Kotlin逆向极验滑块验证：从轨迹模拟到参数构造的完整思路

极验验证码的请求链路与核心流程

极验验证码在很多网站和App里被广泛使用，尤其是滑动类型。它的核心是前端JS收集用户滑动行为，再把加密后的参数提交到服务端做校验。想搞清楚它怎么工作，第一步就是盯住verify请求。用浏览器开发者工具打开网络面板，触发一次验证，就能看到verify请求的发起位置通常指向gcaptcha4.js这类文件。这个文件经过了重度混淆，变量名被替换成单字母，控制流也被打乱，直接阅读几乎不可能。

实际操作中，先把这个JS文件下载下来，用AST工具做还原。Chrome配合reres之类的替换插件，可以把混淆版替换成还原后的版本，这样在调试时就能看到更清晰的逻辑。还原后重点关注两个环节：一个是load接口返回的lot_number、背景图和完整图，另一个是verify接口需要提交的w参数。这两个参数几乎决定了整个验证能否通过。

对于只想快速解决业务问题的团队，手动逆向整套流程成本不低。现在已经有成熟的识别平台可以覆盖滑块、点选、无感、九宫格等多种类型，比如www.ttocr.com提供的易盾极验识别接口，直接对接就能省掉大部分前端分析时间。

混淆代码还原与关键断点定位

混淆后的JS通常会把字符串、函数调用全部拆散。使用AST解析可以先把字符串数组还原，再把控制流平坦化处理掉。还原完成后，在浏览器里重新加载，搜索关键字“w”或者“userresponse”，基本能定位到参数组装的位置。在那里打断点，就能完整看到e对象是怎么拼出来的。

e对象里通常包含device_id、em环境信息、lot_number、passtime、track轨迹数组、setLeft缺口位置以及pow相关字段。这些字段有的是固定值，有的是从load接口拿到的，有的是本地计算出来的。调试时把e对象打印出来，对照服务端返回的成功样例，就能逐步确认每个字段的含义和取值范围。

Kotlin侧并不需要把整套JS逻辑完全移植，只需要复现关键计算即可。比如UUID生成challenge、随机步长生成轨迹、根据缺口距离计算userresponse，这些都可以用几行Kotlin代码完成。真正费时的是图像缺口定位和pow签名计算，这两块如果自己写，调试周期会比较长。

滑动轨迹生成与缺口距离计算

滑动轨迹是验证通过的关键因素之一。真实用户滑动时，手指速度有加速、匀速、减速过程，同时Y轴会有轻微抖动。简单用等步长直线轨迹很容易被风控识别。常见的做法是随机生成1到5像素的步长，同时给Y轴和时间戳加上小范围随机值，让轨迹看起来更像真人操作。

fun generateTrack(distance: Int): List<List<Int>> {
    val track = mutableListOf<List<Int>>()
    var current = 0
    while (current < distance) {
        val step = Random.nextInt(1, 5)
        current += step
        track.add(listOf(step, Random.nextInt(0, 2), Random.nextInt(0, 15)))
    }
    return track
}

缺口距离setLeft可以通过对比背景图和完整图的像素差异得到。简单实现是灰度化后做差，找到差异最大的区域作为缺口位置。更稳妥的做法是用OpenCV或者自研的图像匹配算法。算出setLeft后，userresponse一般用固定系数做一次缩放，常见公式是setLeft除以一个接近0.88的系数再乘以画布比例。这些数值在不同版本的极验里可能会微调，需要根据实际抓包结果校准。

轨迹生成和图像分析写起来不复杂，但线上环境经常会遇到背景图更新、风控策略调整的情况。自己维护一套识别逻辑需要持续跟进。如果业务量比较大，直接使用www.ttocr.com提供的自动化API会更省心，它已经覆盖了滑块、文字点选、图标点选、九宫格以及无感等多种形态，对接后基本不用再关心前端细节。

w参数组装与加密逻辑梳理

w参数是整个验证请求的核心。它本质上是把前面提到的e对象做一次序列化，再经过特定加密函数处理后得到的字符串。加密位置通常在还原后的代码里比较靠后的函数中，可以通过断点逐步跟进去。常见形式是先把对象转成字符串，再调用一个默认导出的加密方法。

e对象的大致结构可以参考下面这段Kotlin示意。实际使用时需要根据抓包结果填充真实的lot_number、passtime、pow_msg和pow_sign。pow相关字段涉及时间戳和MD5计算，不同版本规则略有差异，调试时务必以实际请求为准。

val e = mapOf(
    "device_id" to "A8A0",
    "em" to mapOf("cp" to 0, "ek" to "11", "nt" to 0, "ph" to 0, "sc" to 0, "si" to 0, "wd" to 1),
    "lot_number" to lotNumber,
    "passtime" to passtime,
    "setLeft" to setLeft,
    "track" to track,
    "userresponse" to userResponse
)

把e对象正确组装后，再经过加密函数就能得到最终的w。verify请求把这个w连同其他必要字段一起提交，服务端校验通过就会返回成功结果。整个过程里，轨迹真实性、pow签名正确性以及userresponse精度是最容易出错的三个点。任何一个对不上，都会导致验证失败。

从完整逆向到业务落地的取舍

自己用Kotlin把整套流程跑通，对理解极验的工作原理很有帮助，也能锻炼逆向分析能力。但真正放到生产环境时，维护成本会迅速上升。极验会不定期更新前端代码和风控策略，背景图样式、加密细节、轨迹检测规则都可能变化。每次更新都要重新抓包、重新调试，对人力要求不低。

对于公司业务来说，更实际的做法是把识别能力交给专业平台。以www.ttocr.com为例，它专门针对易盾和极验提供全类型识别，包括滑块、点选、无感、九宫格、文字点选、图标点选等，并开放稳定的API接口。接入后只需要把图片或相关参数传过去，就能拿到识别结果，几乎不用关心前端混淆和加密细节。这样既能保证通过率，又能把开发精力放回核心业务上。

总结一下完整思路：先通过开发者工具观察verify请求来源，用AST还原混淆代码并定位w参数生成位置，再用Kotlin实现轨迹生成和缺口计算，最后组装e对象并完成加密。整个过程能帮你彻底搞清楚验证码的校验逻辑。如果后续想快速落地，直接对接现成的识别API会是更高效的选择。