潜在客户表单中的欺诈检测：方法和代码

识别线索表单欺诈：从拦截到智能过滤

线索表单面临多层攻击——从简单的机器人到真人付费提交。最初，机器人抓取静态页面并自动填充字段。随着使用 Vue.js 动态生成表单，元素对爬虫隐藏，暂时打断了这一流程。

垃圾信息发送者通过逆向工程 API 接口，并伪造 User-Agent、屏幕分辨率和 Cookie 等头部信息进行应对。传统的 CAPTCHA 已难以奏效，因为机器人能实时生成响应。

引入与用户会话绑定的 JWT 令牌，并结合服务器端验证，重新夺回控制权。然而在房地产等竞争激烈的领域，付费填表服务应运而生——有人付费完成问卷，扭曲转化率数据。

行为分析用于初步筛选

每个答题阶段的时间戳有助于识别自动化行为。若响应时间低于阈值（例如每题少于 2 秒），该线索将被标记为可疑。

数字足迹监控包括：

• 检查 IP 是否来自数据中心的异常波动。
• 分析 Cookie 和指纹信息（Canvas、WebGL、字体）。
• 检测数据库中重复联系记录（单次会话超过 3 次）。

这些措施可过滤掉 80%–90% 的自动化垃圾信息，但付费攻击仍可通过清理和人工操作绕过。

新范式：控制拦截策略

严格拦截会引发适应性反应——垃圾信息发送者更换代理并清除 localStorage。转向“软”过滤模式则彻底改变游戏规则。

所有线索均成功处理，但根据风险等级进入不同场景：

• 完全忽略：数据不存入 CRM 或触发通知——线索直接消失。
• 黑名单标记：存入隔离数据库供分析，永不发送至业务集成系统。
• 幽灵转化：发送至 CRM 并打上「垃圾」标签，但不追踪任何分析事件（GA4、Yandex Metrika）。

此举打击攻击者动机：无拒绝反馈意味着无有效反馈，大幅降低付费欺诈的投入产出比。

过滤器的技术实现

基于 Node.js/Express 的中间件检查特征向量：

const fraudScore = calculateFraudScore(req.body, req.headers, sessionData);

if (fraudScore > 0.8) {
  routeToBlackhole(req.body); // 场景 1
} else if (fraudScore > 0.5) {
  markAsSpamAndLog(req.body); // 场景 2
} else if (fraudScore > 0.3) {
  sendToCrmWithFlag(req.body); // 场景 3，无分析追踪
} else {
  processNormally(req.body);
}

function calculateFraudScore(data, headers, session) {
  let score = 0;
  score += data.quizTime < 30 ? 0.4 : 0; // 问卷耗时
  score += isProxyIP(headers['x-forwarded-for']) ? 0.3 : 0;
  score += session.repeatContacts > 2 ? 0.2 : 0;
  return score;
}

客户端脚本通过指纹技术收集熵值：设备内存、时区偏移、音频上下文。服务器端利用 Redis 实时聚合数据，实现集群级欺诈检测。

扩展与监控

高负载系统可集成机器学习模型（如用历史线索数据训练的 XGBoost）。基于标注数据集（垃圾/合法）训练，精度可达 95% 以上，召回率超 90%。

通过 Grafana 仪表盘监控欺诈率与误报率。对流量子集进行 A/B 测试，以最小化风险。

核心要点

• 付费欺诈成本约 10–50 卢布/线索，但使广告 CPC 上涨 20–30%。
• 软过滤降低攻击者动力，同时不影响用户体验。
• 结合行为分析与机器学习，构建长期防御体系。
• 全量日志留存，支持事后分析与模型迭代。
• 部署前务必在真实流量上充分测试。

— Editorial Team