薅羊毛这三个字大家都非常熟悉了，典故出自 1999 央视春晚小品《昨天・今天・明天》中的“薅社会主义羊毛”，而现在的薅羊毛主要发生在互联网上，尤其集中在电商平台、P2P网贷平台等。无利不起早，正式因为这些平台有明显的利益可图，所以即使需要耗费很大的精力，也有很多人乐此不疲。大家可以搜到，网上有各种薅羊毛信息发布网站，还有许多有组织的薅羊毛群体，这背后是非常大的产业。
正因为羊毛党之多，斗争困难，很多网站和商家对此都很痛苦，同时又感觉很羊毛党神秘，好像羊毛党有什么深不可测的技术，无力抵抗。所以本文的目的就是对防范羊毛党的技术做个科普，让大家知道羊毛党到底是怎么薅的，有哪些方法可以杜绝羊毛党的薅羊毛行为。大家可以先预览一下全文的脉络：
1.1 刷单刷票类：这类用户主要靠刷单刷量获取利益，比如淘宝刷单、刷评论等。刷票也算，代刷投票、阅读数、粉丝数等等。
1.2 任务类：顾名思义，很多网站对特定任务会有奖励，比如注册、问卷、绑卡、实名认证等等。有些是消耗时间和注意力，有些干脆是拿自己或别人的信息卖钱。
1.3 黄牛党：黄牛党一般利用信息不对称或者技术优势、人脉优势，可以更早、更快获取信息，也可能是团队合作，共享资源，往往会对某些稀缺资源进行垄断，然后再高价转手获利。比如多火车汽车票，有现场排队的黄牛，也有互联网上的黄牛。
1.4 黑客类：如果论技术，这些人也未必称得上黑客。但是特点还是利用技术手段找到平台安全漏洞，获取利益。如果无节制，直接把羊薅死也不一定。比如积分商城的商品、抽奖的现金、优惠券代金券等等。或者直接爆库，转卖用户数据等。这一类基本都是违法行为，是要追究法律责任的。
1.5 漏洞研究类：这类用户主要研究活动规则的漏洞，也可能加上一点技术手段。跟黑客的区别就是，系统可能没有漏洞，只是没有做好防薅的工作而已。或者是活动规则设计不健全，使之有利可图，比如信用卡养卡。当然，养卡这种还有深层次原因，平台也需要这些活跃用户，这种算是互赖型的薅羊毛。
如果再抽象一点，可以分成手动和自动两大类。手动的薅羊毛，即人肉薅羊毛，靠各种群集合起来，有羊头组织和派发任务，其他人只要抽出些碎片时间参与即可。自动的就是要建立一套程序，在特定活动时开启，或者针对某些平台长期运行。
本文主要讨论如何防范自动化的薅羊毛，因为除了黑客之外，这种羊毛党危害最大。而防范黑客的话题太大，也没有什么固定的解决方案，讨论也没啥用。而对于人肉薅羊毛，做任务、刷单等，目前也没有太好的办法，毕竟都是真实的用户，除非有明确的行为数据模型可以命中，否则只能当做正常用户。这个后面会提到。
我们都知道羊毛党的危害非常大，尤其对于运营活动来说，最常导致的问题就是运营成本失控、数据样本失真、垃圾账号混淆、公正性失信等等。其中运营成本失控，如果把握不好，拖垮公司都是有可能的。而数据统计的失真，也导致无法清晰判断后续的运营策略。羊毛党的蜂拥而至，也会降低真实用户的积极性这忠诚度，榨干平台。
要想防范羊毛党，最主要的还是控制利益的诱惑，避免直接利益，比如红包话费等。而对于优惠券之类，用户需要购买才能使用的，诱惑就没那么大了。除非是五折以上或者是大额现金券。此外，购物也需要填写明确的收货地址及其他个人信息，羊毛党会相对谨慎一些。因此，在制定营销活动时，必须制定完备的业务规则，必须要有相应的活动门槛和限制，例如：
定义哪些类型的用户能参与活动，指定清晰的分界线。对于特定的活动，可以适当提高参与门槛，比如 V2 以上会员可以参与，有过购买记录的可以参与等等。这种主要针对特定群体会员做运营，对于被排除在外的用户，体验就没那么好了。
定义哪些 APP 或小程序版本能参与，比如：拉新活动要求必须使用最新版 APP 注册才给奖励。
明确定义账户级、设备级、实名信息级能参与活动的上限和参与活动的频率等。活动给用户的预期要控制在合理的范围，并且控制上限，才能有效防范羊毛党。比如每个账号的上限，每日活动预算的上限。活动规则中也要明确说明，如果发现有人通过刷单刷票等形式违规操作，平台有权取消其参与资格或相应奖励。这样对于异步发放的奖品，也可以在发放之前检查一下数据，筛掉可疑用户。
最后，对于所有活动的数据，在开发之前就要明确提出需要监测哪些数据。不然活动都已经跑起来了，没有预先埋点的东西肯定是拿不到的。作为运营对数据一定要极其敏感，如果有暴增的用户量或者参与量，就要小心是不是有羊毛党来袭。而不是光顾着乐。
我们可以先简单看一下腾讯云的防刷接口对风险类型的定义：
通过技术手段薅羊毛，最常见的就是高频刷接口，恶意注册账号，撞库等。而这类羊毛党，一般会大量养卡，或有很多虚拟的打码平台，可以提供手机号+验证码服务。有的可能还会拥有大量动态IP地址，海外服务器，以及批量的身份证等。还有专业的设备，称作“猫池”、“卡池”。对于移动端的业务，许多这类公司还购入大量实体手机，再通过软件批量控制，称为“群控”，这个我在《微信里的赚钱路子》文章里提到过。对于这种羊毛党和黑灰产，传统的防护手段一般有三种：封IP，封用户，增加验证码。下面分别进行讲解。
针对异常 IP，我们可以通过技术手段直接封掉。目前大部分网站的接入层都是 Nginx，那么可以考虑使用 deny 配置封禁 IP 或 IP 段：
deny 1.2.3.4;deny 1.2.3.4/24;
如果运维层面不方便操作，也可以把请求放到应用层封禁，由 WEB 容器来解决。这里要注意，封禁 IP 或 IP 段是有风险的，许多公司对外的出口 IP 都是统一的，如果全公司很多人同时访问某网站，就可能被误伤。共享的 WIFI，某些移动基站也可能是有固定的出口 IP，所以最好轻易不要封禁 IP 或 IP 段。
我们可以根据某些特定的规则，筛选识别出一批用户，对其进行一些限制。可以采用黑名单机制，或者用户风险分级、信用分级等等。然后再根据黑/白名单，或用户等级限制特定的行为，比如完全拒绝服务、限制某些功能、限制大奖等等。
封禁用户的标记有很多种，最基本的如果用户有登录态的话，就可以直接封账号。如果没有的话，可以通过设备指纹来标识设备，根据平台的不同，设备指纹可以是 PC 端的浏览器指纹，移动端的 IMEI、MAC 地址、UUID 等，或者这些条件综合起来计算出来的 machine key，使之无法造假，然后在关键请求时校验 machine key 的合法性。网络环境也是个因素，WIFI 和 4G 的切换，或者网络 IP 的变化，都可以是拒绝服务的理由。这种在银行 APP 中最常见，如果切换了网络，银行 APP 一般会要求重新验证身份才能继续操作。然而，目前市面上已经出现了各种改机软件和模拟器，能不断修改设备信息，让一般的设备指纹失去作用。
这种方式的风险就是，规则要慢慢养成，过程中必然有遗漏和误杀，操作不当可能会引起大量投诉。所以这种方式最好是宽进严出，默认用户都是好的，再慢慢收紧，识别出明确的恶意用户。对于可疑但不确定的用户，可以先标记等级，再针对这些等级单独观察后续行为后，对其进行等级的升降。然后针对不同等级限制行为。
关于羊毛用户的识别标记，可以是基本数据是否健全，比如资料是否完整，是否有真实可信的昵称，手机号等；行为数据，如鼠标点击、鼠标移动、按键次数，每次打卡是否固定时间等等；更高级一点的，可以实施全路径实时布控策略，从 APP 启动、账号注册、登录，到业务场景（如直播热度/电商销量排行等），再到设备风险（篡改、虚拟机、设备农场、积分墙等）设下层层关卡，全栈式防御欺诈行为。
验证码有很多种，往往加在重要操作流程中，比如注册/登录/绑卡/支付等环节，大家应该都体验过五花八门的验证码。比如注册用户时的拼图滑块、Google 的 I'm not robot、手机验证码、图片验证码等等。第三方授权的功能也是一道天然屏障，比如微信授权、QQ登录授权，这样恶意用户需要先经过第三方验证一道，起码在访问频率和账号真实性上多了一道屏障。如果业务允许的话，还可以要求用户进行实名认证，密保问题校验等等。当然，步骤越多体验就越差。
验证码的主要作用就是区分操作者到底是人还是机器。但是不同的验证码难度千差万别，普通的手机验证码，有专门的打码平台可以提供 手机号+验证码 服务，而且都是程序对接，自动化执行。而对于一般的图片验证码，也有很多公开的图片验证码识别服务。因此才会导致各个平台的验证码越做越复杂，到了人类都很难辨认的程度，体验很差。
限流只能一定程度上缓解，或者说让风险可控。主要是防止恶意请求流量、恶意攻击，或者防止流量超出系统的峰值，破坏系统。前面第 1 小点封禁 IP 也可以理解为限流的一种，在接入层直接拒绝，对于系统资源的损耗最小。而对于网络流量，可以使用 Nginx 的 limit 模块进行限制，防止过大的流量穿透到后端应用。
常用的限流算法有两种：令牌桶算法，漏桶算法。令牌桶算法，是一个存放固定容量令牌的桶，单位时间内，拿到令牌的才能通过，多余的不派发令牌；漏桶算法则是单位时间内流出的数量固定，流入无所谓。那么无论对于网络请求的数据量，还是用户新增的数量，奖品发放的数量，都可以使用这两种思路进行限制。这里是系统架构的知识，不再赘述。
如果活动已经在进行，或者活动已经结束，但是总感觉不对劲，这时候就要采用离线数据分析的方法，仔细辨别是否有羊毛党的存在。那么数据从哪里来呢？前面提过，除了活动必须的数据之外，如果想更深入地分析用户行为，那么在需求设计阶段就要想好，希望记录哪些行为，便于后续分析。如果系统没有提供这些能力，显然也没有相关的数据可以分析了。
完整风控解决方案，不仅要考虑用户体验，同时又要兼顾效果，需要考虑很多方面。因此有很多大小公司都专门提供了这方面的解决方案。比如腾讯、阿里、网易等等，此外还有许多提供这种业务的公司，搜索“防薅羊毛”就会出现很多。这些解决方案的基本原理与上述技术无异，只是数据基数更大，再加上机器学习和大数据分析，可以更加准确识别出恶意用户和黑产用户。
以下内容（3.6.1 - 3.6.4）来自网易易盾《全链路风控解决方案深度解读》中提到的风控服务，不代表本人观点，仅供参考，文末参考文献中有文章链接，感兴趣的同学可以前往查看。
事前预防：通过数据采集收集用户侧信息、通过业务规则来限定参与活动的门槛、通过身份核验来确认用户身份等手段，防止风险事件的发生。事中检测处置：通过实时在线的手段来检测风险，并做相应的风险处置，防止风险事件的发生。事后分析回馈：基于长周期的离线数据分析，计算用户侧、设备侧、IP侧、业务侧的各种风险特征，并作用于事前风控和事中风控。
事前预防主要有三个层面的事项：数据采集、业务规则、身份核验。
在业务活动的各个阶段，都需要埋点采集数据，主要有设备指纹、操作行为、网络数据、业务数据、第三方数据等。采集的数据主要用于事中的风险监测和事后的离线分析。
在制定营销活动时，必须制定完备的业务规则，必须要有相应的活动门槛和限制，例如：用户群体限制：定义哪些类型的用户能参与活动，指定清晰的分界线。比如：电商大促经常出现的神券，可以限制账户等级>3、年度内购物次数>2才能领取等等。APP版本限制：定义哪些APP版本能参与，比如：拉新活动要求必须使用最新版APP注册才给奖励。参与次数限制：明确定义账户级、设备级、实名信息级能参与活动的上限和参与活动的频率等。
身份核验主要是为了确保是用户自己来参与活动，主要手段包括：手机短信校验；验证码校验；密码校验；密保问题校验；本机校验：校验手机号对应的SIM卡是否在当前设备中使用；实名认证，有三种：1）身份证OCR校验；2）身份证OCR、人脸校验；3）身份证OCR、活体检测；个人信息。
事中检测主要依赖人机识别、风控引擎、风险处置三个手段。
人机识别主要区分是人，还是机器自动化的行为。客户端与后端的数据交互过程中，增加如下的数据保护手段，一旦发现数据有问题，则都是机器行为。数据合法性校验；数据加解密；数据篡改检测。
事中检测的核心工具就是风控引擎，风控引擎主要的工作是识别风险，一般的风控引擎都需要如下几个功能：
画像服务：建立基于IP、手机号、账户等层级的画像服务；指标计算：一般包括高频类统计、求和、计数、求平均值、求最大值、求最小值等等；风控模型：基于采集到的数据，建立风控模型，比如：设备模型、行为模型、业务模型等；规则引擎：最终的风控数据进入规则引擎，由规则引擎判断是否存在风险。风控运营需基于业务建立各种风控规则，以识别风险。
识别到风险之后，需要对风控进行处置，处置手段一般有：二次校验：比如，正常用户无需二次校验，有风险的用户需再次校验手机短信等；降低奖励：比如，正常用户的奖励金是1元，风险用户奖励金是0.01元；风险审核：进入人工审核，比如：电商场景的订单业务，一般嫌疑类风险订单，都会安排人工审核。
事后主要是做离线分析，分析结果可作用于事中实时检测和事前预防。对于T+N的业务（比如：拉新奖励金提现），离线分析之后，若识别出风险，也可以做拦截（拒绝此次提现）。离线分析主要有几个方面：
关联分析：基于前后关联业务、关联数据做关联分析，识别风险用户、风险操作；复杂网络：基于用户数据、设备数据、网络数据、业务数据，建立复杂关系网络，基于数据与数据之间的关系，来识别风险；模型训练：基于机器学习、深度学习技术来构建业务模型、设备模型、行为模型，或文本类模型（异常地址检测、异常昵称检测）等；数据画像：基于离线分析，对账户、IP、设备、手机号等构建数据画像。
全链路风控解决方案另一个非常重要的过程是：全链路布控。若只是构建了全链路风控模型（工具），未做全链路部署，那也是大材小用。全链路布控主要要做到：
多业务布防：在业务的各个环节都需布控防刷手段，一般的营销活动都需先注册、登录，再参与营销活动。所以，可以在注册、登录、营销活动各个环境都布控风控检测。
联防联控：前置业务为后置业务产出事前特征，避免后置业务风控检测冷启动；后置业务为前置业务提供事后特征，比如：准实时、中长周期的风险特征。
第三方解决方案的弊端就是对系统的侵入，需要我们在自己的系统里嵌入许多外部代码。那么带来的风险就是，系统数据全部开放给外部，用户数据风险，业务经营数据风险，系统可用性风险等。一旦外部系统出现问题，可能导致我们自己的系统不可用，或者数据泄漏。如果不能接受这一点，或者无法信任第三方，或者公司政策不允许，那就无法使用这种服务。
最后，我综合总结一下全文的梗概，如果前面都没仔细看的话，那么只看这里就可以了。
拉新活动要小心（拉新送、注册送、关注送、新用户立减、日常打卡、签到、获得积分、积分兑换、抽奖）。接入层：Nginx，限制频率，IP 黑名单（代理IP识别）；接口层：访问控制，防重入 token（token是用户一次操作的唯一标识），模糊的响应迷惑恶意请求；业务层：验证码，黑/白名单机制（大数据），设备指纹，行为数据，全链路布控；数据分析：分析历史作弊数据，优化活动奖励，采用堵不如疏的策略，与其强硬的一刀切，不如提升攻击成本，减少获利；机器学习，大数据反作弊平台，GCN、Node2V、Louvain、GAN、GBS、LSTM等模型，我也看不懂了~以上，就是防范羊毛党相关技术的全部内容，建议收藏。最后，我们再回顾一下文章脉络：
答：这完全取决于你所在公司或业务的状况，包括对数据风险的容忍度、系统对接的难度、费用问题、招标等等。具体情况具体分析了。答：这里可以适当柔性处理，如果不确定是否恶意用户，可以做隐性的限制，再根据后续行为继续观察打标。对于恶意刷接口、刷票等，也可以返回具有迷惑性的错误提示，避免羊毛党猜到系统判断逻辑。比如我就遇到过刷票接口，使用技术手段尝试，每次都返回投票成功，但实际并没有，你也不知道为啥，因为没有特定的错误码和提示。别问我为什么知道。答：微信 PC 客户端就是个很好的例子。你可以用按键精灵或者 autoit 之类的软件尝试，会发现它的窗口是捕获不到的，所以就很难编写自动化脚本。不过，在安卓下面由于系统可以高度定制，所以这都不是问题了。好了，如有大家还有其他任何疑问，欢迎随时留言与我沟通。
本文转载于微信公众号：姬小光（ID：hi-laser），已经取得作者授权，未经作者授权，禁止转载。
【转载说明】 若上述素材出现侵权，请及时联系我们删除及进行处理：8088013@qq.com
