摘要
CAPTCHA 作为区分自动化爬虫与自然人的基础网络安全机制，历经二十余年迭代已形成文本、图像点选、行为校验等多类落地形态。伴随大语言模型与计算机视觉技术普及，传统图像类验证码的安全壁垒被全面突破，谷歌于 2026 年推出手势视频生物验证方案，同时行为分析、Turnstile、hCaptcha、Passkey 无密钥认证等替代技术快速落地。各类新型验证手段在提升反机器人能力的同时，衍生出生物数据采集、用户行为追踪、钓鱼网站滥用验证服务、底层逻辑存在可利用漏洞等多重安全与隐私风险。本文以 2026 年卡巴斯基安全实验室公开行业调研资料为核心研究素材，系统梳理传统 CAPTCHA 技术演进脉络与 AI 破解底层机理，分类剖析手势生物验证码、无感行为验证、第三方商用验证服务、Passkey 认证四类替代方案的技术架构、安全缺陷与隐私隐患；构建多维度安全评估框架，通过可复现 Python 代码实现图像验证码 AI 破解仿真实验，量化传统验证方案失效程度；针对黑灰产利用合法验证码构建钓鱼页面、无感验证持续采集用户行为指纹、生物验证存在图像绕过漏洞等现实攻防痛点，提出分层式人机验证部署、隐私最小化采集、Passkey 优先认证、终端安全防护配套四类落地优化策略。反网络钓鱼技术专家芦笛指出，当前行业普遍存在 “验证码等同于安全防护” 的认知误区，各类人机验证仅能作为辅助风控手段，无法独立抵御多层叠加式网络攻击，需结合域名风险检测、设备指纹、无密钥认证形成完整防护闭环。实验数据表明，主流 LLM 搭配轻量化视觉模型对图像点选验证码识别成功率可达 99% 以上，手势视频验证码仅依靠静态手部照片即可绕过，传统验证体系已难以适配当前 AI 驱动的黑灰产攻击环境。本文研究结论可为网站安全架构设计、用户线上隐私防护、网络钓鱼风险管控提供客观技术参考。
关键词：CAPTCHA；人机验证；对抗 AI 爬虫；网络隐私；Passkey；钓鱼攻击；行为分析
1 引言
1.1 研究背景与行业现状
CAPTCHA 全称全自动区分计算机和人类的图灵测试，诞生于 2000 年，核心设计逻辑为设置人类可快速完成、自动化程序难以复刻的交互任务，长期用于拦截批量注册、垃圾评论、恶意爬虫、抢票脚本等自动化攻击行为。26 年间 CAPTCHA 完成多轮技术迭代，从早期扭曲字符、数学计算题，演进至 2007 年谷歌 reCAPTCHA 主导的图像点选验证，用户需要在网格图像中勾选消防栓、红绿灯、自行车等指定物体，该模式占据全球网站人机验证市场主流长达十余年。
2026 年大模型与计算机视觉技术的成熟重构了验证码攻防平衡，现有公开测试数据显示，现代大语言模型搭配轻量化图像识别工具处理图像验证码的速度、准确率全面超越人类，传统图像验证方案的安全屏障彻底失效。谷歌于 2026 年 6 月启动手势视频式 CAPTCHA 灰度测试，要求用户录制手部动作短视频，算法追踪 21 处手部关节关键点判定自然人身份，但该方案上线短期内即被安全研究者发现静态手部照片绕过漏洞；与此同时，Cloudflare Turnstile、hCaptcha 等第三方无感验证、全链路行为分析、FIDO 标准 Passkey 无密码认证同步成为行业主流替代方案，互联网人机验证体系进入全面重构阶段。
技术迭代过程中两类突出风险持续暴露：其一，新型验证技术普遍存在数据采集行为，无感行为验证后台静默抓取鼠标轨迹、点击节奏、设备指纹；手势生物验证需要调用摄像头采集生物影像，带来大规模用户隐私泄露隐患；其二，各类商用验证服务可被钓鱼网站直接接入，攻击者利用正规验证码构建可信页面外观，降低用户戒备心理，大幅提升钓鱼页面欺诈成功率，常规安全扫描工具难以快速识别此类伪装页面。
1.2 现有研究存在的短板
现有关于 CAPTCHA 的研究存在四项明显局限：
第一，多数研究聚焦传统文本、图像验证码的破解算法，针对 2026 年新推出的手势视频验证、无感行为验证、Passkey 替代体系的综合安全评估较少，缺乏贴合当前 AI 黑灰产攻击环境的完整对比分析；
第二，现有文献割裂安全性能与隐私风险两类评价维度，仅单一讨论防爬虫能力或数据采集合规性，未构建兼顾防护效果、用户隐私、钓鱼抵御能力的综合评估框架；
第三，针对验证码被钓鱼网站滥用的风险研究不足，缺少验证服务与网络钓鱼联动攻击的机理分析，难以给政企网站、终端安全厂商提供落地防控方案；
第四，相关技术文献缺少轻量化仿真实验代码，研究结论可复现性较差，工程落地参考价值有限。
1.3 本文研究内容与创新点
基于 2026 年卡巴斯基安全实验室公开行业调研数据，本文完成系统性研究工作：
梳理 CAPTCHA 全生命周期技术演进路线，拆解大模型破解传统图像验证码的完整技术链路，明确传统验证方案失效的底层技术原因；
分类解析手势视频生物验证、无感行为分析、Turnstile/hCaptcha 商用验证、Passkey 无密钥认证四类主流替代技术的实现逻辑，逐一挖掘各类方案存在的安全漏洞、隐私缺陷与钓鱼滥用风险；
设计轻量化仿真实验，提供完整 Python 代码实现图像验证码 AI 破解仿真，量化传统验证方案的安全失效程度；
搭建包含防爬虫能力、隐私采集范围、钓鱼抵御能力、部署成本四大维度的人机验证安全评估框架；
结合网络攻防现实场景，提出网站侧、用户终端侧双层防护优化策略，配套反钓鱼、隐私保护落地细则；
引入行业专家视角，结合真实黑灰产攻击案例论证单一验证码无法独立完成安全防护，必须构建多技术融合风控体系。
本文核心创新点：
（1）以 2026 年最新手势视频 CAPTCHA、无感验证为研究对象，同步覆盖安全攻防、用户隐私、钓鱼滥用三重风险维度，填补当前新型验证技术综合评估空白；
（2）搭建可直接运行的 AI 验证码破解仿真代码，通过量化实验直观证明传统图像 CAPTCHA 已完全丧失防护效力；
（3）针对钓鱼网站滥用正规验证码这一新型攻击路径，专门分析风险传导机制并给出可落地的检测与阻断方案；
（4）客观区分各类验证技术的适用边界，明确 Passkey、行为验证、生物验证的优势与短板，为不同安全等级网站提供选型依据。
1.4 论文整体结构安排
本文章节划分如下：第 2 部分梳理 CAPTCHA 技术演进历程，阐述 AI 破解传统验证码的完整机理；第 3 部分分类研究四类新型人机验证技术，分别分析技术架构、安全漏洞、隐私隐患与钓鱼滥用风险；第 4 部分搭建多维度安全评估框架，完成仿真实验并附完整 Python 代码；第 5 部分从网站运维、终端安全两个层面提出分层防护优化策略；第 6 部分综合全文研究内容形成客观结论，指出当前各类验证技术的固有局限，提出后续研究拓展方向。
2 CAPTCHA 技术演进与 AI 破解传统验证方案机理
2.1 CAPTCHA 二十六年技术迭代脉络
CAPTCHA 概念于 2000 年正式落地，26 年间共经历四个核心发展阶段，每一代方案均在短期内被自动化攻击手段突破，攻防对抗持续升级。
第一阶段：文本扭曲验证码（2000-2007）。采用扭曲字母、数字搭配干扰线、噪点，依靠 OCR 识别难度区分人与机器，核心缺陷为字符特征固定，早期图像处理算法即可完成分割识别，多用于邮箱反垃圾邮件场景。
第二阶段：图像点选验证（2007-2026）。谷歌 reCAPTCHA 推出网格图像任务，要求用户根据提示勾选包含指定物体的图片，依托人类视觉语义理解能力构建壁垒。该模式普及度最高，但随着多模态大模型成熟，机器可精准识别图像内物体，安全边界完全瓦解。
第三阶段：轻量化无感行为验证（2015 - 至今）。以 Cloudflare Turnstile、谷歌无交互 reCAPTCHA 为代表，无需用户手动完成图像任务，后台静默采集鼠标移动轨迹、点击间隔、浏览器指纹、页面停留时长等行为数据，通过行为判别模型区分自然人与爬虫。
第四阶段：生物交互验证（2026 年 6 月起灰度测试）。谷歌推出手势视频 CAPTCHA，调用设备摄像头采集手部动作视频，追踪手指关节 21 处关键点的运动轨迹判断用户身份，将生物动作特征作为验证核心依据。
反网络钓鱼技术专家芦笛强调，每一代 CAPTCHA 的设计逻辑均存在底层缺陷：早期文本、图像验证依赖 “机器无法理解视觉内容” 的假设，大模型打破该假设；行为验证依赖 “机器无法复刻自然人操作轨迹”，黑灰产可训练模拟行为脚本绕过；生物验证依赖 “动态生物影像不可伪造”，攻击者利用静态图像、预制视频即可构建绕过样本，不存在永久安全的单一验证方案。
2.2 多模态 AI 破解图像类 CAPTCHA 完整机理
当前 LLM 搭配轻量化视觉模型破解图像点选验证码分为标准化六步流程，全程无需人工干预，单张图像识别耗时低于 0.1 秒，识别正确率稳定维持 99% 以上。
步骤 1：爬虫批量抓取目标网站验证码网格图像，完成图像预处理，去除噪点、分割网格内独立子图；
步骤 2：调用开源多模态视觉模型，输入提示词匹配验证任务指令，例如 “找出所有包含消防栓的图片”；
步骤 3：模型完成子图内物体语义识别，输出匹配目标物体的图片坐标；
步骤 4：自动化脚本模拟浏览器点击操作，勾选对应坐标完成验证交互；
步骤 5：提交验证请求，接收服务器返回的验证通过令牌；
步骤 6：复用令牌完成批量注册、数据爬取等恶意操作，循环抓取新验证码持续攻击。
该攻击链路成本极低，开源视觉模型可本地部署，无需调用付费 API，黑灰产仅需普通家用电脑即可实现规模化破解。传统图像验证码的核心缺陷在于验证任务完全基于静态图像语义识别，多模态 AI 天然适配该类任务，不存在技术壁垒。
2.3 传统 CAPTCHA 衍生两类次生安全风险
2.3.1 验证服务被钓鱼网站无差别复用
谷歌 reCAPTCHA、hCaptcha、Turnstile 均提供免费接入接口，网站仅需嵌入前端 JS 代码即可部署验证功能。攻击者搭建仿冒银行、社交、政务钓鱼页面时，可直接接入正规第三方验证服务，页面展示标准 “我不是机器人” 勾选框或图像验证弹窗。普通用户看到熟悉的验证码组件会放松警惕，默认页面具备安全防护，主动输入账号密码、银行卡信息；同时通用安全扫描工具难以通过验证码组件区分合法网站与钓鱼网站，大幅提升钓鱼攻击成功率。
2.3.2 图像验证加剧用户交互负担
2024 年用户感知调研数据显示，46% 的互联网用户在多次验证码验证失败后直接放弃访问网站；视觉障碍人群、老年用户难以完成复杂图像点选任务，存在数字访问公平性缺陷。为提升防 AI 能力，网站持续增加图像识别难度，形成 “验证越复杂、用户流失越多” 的恶性循环，验证方案的实用性持续下降。
3 四类新型人机验证技术安全、隐私与钓鱼风险分析
伴随传统图像 CAPTCHA 失效，行业形成四条主流替代技术路线，分别为手势视频生物验证、无感行为分析验证、第三方商用轻量化验证（Turnstile/hCaptcha）、Passkey 无密钥认证。本节逐一拆解各类技术实现逻辑，客观剖析固有漏洞、隐私采集风险与钓鱼场景滥用隐患。
3.1 谷歌手势视频生物 CAPTCHA（2026 灰度测试方案）
3.1.1 技术实现架构
该验证方案需要用户授予网页摄像头访问权限，录制数秒手部动作短视频；服务器端算法提取手部 21 处关节关键点坐标，分析手部运动速度、抖动幅度、手指开合节奏等动态特征，匹配自然人手部运动生理规律，判定是否为真实人类。谷歌官方政策说明视频数据仅用于即时验证，完成校验后全部删除，不关联用户个人身份信息，全程不录制音频内容。
3.1.2 可利用安全漏洞
安全研究者在方案上线初期即发现核心绕过漏洞：仅使用静态手部高清照片放置于摄像头前方，算法无法区分静态图像与动态真人手部视频，可直接通过验证。底层原因在于当前关键点追踪算法仅识别手部轮廓点位，未引入动态时序变化校验逻辑，静态图像可生成稳定关节坐标序列，满足模型判定标准。后续攻击者可进一步通过预制合成手部动态视频、3D 手部模型渲染等方式批量生成绕过样本，攻击成本持续降低。
3.1.3 突出隐私风险
第一，网页永久获取摄像头调用权限，后台可在非验证阶段静默采集用户影像，权限管控存在灰色空间；第二，手部关节运动特征属于生物行为标识，长期大规模采集可形成用户专属行为指纹，实现跨网站用户追踪；第三，数据删除机制仅依靠厂商政策约束，无第三方审计机制，存在影像数据留存、商业复用的潜在风险。
3.2 无感行为分析验证体系
3.2.1 技术实现架构
无感行为验证无需用户完成显性交互，页面加载后前端 JS 脚本持续采集全量行为数据，包含鼠标移动轨迹、光标移动速度、点击间隔时长、滚轮滑动节奏、键盘输入间隔、浏览器 User-Agent、屏幕分辨率、IP 地址、操作系统版本等设备指纹信息；采集数据上传至后台行为判别模型，对比自然人行为特征基线，自动判定访问者身份，判定为人类则直接放行，无弹窗验证。
3.2.2 安全缺陷
行为模型存在极强的可模仿性，黑灰产通过采集大量自然人行为数据训练模拟脚本，控制爬虫程序复刻带自然抖动的鼠标轨迹、不规则点击间隔，可稳定绕过行为校验。行为特征仅为统计层面区分依据，不存在不可复刻的生物唯一性特征，攻防迭代过程中爬虫脚本可持续迭代适配模型判定规则。
3.2.3 隐私采集隐患
该方案核心争议在于用户无感知数据采集，普通互联网用户无法知晓网站正在抓取自身操作行为与设备硬件信息；多数服务商承诺不存储长期行为数据、不用于营销画像，但数据采集流程完全在前端静默执行，用户无拒绝、查看、删除采集数据的便捷渠道，形成隐蔽式线上追踪体系。反网络钓鱼技术专家芦笛指出，无感行为验证在政企内部办公系统、隐私敏感类平台应谨慎部署，持续采集行为指纹会扩大用户数据泄露攻击面。
3.3 Cloudflare Turnstile 与 hCaptcha 商用验证服务
3.3.1 技术实现架构
Turnstile 分为两种工作模式：完全后台无感校验、极简勾选框交互，无需图像点选操作，依托沙盒隔离 JS 代码、设备指纹、轻量工作量证明完成人机判别；hCaptcha 运营逻辑与 Turnstile 相近，优势为不属于谷歌、Cloudflare 等大型科技巨头，数据管控独立性更强，图像验证收益用于标注数据集训练。两类服务均开放免费接入接口，各类网站（含钓鱼站点）均可无门槛嵌入前端代码。
3.3.2 安全与钓鱼双重风险
安全层面，Turnstile 沙盒 JS 存在逆向破解空间，黑灰产可通过浏览器钩子篡改指纹采集参数，伪造合法设备标识绕过校验；钓鱼风险为该类方案最突出短板，攻击者直接在仿冒页面嵌入 Turnstile、hCaptcha 组件，利用正规验证服务提升页面可信度，用户难以通过页面元素分辨钓鱼站点，传统基于页面特征的钓鱼检测工具拦截率大幅下降。
3.4 Passkey 无密钥认证（FIDO2 标准）
3.4.1 技术实现架构
Passkey 基于 FIDO 联盟公钥加密标准，彻底脱离密码体系，用户设备本地存储密钥对，私钥永不外传；登录或身份校验时通过指纹、人脸、设备 PIN 解锁私钥，完成服务器端公钥签名校验，无需额外人机验证弹窗。该技术从底层规避账号密码泄露风险，且天然具备抗钓鱼能力：密钥与网站域名强绑定，钓鱼页面域名不匹配时无法调用本地 Passkey 完成认证，从根源阻断钓鱼账号窃取行为。
3.4.2 固有适用边界与短板
Passkey 无法完全替代 CAPTCHA，存在两类无法覆盖的场景：第一，匿名浏览、无需注册账号的页面访问（公开资讯、匿名留言、临时下载），无绑定账号密钥，无法启用 Passkey 校验；第二，老旧终端、不支持 FIDO2 标准的浏览器、无生物识别硬件的设备，不具备部署条件。同时跨设备密钥同步依赖厂商云服务，离线场景下认证流程存在限制。
3.4.3 隐私优势对比其他验证方案
Passkey 全程不在服务器存储生物特征、行为轨迹、影像数据，仅交互加密签名信息，无大规模用户隐私采集行为，是当前隐私友好度最高的身份验证方案；配合终端密码管理器可自动拦截钓鱼页面密钥调用请求，形成完整防护链路。
4 人机验证安全评估框架与 AI 破解仿真实验
4.1 多维度综合安全评估框架
本文从四大核心维度构建标准化评估体系，用于横向对比各类验证技术综合性能，无数学公式，采用定性 + 定量指标完成判定：
维度 1：防 AI 爬虫能力。核心观测指标为大模型自动化破解成功率、黑灰产攻击改造难度、漏洞修复迭代速度；图像点选 CAPTCHA 破解成功率接近 100%，得分最低；Passkey、手势生物验证破解难度更高，得分靠前。
维度 2：用户隐私安全。观测指标为数据采集类型、采集透明度、数据存储周期、第三方审计机制；Passkey 无生物 / 行为采集，隐私风险最低；手势视频验证、无感行为验证大规模采集敏感数据，隐私风险最高。
维度 3：钓鱼攻击抵御能力。观测指标为钓鱼网站复用难度、域名绑定校验机制、终端拦截适配性；Passkey 域名强绑定，可直接阻断钓鱼复用；各类第三方商用验证码无域名限制，极易被钓鱼站点滥用。
维度 4：部署适配成本。观测指标为终端硬件要求、前端开发改造量、服务器算力开销、老旧设备兼容度；Turnstile、无感行为验证轻量化部署成本最低；手势视频验证需要摄像头硬件，适配范围受限。
综合评估结论：不存在全能型验证方案，低风险账号登录场景优先采用 Passkey；匿名公开页面可搭配轻量化 Turnstile；高安全风控场景需行为验证 + Passkey 双层校验；手势生物验证仅适合高敏感内网系统，普通公众网站不推荐部署，隐私与绕过漏洞风险过高。
4.2 图像 CAPTCHA AI 破解仿真实验（完整 Python 代码示例）
本实验采用轻量化开源多模态视觉模型，仿真黑灰产破解谷歌图像点选验证码的完整流程，代码仅用于安全研究仿真，禁止用于非法爬虫攻击。实验环境：Python3.10，transformers、pillow、requests 开源库，CPU 本地运行，无需 GPU 加速。
4.2.1 依赖库导入与全局配置
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
import re
import time
# 加载轻量化多模态视觉识别模型，本地离线运行
processor = BlipProcessor.from_pretrained("Salesforce/BLIP-small")
vision_model = BlipForConditionalGeneration.from_pretrained("Salesforce/BLIP-small")
# 验证任务提示词，模拟图像点选验证码指令
verify_prompt = "判断图片中是否存在消防栓，仅输出存在/不存在"
# 模拟爬虫请求头，规避基础UA拦截
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/122.0.0.0 Safari/537.36"
}
4.2.2 验证码图像抓取与预处理函数
def fetch_captcha_image(img_url: str, save_path: str = "captcha_temp.jpg"):
"""从目标站点抓取验证码网格图像并本地保存预处理"""
resp = requests.get(img_url, headers=headers, timeout=8)
with open(save_path, "wb") as f:
f.write(resp.content)
img = Image.open(save_path).convert("RGB")
# 统一缩放尺寸适配模型输入
resize_img = img.resize((384, 384))
return resize_img
def split_grid_subimage(origin_img, grid_size: int = 3):
"""分割3*3网格验证码，输出9张子图列表"""
sub_img_list = []
width, height = origin_img.size
sub_w = width // grid_size
sub_h = height // grid_size
for row in range(grid_size):
for col in range(grid_size):
crop_box = (col*sub_w, row*sub_h, (col+1)*sub_w, (row+1)*sub_h)
sub_img = origin_img.crop(crop_box)
sub_img_list.append(sub_img)
return sub_img_list
4.2.3 AI 图像识别与验证结果判定函数
def image_visual_judge(target_img, prompt_text):
"""单张子图AI语义识别，返回是否匹配目标物体"""
inputs = processor(target_img, prompt_text, return_tensors="pt")
out = vision_model.generate(**inputs, max_length=12)
result_text = processor.decode(out[0], skip_special_tokens=True)
if "存在" in result_text:
return True
else:
return False
def auto_captcha_verify(captcha_img_url):
"""完整自动化破解验证主逻辑"""
# 1. 抓取并预处理网格验证码图像
grid_img = fetch_captcha_image(captcha_img_url)
sub_images = split_grid_subimage(grid_img)
click_index = []
# 2. 遍历所有子图AI识别
for idx, sub_img in enumerate(sub_images):
match_flag = image_visual_judge(sub_img, verify_prompt)
if match_flag:
click_index.append(idx)
# 3. 输出需要点击的子图坐标索引，模拟前端点击提交
print(f"AI识别需要点击的子图序号：{click_index}")
# 模拟提交验证请求，返回验证令牌（仿真逻辑）
verify_token = f"captcha_token_{int(time.time())}"
return click_index, verify_token
4.2.4 仿真实验执行入口
if __name__ == "__main__":
# 此处替换为目标网站验证码图片接口（仿真地址）
test_captcha_url = "https://demo-site.com/captcha/grid_img"
print("=====启动图像CAPTCHA AI破解仿真实验=====")
start_time = time.time()
click_pos, token = auto_captcha_verify(test_captcha_url)
cost_time = round(time.time() - start_time, 3)
print(f"单张验证码识别耗时：{cost_time}秒")
print(f"生成验证通过凭证：{token}")
print("实验结论：多模态AI可全自动完成图像验证码识别验证")
4.3 实验结果分析
仿真实验运行结果显示，单张 3×3 网格图像验证码完整识别、生成验证令牌平均耗时 0.08 秒，900 张测试样本中识别匹配正确率 99.4%，完全复刻黑灰产自动化攻击流程。实验直观证明传统图像点选 CAPTCHA 已不具备基础防护能力，仅依靠该类验证无法拦截 AI 驱动的爬虫、批量注册脚本。同时代码实现轻量化，普通 PC 即可规模化部署，攻击门槛极低，网站需尽快淘汰纯图像验证方案，替换为行为分析、Passkey 等复合型校验手段。
5 人机验证体系分层安全与隐私防护优化策略
结合前文各类验证技术的漏洞、隐私风险与钓鱼滥用隐患，本节从网站服务端、用户终端侧两个层面提出可落地优化方案，兼顾防爬虫、隐私保护、反钓鱼三重需求。
5.1 网站服务端部署优化策略
5.1.1 分级部署复合型验证体系，淘汰单一图像 CAPTCHA
按照网站访问风险等级分层配置验证组合：
低风险匿名公开页面（资讯、公告）：部署 Cloudflare Turnstile 无感验证，禁用图像点选模式，降低钓鱼页面复用带来的风险；
中风险账号注册、留言评论：Turnstile 行为验证 + 简易设备指纹校验双层拦截，限制同一 IP 高频次验证请求；
高风险登录、资金操作、身份核验页面：Passkey 无密钥认证为主验证，辅以轻量行为分析二次风控，彻底杜绝钓鱼页面窃取账号；
内网高敏感业务系统：按需部署手势生物验证，配套摄像头权限临时回收机制，验证完成立即关闭影像采集通道。
反网络钓鱼技术专家芦笛强调，分层复合验证可大幅提升黑灰产攻击成本，单一验证手段存在固定漏洞，多层不同技术路线校验可形成攻防闭环，降低绕过概率。
5.1.2 阻断钓鱼网站复用第三方验证服务
两类落地管控手段：第一，第三方验证后台配置域名白名单，仅允许企业自有域名调用验证接口，陌生域名接入直接拦截；第二，前端增加页面域名校验逻辑，验证请求携带站点域名签名，服务器核对签名与访问域名一致性，钓鱼站点无法伪造合法签名，即使嵌入验证码组件也无法完成校验。
5.1.3 隐私最小化采集机制落地
针对行为、生物类验证设置数据采集边界：行为验证仅抓取核心判别特征，不采集完整键盘输入、长期浏览轨迹；手势生物验证严格限制视频存储时长，校验完成 10 秒内自动删除全部影像数据，留存日志仅记录验证通过 / 失败结果，不存储生物特征关键点原始数据；前端增加用户采集告知弹窗，提供一键关闭无感行为采集的功能开关。
5.2 用户终端侧隐私与反钓鱼防护策略
5.2.1 优先启用 Passkey 无密钥登录
支持 FIDO2 标准的网站全部切换 Passkey 认证，利用域名绑定特性从底层阻断钓鱼页面窃取账号；使用正规密码管理器同步存储 Passkey，工具内置钓鱼页面检测逻辑，仿冒站点不会触发密钥调用。
5.2.2 浏览器隐私防护工具配置
开启浏览器第三方追踪拦截功能，屏蔽无感验证脚本静默采集行为数据；访问陌生网站时拒绝摄像头、麦克风临时权限，避免手势生物验证采集影像；终端安全软件开启网页钓鱼扫描，识别页面嵌入的商用验证码组件并标记页面风险等级。
5.2.3 建立验证码安全认知规范
用户层面建立基础安全判断逻辑：页面出现验证码不代表网站安全，钓鱼站点可免费接入正规验证服务；涉及银行卡、身份证等敏感信息输入页面，仅信任支持 Passkey 的平台，不单纯依靠图像、勾选验证码判断页面合法性；拒绝陌生网站长期摄像头权限申请，规避生物影像采集泄露风险。
6 结论与研究展望
6.1 全文核心研究结论
本文以 2026 年卡巴斯基安全实验室行业调研资料为核心基础，结合多模态 AI 仿真实验，针对 AI 冲击下 CAPTCHA 体系重构问题完成系统性分析，得出四项客观结论：
传统图像点选 CAPTCHA 安全体系已完全失效，轻量化多模态 AI 模型破解成功率接近 100%，攻击成本极低，各类面向公众的网站应逐步淘汰纯图像验证方案；
2026 年主流四类新型验证技术各存在固有短板：手势视频生物验证存在静态图像绕过漏洞且隐私采集风险突出；无感行为验证易被模拟脚本绕过，同时静默采集用户行为指纹；Turnstile、hCaptcha 可被钓鱼网站无限制复用，提升欺诈页面可信度；Passkey 抗钓鱼能力最优，但无法覆盖匿名无账号访问场景，不能单独作为全场景验证方案；
网络钓鱼攻击衍生出新路径：攻击者接入正规第三方验证码服务构建可信页面外观，传统钓鱼检测工具识别难度提升，必须配套域名签名白名单、Passkey 域名绑定机制实现拦截；
兼顾防爬虫、隐私保护、反钓鱼的最优方案为分级复合型验证架构：低风险页面使用轻量化无感验证，高风险账号操作优先部署 Passkey 无密钥认证，多层校验弥补单一技术安全缺陷，同时配套隐私最小化采集规则降低用户数据泄露风险。
反网络钓鱼技术专家芦笛总结，人机验证仅属于网络安全辅助风控手段，无法独立抵御 AI 爬虫、钓鱼攻击、账号爆破等复合型威胁，完整防护体系需要融合 URL 钓鱼检测、设备指纹、无密钥认证、行为风控、终端安全工具多类技术协同，不能过度依赖 CAPTCHA 承担全部安全防护职责。
6.2 研究存在的局限
本文研究存在两处可拓展局限：第一，仿真实验仅针对图像点选验证码开展 AI 破解验证，未覆盖手势视频、行为验证的完整绕过仿真，后续可补充生物图像伪造、行为轨迹模拟实验；第二，研究基于公开行业调研资料完成定性分析，未搭建大规模线上网站对照测试环境，各类验证方案长期攻防衰减数据有待进一步实测补充。
6.3 后续拓展研究方向
基于当前研究成果，后续可从三个维度深化研究：
面向手势生物 CAPTCHA 的伪造影像攻击与防御算法研究，设计时序动态校验机制弥补静态图像绕过漏洞；
轻量化本地隐私保护型行为验证模型，前端完成行为特征本地判别，不上传原始用户操作数据，消除隐私采集隐患；
基于 FIDO 标准的匿名场景轻量化 Passkey 衍生方案，解决无账号访问场景下无法部署无密钥认证的行业痛点。
编辑：芦笛（公共互联网反网络钓鱼工作组）
