【安全加密】设备指纹采集：多维度比对与登录风险评分

完整课程入口：996 全套课程体系 ｜ Lua 学习路径 ｜ 幂尔框架 mirs.cn

实战应用：用在哪里

账号共享与盗号都有共同特征：登录环境突然变化。设备指纹把客户端环境抽象成一组可比对的维度，登录时与历史记录比对并输出风险分，高风险会话要求二次验证。适用于登录风控、交易二次确认、多开检测。

指纹维度与采集

采集五类维度，按稳定性加权：硬件类（设备型号、屏幕分辨率、CPU 核数）稳定权重高；系统类（操作系统版本、语言区域）稳定；网络类（公网 IP 段）半稳定（换网络会变）；行为类（登录时段分布）作为辅助信号；易变类（电池、内存状态）不参与指纹。采集代码在客户端启动时执行一次，随登录请求上报。

风险评分与处置

服务端为每个账号维护"已知设备指纹表"（最近 5 台）。登录时计算当前指纹与已知指纹的相似度：

local function riskScore(current, known)
    local same = 0
    for _, dim in ipairs({ "model", "osver", "res", "cpunum", "ipseg" }) do
        if current[dim] == known[dim] then same = same + weights[dim] end
    end
    return 100 - same                      -- 分数越高风险越大
end

-- 分级处置
if score >= 70 then requireSecondaryVerify() end   -- 高风险：短信/二级密码
if score >= 40 then markWatchList(account) end     -- 中风险：标记观察

分级处置代替一刀切拒绝：高风险强制二次验证，中风险放行但纳入观察名单，连续异常再升级。

误报控制与数据沉淀

误报主要来自换设备与换网络的真实玩家。三项缓解：验证码通道保持通畅（验证通过即把新指纹加入已知表）；新设备登录的首次敏感操作（交易、改密）延迟生效 24 小时；指纹表随验证结果自动更新。数据沉淀方面，风险分分布每天进日报，分数突增的账号聚类分析——批量出现的同分账号通常对应同一个工作室的设备批次。指纹体系上线后，盗号类工单的定性时间从数天缩短到当次登录即可判断。