slider-captcha-lab

本页保存的是公开项目资料快照，阅读过程不需要连接 GitHub。

Slider Captcha Lab

阿里云滑块验证码（AliyunCaptcha）自动求解：YOLO 识别缺口 + 真人形态轨迹生成 + CDP 事件注入。

效果

单次通过率 78.4% → 90.9%，风控拦截率 15.2% → 9.1%（n=22）。

原理

真人拖滑块不是平滑曲线。用 30 条真人轨迹对比合成轨迹训练分类器， AUC=1.000 完美可分——教科书式的平滑曲线全是机器指纹：

指纹	真人	平滑曲线
峰值速度位置	75% 进度（末端甩鞭）	5~20%（前载爆发）
峰值速度	~9700 px/s	~1400 px/s
y 路径漂移	38px（手臂线性漂移）	2px（小幅振荡）
完全静止帧	4%	0%
松手前微动作	0	0.25（画蛇添足）

真人形态是「慢逼近 → 谷底犹豫 → 末端甩鞭 → 收尾」， 本生成器按此重构（细节见 docs/轨迹形态理论.md 与 human_track.py 注释）。

图片：真人 vs 平滑曲线机器人 速度-进度对比

使用

import asyncio
from playwright.async_api import async_playwright
from slider_cdp import solve, install_verdict_hook

async def main():
    async with async_playwright() as p:
        browser = await p.chromium.launch(headless=False)
        ctx = await browser.new_context()
        page = await ctx.new_page()
        cdp = await ctx.new_cdp_session(page)
        await install_verdict_hook(page)
        await page.goto("https://your-site-with-captcha.com")
        # ... 触发滑块弹出 ...
        passed, meta = await solve(ctx, page, cdp)

asyncio.run(main())

文件

文件	说明
slider_cdp.py	求解库：识别 → 轨迹 → 注入 → 判定
human_track.py	轨迹生成器（核心算法）
track_features.py	59 维形态特征
record_human_drag.py	真人轨迹采集
train_shape_scorer.py / shape_gap_diagnosis.py	人/机分类器诊断闭环
calib_cdp.py	位移响应模型标定（piece.left = A·m + B·m²）

判定码：T001 通过 · F001 风控拦截 · F015 位置误差

安装

pip install -r requirements.txt
playwright install chromium

• captcha-recognizer 提供 YOLO 缺口识别（自带模型权重）
• 换站点时先用 calib_cdp.py 标定该站的位移响应系数（slider_cdp.py 顶部的 A_CDP/B_CDP）

免责

仅用于验证码可用性研究与自有环境的合规测试，使用者自行承担后果。

友情链接

图片：LINUX DO