防刷风控:识别和防止恶意刷单
想象这个场景:
秒杀活动开始:
真实用户小明:
00:00:00.000 - 看到倒计时归零
00:00:00.050 - 大脑反应,准备点击
00:00:00.150 - 手指移动到按钮
00:00:00.250 - 点击按钮
00:00:00.350 - 请求发送到服务器
结果:❌ 抢购失败,库存已被抢光
黄牛脚本:
00:00:00.000 - 检测到倒计时归零(自动)
00:00:00.010 - 自动发送请求(100个账号同时)
00:00:00.020 - 服务器收到请求
结果:✅ 抢购成功!抢到10台iPhone
时间差异:
真实用户:350毫秒
黄牛脚本:20毫秒
黄牛快17倍!
这就是秒杀活动面临的恶意刷单问题。
刷单不是某一种单一技术,而是一条完整的产业链。把它拆开看,主要由三块拼成:能自动执行的脚本、能让请求换 IP 的代理池、能批量注册账号的设备农场。 三者可以任意组合使用——只有脚本没有代理池,账号很快被封;只有代理池没有脚本,也拿不到货。所以防刷也不能只防其中一块。
手段一:自动化脚本 🤖
脚本是整条链路的执行器。没有脚本,代理池和设备农场都只是躺在那里的资源。
最粗糙的版本就是直接发 HTTP 请求:
# 最朴素的脚本:算好开售时间,提前把连接建好,到点齐发
import requests, threading, time
TARGET = "https://api.example.com/seckill/purchase"
BUY_AT = 1780000000.0 # 开售时间戳
ACCOUNTS = [("13800000001", "token_a"), ("13800000002", "token_b")]
def fire(phone, token):
while time.time() < BUY_AT:
time.sleep(0.001) # 忙等,卡准时间
try:
requests.post(TARGET,
json={"productId": 1, "phone": phone},
headers={"Authorization": token},
timeout=1)
except Exception:
pass
threads = [threading.Thread(target=fire, args=a) for a in ACCOUNTS]
[t.start() for t in threads]
[t.join() for t in threads]
这种脚本几行就能写出来。真实一点的黄牛脚本一般会再做三件事:伪装浏览器指纹(改 User-Agent、补齐 Referer、模拟真实请求头的顺序)、复用长连接(提前建好 HTTP/2 连接,省掉握手时间)、协议还原绕过前端签名(把小程序或 App 的签名算法逆向出来,直接构造合法请求)。
这些脚本留下的指纹,和真人差别很大:
| 观察维度 | 真人 | 脚本 |
|---|---|---|
| 请求间隔 | 100~300 毫秒,有抖动 | 高度规律,或者干脆齐发 |
| 请求头 | 每次都有细微差异(缓存、时间戳) | 每次完全一致 |
| 访问路径 | 先看详情 → 看规格 → 点抢购 | 直接打下单接口 |
| 会话时长 | 几十秒到几分钟 | 通常不到 1 秒 |
| 错误重试 | 失败后换个方式 | 失败后高频重试同一个接口 |
| 页面交互 | 有滚动、有停留 | 除了下单接口没有任何其他请求 |
最可靠的判据是”它有没有做过只有真人才会做的事”。 真人抢购前会看商品详情、滑动页面、切换规格;脚本只打接口。把”页面行为”纳入采集范围,比单纯分析接口调用要有效得多。
还要注意一个细节:脚本往往比人更快,但不一定比人更早准备。 真人会提前把页面打开、提前登录、提前选好规格,所以他的请求虽然慢,准备却是充分的;脚本往往在开售瞬间才发起第一枪,因为它的价值就在那个毫秒级的窗口。这种差异也是行为分析(第 7.2 节)的观察点。
手段二:代理IP池 🌐
代理 IP 池解决的是两个具体问题:
- 绕过单 IP 限频。 网关给每个 IP 设了每秒 N 次的上限,脚本换一个 IP 就能继续打。
- 避免被封即废。 IP 被拉黑之后还能继续作战,而黄牛账号本身是更宝贵的资产——要注册、要实名、要养。
代理来源大致分四类:
| 类型 | 特点 | 风险特征 |
|---|---|---|
| 机房 IP(云主机、IDC 段) | 便宜、量大、带宽足 | IP 段属于已知的云服务商 ASN |
| 住宅代理 | 真实家庭宽带,更难识别 | 同一 IP 常常对应真实用户,正常业务量小 |
| 拨号 IP(ADSL 拨号池) | 换 IP 等于换一条宽带 | IP 段分散,但地理分布诡异 |
| 设备农场 | 大量真机,IP 与设备一一绑定 | IP 与设备指纹一一对应,行为高度重复 |
代理池在风控上留下的痕迹非常典型:
同一账号,10 分钟内换了 47 个 IP
同一 IP,1 分钟内出现了 200 个不同账号
账号 A 的常用 IP 段:机房 BGP
设备指纹 D1 关联过的 IP 数:超过 30
但有一条必须守住:代理 IP 本身不等于黑产。 企业出口、运营商 NAT、移动网络的基站切换、公司 VPN,都会让”同一 IP 出现很多账号”或”同一账号出现多个 IP”变成正常现象。所以不能简单地把 IP 拉进黑名单了事。
正确的做法是把 IP 当成一个信号,而不是一个结论。IP 命中可疑区间时,不直接拒绝,而是提高该请求的风险分,让行为分析、答题门槛(第 5.2 节)这些机制去最终裁决。只拿 IP 作为硬拉黑依据,误伤率通常高得无法接受。
换 IP 会带来副作用,这反而是好事。 代理切换会带来新的网络特征——不同的运营商、不同的延迟抖动、不同的 TLS 指纹(第 7.2 节的信号之一)。真实用户不会在 3 秒内从电信切到移动再切到某个海外机房。代理池在躲避限频的同时,也在给风控提供新的信号。
手段三:设备模拟 📱
设备模拟要解决的是”一机一号”的限制。黄牛需要几百个账号,这些账号在注册和下单时必须看起来来自不同的设备。
常见的手段有三种:
改机。 修改 Android 设备 ID、IMEI、OAID、Android ID、MAC 地址,让系统认为是一台新机器。成本最低,但改出来的设备参数往往自相矛盾——机型标着旗舰机、分辨率却是低端机的、系统版本比该机型的发售时间还新。
群控。 用几十上百台真机接在同一台控制服务器上,屏幕上排成阵列,统一下发操作。这类”设备农场”还会配合自动点击工具,形成半自动的刷单流水线。
模拟器与容器。 在服务器上跑 Android 模拟器或者改机镜像,成本极低,但会暴露大量模拟器特征——缺陀螺仪、传感器读数恒定、基带信息异常。
识别设备模拟,靠的是设备指纹:把一堆硬件与软件特征揉成一个稳定的哈希。
| 特征类别 | 具体内容 |
|---|---|
| 硬件 | 屏幕分辨率、DPR、CPU 核心数、内存、GPU 渲染器、传感器列表 |
| 系统 | 系统版本、ROM 型号、语言、时区、字体列表 |
| 浏览器 | User-Agent、屏幕色彩深度、触摸点数、WebGL 能力 |
| Canvas | 把一段固定文本画到 canvas 上再取像素哈希 |
| 行为 | 触摸精度、加速度传感器读数、电池状态、充电状态 |
Canvas 指纹的取法大致是这样:
// 采集 canvas 指纹:不同 GPU、字体、驱动渲染出的像素会有细微差异
const canvas = document.createElement('canvas');
const ctx = canvas.getContext('2d');
ctx.textBaseline = 'top';
ctx.font = '14px "Arial"';
ctx.fillStyle = '#f60';
ctx.fillRect(125, 1, 62, 20);
ctx.fillStyle = '#069';
ctx.fillText('Cwm fjordbank glyphs vext quiz', 2, 15);
ctx.fillStyle = 'rgba(102, 204, 0, 0.7)';
ctx.fillText('Cwm fjordbank glyphs vext quiz', 4, 17);
const fp = canvas.toDataURL(); // 相同设备恒定,不同设备几乎必不同
设备指纹最大的问题不是采集,而是稳定性。 用户换浏览器版本、清缓存、升级系统,指纹就会变。所以指纹要设计成”多个弱特征的组合”——单独用 Canvas 哈希,稳定性大概在 90% 左右;组合十几个特征做加权投票,稳定性能提到 99% 以上,但代价是采集更多数据、上报更大的请求体。
第 7 章会展开讲设备指纹怎么落地——包括怎么加盐、怎么算相似度、以及”一个指纹关联了多少个账号”这个最有效的群控识别特征。
黄牛对秒杀的影响,可以拆成三个可量化的维度:抢走的比例、赚到的钱、破坏的公平。这三个数字最终决定了系统值得投入多少防刷成本。
第一,抢走的比例。 一次典型的 1 小时秒杀,库存 1000 件、报名 50 万人。如果完全没有防刷,脚本会吃掉 80% 以上的库存:
活动开始后 0.5 秒内:
真实用户发出的请求 ≈ 50 万 × 30% = 15 万
脚本发出的请求 ≈ 50 万 × 70% = 35 万(几百个账号 × 每个几百并发)
→ 抢到的 1000 件里,脚本账号占 800 件
→ 真实用户 50 万人抢 200 件,中签率 0.04%
防刷做得好,脚本占比可以压到 5% 以内。这 5 个百分点就是防刷体系的产出:把真实用户的中签率从 0.04% 提到 0.4%,翻了 10 倍。
第二,价格套利。 黄牛不是为了”买到”而买,是为了赚差价:
秒杀价 2999 元
转售价 5500 元(第三方平台常年溢价)
单件差价 2501 元
批量 100 件的账:
收入 250 100 元
成本 账号(100 个) 2 000 元
设备 / 群控 5 000 元
代理 IP(100 天) 1 500 元
打码 / 答题代打 1 000 元
实名 / 支付账号 3 000 元
合计成本 ≈ 12 500 元
净利润 ≈ 237 600 元
ROI ≈ 19 倍
这个 ROI 决定了防刷的目标。 防刷不需要做到”一个都抓不到”——只要让边际成本高于差价,黄牛就会放弃。所以验证码的核心目标不是”识别出黄牛”,而是”让批量刷单不划算”(第 5.2 节)。反过来算一下:如果打码成本只有 0.1 元一次,100 次答题才 10 元,那 2500 元的差价根本挡不住——这就是为什么单纯依赖验证码不够,必须叠加设备指纹、行为分析这些”账号级”和”设备级”的成本(第 7 章)。
第三,破坏公平。 这是最容易被忽视、但投诉量最大的一环。黄牛占掉 80% 的库存之后:
- 真实用户的转化率从”有机会买到”掉到 0,活动的口碑和复购直接崩掉;
- 排队机制被架空——排在第 1 名和第 5000 名的真人拿到的是同一种结果:“没货了”;
- 更糟的是黄牛只抢最热的那几款,把利润留给自己,把失败的情绪留给了平台。
这三个数字给系统提出三个硬性要求:一是不能只靠”手速”决定胜负,必须引入”成本”维度;二是防刷必须做在能观测到”行为”的地方,而不只是网关上数 IP;三是防刷手段必须分级——低风险放行、中风险加验证、高风险直接拦,不能把 50 万真实用户都当成嫌疑人。下面三节的三种策略,正好对应这三条要求。
策略一:验证码 🔐
验证码是把”抢”的竞争维度从手速换成认知成本的机制:真人答错一次要花时间,脚本要么过不了,要么要为每一次通过付钱(第 5.2 节详细讲答题门槛)。
在请求链路里,验证码的位置是固定的:
用户点击抢购
↓
网关限流(第 5.1 节)—— 先挡掉超速流量
↓
风控引擎打分(见下文策略二)
↓
风险分 ≥ 阈值?── 否 ──► 直接进下单接口
↓ 是
出题 / 行为验证 ←── 验证码在这里
↓
签发一次性抢购凭证
↓
用凭证调用下单接口 → 库存预扣(第 4.1 节)
验证码必须是”服务端签发的一次性凭证”,而不是前端的一个状态位。 这是它唯一无法被绕过的地方:脚本就算伪造出”我已经答过题了”的请求参数,也拿不到服务端签发的凭证;而凭证用过即废、绑定 user_id、有效期只有几十秒,抢到之后再转手也来不及用。
它的成本也很明确:
| 成本项 | 量级 | 说明 |
|---|---|---|
| 延迟 | 3~20 秒 | 用户要理解题目并操作,中位数约 8 秒 |
| 误伤 | 触发比例 5%~30% | 风控判得越差,这个比例越高 |
| 转化损失 | 与触发比例成正比 | 触发比例 30%,意味着 30% 的真实用户多花 8 秒 |
| 服务成本 | 低 | 出题是一次 Redis 读,校验是一次 Redis 写 |
它单独用不住的地方,同样要讲清楚:
- 只对”被判定为可疑”的请求有用。 一个伪装良好的脚本如果风控没标出来,就根本不会遇到验证码。
- 打码平台已经把单次成本压得很低。 纯图形码 0.01~0.1 元一次;即使是行为验证码,也有”轨迹回放 + 打码”的成熟产业链。所以验证码的真实作用是抬高边际成本,不是绝对阻断。
- 它把误伤成本直接转嫁给真实用户。 一个设计得让人烦躁的验证码,造成的转化率损失可能比它拦住的黄牛订单还多。
所以验证码的定位必须写清楚:它是”分流器”不是”过滤器”——第一价值是把流量在时间上摊开(这本身就能保护下游),第二价值才是抬高新账号刷单的成本。
策略二:用户行为分析 🕵️
行为分析不问”你是不是黄牛”,而是给每个请求打一个风险分。前文列出的那些信号——请求间隔的规律性、访问路径的长度、设备指纹的重复度、代理 IP 的切换频率——每一个单独看都可能误判,加权组合起来才可靠。
它和验证码的根本区别在于成本落在哪一方:验证码的成本由用户承担(要答题、要等),行为分析的成本由系统承担(要采集、要计算、要跨请求累积状态)。
一次请求的信号采集与打分:
① 设备指纹(前端上报,浏览/加购阶段采集一次)
device_id、canvas 哈希、机型、传感器、字体列表
② 会话行为(前端埋点,随请求上报)
页面停留时长、滚动深度、访问路径、点击坐标序列
③ 链路信号(服务端采集)
IP 段类型、同一 device_id 关联的账号数、请求间隔的方差
④ 交叉特征(服务端聚合)
群体时间同步:100 个账号是否在 40ms 内同时启动
信号采集的位置很关键:①② 发生在浏览和加购阶段,③④ 发生在请求链路。如果等用户点”抢购”了才开始采集,就永远只能拿到”请求太规整”这一个信号。 真正的判别力来自”用户有没有做过只有真人才会做的事”——看详情、滑动页面、切换规格,这些动作在加购阶段就已经留下了。
打分的产出是一张用户风险画像,存在 Redis 里跨请求累积:
key: risk:profile:{user_id}
字段: score 当前风险分 0-100
signals 命中了哪几个信号
last_seen 最后一次请求时间
device_id 关联的设备指纹
ip_history 最近 N 次请求的 IP(滑动窗口)
TTL: 活动结束后 7 天过期
它的成本:
| 成本项 | 量级 | 说明 |
|---|---|---|
| 采集开销 | 前端每次请求多 1~2 KB | 埋点上报要压到 CDN 或独立上报通道 |
| 计算开销 | 单请求 1~5 毫秒 | 比限流(几十微秒)贵 100 倍,必须排在限流之后 |
| 存储开销 | 50 万 × 约 200 字节 ≈ 100 MB | Redis 单实例可承受 |
| 调参成本 | 持续投入 | 阈值必须按真实流量反复校准 |
它单独用不住的地方,这是最需要讲清楚的:
- 只对”已经发起过请求”的用户有效。 批量注册、批量养号的新账号还没有任何行为轨迹,风险分必然很低。所以行为分析天然有”前几次请求是裸奔的”这个缺口,需要黑名单和账号维度的统计规则来补。
- 低频高价值的行为模式可以伪装。 一个每天只抢 1 单、但每次都伪装得极好的账号,行为分析抓不到它——因为它确实表现得像一个真人。这类账号靠量取胜,而量最终会撞上设备关联和账号维度的统计特征。
- 它依赖数据质量,且必须假设客户端是敌方的。 埋点丢失、前端被绕过、跨端行为不一致,都会让信号失真。任何”前端上报了所以可信”的假设都不成立。
结论:行为分析是成本最低、覆盖最广的一层,应该当主防线,但它是”钝器”——用来削掉大部分量,而不是用来精确点名。
策略三:黑名单机制 📋
黑名单是唯一能”追责”的机制:前面两层都是当次请求的判断,黑名单记的是”这个主体以前干过什么”。它的独特价值在于——一次封禁,可以让一个账号连带它的设备、IP、收货地址一起失效。
黑名单要按维度拆开,而不是一张总表(第 7.3 节有完整的数据结构和规则引擎):
| 维度 | 封什么 | 典型触发 | 封多久 | 误伤风险 |
|---|---|---|---|---|
| 账号 | user_id | 单账号 1 分钟内下单超过 10 次 | 1 天 | 低 |
| 设备 | 设备指纹 | 一个设备关联超过 5 个账号 | 30 天 | 中 |
| IP | IP / IP 段 | 单 IP 关联超过 50 个账号 | 1 小时 | 高(NAT、基站切换) |
| 收货地址 | 地址哈希 | 同一地址关联多个账号 | 7 天 | 中(公司地址、宿舍) |
| 支付账号 | 支付账户 | 同一支付账户绑定多个账号 | 30 天 | 低 |
分层设计的核心是”在线判定和历史审计分开”:在线层放 Redis,判定一次是一次 O(1) 的 key 查询,命中即拦;存储层放 MySQL,保留完整的封禁原因、证据快照和关联关系,用来支持申诉和复盘。
关联扩散是黑名单威力最大的地方,也是最容易出事的地方。 封一个设备之后,它关联的另外 20 个账号要不要一起封?规则应该是:记录关系,但不自动封禁。把”因为共用设备被牵连”和”这个账号本身有问题”分开存,申诉时才能只解封被误伤的那部分。
成本与代价:
| 成本项 | 说明 |
|---|---|
| 误伤 | 直接代价是真用户买不到货,间接代价是口碑和投诉 |
| 申诉成本 | 每一次误封都要有人工处理和补偿流程 |
| 决策延迟 | 首次出现的黄牛在冷静期内不会被封(见第 7.3 节的冷静期机制) |
| 数据依赖 | 只能封”见过的主体”,对新账号无效 |
它单独用不住的地方:
- 对”第一次出现”的主体无效。 黄牛用新注册的账号、新换的设备、新拨的 IP 进来时,黑名单里查无此人。黑名单是后置的,不是前置的。
- 维度选错就是灾难。 把 IP 当成硬封禁依据,误伤率会高到无法接受——企业出口、运营商 NAT、基站切换都会让”一个 IP 很多账号”变成常态。IP 只能作为加权信号,不能作为独立的封禁理由。
- 需要配套的解封和申诉通道。 没有申诉通道的黑名单,运营就会倾向于”宁封勿放”,最后整张黑名单因为误杀而失去公信力。
所以黑名单的定位是兜底和追责:它不需要拦下大多数流量,只要保证”抓到之后跑不掉”,并且”不冤枉人”。
三层策略不是并列的三选一,而是按成本从低到高依次叠加:能在便宜的地方拦掉,就不要放到贵的地方去。
请求进入
│
├─① CDN / WAF 层:IP 维度粗筛 成本 ≈ 0
│ 拦掉 90% 的扫描、爬虫、无效流量
│
├─② 网关限流层:速率维度(第 5.1 节) 成本 ≈ 1 次 Redis 往返
│ 掐住总量,拦掉超速流量
│
├─③ 黑名单层:主体维度(第 7.3 节) 成本 ≈ 1 次 Redis 读
│ 已封禁的账号 / 设备直接拒绝
│
├─④ 行为分析层:打分(策略二) 成本 ≈ 1~5 毫秒
│ 算出风险分 score
│
└─⑤ 按风险分分级处置(阈值与第 7.2 节一致)
score ≤ 30 → 直接放行,用户完全无感知
31 ≤ score ≤ 60 → 放行,但记录行为轨迹,收紧该账号的限流额度
61 ≤ score ≤ 80 → 出验证码(策略一),答过就放行
score ≥ 81 → 拒绝下单 + 加入观察名单(策略三)
分级处置的核心是”只让可疑的人付出代价”。 50 万真实用户里绝大多数落在第一档,完全无感知;如果他们全部要答题,转化率会断崖下跌,收益却微不足道——风控的目标是让真实用户买到货,不是证明每个人都是人。
升级规则必须写成可执行的阈值,并且每次调整都要同时盯住两个数:
| 指标 | 含义 | 参考目标 |
|---|---|---|
| 黄牛拦截率 | 脚本流量被拦下的比例 | 越高越好,但受限于误杀率 |
| 真实用户误杀率 | 正常用户被拦下或被要求答题的比例 | 通常控制在 1% 以内 |
| 答题触发比例 | 需要答题的用户占比 | 建议 5%~30% |
| 申诉解封率 | 申诉中判定为误伤的比例 | 是误杀率的滞后指标,越低越好 |
三条必须守住的纪律:
- 便宜的拦截放在前面。 限流(微秒级)→ 黑名单(毫秒级)→ 行为分析(毫秒级)→ 验证码(秒级)。顺序反了,成本会指数级上升。
- 任何单层失效都不能全线失守。 哪怕验证码今天被完全攻破,系统也应该还能靠设备指纹、行为分析和黑名单识别出这批流量;反之,哪怕风控模型完全失效,限流也必须兜住系统的存活。
- 所有处置都要留痕。 命中了哪条规则、当时的完整证据、评分明细,都要落库。这些数据是申诉复核的唯一依据,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。
最后用一句话概括整套方案:用限流控制总量,用行为分析筛出可疑,用验证码抬高成本,用黑名单兜底追责。 四层里任何一层单独拿出来都不够,合起来才能把黄牛的 ROI 打到 1 以下。
问题 1:为什么答题验证码效果好?
提示:
- 需要理解题目,AI成本高
- 分散抢购时间
- 黄牛脚本难以应对
解题思路
“效果好”这个判断不能靠感觉,要落到两个可测量的数字上:黄牛的边际成本被抬高了多少,以及核心链路的峰值流量被削平了多少。前者决定这门生意还做不做得下去,后者决定系统扛不扛得住。
详细步骤
-
它把竞争维度从”手速”换成了”认知”。 秒杀原本比的是网络延迟和并发能力,脚本以 20 毫秒对 350 毫秒,赢面几乎全是脚本的。答题之后,比的是”能不能理解题目并做出拟人操作”——这是脚本的弱项。它不是提高了脚本的门槛,而是把跑道整个换掉了。
-
它给脚本加了一条可计价的成本线。 每多抢一件,就要多过一次题。按打码平台 1 元 100 次算,1000 个账号各抢 1 件,纯答题成本约 10 元;再算上养号、代理 IP、设备模拟,黄牛的边际成本被推高到接近甚至超过 2500 元的单件差价。只要成本高于差价,这门生意就不划算。
-
它把流量在时间上摊开。 原本挤在整点后 0.2 秒内的请求,被拉长到几十秒内到达。把 100 万 QPS 压到 5 千 QPS,Redis 集群的规格可以降一个数量级——答题在省钱这件事上,和它防黄牛一样重要。
-
它天然防”重放”。 题目运行时随机生成,答错就换题、题目一次性,脚本没法预置答案;加上服务端签发的一次性凭证,抓到一次请求也无法反复下单。
-
但必须诚实它的局限。 图形验证码早被 OCR 攻破,行为验证码也在被轨迹回放模仿。所以它的定位是抬高批量刷单的边际成本,让大多数黄牛觉得不划算从而放弃,不是”绝对阻断”。真正的兜底是设备指纹、行为分析、黑名单(第 7 章),它们不依赖题目是否被破解。
-
所以它永远不能是唯一防线。 哪怕验证码今天被完全攻破,系统也要还能靠风控识别出这批流量。任何单点失效就全线失守的设计,在秒杀这种高价值场景下是不能接受的。
最终答案
答题验证码之所以有效,是因为它同时做了两件事:把竞争维度从机器的速度换成人的认知,从而给每个脚本账号加上一条明码标价的边际成本;把尖峰流量在时间上摊平,从而保护核心链路。成本模型上它把单件边际成本推高到接近商品差价,让大部分黄牛放弃。但它只抬成本、不做绝对阻断,因此必须和限流(第 5.1 节)、设备指纹、行为分析、黑名单(第 7 章)叠加使用,任何单层失效都不该全线失守。
问题 2:如何平衡防刷和用户体验?
提示:
- 分级验证
- 真实用户简化流程
- 异常用户加强验证
解题思路
这是一道目标冲突的题:防刷做得越狠,体验越差;体验做得越好,防刷越松。破解办法不是找一个平衡点,而是放弃”对所有人施加同一强度”这个前提,改成”只对可疑的人施加代价”。
详细步骤
-
先承认”零代价的防刷”不存在。 任何一道验证码、任何一次额外跳转都会让一部分用户流失。所以问题不是”要不要付出代价”,而是”让谁付、付多少”。
-
分级验证是唯一的解法。 用风险分把用户分层(阈值与第 7.2 节一致):
- 0~30 分:无感知放行,绝大部分真实用户在这里;
- 31~60 分:放行,但记录轨迹、收紧该账号的限流额度;
- 61~80 分:出题,答过即放行;
- 81~100 分:直接拒绝下单并加入观察名单。
-
真实用户必须被简化到”几乎无感”。 低风险用户连一次点击都不该多点。这条纪律的经济学理由很硬:50 万真实用户里哪怕只有 5% 被要求答题,就是 2.5 万人多花 8 秒;而多拦下的黄牛订单可能只有几百件。收益和代价根本不成比例。
-
异常用户的流程要”更严但更清晰”,而不是”更慢更绕”。 多一次验证码可以,但不能让页面反复跳转、不能让人填完地址又要重填。每多一个步骤,黄牛的自动化成本上升一点,真实用户的流失率上升一截。
-
用数据而不是直觉来调。 每次调阈值都要同时看黄牛拦截率和真实用户误杀率。只盯着拦截率调,阈值一定会调到误杀率飙升。触发比例控制在 5%~30% 是经验区间,超出就要先查误判。
-
一定要留后路。 答不上来、误被拦、申诉无门的用户会变成舆情。要有替代验证方式(短信、人工客服)和申诉通道(第 7.3 节)。被卡死的每一个真实用户,都是一次投诉和一次口碑损失。
-
兜底原则:便宜的手段先上。 限流几乎无感却能挡掉大部分流量,就不该让用户答题。能用系统成本换的,绝不让用户成本换。
最终答案
平衡的本质是分级:低风险用户完全无感知(限流这类近零成本手段优先),中风险用户加一次验证码,高风险用户直接拦截。风控的目标是让真实用户买到货,而不是证明每个人都是人。调参时必须同时盯黄牛拦截率和真实用户误杀率,答题触发比例控制在 5%~30%,并配好替代验证和申诉通道——否则再严的风控也会被误杀带来的口碑损失拖垮。
问题 3:设备指纹如何实现?
提示:
- 收集设备信息
- Canvas指纹
- 浏览器特征
解题思路
设备指纹的本质是把一台设备上”对所有用户都一样、对每台设备几乎都不同”的属性,揉成一个稳定的标识。难点不在采集,而在两个相互矛盾的要求:既要足够独特(不同设备不能撞),又要足够稳定(同一设备不能变)。
详细步骤
-
先明确它要解决什么问题。 黄牛的核心限制是”一机一号”——几百个账号必须看起来来自不同设备。设备指纹就是用来识别”这几十个账号其实在同一台设备上”的。它防的是群控和改机,不是防脚本本身。
-
采集分四类特征:
类别 具体内容 特点 硬件 屏幕分辨率、DPR、CPU 核数、内存、GPU 渲染器、传感器列表 稳定但区分度低 系统 系统版本、ROM 型号、语言、时区、字体列表 稳定但大量重复 浏览器 User-Agent、色彩深度、触摸点数、WebGL 能力 易伪造 Canvas 固定文本渲染后取像素哈希 区分度最高,也最难完全伪造 -
Canvas 指纹是核心。 原理是同一段文字在同一台设备上渲染出的像素完全一致(GPU 驱动、字体栅格化的细微差异),换一台设备几乎必然不同:
const canvas = document.createElement('canvas');
const ctx = canvas.getContext('2d');
ctx.textBaseline = 'top';
ctx.font = '14px "Arial"';
ctx.fillStyle = '#f60';
ctx.fillRect(125, 1, 62, 20);
ctx.fillStyle = '#069';
ctx.fillText('Cwm fjordbank glyphs vext quiz', 2, 15);
ctx.fillStyle = 'rgba(102, 204, 0, 0.7)';
ctx.fillText('Cwm fjordbank glyphs vext quiz', 4, 17);
const fp = canvas.toDataURL(); // 同一设备恒定,不同设备几乎必不同-
不要用单一特征,要做加权组合。 单独用 Canvas 哈希,稳定性大约 90%——用户换个浏览器版本、清一次缓存,指纹就变了。组合十几个特征做加权投票,稳定性能提到 99% 以上,代价是采集更多数据、上报更大的请求体(每次 1~2 KB)。
-
要加盐,要轮换。 直接把特征值送上去,等于把一份长期有效的身份证明交给攻击者。正确做法是服务端下发盐值参与哈希,并按活动或时间窗口轮换盐——攻击者拿到的是”这一场活动里的指纹”,而不是永久身份。
-
指纹是相似度,不是精确相等。 真实设备指纹会因为系统升级、浏览器更新而缓慢漂移。所以比较要用相似度算法(多个特征各算一个距离,加权求和),而不是简单的相等判断。整台设备换新(系统重装)指纹会变,这是正常现象,要靠”一机多账号”这类关联特征而不是指纹本身来识别群控。
-
最强的判据不是”这台设备像不像黄牛的设备”,而是”这台设备关联了多少个账号”。 正常用户一个设备 1
2 个账号,黄牛群控是 10100 个。这个统计特征比任何单个指纹都稳(第 7.1 节)。 -
必须假设客户端是敌方的。 所有前端采集到的值都可以被伪造,所以指纹只能作为加权信号参与风险分,不能作为独立的封禁理由。同理,采集要尽量放在加购、浏览阶段,而不是只在点”抢购”时才上报。
最终答案
设备指纹 = 多类设备与浏览器特征(硬件、系统、浏览器、Canvas 像素哈希)加盐后加权组合成的稳定标识。实现要点是:Canvas 提供区分度,加权投票提供稳定性,服务端加盐 + 轮换提供抗伪造,相似度比较处理系统升级带来的漂移。但它终究是客户端上报的数据,天然可被伪造,因此只能作为风险分的加权信号;真正识别群控的关键判据是”一个指纹关联了多少个账号”,而不是指纹本身长什么样。
发现内容有问题?
告诉我们哪里需要改进。
