Appearance

电商防刷单实操：我用IP数据拦住了大部分羊毛党 ​

朋友的店做了一次秒杀活动，结果开抢一小时，注册了三千多个"新用户"，成交量却几乎没有。一查，全是批量脚本刷的。他问我怎么办，我说：先看看这些号的IP。

最后我们靠一套简单的IP风控，把刷单量压掉了大部分。今天把这套方案拆开讲。

刷单的人长什么样 ​

羊毛党和刷单脚本有几个典型特征，用IP一眼就能看出来：

  • 同一个IP注册几十上百个号（人手没那么多IP）；
  • IP是机房/IDC类型（脚本跑在云服务器上，不是家里宽带）；
  • IP归属地和填写的收货地址对不上（人在上海，IP却在河南某机房）。

这三条，每一条都能当判据。

落地：三层判断 ​

第1层：同IP注册频率 ​

最简单的规则。记录每个IP在时间窗口内注册/下单的次数：

python
from collections import defaultdict
import time

# 记录 ip -> [(时间戳, 行为)]
register_log = defaultdict(list)

def is_frequent(ip, window=600, limit=5):
    now = time.time()
    register_log[ip] = [t for t in register_log[ip] if now - t < window]
    register_log[ip].append(now)
    return len(register_log[ip]) > limit

10分钟内同一个IP注册超过5次，直接进人工复核或者拦截。

第2层：IP类型判断 ​

配合接口返回的 ip_type，把机房IP单独处理：

python
def ip_risk_level(info):
    if not info:
        return "unknown"
    if info.get("ip_type") == "IDC":
        return "high"      # 机房IP，重度可疑
    if info.get("ip_type") == "BUS":
        return "medium"    # 企业专线，谨慎
    return "low"           # 家庭宽带，正常

很多脚本跑在云服务器上，这层的命中率很高。

第3层：归属地与收货地址比对 ​

用户填的收货地址和IP归属地对不上，也是常见信号：

python
def address_match(ip_prov, address):
    if not ip_prov or "省" not in address and ip_prov in address:
        return True
    return ip_prov in address

这个不能一票否决（比如人在外地出差、代收），但可以加权重，作为综合评分的一部分。

综合评分模型 ​

别用单一规则一棒子打死，用打分制更稳妥：

python
def risk_score(ip_info, register_count, address_match_ok):
    score = 0
    if ip_info and ip_info.get("ip_type") == "IDC":
        score += 60
    if register_count > 3:
        score += 30
    if not address_match_ok:
        score += 20
    return score
# score>80 拦截；50-80 弹验证码；<50 放行

拦截方式也有讲究：

  • 80分以上：直接拒绝注册/下单；
  • 50~80分：弹滑块验证码，把脚本挡在外面，真人能过；
  • 50分以下：正常放行。

效果怎么样 ​

我们这套跑下来，刷单注册量降了七成左右，误伤很少——因为家庭宽带的正常用户，ip_type是ISP，本来就打不了高分。配合人机验证，基本就稳了。

别忘了这些 ​

  • 查询要缓存：防刷场景下请求量很大，务必加缓存（参考我"高并发缓存限流"那篇）。
  • IP只是信号之一：别只靠IP。配合设备指纹、行为数据，效果才完整。IP负责"粗筛"，其他负责"精判"。
  • 数据要脱敏：保存IP记得做合规处理，别裸存当业务数据用。

写在最后 ​

防刷单没有银弹，但IP维度是性价比最高的一层。用免费接口先搭起来，等流量真大了再升级VIP、再加私有化部署，是大多数中小电商的正确路径。

用到的接口：https://www.ip9.com.cn