我的知识库

滑块验证码（Captcha）破解算法

9 min read

这是一个在编写滑块验证码（Captcha）破解算法时非常经典的轨迹过拟合与特征反常问题。

导致“远距离成功、近距离失败”的核心原因在于：当滑动距离过短时，算法生成的轨迹在时间、速度和加速度上产生了极端的“非人”特征。 验证码风控系统（如极验、网易易盾、顶象等）通过收集滑动过程中的 (x, y, t) 序列，可以轻易识别出这种异常。

以下是深度的原因剖析以及对应的工业级解决方案：

一、 核心原因深度剖析

1. 运动时间极短，触发风控阈值

  • 现象：距离近时（例如总距离仅有 30-50 像素），如果按照远距离的平均速度去模拟，滑动总耗时可能只有 50-100 毫秒。
  • 风控逻辑：人类手臂和手指具有物理惯性。从静止到移动再到精准对齐，人类的极限反应和操作时间很难低于 300 毫秒。过短的总时间会直接被风控系统判定为“非人机器”。

2. 轨迹点（Sampling Points）过少或采样率畸变

  • 现象：很多开发者使用固定步长（如每次移动 x += 5）或固定延迟（如 time.sleep(0.01)）。在近距离下，滑块可能只需要 5-6 个坐标点就到达了终点。
  • 风控逻辑：现代浏览器（或手机端）的鼠标事件（mousemove）采样率通常在 60Hz - 125Hz 左右。如果你的近距离轨迹只有寥寥几个点，或者点与点之间的时序间隔绝对固定，直接暴露出这是由 for 循环生成的伪轨迹。

3. 加速度（牛顿力学特征）崩塌

  • 现象：为了模拟人，通常会使用经典的前期加速、后期减速的二段式或 PID 轨迹算法。但在短距离下，由于刚加速就必须立刻减速，公式计算出的加速度和减速速度会变得极其剧烈且不合常理。
  • 风控逻辑：风控系统会计算轨迹的微分特征（速度 、加速度 和加加速度 ）。短距离下的陡峭爆发力在物理学上意味着需要极大的瞬时推力，这在人类手指上是不可能的。

4. 缺乏微调与回摆（Dithering & Overshoot）

  • 现象：远距离滑动时，由于视觉误差，算法模拟的“回摆”（滑过头再拉回来）看起来很自然。而在近距离时，算法往往直接“一步到位”，两点之间走直线，完全没有人类在短距离下进行微距对齐时的手抖、视觉修正和微调回拉。

二、 针对性的解决方案

要解决近距离失败的问题，必须让短距离滑动在时序上拉长、在空间上变复杂。

1. 引入“强制最小耗时”控制

无论距离多近，必须设定一个符合人类生理学底线的最小总时间（建议 400ms - 800ms）。

  • 如果计算出的总滑动时间低于 400ms，应当人为衰减整体的移动速度，让滑块“慢吞吞”地挪动过去。

2. 基于贝塞尔曲线（Bezier Curve）重构轨迹

放弃基于纯物理公式（如 ）的生成方式。改用三次贝塞尔曲线。

  • 通过控制点，你可以为短距离生成一个“缓慢起步 → 微速平移 → 目标前轻微颤动”的控制曲线。
  • 确保无论距离长短，轨迹点的数量都能维持在 30 - 60 个点左右。

3. 增加短距离下的“故意滑过头”（Overshoot）与修正

人类在面对极近的距离时，往往由于动作幅度不好微调，更容易“一下子滑多了”，然后往回拉。

  • 策略：当距离 时，强制让算法先滑动到 目标距离 + 随机溢出量(10px~20px) 的位置。
  • 在该位置停顿 80ms - 150ms（模拟人类大脑反应）。
  • 再用极慢的速度、带有轻微 y 轴抖动地把滑块往回拉到准确位置。

4. 引入动态时间间隔（时序随机化）

严禁使用固定的 time.sleep(0.01)。鼠标或触摸事件的触发是不稳定的。

  • 点与点之间的时间差 应当是一个符合正态分布的随机值（例如在 8ms - 16ms 之间波动）。

三、 工业级轨迹生成伪代码示例（Python）

你可以参考以下逻辑调整你的短距离轨迹生成算法：

import random
import time
 
def generate_short_track(distance):
    """
    专门针对短距离优化的轨迹生成器
    """
    track = []
    
    # 1. 强制设定近距离下的溢出目标（滑过头再拉回来）
    if distance < 80:
        overshoot = random.randint(10, 20)
        target_distance = distance + overshoot
    else:
        overshoot = 0
        target_distance = distance
 
    current = 0
    # 确保短距离也有足够的点数
    steps = random.randint(35, 50) 
    
    # 2. 前进阶段（生成渐进的比例轨迹）
    for i in range(steps):
        # 使用正弦函数或类似方式模拟平滑的前进比例
        progress = (i + 1) / steps
        # 带一点点非线性扰动
        current_x = int(target_distance * (progress ** 2 * (3 - 2 * progress))) 
        
        # 模拟轻微的手抖 (Y轴扰动)
        current_y = random.choice([-1, 0, 1]) if i % 5 == 0 else 0 
        
        track.append((current_x, current_y))
        
    # 3. 停顿阶段（模拟人类发现滑过头了，反应了一下）
    if overshoot > 0:
        # 在原位置重复记录几帧，增加停留时间
        for _ in range(random.randint(5, 10)):
            track.append((target_distance, current_y))
            
        # 4. 回退阶段
        back_steps = random.randint(10, 15)
        for i in range(back_steps):
            back_progress = (i + 1) / back_steps
            # 慢慢回退
            current_x = target_distance - int(overshoot * back_progress)
            current_y = random.choice([-1, 0, 1]) if i % 3 == 0 else 0
            track.append((current_x, current_y))
 
    return track
 
def execute_move(driver, slider_element, track):
    """
    带动态时序的执行器
    """
    # 模拟鼠标按下
    # action_chains.click_and_hold(slider_element).perform()
    
    last_x = 0
    for x, y in track:
        move_x = x - last_x
        # 模拟鼠标移动到相对位置
        # action_chains.move_by_offset(move_x, y).perform()
        last_x = x
        
        # 核心：动态休眠，拒绝固定延迟！
        # 保持单步延迟在人类设备采样的正常区间
        time.sleep(random.uniform(0.010, 0.022)) 
        
    # 释放鼠标
    # action_chains.release().perform()

四、 终极排查建议

如果你修改了轨迹后依然无法通过，建议使用以下方法进行逆向对标：

  1. 录制真人轨迹：自己写一个简单的 HTML 页面，放一个滑块，用 JavaScript 记录你真人在滑动近距离（如 20px）和远距离（如 200px）时的 (x, y, t) 数据。
  2. 数据对比：将你算法生成的近距离数组与真人录制的数组进行对比。重点观察：总耗时、点总数、点与点之间的物理跨度是否平滑。你会很容易发现机器生成的断层。

您目前使用的是哪种语言和自动化框架（如 Selenium、Puppeteer 或是纯协议重放）？可以分享一下您现有的轨迹生成核心公式吗？我可以为您做更具体的代码改造。

Graph View