薅羊毛這三個字大家都非常熟悉了，典故出自 ?1999 ?央視春晚小品《昨天?今天?明天》中的“薅社會主義羊毛”，而現在的薅羊毛主要發生在互聯網上，尤其集中在電商平臺、P2P網貸平臺等。無利不起早，正式因為這些平臺有明顯的利益可圖，所以即使需要耗費很大的精力，也有很多人樂此不疲。大家可以搜到，網上有各種薅羊毛信息發布網站，還有許多有組織的薅羊毛群體，這背后是非常大的產業。正因為羊毛黨之多，斗爭困難，很多網站和商家對此都很痛苦，同時又感覺很羊毛黨神秘，好像羊毛黨有什么深不可測的技術，無力抵抗。所以本文的目的就是對防范羊毛黨的技術做個科普，讓大家知道羊毛黨到底是怎么薅的，有哪些方法可以杜絕羊毛黨的薅羊毛行為。大家可以先預覽一下全文的脈絡：
1.1 刷單刷票類：這類用戶主要靠刷單刷量獲取利益，比如淘寶刷單、刷評論等。刷票也算，代刷投票、閱讀數、粉絲數等等。1.2 任務類：顧名思義，很多網站對特定任務會有獎勵，比如注冊、問卷、綁卡、實名認證等等。有些是消耗時間和注意力，有些干脆是拿自己或別人的信息賣錢。1.3 黃牛黨：黃牛黨一般利用信息不對稱或者技術優勢、人脈優勢，可以更早、更快獲取信息，也可能是團隊合作，共享資源，往往會對某些稀缺資源進行壟斷，然后再高價轉手獲利。比如多火車汽車票，有現場排隊的黃牛，也有互聯網上的黃牛。1.4 黑客類：如果論技術，這些人也未必稱得上黑客。但是特點還是利用技術手段找到平臺安全漏洞，獲取利益。如果無節制，直接把羊薅死也不一定。比如積分商城的商品、抽獎的現金、優惠券代金券等等。或者直接爆庫，轉賣用戶數據等。這一類基本都是違法行為，是要追究法律責任的。1.5 漏洞研究類：這類用戶主要研究活動規則的漏洞，也可能加上一點技術手段。跟黑客的區別就是，系統可能沒有漏洞，只是沒有做好防薅的工作而已。或者是活動規則設計不健全，使之有利可圖，比如信用卡養卡。當然，養卡這種還有深層次原因，平臺也需要這些活躍用戶，這種算是互賴型的薅羊毛。如果再抽象一點，可以分成手動和自動兩大類。手動的薅羊毛，即人肉薅羊毛，靠各種群集合起來，有羊頭組織和派發任務，其他人只要抽出些碎片時間參與即可。自動的就是要建立一套程序，在特定活動時開啟，或者針對某些平臺長期運行。
本文主要討論如何防范自動化的薅羊毛，因為除了黑客之外，這種羊毛黨危害最大。而防范黑客的話題太大，也沒有什么固定的解決方案，討論也沒啥用。而對于人肉薅羊毛，做任務、刷單等，目前也沒有太好的辦法，畢竟都是真實的用戶，除非有明確的行為數據模型可以命中，否則只能當做正常用戶。這個后面會提到。我們都知道羊毛黨的危害非常大，尤其對于運營活動來說，最常導致的問題就是運營成本失控、數據樣本失真、垃圾賬號混淆、公正性失信等等。其中運營成本失控，如果把握不好，拖垮公司都是有可能的。而數據統計的失真，也導致無法清晰判斷后續的運營策略。羊毛黨的蜂擁而至，也會降低真實用戶的積極性這忠誠度，榨干平臺。要想防范羊毛黨，最主要的還是控制利益的誘惑，避免直接利益，比如紅包話費等。而對于優惠券之類，用戶需要購買才能使用的，誘惑就沒那么大了。除非是五折以上或者是大額現金券。此外，購物也需要填寫明確的收貨地址及其他個人信息，羊毛黨會相對謹慎一些。因此，在制定營銷活動時，必須制定完備的業務規則，必須要有相應的活動門檻和限制，例如：定義哪些類型的用戶能參與活動，指定清晰的分界線。對于特定的活動，可以適當提高參與門檻，比如 V2 以上會員可以參與，有過購買記錄的可以參與等等。這種主要針對特定群體會員做運營，對于被排除在外的用戶，體驗就沒那么好了。定義哪些 APP 或小程序版本能參與，比如：拉新活動要求必須使用最新版 APP 注冊才給獎勵。明確定義賬戶級、設備級、實名信息級能參與活動的上限和參與活動的頻率等。活動給用戶的預期要控制在合理的范圍，并且控制上限，才能有效防范羊毛黨。比如每個賬號的上限，每日活動預算的上限。活動規則中也要明確說明，如果發現有人通過刷單刷票等形式違規操作，平臺有權取消其參與資格或相應獎勵。這樣對于異步發放的獎品，也可以在發放之前檢查一下數據，篩掉可疑用戶。最后，對于所有活動的數據，在開發之前就要明確提出需要監測哪些數據。不然活動都已經跑起來了，沒有預先埋點的東西肯定是拿不到的。作為運營對數據一定要極其敏感，如果有暴增的用戶量或者參與量，就要小心是不是有羊毛黨來襲。而不是光顧著樂。我們可以先簡單看一下騰訊云的防刷接口對風險類型的定義：通過技術手段薅羊毛，最常見的就是高頻刷接口，惡意注冊賬號，撞庫等。而這類羊毛黨，一般會大量養卡，或有很多虛擬的打碼平臺，可以提供手機號+驗證碼服務。有的可能還會擁有大量動態IP地址，海外服務器，以及批量的身份證等。還有專業的設備，稱作“貓池”、“卡池”。對于移動端的業務，許多這類公司還購入大量實體手機，再通過軟件批量控制，稱為“群控”，這個我在《微信里的賺錢路子》文章里提到過。對于這種羊毛黨和黑灰產，傳統的防護手段一般有三種：封IP，封用戶，增加驗證碼。下面分別進行講解。
針對異常 IP，我們可以通過技術手段直接封掉。目前大部分網站的接入層都是 Nginx，那么可以考慮使用 deny 配置封禁 IP 或 IP 段：deny?1.2.3.4;deny?1.2.3.4/24;
如果運維層面不方便操作，也可以把請求放到應用層封禁，由 ?WEB 容器來解決。這里要注意，封禁 IP 或 IP 段是有風險的，許多公司對外的出口 IP ?都是統一的，如果全公司很多人同時訪問某網站，就可能被誤傷。共享的 WIFI，某些移動基站也可能是有固定的出口 IP，所以最好輕易不要封禁 IP 或 ?IP 段。我們可以根據某些特定的規則，篩選識別出一批用戶，對其進行一些限制。可以采用黑名單機制，或者用戶風險分級、信用分級等等。然后再根據黑/白名單，或用戶等級限制特定的行為，比如完全拒絕服務、限制某些功能、限制大獎等等。封禁用戶的標記有很多種，最基本的如果用戶有登錄態的話，就可以直接封賬號。如果沒有的話，可以通過設備指紋來標識設備，根據平臺的不同，設備指紋可以是 ?PC 端的瀏覽器指紋，移動端的 IMEI、MAC 地址、UUID 等，或者這些條件綜合起來計算出來的 machine ?key，使之無法造假，然后在關鍵請求時校驗 machine key 的合法性。網絡環境也是個因素，WIFI 和 4G 的切換，或者網絡 IP ?的變化，都可以是拒絕服務的理由。這種在銀行 APP 中最常見，如果切換了網絡，銀行 APP ?一般會要求重新驗證身份才能繼續操作。然而，目前市面上已經出現了各種改機軟件和模擬器，能不斷修改設備信息，讓一般的設備指紋失去作用。這種方式的風險就是，規則要慢慢養成，過程中必然有遺漏和誤殺，操作不當可能會引起大量投訴。所以這種方式最好是寬進嚴出，默認用戶都是好的，再慢慢收緊，識別出明確的惡意用戶。對于可疑但不確定的用戶，可以先標記等級，再針對這些等級單獨觀察后續行為后，對其進行等級的升降。然后針對不同等級限制行為。關于羊毛用戶的識別標記，可以是基本數據是否健全，比如資料是否完整，是否有真實可信的昵稱，手機號等；行為數據，如鼠標點擊、鼠標移動、按鍵次數，每次打卡是否固定時間等等；更高級一點的，可以實施全路徑實時布控策略，從 ?APP ?啟動、賬號注冊、登錄，到業務場景（如直播熱度/電商銷量排行等），再到設備風險（篡改、虛擬機、設備農場、積分墻等）設下層層關卡，全棧式防御欺詐行為。驗證碼有很多種，往往加在重要操作流程中，比如注冊/登錄/綁卡/支付等環節，大家應該都體驗過五花八門的驗證碼。比如注冊用戶時的拼圖滑塊、Google ?的 I'm not ?robot、手機驗證碼、圖片驗證碼等等。第三方授權的功能也是一道天然屏障，比如微信授權、QQ登錄授權，這樣惡意用戶需要先經過第三方驗證一道，起碼在訪問頻率和賬號真實性上多了一道屏障。如果業務允許的話，還可以要求用戶進行實名認證，密保問題校驗等等。當然，步驟越多體驗就越差。
驗證碼的主要作用就是區分操作者到底是人還是機器。但是不同的驗證碼難度千差萬別，普通的手機驗證碼，有專門的打碼平臺可以提供 ?手機號+驗證碼 ?服務，而且都是程序對接，自動化執行。而對于一般的圖片驗證碼，也有很多公開的圖片驗證碼識別服務。因此才會導致各個平臺的驗證碼越做越復雜，到了人類都很難辨認的程度，體驗很差。
限流只能一定程度上緩解，或者說讓風險可控。主要是防止惡意請求流量、惡意攻擊，或者防止流量超出系統的峰值，破壞系統。前面第 ?1 小點封禁 IP 也可以理解為限流的一種，在接入層直接拒絕，對于系統資源的損耗最小。而對于網絡流量，可以使用 Nginx 的 limit ?模塊進行限制，防止過大的流量穿透到后端應用。常用的限流算法有兩種：令牌桶算法，漏桶算法。令牌桶算法，是一個存放固定容量令牌的桶，單位時間內，拿到令牌的才能通過，多余的不派發令牌；漏桶算法則是單位時間內流出的數量固定，流入無所謂。那么無論對于網絡請求的數據量，還是用戶新增的數量，獎品發放的數量，都可以使用這兩種思路進行限制。這里是系統架構的知識，不再贅述。如果活動已經在進行，或者活動已經結束，但是總感覺不對勁，這時候就要采用離線數據分析的方法，仔細辨別是否有羊毛黨的存在。那么數據從哪里來呢？前面提過，除了活動必須的數據之外，如果想更深入地分析用戶行為，那么在需求設計階段就要想好，希望記錄哪些行為，便于后續分析。如果系統沒有提供這些能力，顯然也沒有相關的數據可以分析了。完整風控解決方案，不僅要考慮用戶體驗，同時又要兼顧效果，需要考慮很多方面。因此有很多大小公司都專門提供了這方面的解決方案。比如騰訊、阿里、網易等等，此外還有許多提供這種業務的公司，搜索“防薅羊毛”就會出現很多。這些解決方案的基本原理與上述技術無異，只是數據基數更大，再加上機器學習和大數據分析，可以更加準確識別出惡意用戶和黑產用戶。以下內容（3.6.1 - 3.6.4）來自網易易盾《全鏈路風控解決方案深度解讀》中提到的風控服務，不代表本人觀點，僅供參考，文末參考文獻中有文章鏈接，感興趣的同學可以前往查看。事前預防：通過數據采集收集用戶側信息、通過業務規則來限定參與活動的門檻、通過身份核驗來確認用戶身份等手段，防止風險事件的發生。事中檢測處置：通過實時在線的手段來檢測風險，并做相應的風險處置，防止風險事件的發生。事后分析回饋：基于長周期的離線數據分析，計算用戶側、設備側、IP側、業務側的各種風險特征，并作用于事前風控和事中風控。事前預防主要有三個層面的事項：數據采集、業務規則、身份核驗。在業務活動的各個階段，都需要埋點采集數據，主要有設備指紋、操作行為、網絡數據、業務數據、第三方數據等。采集的數據主要用于事中的風險監測和事后的離線分析。在制定營銷活動時，必須制定完備的業務規則，必須要有相應的活動門檻和限制，例如：用戶群體限制：定義哪些類型的用戶能參與活動，指定清晰的分界線。比如：電商大促經常出現的神券，可以限制賬戶等級>3、年度內購物次數>2才能領取等等。APP版本限制：定義哪些APP版本能參與，比如：拉新活動要求必須使用最新版APP注冊才給獎勵。參與次數限制：明確定義賬戶級、設備級、實名信息級能參與活動的上限和參與活動的頻率等。身份核驗主要是為了確保是用戶自己來參與活動，主要手段包括：手機短信校驗；驗證碼校驗；密碼校驗；密保問題校驗；本機校驗：校驗手機號對應的SIM卡是否在當前設備中使用；實名認證，有三種：1）身份證OCR校驗；2）身份證OCR、人臉校驗；3）身份證OCR、活體檢測；個人信息。事中檢測主要依賴人機識別、風控引擎、風險處置三個手段。人機識別主要區分是人，還是機器自動化的行為。客戶端與后端的數據交互過程中，增加如下的數據保護手段，一旦發現數據有問題，則都是機器行為。數據合法性校驗；數據加解密；數據篡改檢測。事中檢測的核心工具就是風控引擎，風控引擎主要的工作是識別風險，一般的風控引擎都需要如下幾個功能：畫像服務：建立基于IP、手機號、賬戶等層級的畫像服務；指標計算：一般包括高頻類統計、求和、計數、求平均值、求最大值、求最小值等等；風控模型：基于采集到的數據，建立風控模型，比如：設備模型、行為模型、業務模型等；規則引擎：最終的風控數據進入規則引擎，由規則引擎判斷是否存在風險。風控運營需基于業務建立各種風控規則，以識別風險。識別到風險之后，需要對風控進行處置，處置手段一般有：二次校驗：比如，正常用戶無需二次校驗，有風險的用戶需再次校驗手機短信等；降低獎勵：比如，正常用戶的獎勵金是1元，風險用戶獎勵金是0.01元；風險審核：進入人工審核，比如：電商場景的訂單業務，一般嫌疑類風險訂單，都會安排人工審核。事后主要是做離線分析，分析結果可作用于事中實時檢測和事前預防。對于T+N的業務（比如：拉新獎勵金提現），離線分析之后，若識別出風險，也可以做攔截（拒絕此次提現）。離線分析主要有幾個方面：關聯分析：基于前后關聯業務、關聯數據做關聯分析，識別風險用戶、風險操作；復雜網絡：基于用戶數據、設備數據、網絡數據、業務數據，建立復雜關系網絡，基于數據與數據之間的關系，來識別風險；模型訓練：基于機器學習、深度學習技術來構建業務模型、設備模型、行為模型，或文本類模型（異常地址檢測、異常昵稱檢測）等；數據畫像：基于離線分析，對賬戶、IP、設備、手機號等構建數據畫像。全鏈路風控解決方案另一個非常重要的過程是：全鏈路布控。若只是構建了全鏈路風控模型（工具），未做全鏈路部署，那也是大材小用。全鏈路布控主要要做到：多業務布防：在業務的各個環節都需布控防刷手段，一般的營銷活動都需先注冊、登錄，再參與營銷活動。所以，可以在注冊、登錄、營銷活動各個環境都布控風控檢測。聯防聯控：前置業務為后置業務產出事前特征，避免后置業務風控檢測冷啟動；后置業務為前置業務提供事后特征，比如：準實時、中長周期的風險特征。第三方解決方案的弊端就是對系統的侵入，需要我們在自己的系統里嵌入許多外部代碼。那么帶來的風險就是，系統數據全部開放給外部，用戶數據風險，業務經營數據風險，系統可用性風險等。一旦外部系統出現問題，可能導致我們自己的系統不可用，或者數據泄漏。如果不能接受這一點，或者無法信任第三方，或者公司政策不允許，那就無法使用這種服務。最后，我綜合總結一下全文的梗概，如果前面都沒仔細看的話，那么只看這里就可以了。拉新活動要小心（拉新送、注冊送、關注送、新用戶立減、日常打卡、簽到、獲得積分、積分兌換、抽獎）。接入層：Nginx，限制頻率，IP 黑名單（代理IP識別）；接口層：訪問控制，防重入 token（token是用戶一次操作的唯一標識），模糊的響應迷惑惡意請求；業務層：驗證碼，黑/白名單機制（大數據），設備指紋，行為數據，全鏈路布控；數據分析：分析歷史作弊數據，優化活動獎勵，采用堵不如疏的策略，與其強硬的一刀切，不如提升攻擊成本，減少獲利；機器學習，大數據反作弊平臺，GCN、Node2V、Louvain、GAN、GBS、LSTM等模型，我也看不懂了~以上，就是防范羊毛黨相關技術的全部內容，建議收藏。最后，我們再回顧一下文章脈絡：
答：這完全取決于你所在公司或業務的狀況，包括對數據風險的容忍度、系統對接的難度、費用問題、招標等等。具體情況具體分析了。答：這里可以適當柔性處理，如果不確定是否惡意用戶，可以做隱性的限制，再根據后續行為繼續觀察打標。對于惡意刷接口、刷票等，也可以返回具有迷惑性的錯誤提示，避免羊毛黨猜到系統判斷邏輯。比如我就遇到過刷票接口，使用技術手段嘗試，每次都返回投票成功，但實際并沒有，你也不知道為啥，因為沒有特定的錯誤碼和提示。別問我為什么知道。答：微信 PC 客戶端就是個很好的例子。你可以用按鍵精靈或者 autoit 之類的軟件嘗試，會發現它的窗口是捕獲不到的，所以就很難編寫自動化腳本。不過，在安卓下面由于系統可以高度定制，所以這都不是問題了。好了，如有大家還有其他任何疑問，歡迎隨時留言與我溝通。本文轉載于微信公眾號：姬小光（ID：hi-laser），已經取得作者授權，未經作者授權，禁止轉載。
【轉載說明】?? 若上述素材出現侵權，請及時聯系我們付費及進行處理：shanliqiang@aiyingli.com
