身份验证:用户身份验证和设备指纹

场景:黄牛用 100 个账号抢购同一件商品 🤖

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。


身份验证体系 🛡️

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。


设备指纹技术 🔍

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。


设备指纹实战代码 💻

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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。


设备 - 账号关联分析 🔗

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。


风险识别数据对比 📊

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

实战:拦截黄牛账号 🚫

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。


想一想

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:

  1. 允许用户自助解绑旧设备(需要验证)
  2. 新设备首次登录需要额外验证
  3. 结合账号历史行为判断(购买记录、常用地点等)
  4. 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
  1. 分级验证:低风险用户无感知,高风险用户严格验证
  2. 渐进式验证:先简单验证,可疑时升级
  3. 白名单机制:老用户、VIP 用户简化流程
  4. 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。