Cloudflare Page Shield 机器学习揪出4起静态扫描漏掉的电商恶意攻击

Cloudflare 近期披露，其客户端安全的机器学习（ML）系统成功识别出四起针对在线商店的恶意 JavaScript 操作。这些攻击有一个共同特点——都没有已知的特征签名（signature），因此绝大多数对 VirusTotal 和 URLScan 等主流静态扫描工具而言是「隐形」的。这一案例揭示了当前 Web 安全防御中一个被长期忽视的盲区：客户端攻击的检测正在从「特征匹配」向「行为识别」转变。

四起被揪出的电商恶意攻击

根据 Cloudflare 的披露，这四起被 Page Shield 机器学习模块捕获的恶意活动，各自采用了不同的攻击手法，覆盖了从流量劫持到佣金盗取的完整黑产链条。

第一起是联盟营销劫持（affiliate hijacking）。攻击者通过注入脚本篡改电商网站的联盟推广链接，将本该属于合法推广者的佣金转移到自己账户，本质上是一种寄生式的流量与收益窃取。

第二起是无点击佣金盗窃（clickless commission theft）。相比传统的诱导点击手法，这类攻击无需用户任何交互即可完成佣金归属的篡改，隐蔽性更强，用户和商家往往毫无察觉。

第三起颇具代表性——一个原本用于搜索劫持（search-hijacker）的脚本被重新改造，转变为商店后门（storefront backdoor）。这说明攻击者正在复用和改造既有的恶意工具，以适应新的攻击场景，降低开发成本。

第四起是付费移动端伪装器（paid-mobile cloaker）。这类工具通过伪装（cloaking）技术，针对移动端流量展示不同内容，从而规避检测并实施变现。

Cloudflare Page Shield 是 Cloudflare 于 2021 年推出的客户端安全产品，其核心功能是监控网页中加载的所有 JavaScript 脚本资源，检测是否存在未经授权的脚本注入或恶意行为。Page Shield 的前身是针对 Magecart 攻击（一种专门窃取电商支付卡信息的供应链攻击）的防护模块。Magecart 系列攻击自 2018 年前后大规模爆发，英国航空、Ticketmaster 等知名企业均曾受害，由此推动了整个行业对客户端脚本监控的重视。Page Shield 通过 Content Security Policy（CSP）报告机制收集脚本行为数据，再结合机器学习模型对异常活动进行评分和告警，是目前少数将 ML 能力直接集成到 CDN/WAF 层的客户端安全方案之一。

为什么静态扫描器会集体失灵

这次事件最值得深思的一点在于：这四起攻击「大多对 VirusTotal 和 URLScan 不可见」。

传统的安全扫描工具本质上依赖特征签名匹配——它们维护一个已知恶意样本的指纹库，通过比对来判断某段代码是否有害。这套机制在应对已知威胁时高效可靠，但面对全新的、从未被记录过的恶意脚本时便束手无策。

Cloudflare 明确指出，这四起攻击「都没有签名」（None of them had a signature）。这意味着攻击者要么是首次投放这些脚本，要么对已知代码做了足够程度的变形，使其无法被指纹库命中。对于依赖静态特征的扫描器来说，没有签名就等同于没有威胁——这正是防御体系的结构性短板。

客户端攻击（client-side attack）之所以尤其棘手，是因为它发生在用户浏览器中，脚本可以动态加载、按条件执行，甚至针对不同访客展示不同行为。这种动态性让基于静态快照的扫描方式天然处于劣势。

VirusTotal 是 Google 旗下的多引擎威胁扫描平台，聚合了 70 余家安全厂商的检测引擎，通常被视为判断文件或 URL 是否恶意的「黄金标准」参考。URLScan.io 则专注于对网页 URL 进行动态渲染和静态分析，记录页面加载的资源、请求行为及截图。两者都在安全研究社区中被广泛使用，但它们的核心局限相同：均依赖已有样本的积累。一段全新的恶意脚本在被任何引擎标记之前，在这两个平台上的检测结果都会显示为「无害」。这种现象在安全领域被称为「零日盲区」——不是工具本身有缺陷，而是基于特征匹配的架构在面对首次出现的威胁时存在先天性的时间窗口漏洞。对于攻击者而言，只需保证脚本在被收录前完成攻击目标即可。

机器学习如何补上这块盲区

Cloudflare 的 Page Shield 采用机器学习方法来识别客户端威胁，其思路与静态签名匹配有本质区别。

相较于「这段代码是否匹配已知恶意样本」，机器学习模型更关注「这段脚本的行为是否异常」——例如是否在篡改联盟链接、是否存在隐蔽的重定向、是否针对特定终端做差异化呈现。通过学习大量正常与异常脚本的行为模式，模型能够对从未见过的新型攻击给出判断。

这种「行为优先」而非「签名优先」的检测范式，正是它能捕获这四起攻击的关键。当攻击缺乏可比对的特征时，行为特征反而成了更可靠的识别依据。

对电商与开发者的启示

对于运营在线商店的商家而言，这次事件是一个明确的警示：仅依靠传统扫描工具进行安全检查已经不够。攻击者盯上的往往是佣金、流量这些直接与收入挂钩的环节，且手法日益隐蔽（如无点击盗窃、移动端伪装），损失可能在长期内悄然累积。

从技术趋势看，客户端安全（client-side security）正在成为 Web 安全的重要战场。第三方脚本、供应链依赖、动态注入等因素让攻击面持续扩大，而单纯的静态检测难以覆盖这些动态威胁。将机器学习引入客户端行为监控，代表了防御手段的一次实质性升级。

对开发者来说，值得关注的实践包括：对页面加载的第三方脚本建立监控与白名单机制、关注联盟链接等敏感元素的完整性、以及采用具备行为分析能力的安全方案，而不只是定期做一次静态扫描。

供应链脚本攻击（Supply Chain Script Attack）是电商场景下客户端威胁的主要来源之一。现代电商网站平均加载数十个来自第三方的 JavaScript 文件，涵盖广告追踪、支付组件、客服聊天、联盟推广等功能。每一个第三方脚本都是一个潜在的攻击入口——攻击者可以通过入侵脚本提供商的服务器（而非直接攻击目标网站），一次性影响所有使用该脚本的网站。子资源完整性校验（Subresource Integrity，SRI）是目前最直接的防御手段之一：在 HTML 中为 <script> 标签添加 integrity 属性并指定哈希值，浏览器会在加载脚本时验证内容是否被篡改。此外，内容安全策略（CSP） 的严格配置可以限制哪些域名的脚本被允许执行，从根本上缩小攻击面。这些机制与行为监控方案配合使用，能构成更完整的纵深防御。

结语

Cloudflare 这次披露的四起案例，虽然规模不算惊人，却清晰地暴露了当前 Web 安全的一个共性问题：面对没有签名的新型客户端攻击，静态扫描器往往形同虚设。机器学习驱动的行为检测提供了一条可行的补救路径。随着电商黑产手法的持续演进，这类「看不见的攻击」很可能会越来越多，而防御方也需要从被动的特征匹配，转向更主动的行为识别。