出”哦,还是你”。
设备指纹的关键是特征组合。单一特征容易伪造(比如 User-Agent),但十几个特征组合在一起,伪造成本就极高了。
前端采集
设备指纹的本质是把设备的物理特征组合成一个稳定标识。单一特征都能被伪造(改 UA 是一行代码),但十几个特征组合起来,伪造成本会高到不划算。
采集哪些特征:
| 类别 | 特征 | 稳定性 | 采集难度 |
|---|---|---|---|
| 硬件 | CPU 核数、设备内存、屏幕分辨率、触摸点数 | ★★★★☆ | 低 |
| 系统 | 操作系统、浏览器版本、语言、时区 | ★★★☆☆ | 低 |
| 渲染 | Canvas 指纹、WebGL 渲染器与参数 | ★★★★☆ | 中 |
| 字体 | 系统字体列表 | ★★★★★ | 中 |
| 媒体 | 音频上下文指纹 | ★★★★☆ | 中 |
| 交互 | 触摸支持、鼠标、电池状态、GPU 厂商 | ★★★☆☆ | 低 |
| 网络 | 网络类型、语言、时区(可与 IP 属地交叉验证) | ★★☆☆☆ | 低 |
注意稳定性的差异——这是指纹设计里最关键的一点:
稳定特征(适合进指纹):字体列表、Canvas 渲染结果、硬件并发数
不稳定的特征(只能做辅助信号):屏幕分辨率、时区、网络类型
→ 用户拖动窗口改分辨率、跨时区出差、连上 WiFi 都会变
→ 混进指纹会导致设备被算成"新设备",账号频繁流失
采集必须做到”不影响主流程”。秒杀页面的首屏时间直接决定转化率,指纹采集绝不能拖慢它:
// fingerprint.js —— 异步、不阻塞、不抛错
const FINGERPRINT_VERSION = 'v1';
async function collectFingerprint() {
const features = {};
// 1) 同步特征:便宜,直接取
features.screen = {
w: screen.width, h: screen.height,
colorDepth: screen.colorDepth,
touch: navigator.maxTouchPoints || 0,
};
features.hardware = {
cores: navigator.hardwareConcurrency || 0,
memory: navigator.deviceMemory || 0,
};
features.platform = {
ua: navigator.userAgent,
lang: navigator.language,
langs: (navigator.languages || []).join(','),
tz: Intl.DateTimeFormat().resolvedOptions().timeZone,
};
// 2) 异步特征:耗时,放到 requestIdleCallback 里做
const idle = await runWhenIdle();
features.canvas = await canvasHash(); // ~10ms
features.webgl = webglInfo(); // ~5ms
features.fonts = fontSignature(); // ~20ms
features.audio = await audioHash(); // ~30ms
// 3) 归一化 + 哈希,得到最终 deviceId
const payload = JSON.stringify(normalize(features));
return { deviceId: await sha256(payload), features, version: FINGERPRINT_VERSION };
}
function runWhenIdle(timeout = 200) {
// 有 requestIdleCallback 就用它,没有就退化成 setTimeout
return new Promise((resolve) => {
if ('requestIdleCallback' in window) {
window.requestIdleCallback(() => resolve(), { timeout });
} else {
setTimeout(resolve, 0);
}
});
}
Canvas 指纹是最有效的一项,原理是不同设备的字体渲染和图形栅格化管线不同,同一段文字画出来的像素分布就不一样:
async function canvasHash() {
const canvas = document.createElement('canvas');
canvas.width = 200; canvas.height = 60;
const ctx = canvas.getContext('2d');
ctx.textBaseline = 'top';
ctx.font = '14px "Arial"';
ctx.fillStyle = '#f60'; ctx.fillRect(10, 5, 100, 30);
ctx.fillStyle = '#069'; ctx.fillText('秒杀指纹 🌶', 2, 15);
ctx.fillStyle = 'rgba(102,204,0,0.7)';
ctx.fillText('秒杀指纹 🌶', 4, 17);
// 取像素数据做哈希;取样而不是全量,减少误差带来的抖动
const data = ctx.getImageData(0, 0, 200, 60).data;
let hash = 0;
for (let i = 0; i < data.length; i += 4) {
hash = (hash * 31 + data[i] + data[i + 1] * 3 + data[i + 2] * 7) >>> 0;
}
return hash.toString(16);
}
指纹的生成和上报:
页面加载
↓
首屏渲染完成(不等指纹)
↓
requestIdleCallback 里采集指纹
↓
算出 deviceId,存到 localStorage(下次直接复用,避免重复采集)
↓
下单请求时通过请求头带上
X-Device-Id: 8f2a...c19b
四个必须遵守的工程约束:
- 采集失败不能影响下单。整段逻辑必须包在
try/catch里,任何一步失败就降级为”无指纹”并继续下单。风控永远不能成为可用性的单点。 - 不要只信任前端上报的 deviceId。它只是一个线索,服务端要用 IP 属地、UA 解析、行为特征做交叉验证。前端传什么就信什么,等于把判断权交给对手。
- 指纹要能容错。同一台设备重装系统、浏览器升级后,指纹会变。所以要保留”指纹历史”(一个设备关联多个指纹值),而不是简单地判为新设备。
- 必须尊重隐私边界。只采集上面列出的技术特征,不采集 IMEI、MAC、通讯录、剪贴板;对原始特征做哈希再上报;并在隐私政策里说明用途。
后端存储与分析
前端只负责产出 deviceId,真正的判断在服务端。
存储分两层:
Redis(在线,热数据)
device:{deviceId}:accounts Set 该设备关联的账号列表
device:{deviceId}:profile String 设备档案(首见时间、地理、UA 摘要)
account:{userId}:devices Set 该账号用过的设备列表
→ TTL 与活动周期对齐,活动结束后按策略过期
MySQL(持久,可审计)
device_profile 设备档案:device_id、首次出现、最后出现、地理、风险分
device_account 关联关系:device_id、user_id、首次关联、订单数、是否异常
服务端拿到 deviceId 后的处理:
def bind_device(device_id, user_id, ctx):
"""把设备和账号绑定,并返回这台设备积累的风险信息。"""
key = f"device:{device_id}:accounts"
redis.sadd(key, user_id)
redis.expire(key, 7 * 24 * 3600)
db.execute(
"INSERT INTO device_account (device_id, user_id, first_seen, last_seen, order_cnt)"
" VALUES (%s,%s,%s,%s,1)"
" ON DUPLICATE KEY UPDATE last_seen=%s, order_cnt=order_cnt+1",
(device_id, user_id, now(), now(), now()))
# 这台设备关联过多少账号?——最核心的关联指标
account_cnt = redis.scard(key)
orders = db.query_one(
"SELECT COUNT(*) c FROM device_account WHERE device_id=%s", (device_id,))['c']
return {
'device_id': device_id,
'account_count': account_cnt, # 关联账号数
'order_count': orders, # 累计下单数
'first_seen': ..., # 设备首次出现时间
'geo': ctx.ip_geo, # IP 属地,用于和指纹信息交叉验证
}
关联分析的核心指标:
| 指标 | 正常用户 | 黄牛 | 判定阈值 |
|---|---|---|---|
| 设备关联账号数 | 1-2 个 | 10-100 个 | > 5 个可疑 |
| 设备 24h 内新增账号数 | 0-1 个 | 数十个 | > 3 个可疑 |
| 账号注册到下单的间隔 | 数天到数月 | < 1 小时 | < 10 分钟高度可疑 |
| 账号更换设备频率 | 偶发 | 频繁 | 7 天内 > 3 台可疑 |
| 设备地理跳变 | 稳定 | 跨省跳变 | 1 天内 2 个城市可疑 |
交叉验证是这里最关键的设计。单独看任何一个指标都可能被绕过:
黄牛伪造 UA 和分辨率 → 硬件特征仍然一致
黄牛用不同浏览器 → Canvas 指纹仍然一致
黄牛用代理 IP → 设备指纹 + 账号关联仍然一致
所以判定的依据是多个独立维度同时指向同一个结论。这也解释了为什么”单设备关联账号数”比”单条设备特征”更有价值——它是行为聚合的结果,而不是某个可以被修改的字段。
指纹轮换与漂移:
设备指纹 v1 → v2(升级了浏览器版本)
↓
发现同一账号先后用过两个指纹,且两个指纹的稳定特征高度相似
↓
判定为同一设备 → 建立"指纹合并"关系
↓
账号仍然绑定在同一个 device_id 下,不会被当成新设备
否则一次浏览器升级就会让所有老用户”变成新设备”,原有的关联关系全部失效,风控能力会悄无声息地退化。
黄牛的典型特征是:一个设备关联多个账号。我们可以通过这个特征来识别。
| 特征 | 正常用户 | 黄牛 | 判定阈值 |
|---|---|---|---|
| 设备关联账号数 | 1-2 个 | 10-100 个 | > 5 个可疑 |
| 账号注册时间 | 分散 | 集中(几小时内) | 24 小时内 >3 个 |
| IP 地址变化 | 稳定 | 频繁切换 | 1 小时 > 5 个 |
| 购买频率 | 偶尔 | 高频 | 每天 > 3 单 |
| 账号活跃度 | 正常 | 全部活跃 | 100% 活跃可疑 |
| 浏览器指纹 | 一致 | 可能不一致 | 频繁变更可疑 |
把身份验证、设备指纹、行为分析、黑名单串起来,看一次真实的黄牛抢购是怎么被拦下的。
场景:某黄牛用 100 个账号,分布在 20 台云主机上,在秒杀开始后的 0.3 秒内同时提交下单请求。
拦截过程:
① 限流层(5.1 节)—— 最先拦,成本最低
20 台主机的公网 IP 下,1 秒内来了 3000 次下单请求
→ 单 IP 令牌桶耗尽 → 1200 次请求在网关就被拒
→ 黄牛此时还不知道自己被挡了
② 设备指纹层(7.1 节)—— 关联分析
20 台云主机的 Canvas 指纹完全一致(同一批虚拟机的镜像)
→ 20 个 deviceId 被判定为同一设备(指纹聚类 + 地理跳变验证)
→ 该设备关联的账号数:97 个 ❌ 远超阈值 5
→ 风险分 +40
③ 行为分析层(7.2 节)—— 时间模式
100 个账号的提交时间戳分布在 40ms 内
→ 跨账号的提交时间分布方差极小(正常用户各自随机)
→ 命中"群体时间同步"特征 → 风险分 +30
④ 账号特征
97 个账号注册时间集中在 2 天内,注册后 5 分钟内即提交下单
→ 命中"批量注册-立即抢购"特征 → 风险分 +20
⑤ 综合风险分 = 40 + 30 + 20 = 90
→ 落入"高度可疑"区间 → 拦截下单 + 加入黑名单观察
最终结果:这批请求里,只有 3 个账号(应该是真人被裹挟进来的,或者黄牛自己留的真实账号)通过了验证;其余 97 个账号被拦截,其中 97 个账号 + 20 个 IP 段被写入黑名单。
为什么”群体时间同步”是这么强的信号:单个账号的操作间隔可以被伪装,但100 个账号同时启动,它们的启动时刻会自然地聚集在同一个瞬间。脚本再聪明,也很难让 100 个独立进程在 40ms 内完成”从冷启动到发出请求”的全过程——冷启动本身就要几百毫秒。
这条规则的实现很朴素:
def detect_group_sync(events, window_ms=1000):
"""events: [(user_id, submit_ts_ms)],返回同步的请求簇。"""
events = sorted(events, key=lambda e: e[1])
clusters, current = [], [events[0]]
for prev, cur in zip(events, events[1:]):
if cur[1] - prev[1] <= window_ms:
current.append(cur)
else:
if len(current) > 10: # 1 秒内超过 10 个账号提交
clusters.append(current)
current = [cur]
if len(current) > 10:
clusters.append(current)
return clusters
这个检测必须放在离线链路里。要在 1 秒的窗口内收集 100 个账号的提交时间、还要做聚类,同步处理来不及。合理的分工是:
实时链路(毫秒级):设备指纹、行为评分、限流 —— 挡住绝大多数
离线链路(分钟级):群体同步检测、关联图谱挖掘 —— 发现批量账号,加入黑名单
离线发现的结果回流到黑名单,反过来加强实时链路的拦截能力。这也是为什么黑名单要有”自动封禁规则引擎”——它本质上是离线分析结果的在线化。
处置方式的选择:
| 风险分 | 处置 | 理由 |
|---|---|---|
| 0-30 | 直接放行 | 绝大多数真实用户在这一档,必须无感知 |
| 31-60 | 放行 + 记录 | 轻度异常,积累证据 |
| 61-80 | 行为验证码 | 给真人一次证明自己的机会,脚本则卡在这里 |
| 81-100 | 拦截 + 黑名单 | 已经是批量特征明确的账号 |
中间档(验证码)的存在很重要。它把”直接封号”这种可能误伤的决定,替换成一次成本很低的验证:真人点两下就能通过,脚本则过不去。能用验证解决的,不要用封禁解决。
问题 1:如果黄牛使用虚拟机或模拟器,设备指纹还能识别吗?
点击查看答案
虚拟机和模拟器会有特征:
- 缺少真实硬件信息(GPU、音频等)
- Canvas/WebGL渲染结果异常
- 系统字体不完整
- 浏览器版本与实际不符
可以检测这些特征来识别虚拟机。
问题 2:用户换了手机怎么办?
点击查看答案
解决方案:
- 允许用户自助解绑旧设备(需要验证)
- 新设备首次登录需要额外验证
- 结合账号历史行为判断(购买记录、常用地点等)
- 不要一刀切,给正常用户申诉渠道
问题 3:如何平衡安全性和用户体验?
点击查看答案
- 分级验证:低风险用户无感知,高风险用户严格验证
- 渐进式验证:先简单验证,可疑时升级
- 白名单机制:老用户、VIP 用户简化流程
- 监控误杀率:定期review被拦截的用户
发现内容有问题?
告诉我们哪里需要改进。
