电商风控实战：618大促中对抗黑产的三层防御体系与AI攻防

2026/8/16 23:41:32

1. 项目概述：一场没有硝烟的战争

又到一年618，各大电商平台的促销页面早已铺天盖地，满减、秒杀、百亿补贴的喧嚣背后，一场看不见的攻防战早已悄然打响。我所说的，不是商家与消费者之间的价格博弈，而是平台风控团队与网络黑产之间，围绕“羊毛”与“欺诈”展开的、全年无休的“猫鼠游戏”。这个项目，我们内部称之为“618黑产狙击”，其核心目标就是在全民购物狂欢的流量洪峰中，精准识别、拦截并打击那些隐藏在正常交易背后的欺诈行为，保护平台资产与用户利益，维护这场商业盛宴的基本秩序。

你可能觉得“黑产”离自己很远，无非就是些“薅羊毛”的小打小闹。但现实是，如今的网络黑产早已形成分工明确、技术专业的产业链。从“卡商”提供海量虚拟手机号和身份信息，到“打码平台”破解图形验证码，再到“秒杀软件”、“抢券脚本”自动化操作，最后通过“收货地址清洗”、“货品转卖”完成变现，每一个环节都高度专业化。618期间，巨大的流量和丰厚的优惠，就像一块散发着诱人香味的蛋糕，吸引着各路黑产团伙蜂拥而至。他们的目标不仅仅是几十块的优惠券，更可能是通过虚假交易套取平台补贴、通过刷单炒信扰乱市场、甚至盗用用户账户进行恶意消费。我们风控团队的任务，就是在每秒数十万笔的交易请求中，像雷达一样扫描出这些异常信号，并果断“开枪”拦截。

这场狙击战的成功与否，直接关系到平台的直接经济损失、商家的公平竞争环境，以及最广大普通用户的购物体验与财产安全。它不是一个简单的规则过滤，而是一个融合了大数据实时计算、机器学习模型预测、复杂网络分析和多维度策略联动的系统性工程。接下来，我将拆解我们在这场战役中的核心思路、关键技术战场以及那些“教科书上不会写”的实战经验。

2. 核心战场与风控体系架构

要打好狙击战，首先得看清战场全貌，并构建起坚固的防御工事。我们的风控体系可以概括为“三层防御，实时联动”的架构，每一层针对黑产攻击链的不同环节。

2.1 第一层：流量入口与设备指纹防线

这是最前线，目标是识别“谁来访问”。黑产最基础的手段就是伪造身份，使用模拟器、虚拟机、篡改设备参数的脚本，批量生成“虚假用户”。我们的第一道防线就是构建精准的“设备指纹”。

技术核心：我们采集的远不止是IP地址和设备型号。我们会通过客户端SDK，在合规和用户授权的前提下，收集数十种设备软硬件特征，如屏幕分辨率、字体列表、电池信息、传感器数据、Canvas/WebGL渲染特征等。这些特征经过不可逆的哈希算法，生成一个唯一的设备ID。关键在于，即便黑产尝试修改其中几项参数（如IMEI、MAC地址），其他数十项深层特征也很难全部同步伪造，从而暴露其“虚假身份”。

实战要点：

对抗脚本修改：黑产脚本常会修改navigator.userAgent等显性参数。我们会检测这些参数与底层系统API返回信息的一致性。例如，脚本声称自己是iOS 15，但系统API返回的却是Android内核版本，这种矛盾会立即触发高风险标记。
行为叠加判断：单一设备指纹异常可能误伤。我们会结合该设备短时间内的行为：是否在疯狂切换账号？是否以非人类的速度（毫秒级）完成浏览、加购、下单？这些行为与异常设备指纹叠加，风险概率呈指数级上升。
一个踩过的坑：早期我们过度依赖某些“唯一性”很强的特征，如广告标识符（IDFA/AAID）。后来发现，在部分系统或模拟器环境下，这些标识符可能为空或全零，导致大量合法用户被误判。解决方案是采用“复合指纹”策略，即使某一项特征缺失，也能通过其他特征组合进行高精度识别，并对特征缺失本身作为一种风险信号进行监控。

2.2 第二层：行为模式与业务规则模型

突破了设备防线，黑产就会尝试模拟正常用户行为。第二层防线专注于“在做什么”。我们通过实时用户行为序列和业务规则模型进行识别。

技术核心：这一层主要依赖实时计算平台（如Flink）对用户行为事件流进行处理。我们为每个用户构建一个动态的行为画像，并运行数百条规则模型。

时序异常模型：分析用户操作的时间间隔分布。正常人浏览商品、比价、下单有一定的时间间隔和随机性。黑产脚本的操作间隔往往是固定且极短的（例如，每隔精确的500毫秒点击一次），在时间序列分析中会呈现出明显的“机械波形”。
路径聚集模型：分析大量用户的浏览/下单路径。正常用户的购物路径是发散的，从首页、搜索、分类频道等不同入口进入，浏览不同商品。而刷单或领券黑产，其路径高度一致，往往直接通过特定链接或搜索关键词，精准抵达目标商品或优惠券页面，形成明显的“路径聚集”效应。
业务规则引擎：这是基于明确业务逻辑的硬规则，例如：
- 同一设备/IP在1分钟内领取超过5张同类型大额优惠券。
- 新注册账号在10分钟内完成首单且金额巨大，收货地址为模糊地址或“驿站”。
- 账户登录后，敏感操作（改密、换绑手机）的频率异常。

实战心得：规则不是越严越好。过于严格的规则（如“同一IP下单超过3笔即拦截”）在618这种家庭共享网络、公司网络下单的场景下，会造成大量误伤，引发客诉。我们的经验是“宽进严出，分级处置”。对于可疑行为，不一定直接拦截交易，可以采取“挑战式验证”（如滑动拼图、短信验证码）、延迟发货、限制部分功能（如无法领取核心优惠券）等梯度式防控措施，在控制风险的同时兼顾用户体验。

2.3 第三层：关联网络与团伙挖掘

最高明的黑产会分散攻击，让单个账户或设备的行为看起来相对正常。第三层防线就是拔高视角，看清“谁和谁是一伙的”，进行团伙化打击。

技术核心：利用图计算技术，将用户、设备、手机号、收货地址、支付账户等实体作为“节点”，将登录、交易、共享等关系作为“边”，构建一个庞大的异构关系网络。

社区发现算法：运用Louvain、Label Propagation等算法，在这个网络中自动发现紧密连接的子图。这些子图往往对应着一个黑产团伙。例如，我们发现50个不同的账号，却集中在3个设备上登录，使用了5个手机号轮换验证，最终发货到2个集中的仓库地址。这些账号、设备、手机号、地址就在图上形成了一个明显的“团”。
风险传导与打击：一旦通过图算法确认某个子图为黑产团伙，我们就可以实施“连坐”打击。即使团伙中某个新账号当前行为看似清白，但其关联的设备和地址已被标记，该账号也会被预判为高风险，其行为会受到更严格的监控或直接限制。

这个层面的价值在于“降维打击”。单个的欺诈订单可能伪装得很好，但它在关系网络中的位置出卖了它。我们曾通过图分析，一次性挖出一个利用数百个“僵尸账号”套取平台新客补贴的庞大团伙，这些账号单看行为均经过精心设计，分散在不同IP，但在关系网络上全部指向几个核心的设备和资金账户。

3. 实战对抗：618攻防热点场景解析

有了体系架构，我们来看看618期间几个最典型的攻防场景，以及我们具体的应对策略。

3.1 场景一：百亿补贴与限时秒杀的“机刷”对抗

这是黑产最热衷的战场。百亿补贴商品价差大，限时秒杀库存紧张，利润空间诱人。

黑产手段：

纯脚本抢购：使用自动化脚本，在秒杀开始瞬间以毫秒级速度发起海量请求，远超人类手速。
人机结合：雇佣“羊毛党”兼职，使用外挂工具辅助，工具负责自动填充信息、跳过验证，人工负责完成最终支付等需要决策的环节，绕过纯行为模型。

我们的狙击策略：

请求层面：在网关层设置请求频率限制和排队机制。对于秒杀接口，并非“先到先得”，而是引入随机延迟和令牌桶算法，打乱纯粹的速度竞争。
验证码升级：不再使用静态的图形验证码，而是采用动态、需要认知理解的交互式验证。例如，在倒计时结束后，弹出一个小任务：“请将图中的水果按顺序点击”，这需要简单的图像识别和逻辑判断，对脚本难度大增，但对真人用户影响很小。
业务策略设计：这是关键。我们会将库存进行拆分，一部分用于纯粹的“秒杀”渠道，另一部分用于“预约抽签”或“积分兑换”。对于高价值商品，采用“下单资格审核”模式，即用户先提交请求，系统在后台进行实时风控判断，稍后通知是否有购买资格，从而将实时对抗转为异步分析，为我们争取了宝贵的计算和判断时间。
事后追查：对秒杀成功的订单进行二次风控扫描，重点关注其设备、网络、行为历史。对于判定为机刷的订单，即使已经支付，我们也会联系用户进行二次验证（如视频核实），验证不通过则关闭订单并退款。

3.2 场景二：优惠券套利与虚假交易的识别

黑产会批量领取优惠券，尤其是平台发放的无门槛券或高额满减券，然后通过自买自卖、虚假交易等方式进行套现。

识别关键点：

资金闭环分析：追踪优惠券抵扣订单的支付账户和最终收款账户。如果多个订单的付款方和收款方存在高度关联（例如，属于同一个人的不同支付工具），或资金在短时间内形成闭环，风险极高。
商品与价格异常：套利订单往往购买的是高单价、易变现的虚拟商品（如充值卡、电子礼品卡）或标准品（如高端手机）。商品价格常被故意设定为刚好满足优惠券使用门槛。
物流信息空洞化：收货地址可能是虚构的，或是一个大型快递驿站。物流单号可能异常（例如，极速签收、物流轨迹不合逻辑）。

我们的策略组合：

券的发放策略：对高价值优惠券的领取设置更高的门槛，如账号等级要求、历史消费记录要求、完成实名认证等。
用券订单监控：对使用大额优惠券的订单，自动提升其风控检查等级，触发更复杂的模型计算和图关联分析。
商户侧联动：与入驻平台的商家建立风控协同机制。对于频繁发生可疑交易的商家，平台会进行预警，并对其结算账期进行调整，甚至清退。

3.3 场景三：账号盗用与洗钱通道的封堵

618期间，用户账户因交易频繁而活跃，也成了黑产攻击的目标。他们通过撞库、钓鱼等手段盗取账号，然后购买虚拟物品或实物商品进行销赃。

防御重点：

登录异常监控：异地登录、新设备登录、频繁尝试登录失败等行为会立即触发安全警报，要求进行二次验证。
交易行为突变检测：一个平时只买图书的用户，突然在深夜下单多部高端手机并发送到一个陌生地址，这种“行为突变”是强烈的风险信号。我们的模型会对比用户历史行为画像，对偏离度过高的交易进行拦截或人工审核。
生物特征辅助（在合规前提下）：对于高风险操作（如修改密码、大额支付），可以引入人脸识别等生物特征验证，作为最后一道安全锁。

4. 数据、模型与策略的持续迭代

风控不是一劳永逸的静态规则，而是一个需要持续喂养数据、迭代模型、优化策略的动态系统。我们的工作流形成了一个完整的闭环。

4.1 数据反馈闭环

每一次拦截（无论成功与否）、每一次误伤（正常用户被拦截）、每一次漏杀（黑产成功突破），都是宝贵的数据样本。

样本标注：风控运营和调查团队会对可疑案例进行人工复核，明确标注“确认为黑产”、“确认为正常用户”或“无法判断”。
特征工程：基于这些标注样本，数据科学家会挖掘新的风险特征。例如，发现黑产新采用了一种特定的模拟器，其GPU渲染信息存在某种固定模式，这个模式就会作为一个新特征加入模型。
模型训练与评估：使用新的样本和特征重新训练机器学习模型（如XGBoost、深度学习模型）。在离线评估时，我们不仅看整体的准确率、召回率，更关注在“高风险阈值”段的性能，因为风控追求的是在高置信度下精准打击。
线上A/B测试：新模型不会全量上线。我们会切分一小部分流量（例如5%）给新模型策略，与老策略并行运行，对比其拦截效果和误伤率。只有确认新策略在核心指标上显著优于老策略，才会逐步扩大流量。

4.2 策略的灰度与降级

在618这种大促期间，系统稳定性压倒一切。任何风控策略的调整都必须谨慎。

灰度发布：任何新规则或模型权重调整，都必须遵循从1%、5%、10%……到100%的灰度发布流程，密切监控核心业务指标（如下单成功率、客诉率）的变化。
熔断与降级机制：风控系统本身必须有熔断机制。如果某个实时模型因为数据延迟或计算资源问题导致响应时间过长，系统应能自动降级到使用更简单的规则或直接放行部分流量，确保购物流程不中断，宁可暂时承受一些风险，也不能让全站用户无法下单。事后再通过离线分析和追偿来处理漏过的风险订单。

5. 平衡的艺术：风控、体验与成本的三角博弈

做风控最难的不是技术，而是在风险、用户体验和运营成本之间找到最佳平衡点。这是一个永恒的三角博弈。

风险 vs. 体验：规则越严，误伤正常用户的概率就越高，引发客诉，伤害品牌。我们的原则是“精准打击，梯度防控”。对明确的高风险行为（如盗号支付）零容忍，直接拦截；对可疑行为（如新设备领大额券）增加验证环节；对轻微异常（如短时间内浏览商品过多）仅做记录观察，不影响主流程。
效果 vs. 成本：引入最顶尖的图计算平台和深度学习模型固然效果好，但计算资源和研发成本高昂。我们需要评估投入产出比。对于大部分中低频攻击，基于规则和传统机器学习模型的组合可能已经足够。资源应集中在对抗最高频、危害最大的黑产手法上。
一个深刻的教训：曾经为了追求极低的欺诈率，我们上线了一套非常复杂的实时模型组合，导致订单支付环节的平均延迟增加了200毫秒。就是这短短的200毫秒，在大促峰值期导致整体支付成功率下降了0.5个百分点，带来的GMV损失远超当时拦截下的欺诈订单价值。这让我们深刻认识到，风控的终极目标是保障业务健康发展，而不是不计代价地追求零风险。后来我们优化了模型，将部分计算从实时链路迁移到近实时或离线链路，在保证效果的同时，将延迟影响降到了50毫秒以内。