正规短信也能成为攻击载体:验证码洪泛的终端侧检测与保护
本文提出一种针对分布式短信轰炸的终端侧检测方案,通过时间衰减计数、发送方香农熵及状态机模型将判定对象从单条短信提升至攻击事件。该方法利用多源合法验证码的联合行为特征识别恶意洪泛,并在 iOS Message Filter 限制下实现了攻击感知与通知收敛。
声明:
本文仅用于技术学习、实践与交流。项目设计过程中参考了公开论文、技术文章、开源项目及相关安全研究,部分思路与技术手段已有先例,本文不声称首创,也无意替代或重新定义已有研究。文中内容主要是个人结合实际问题进行的实验与实践,相关引用和参考将尽可能注明出处。(移动方向本人是门外汉,如果文章中有哪些错误的地方欢迎大家指出)
一、从一次真实经历说起
某天,我的手机号在十分钟左右收到了一大串验证码短信。最让我在意的不是"收到了很多短信",而是这些短信本身几乎全都没有问题:它们分别来自不同的平台、不同的发送主体,各自看都是完全正常、合规的业务验证码。
如果单独分析每一条,你找不到任何违规点——它确实来自大厂官方的 OTP 通道。
真正奇怪的是另一件事:为什么十几个互不相关的服务,会在极短的时间内、同时向同一个手机号发送验证码?
于是问题就变成:
如果攻击者借助大量"正规"业务平台完成轰炸,那么作为终端用户的我们,在拿不到任何服务端日志的情况下,究竟还能做些什么?
这就是本文的起点。
欢迎各位大佬进行探讨,主要是针对iOS的恶意轰炸,由于没有mac环境,所以本文只做分享(仓库:github.com/ZSH402/Malicious-bombing-without-parents)
二、相关工作与区别
短信轰炸(SMS Bomb)、OTP Abuse、SMS Pumping / AIT(Artificially Inflated Traffic)等问题已经有较多研究,已有方案大多集中在短信服务商、业务平台或运营商侧,利用请求频率、设备指纹、账号关联、IP、短信流量等维度做风控。Android 生态也存在针对 SMS Bomb 的终端侧防护实现。
本文并不尝试重新解决上述问题,也不主张提出一种通用的短信过滤算法。本文的切入点非常具体,来自上面的真实事件:当攻击者使用多个合法平台、多个发送主体,而终端用户又无法获得服务端日志时,能否仅仅根据终端可见的短信事件序列,判断出"这个手机号正在遭受一次分布式攻击"?
换句话说:这篇文章不关心"某条短信是不是垃圾",只关心"这一批短信作为一个整体,是不是一次攻击"。
三、检测对象不是短信,而是"攻击事件"
读者可能会以为本文又是某种 Spam Filter。这里需要把视线彻底移开:检测对象不是单条短信,而是由多条短信构成的攻击事件。
传统过滤视角:
短信1 → 垃圾 / 正常
短信2 → 垃圾 / 正常
短信3 → 垃圾 / 正常本文的视角:
短信1 ─┐
短信2 ─┤
短信3 ─┼→ 这些短信是否共同构成同一个攻击事件?
短信4 ─┤
短信5 ─┘本文的观察可以概括为一句话:
每一条短信都可以是合法的,但多条短信的联合行为可能是恶意的。
单一短信合法性判断,永远无法识别"用正规平台轰炸"——因为每条都合法。只有把判定对象从"短信"提升到"号码上的事件流",才有可能在早期识别这种分布式行为。
四、从现象到设计:为什么是这些模块
这里不打算罗列"我用了 DecayingMeter、Entropy、Novelty、State Machine",而是想说明:这些设计都是从对现象的观察里推理出来的。
现象 1:攻击不是持续高频,而是"突然爆发"
轰炸的典型形态是短时间内集中涌入,之后可能停顿、再涌。持续性的高频率(比如一整天都在收消息)更像正常使用。
→ 所以需要时间衰减计数:给"刚发生"的消息更高权重,让突发被放大,让很久以前的消息自然衰减,不至于"累积成永恒的高危"。
稳态下用封闭式给出物理可解释的标定:
v_eq = strength / (1 - e^(-Δ/τ)) (Δ = 平均到达间隔,τ = 时间常数)把阈值映射到现实速率:0.5 条/秒 ≈ 6.5、1 条/秒 ≈ 12.5、2 条/秒 ≈ 24.5。
现象 2:攻击者会切换不同的发送主体
如果所有验证码都来自同一个发送方,那更像单个渠道的问题。但分布式轰炸恰恰相反:攻击者借大量不同商家/平台的 OTP 通道,发送主体极其分散。
→ 所以需要发送方多样性。对最近一个窗口的发送方求归一化香农熵,多样性越高,越不像单点故障。
现象 3:业务来源还会跨通道扩散
轰炸不只是短信,还可能混用语音呼叫、邮件、App 推送,进一步扩散业务面。
→ 所以需要通道扩散(Channel Diffusion):把"同时出现的不同通道数量"作为一个信号。
现象 4:正常用户一天也会收到很多验证码
靠"绝对速率阈值"会误伤高活跃用户(开发者、商务、常登录的人),因为他们可能长期处于较高流量。
→ 所以需要自适应基线:只有当"持续显著高于该号码自己的基线"达到足够长的时间,才把阈值抬上去;短时突发则保持低阈值、快速检测。这样能区分"长期高活跃号码"和"短时攻击"。
现象 5:攻击有明显阶段性
一次轰炸通常会经历:正常 → 初现异常 → 全面爆发 →(攻击结束)→ 恢复。不存在"一条短信就立刻开始全面防御",也不应该"攻击一停就立刻解除"。
→ 所以需要攻击状态机:Normal → Suspicious → Under Attack → Protected。升级需要连续确认(避免误抖),降级需要持续平静周期(避免反锁)。
五、集成模型与 iOS 侧的数据可见性取舍
上面的信号被组织成一个以受害手机号为中心的攻击状态模型。综合判定可以写成:
威胁 = 密度达标 ∧ 分布式达标其中 分布式协同证据 = w1·发送方熵 + w2·通道扩散 + w3·新发送方来袭率。
判定的核心是:密度单高(单个熟人狂发)最多到 Suspicious;分布式强但稀疏也最多到 Suspicious;只有两者同时强,才判为分布式洪泛。
需要说明的是:这套检测只是把多个常见的异常检测特征组合到一个以受害手机号为中心的攻击状态模型里,基础技术和数据维度都不是新概念。真正要解决的是:在给定平台上这些数据到底可见到什么程度,又能据此做到哪一步。
以 iOS 为例,这里有一个硬约束:iOS 的短信通道走的是 Message Filter Extension(IdentityLookup),而它在沙盒中无状态、逐条被系统调用——你拿不到"前一条短信"、也拿不到"最近几分钟到达了几条",更不要说在短信到达的瞬间跑时间序列和状态机。这是平台硬限制。
因此 iOS 侧被拆成两层:
- 扩展层(无状态):逐条折叠疑似轰炸的短信,抑制预览和响铃;
- App 聚合层:把历史短信事件归一化成
(时间, 发送方, 通道),喂给上面的状态机,输出"保护期报告"。
这不是绕开平台,而是在平台给的数据可见性约束下做的取舍。真要在 iOS 端实时关联历史短信,必须先承认这个事实。
六、项目代码怎么看
本文对应的实现装在 github.com/ZSH402/Malicious-bombing-without-parents,零第三方依赖,Node ≥ 14 可直接跑。下面摘几段项目里的实际代码,是这套以号码为中心的事件关联思路的落地,看完就能对着源码复现全文的核心逻辑。
1. 时间衰减计数(src/engine.js 的 DecayingMeter)
class DecayingMeter {
constructor(tauMs) { this.tau = tauMs; this.value = 0; }
_decay(now) {
if (!this._lastAt) { this._lastAt = now; this.value = 0; return; }
const dt = Math.max(0, now - this._lastAt);
if (dt > 0) this.value *= Math.exp(-dt / this.tau);
this._lastAt = now;
}
add(strength, now) { this._decay(now); this.value += strength; return this.value; }
peek(now) { this._decay(now); return this.value; }
}这就是"现象 1 → 时间衰减"的最小落地:每条消息给能量,两条之间按 τ 指数衰减。
2. 发送方多样性(src/engine.js 的 SenderDiversity)
normalizedEntropy() {
if (this.recent.length < 2) return 0;
const counts = new Map();
for (const id of this.recent) counts.set(id, (counts.get(id) || 0) + 1);
const n = this.recent.length;
let H = 0;
for (const c of counts.values()) { const p = c / n; H -= p * Math.log(p); }
const Hmax = Math.log(counts.size);
return Hmax === 0 ? 0 : H / Hmax;
}对最近 N 个发送方求归一化香农熵——对应"现象 2 → 发送方多样性"。
3. 状态机与判定(src/engine.js)
威胁 = 密度达标 ∧ 分布式达标判定代码把上面几路信号合起来,交给 Normal → Suspicious → Under Attack → Protected 状态机消费;升级需连续确认、降级需持续平静,避免在噪声边缘来回抖。
4. 复现
node sim/run.js # 复现第五节的对比表
node test/engine.test.js # 引擎单元测试
node test/sim.test.js # 仿真回归
node cli.js # 命令行演示说明:以上都是本项目为实现"以受害号码为中心的事件关联"而写的实现;
DecayingMeter、香农熵、状态机等是常见的基础技术,本文不主张这些基础概念是发明,只是把它们组合成针对该场景的检测模型,并针对 iOS 终端侧的数据可见性做了取舍(见下一节)。代码没有引入自他人实现或第三方库。
七、局限性(主动承认做不到的部分)
诚实地说,这套方案能做的和不能做的边界很清晰:
- 无法阻止短信在运营商网络侧产生。 终端 App 控制不了短信的发送链路,只能"在已经到达终端的时候做检测与通知收敛"。
- iOS 的 Message Filter 机制限制了终端能获取/关联的历史短信数据,因此当前更适合作为攻击检测与通知保护 PoC,而不是完整的网络侧阻断系统。
- 要真正阻断短信到达,仍然需要运营商或短信服务商参与。 终端侧方案再完善,也无法替代网络侧。
这些局限本身就划定了这类终端侧方案的边界,写清楚免得高估它能做到什么。
八、一个脱敏后的真实样本
严格脱敏后的摘要如下(发送主体与数据均已替换):
时间窗口: 21:42 ~ 21:52(约 10 分钟)
合成量(转为仿真对标口径):
字段 数值
接收到的消息 ≈ 数百条
不同业务主体 ≈ 几十个
不同发送主体 ≈ 十多个
验证码类占比 ≈ 高度集中
通道 短信 / 语音 / 推送 均有出现单条观察:
发送主体 | 单条判定 |
某金融 App | 合法 |
某手机厂商 | 合法 |
某快递 | 合法 |
某在线问诊 | 合法 |
联合观察:
同一手机号
+ 极短时间
+ 多业务
+ 多发送主体
+ 验证码高度集中
→ 疑似分布式 OTP Flood把脱敏样本喂给上面的状态模型,在 8 类事件流上的仿真结果(node sim/run.js 可复现):
场景 | 固定阈值 FP | 自适应基线 FP | 轰炸命中 | 恢复时延 |
纯正常(昼夜) | 0 | 0 | — | ~0min |
正常 + 营销 | 0 | 0 | — | ~0min |
合法登录风暴 | 32 | 32 | — | ~1007min |
分布式轰炸 | 0 | 0 | 是 | ~718min |
长期高活跃用户 | 0 | 0 | — | ~0min |
几点如实说明:
- 分布式轰炸在两种模式下都正确命中(TP)。早期一版自适应基线会把密度阈值抬到 ~4 倍、从而压制真实轰炸(TP 变否),已修复为只温和上浮、不破坏检测。
- 同一昼夜尺度上,固定阈值与自适应基线在误报上差别不大(都是 0),因为时间衰减计数本身就对"持续中低速率"有天然容忍——自适应基线真正的价值在边界场景(长期高活跃、风格波动),更适合作为保险而非主力。
- 必须强调:以上全部是合成流量,没有真实生产数据。 只是把我自己遇到的样本形态复现出来做验证。
结语
回到最初的问题:当攻击者借助大量正规业务平台完成轰炸时,终端用户到底还能做什么?
我的答案是:虽然无法在终端阻止短信产生,但可以把判定对象从"单条短信"提升到"号码上的攻击事件",从而在终端能看到的有限数据里,识别出"这个号码正在被分布式轰炸",进而进保护、收敛骚扰、并如实告诉用户发生了什么。这未必能拦住攻击,但至少让用户知道自己正在被针对,而不是被一条条看似无害的验证码淹没。
附:复现
零第三方依赖,Node ≥ 14:
node sim/run.js # 上面那张对比表
node test/engine.test.js # 引擎单测
node test/sim.test.js # 仿真回归
node cli.js # 命令行演示