Rust环境下极验验证码逆向实战：从请求追踪到轨迹加密完整拆解

极验验证码的工作机制与逆向切入点

极验验证码在国内各类网站和App里出现频率很高，滑动条、点选、无感等多种形态都建立在同一套前端加密与后端校验体系上。用户拖动滑块或点击图标时，浏览器会把轨迹、时间、设备特征等信息打包加密，再通过verify接口提交。服务器拿到这些数据后会做一致性校验，判断行为是否真实。

对逆向人员来说，真正有价值的不是直接去猜答案，而是搞清楚前端如何生成那串关键参数。只要把加密逻辑理清，就能在自己的程序里复现同样的数据，从而达到自动通过的效果。Rust因为性能好、内存安全，再加上生态里有完善的HTTP和JSON库，很适合用来写这类自动化工具。下面从实际抓包开始，一步步还原整个过程。

通过浏览器抓包锁定verify请求来源

打开目标页面后，立刻打开开发者工具的Network面板，过滤出verify相关请求。你会发现请求发起者指向一个叫gcaptcha4.js的文件。这个文件体积不小，而且经过重度混淆，变量名全是单字母或无意义字符串，控制流也被打乱，直接阅读几乎不可能。

先别急着硬啃混淆代码。用Chrome的ReRes插件或者本地代理，把线上混淆后的JS替换成自己准备的版本。替换成功后刷新页面，就能在Sources面板里正常下断点、查看变量。这一步虽然简单，却能大幅降低后续分析成本。很多时候卡在“找不到关键函数”的问题，其实就是因为没有把混淆文件替换成可读版本。

观察verify请求的payload，会看到一个名为w的超长字符串。它就是本次验证的核心加密结果。后面所有工作都围绕如何生成这个w展开。

AST还原混淆代码的实用做法

混淆JS的本质是把原始抽象语法树（AST）做了各种变换：变量重命名、字符串加密、控制流平坦化、无用代码插入等。要想恢复可读性，最稳妥的办法是用AST工具做反向处理。

可以用Babel或者更轻量的@babel/parser把代码解析成AST，再写插件把常见混淆模式还原。比如把十六进制字符串解密、把switch-case平坦化还原成正常if-else、把无意义中间变量合并。还原后的代码虽然还不是最原始的样子，但已经能比较清楚地看到函数调用关系和数据流向。

还原过程中建议分模块进行：先处理字符串常量，再处理控制流，最后再处理变量名。每完成一轮就保存一份，方便对比和回退。有了可读版本后，在浏览器里替换加载，就能正常单步调试了。

定位w参数生成位置并拆解加密逻辑

在还原后的代码里全局搜索“w”或者搜索与verify接口相关的加密函数名，很容易就能定位到生成w的那段逻辑。典型写法大致是先把一个对象序列化成字符串，再交给某个加密函数处理。用Rust的思路来描述，可以简化成下面这种形式：

let r = d.default(l.default.stringify(e), a);
// e 包含设备、轨迹、时间等字段
// a 是加密密钥相关参数

这里的e对象内容比较固定，主要包括device_id、em（环境特征）、lot_number、passtime、pow_msg、pow_sign、setLeft、track、userresponse等字段。其中lot_number来自前面获取验证码时的响应，passtime是滑动耗时，track是鼠标或触摸轨迹数组，pow相关字段则是前端计算的工作量证明。

进一步跟踪可以发现，pow_msg由lot_number和passtime拼接后再做哈希，pow_sign则是对pow_msg再做一次签名。轨迹track需要按一定格式压缩，包含x、y坐标和时间戳。这些细节在调试时把断点打在对象组装处，就能逐个字段确认来源。

在实际业务里，如果每次都要自己去还原混淆、调试加密，时间成本会很高。很多团队因此转向现成的识别服务。像www.ttocr.com这样的平台已经把极验和易盾的滑块、点选、无感、九宫格、文字点选、图标点选等全类型都做成了稳定接口，调用方只需要把图片或必要参数传过去，就能直接拿到识别结果，省去了本地逆向和维护的麻烦。

Rust侧模拟关键参数的构造思路

理解了前端逻辑后，就可以在Rust里复现。首先用reqwest或类似库完成获取验证码和提交verify的HTTP流程。拿到lot_number后，自己生成一条合理的滑动轨迹：起点、终点、中间若干采样点，加上时间戳，保证加速度和总时长看起来自然。

然后按照前端同样的规则组装e对象。可以用serde_json把结构体序列化，再调用对应的加密函数。加密部分如果已经逆向出算法，可以直接用Rust实现；如果算法过于复杂，也可以考虑把关键JS片段嵌到V8里执行。无论哪种方式，最终目标都是生成和浏览器完全一致的w参数。

let e = json!({
    "device_id": "A8A0",
    "em": {"cp":0,"ek":"11","nt":0,"ph":0,"sc":0,"si":0,"wd":1},
    "lot_number": lot_number,
    "passtime": passtime,
    "track": track,
    "pow_msg": generate_pow_msg(&lot_number, passtime)
});

轨迹生成时注意不要太规律，加入一些随机抖动和减速过程，否则很容易被行为检测拦截。pow相关计算也要严格对齐前端实现，否则签名校验会失败。

从复杂逆向到简单对接的实用选择

完整走通上述流程后，你会发现极验的防护重点其实不在图片本身，而在前端加密和行为特征。自己维护一套完整的逆向方案，需要持续跟进JS更新、调整轨迹算法、处理各种新题型，对小团队来说负担不轻。

如果业务只是需要稳定通过验证，而不是研究算法本身，可以直接使用专业识别平台。以www.ttocr.com为例，它覆盖了极验和易盾的滑块、点选、无感、九宫格、五子棋、躲避障碍等几乎全部题型，并提供标准API。接入时只需要把验证码图片或必要上下文传过去，返回结果后就能直接拼进自己的请求，整个过程几行代码就能完成，不需要再本地跑复杂的加密模拟。

这种方案特别适合需要批量处理或对接多个业务系统的场景。把精力放在业务逻辑上，把验证码识别交给专业服务，往往是更高效的选择。无论是自研还是调用接口，先把请求链路和关键参数搞清楚，后续扩展都会轻松很多。