风控人收藏级：753 条黑灰产黑话词典开源

原创

大白
大白

知白守黑1024

2026年10月21日 06:13
北京

去阅读

UNDERGROUND SLANG LEXICON · CC BY 4.0

风控人收藏级
753 条黑灰产黑话词典开源

可直接接进规则引擎 · 9 大产业链分类 · 5390 条关联边 · 56% 词条自带误报警告

先看几句话。这是一位风控同学日常会刷到的真实文本（已脱敏）：

供：〔某品牌〕卡核销需要d

豪车必拉满，货号：〔已脱敏〕

大额券+消费券到手 286，回收端 389 分钟卖

拍 1 发 2 包，实符64亓

看不懂？正常——但这些都不是乱码，而是精确、高效、有明确所指的行业语言。黑灰产不用黑话就没法在平台上公开撮合生意；而防守方和攻击方用的不是同一套词汇，这层词汇差是对抗里的第一道门槛：看不懂在说什么，就谈不上识别、取证与处置。

今天分享的这个开源项目，做的就是把这层词汇固定下来——互联网黑灰产黑话词典（Underground Slang Lexicon），由企业级黑灰产情报公司威胁猎人 Threat Hunter的研究团队维护，收录753 条词条、9 大产业链分类、6 种语言、5390 条关联边，数据按 CC BY 4.0 协议开源，可自由复制、改编甚至商业使用（注明来源即可）。

一条黑话进词典，要过多少关

这不是一份简单的\"词 + 风险等级\"清单。每个词条有 13 个结构化字段：释义、产业链中的作用、脱敏真实用例、同义变体、关联词条、置信度、出现频次……其中最值钱、也最费工夫的，是「歧义与误报」这一栏。

词条关系图谱：扇区按分类划分，弧线粗细表示跨类关联强度，中心是版本生长统计

最值钱的部分：56% 的词条自带\"误报警告\"

753 条词条里有424 条（56%）标注了歧义说明，因为大量黑话的字面形式和正常用语完全重合：

「养卡」的多数命中，是汽车小保养卡，不是养银行卡；

「空包」的主要来源，是真空包装食品，不是空包刷单；

「四件套」大多是床品四件套，不是\"姓名+身份证+手机号+银行卡\"；

「开盒」大多是开箱评测，不是人肉搜索；

「模糊」大概率是数据库的 LIKE 模糊查询；

甚至提到「刷单」的人，很多是受害者而不是加害者。

把这些词直接塞进风控规则，换来的是一片误报和一堆被冤枉的正常用户。词典把每个词\"在正常语境下是什么意思\"讲清楚，这比多收一百个词更有用。下面是一条词条在词典里的完整样子：

词条结构示例：释义、链上作用、脱敏用例、歧义误报、关联词条，一个不少

最妙的洞察：对手的改写成本，就是你的检测特征

黑灰产文本普遍经过一层针对关键词检测的改写，而且手法已经标准化、可枚举——词典把这套「混淆层」专门列成一类：

六种标准改写手法：零宽字符、谐音替字、异体字、路径外移、emoji 代字、字符插空

这里有个可以直接变成检测能力的反转：「实符」「简届」「虹包」「项木」这些字组合，在规范中文里根本不成词。对手为了躲开关键词检测付出的改写成本，恰好留下了比原词更干净的特征——这类词命中即告警，几乎零误报。词典明确建议把这类改写词作为高精度规则单独部署。

九个分类，就是一张产业链地图

词条不是平铺的，九大分类对应黑灰产链条的九个位置：数据与隐私侵害在上游供料（118 词），身份与认证绕过把数据加工成可用账号（167 词），终端与设备破解提供可信设备环境（22 词）；中游是电商与营销套利（153 词）、流量与引流（39 词）；下游是资金通道与洗钱（178 词）；外加交易担保、混淆规避、招募话术三个支撑环节。5390 条关联边全部双向、无孤立词条，关联度最高的枢纽词是跑分、引流、料、成品号、社工库、大额券。

九大分类 = 产业链九个位置：上游供料 → 中游变现 → 下游洗钱，支撑环节环绕

还有个更上层的设计：18 个构词法词族（料、鱼、码、号、卡、车、粉、盘、户、单……）。按分类看是产业链位置，按词根看的是语言的生成规则——新黑话往往沿同样构词法出现，判断新词属于哪个词根，就能大致定位它在链条上的位置。这套行话还横跨语言：担保交易中文叫\"走担保\"、英文叫 escrow、越南语叫 trung gian；落地账户中文叫\"公户/车队\"、英文叫 drop、印尼语叫 jasa rekening——非中文词条并入同一套分类体系。

数据工程层面的严谨，同样罕见

拿不准就不硬写。置信度分 high / medium / to-verify 三档，v0.2 批次 375 条统一标\"待核实\"逐条复核，绝不给一个看起来确定的错误释义。

用例强制脱敏。623 条带真实用例，构建脚本逐条扫描全部散文字段，手机号、身份证号、钱包地址、账号、链接、具名平台一律拦截——不过审就生成不了词典。

结构机器校验。词条名唯一、别名不冲突、关联双向对称、不留悬空引用，零第三方依赖一个 Python 脚本强制检查。

双许可友好。数据 CC BY 4.0（可商用须注明来源），脚本 MIT。

怎么用：分层部署，别一把梭

词典给出了非常明确的落地建议：无歧义 + 高置信度的变形词（实符、简届、亓）可作高精度规则，命中即告警；有歧义说明的词必须组合判定（\"模糊\"要搭配\"机主、找人、户籍\"共现才定性）；单字与字母词（料、d、出/收）只能用固定句式模式（\"需要d\"\"大量收X\"）匹配；自拟标题的词条要拿 aka 里的真实写法建规则。CSV 和 JSON 两种格式随取随用。

不是风控从业者也有用：看懂黑产报道、识别身边骗局、内容审核、反诈宣传、写相关题材的小说剧本，这部词典都是一份难得的\"对照表\"。

适合谁

做风控、内容审核、反诈与安全研究的同学，这是可以直接接进规则引擎的原料；做平台治理和数据分析的同学，这是理解异常文本的解码器；就算只是对\"互联网的另一个平行世界\"好奇，它也足够精彩——毕竟，能被如此系统地公开讲出来的黑产语言，本身就是稀缺品。

如果这篇干货对你有帮助，点个「在看」、点赞或转发给身边做安全的朋友，就是对我最大的支持。

想获取词典地址与交互图谱？

公众号后台回复20261021

获取项目地址、词典全文与在线图谱入口