开发教程

OpenAI 接口转发站被刷小号:GitHub OAuth 封禁原因与防刷方案

编辑部阅读约 6 分钟

一个自建 OpenAI 接口转发站用 GitHub OAuth 登录,并靠邀请注册送额度来拉新,结果大量小号通过邀请接龙批量注册,触发 GitHub 风控,导致 OAuth App 被封。文章拆解这类刷量的成因与识别方法,给出账号、邀请、配额、OAuth 四层可落地的整改清单,并讨论“薅羊毛”争议背后的取舍。

一个自建的 OpenAI 兼容接口转发服务,登录方式选了 GitHub OAuth 一键授权,增长方式选了「邀请注册送额度」。运营一段时间后,GitHub OAuth App 被直接封禁。工单回复的意思很明确:通过 OAuth 创建的大量欺诈账号滥用了这项功能,给平台多个团队带来了不必要的负担,违反了服务条款。

翻看注册记录才发现问题规模:同一个人用接龙式邀请注册了一串账号,每个账号各自生成一个 API 令牌,各个令牌的请求量还刻意做得比较均匀。把邀请关系导入图数据库后,能直观看到一条条星型和链式的邀请链。GitHub 封得有依据,只是这条增长路径在设计之初就埋了坑。

漏洞出在哪三个地方

这类站点被刷,通常不是单点失误,而是三处设计叠加:

环节 常见做法 被利用的方式
身份验证 GitHub OAuth 一键登录,无其他校验 小号注册成本几乎为零
奖励发放 注册即到账、邀请即到账 奖励可以在产生真实消费前被套现
配额限流 额度绑在 API Key 上 多建账号、多建 Key,把限流摊薄

其中最容易被忽略的是第三点。额度按 Key 计算时,一个账号可以开出任意多个 Key,限流形同虚设;而按账号计算时,同一个人开多个账号,问题又回来了。所以配额必须做多维度聚合,而不是只挑一个维度。

怎么识别批量注册与刷量

人工看注册列表效率极低,可以从几个信号入手做初筛:

  • 时间分布:注册集中在少数几个时间窗、间隔高度规律。
  • 邀请图结构:扇出异常大的节点、深度异常的链、闭环邀请。
  • 使用模式:请求间隔过于均匀、并发低、模型单一、提示词高度相似。
  • 身份特征:新注册的 GitHub 账号、无公开仓库与活动、邮箱域名成批相似。
  • 网络层:同一 ASN、相似 User-Agent、IP 与账号的对应关系异常。

如果已经把邀请关系落到关系型数据库,用递归查询也能快速找到可疑的邀请树:

WITH RECURSIVE inv AS (
  SELECT invited_by AS root, id AS node, 1 AS depth, ARRAY[invited_by, id] AS path
  FROM users WHERE invited_by IS NOT NULL
  UNION ALL
  SELECT inv.root, u.id, inv.depth + 1, inv.path || u.id
  FROM users u JOIN inv ON u.invited_by = inv.node
  WHERE inv.depth < 5 AND NOT u.id = ANY(inv.path)
)
SELECT root, count(*) AS reachable
FROM inv GROUP BY root
ORDER BY reachable DESC
LIMIT 20;

关键在于把结果当线索而不是判决书:先人工核对几个高扇出账号,确认是真实推广还是自刷,再决定封禁策略。误伤正常推广者的成本往往比漏放几个小号更高。

可落地的整改清单

1. 账号层:提高注册成本,但别过度收集

  • GitHub OAuth 只作为辅助身份,额外要求邮箱验证;账号年龄、公开仓库数可作为低权重风控因子。
  • 免费额度与手机号或支付方式绑定,是行业内常见做法;如果采集手机号,务必在隐私政策里写清用途、存储期限和删除方式,并遵守所在地的个人信息保护要求。
  • 高风险注册(新账号 + 异常网络 + 立即创建多个 Key)走人工审核或先给极小额度。

2. 邀请层:把奖励和真实行为绑定

  • 奖励延迟发放:被邀请人完成邮箱验证并产生一定量的真实调用后再结算,而不是注册即到账。
  • 限制单人可获邀请奖励的总上限和层级深度,一般两级足够。
  • 检测闭环与异常扇出,命中后冻结该支邀请链的奖励结算。
  • 奖励以调用额度而非现金形式发放,减少套利动机。

3. 配额层:让限流跟着人走,而不是跟着 Key 走

# Key 只是凭证,配额属于账号;再加一层设备/网络指纹做次级桶
def take_quota(account_id, ip, ua, cost):
    buckets = [
        (f"q:acct:{account_id}", ACCT_DAILY_LIMIT),
        (f"q:acct:{account_id}:ip:{ip}", ACCT_IP_LIMIT),
        (f"q:fp:{fingerprint(ip, ua)}", FP_LIMIT),
    ]
    # 任一桶超限即拒绝;全部通过后再统一扣减
    ...

同时限制单账号可创建的 Key 数量,并对长期零调用、突然放量的 Key 做标记。

4. OAuth 层:别把第三方登录当唯一入口

  • 申请 OAuth App 时如实说明用途,scope 最小化,提供清晰的隐私政策与用户数据删除入口。
  • 永远准备备选登录方式(邮箱验证码、其他身份提供商),避免单一渠道被封导致全部用户无法登录。
  • 上游平台对 OAuth 滥用的判定以官方最新条款为准,规则会调整,上线前建议再核对一遍开发者政策。

5. 被封之后怎么处理

先整理一份整改说明:已增加哪些验证、奖励机制如何调整、如何识别与清退异常账号,然后通过官方支持渠道申诉。申诉期间把新用户和邀请额度临时下调是合理的止血手段,但要同步公告,避免正常用户误以为服务异常。

关于「薅羊毛」的两种看法

讨论里出现了明显分歧。一种观点认为这就是恶意刷量,该封;另一种观点认为,拉新奖励是自己设计的,风控没做好却给用户扣「人性」的帽子,不太站得住。

两种说法各有一半道理,取舍在于成本承担方:

  • 如果只是个别用户多开几个号薅免费额度,损失有限,优先用额度上限和延迟结算消化掉,不必大动干戈。
  • 如果出现成规模的接龙注册、批量令牌、均匀分摊请求,性质就接近有组织刷量,必须封禁并回溯已发放的奖励。
  • 无论哪种情况,上游平台只看结果:OAuth App 是以你的名义注册的,滥用发生在你的回调流程里,被停用的也是你。把「用户太坏」当作结论,解决不了下一次封禁。

更稳妥的心态是把激励机制当成对抗性设计:先假设有人会用最低成本把奖励套走,再决定发放条件。

几个容易踩的坑

  • 不要用他人身份信息批量注册账号,也不要购买或共享账号。这既违反平台条款,也可能触及个人信息保护相关的法律责任,且账号随时可能被回收,投入全部打水漂。
  • 不要试图绕过平台风控。改 IP、伪造设备指纹这类做法短期或许有效,但会加速账号与应用的关联封禁。
  • 风控规则不要一次性拉满,先小流量灰度,观察正常用户的通过率。
  • 用户投诉渠道要留出来,被误判的账号需要有人工复核通道。

运行环境也值得顺手检查一下

如果服务依赖本机长期在线(OAuth 回调、长连接、定时清理任务),本地网络抖动、机器休眠或换网都会让回调失败、监控断档,看起来很像「服务被攻击」,实际只是出口不稳定。这类场景可以考虑把服务放在长期在线的远程环境里跑,例如整台 Mac mini 托管在新加坡机房、按月租用并远程连接使用,网络出口相对稳定,适合需要持续在线运行 AI 工具或后台任务的情况。它不是防刷的必需品,只是排障时值得排除的一个变量。

小结

邀请奖励 + 第三方一键登录是一套增长很快、但风控成本被严重低估的组合。真要上线,至少做到三件事:注册门槛别为零、奖励别前置、配额别绑在可无限创建的凭证上。剩下的,交给数据去说话。

账号风控邀请奖励GitHub OAuth防刷风控API 转发站