在群控、行銷科技、自動化測試等領域，批量模擬多台手機進行人為操作，早已不是什麼新鮮事。特別是在 Instagram、TikTok 這類平台進行養號或推廣行為時，腳本的行為真實性與差異化程度，直接決定帳號的生存時間與最終投報率
但讓 100 台手機的行為「不重樣」，背後可不是簡單的 Math.random() 能解決的
一般人的直覺解法：每個動作加個亂數不就好了？ 真相：當操作流程一長，那坨亂數疊加出來的東西，不是「擬人」，是「隨機僵屍」，而且程式碼會變成沒人敢碰的義大利麵
今天這篇，我們來拆解一個更科學、更可維護的底層邏輯：用馬可夫鏈（Markov Chain）+ 碰撞分發，實現群控行為的高度擬人化與分散化
一般群控腳本怎麼做？為什麼它會爆炸？
大部分人寫自動化腳本，習慣用 「線性流程 + 細部參數隨機」 來模擬操作
邏輯長這樣：
- 每隔 3～8 秒滑動螢幕
- 每次滑動距離隨機 200～500 像素
- 20% 機率會點讚
- 5% 機率會留言
- 30% 機率點進主頁再回來
這種做法，短期有效，但有一個致命的場景邊界：當操作流程變長
想像一下，你要模擬一段完整的用戶行為：「滑動 → 點主頁 → 開啟某貼文 → 按讚 → 返回 → 搜尋關鍵字 → 追蹤帳號」
用線性流程寫會發生什麼事？
- 你要加一個新動作，可能得改好幾層巢狀判斷式
- 機率之間開始互相打架（你的 20% 點讚，是在「看貼文」之後的 20%，還是「滑到一半」的 20%？）
- 當控制的手機數量從 10 台變成 100 台、500 台，那個
if-else地獄會直接反噬你
核心盲點：用「死流程 + 亂數」試圖創造「活行為」，本質上就是拿線性思維去解非線性問題
什麼是馬可夫鏈？（用一句話講清楚）
馬可夫鏈（Markov Chain） 是一種統計模型，核心只有一句話：
下一步發生什麼，只取決於當前狀態，跟過去無關
這種「只看當下、不管過去」的特性，稱為無記憶性（Memoryless）
把這句話翻譯成人話：
- 你現在在滑 Instagram，下一步可能是：繼續滑、點進主頁、或離開 App
- 無論你 5 分鐘前看了誰的貼文、跟誰吵架，都不影響下一步的決策機率
- 這些「狀態到狀態之間的轉移機率」，就是馬可夫鏈的核心
這些轉移機率，可以整理成一張表，稱為馬可夫矩陣（Markov Matrix）
| 當前狀態 | 繼續滑動 | 點主頁 | 看貼文 | 返回首頁 |
|---|---|---|---|---|
| 滑動中 | 60% | 20% | 10% | 10% |
| 點主頁 | 30% | 20% | 40% | 10% |
| 看貼文 | 10% | 20% | 50% | 20% |
| 返回首頁 | 100% | 0% | 0% | 0% |
馬可夫鏈怎麼「跑」出一段擬人行為？（實戰演示）
假設一台手機從「滑動中」這個狀態開始，每一步都依照矩陣機率決定下一步，它可能會這樣跑：
-
當前狀態：滑動中 → 根據矩陣，60% 繼續滑、20% 點主頁、10% 看貼文、10% 返回 → 這次運氣抽到「點主頁」
-
當前狀態：點主頁 → 30% 滑動、20% 留在主頁、40% 看貼文、10% 返回 → 抽到「看貼文」
-
當前狀態：看貼文 → 10% 滑動、20% 回主頁、50% 繼續看下一篇、20% 返回 → 抽到「返回首頁」
-
當前狀態：返回首頁 → 這裡是終點，100% 結束
關鍵洞察：每一段行為路徑，都是「當下擲骰子擲出來的」，但背後的機率分佈，決定了它「看起來像個正常人」
100 台手機用同一張矩陣跑，每一台的路徑都會不同，但都會有邏輯，不會出現「滑到一半突然開始打字留言然後秒刪」這種非人類操作
主程式只做一件事：讀取馬可夫鏈，然後執行
當你用馬可夫鏈定義好整體行為模型後，主程式的角色會變得極度純粹
它不需要再管該死的流程控制，只需要循環做兩件事：
- 根據當前狀態，查矩陣，抽出下一步
- 呼叫對應的操作模組（滑動、點擊、輸入文字、等待）
架構上的本質改變：你把「流程控制」從程式碼裡剝離出來，放進「數據（矩陣）」裡
這意味著：新增動作、調整行為權重、A/B 測試不同行為模式，全部只要改矩陣，一行主程式都不用動
這是從「硬編碼流程」到「數據驅動行為」的降維升級
用 hash 碰撞實現「裝置層級的行為差異化」
馬可夫鏈解決了「單一行為路徑的隨機性」，但還有一個問題：100 台手機如果都用同一張矩陣，長期來看，行為分佈的「輪廓」還是太相似
這時我們引入第二層機制：用 hash 碰撞做分發
核心邏輯：
- 取得每台手機的硬體唯一值（設備 ID、MAC、UUID）
- 對其做哈希運算（SHA256）
- 根據 hash 值的特定幾位，分流到不同版本的馬可夫矩陣
舉例：
- hash 末位為
0–3→ 使用 A 類矩陣（保守型用戶：滑動多、互動少） - hash 末位為
4–7→ 使用 B 類矩陣（活躍型用戶：愛點讚、愛看主頁） - hash 末位為
8–f→ 使用 C 類矩陣（探索型用戶：愛搜尋、愛看留言）
這樣就能做到 「裝置層級的行為人設差異化」
即便 100 台手機同時開機啟動腳本，也會因為 hash 碰撞而走向完全不同的行為模式，這不是隨機，這是可控的分散
邊界補強：光有行為不夠，還要配上環境偽裝
腳本只控制「做什麼」，但平台風控系統看的遠不止這些
你還需要搭配：
- 模擬不同 IP、UA、GPS 位置、語言設定
- 偽造傳感器回報數值（加速度計、指南針、陀螺儀）
- 模擬輸入法延遲、觸控座標的微米級模糊化
行為模型是骨架，環境偽裝是皮膚，兩者合一，才能構成一個完整且難以識破的手機分身矩陣
分散、隨機、多樣，本身就是一種控制
從簡單的 setTimeout 滑動，到用馬可夫鏈控制 100 台手機各自走出不同路徑，再到 hash 碰撞做分流，這一系列的進化，本質上只做了一件事：
把「自動化」從「流程控制」拉高到「機率建模 + 系統工程」的層次
別再寫那條一摸就斷的死流程腳本了
當你真正理解馬可夫鏈的威力，你會發現： 分散、隨機、多樣，本身就是一種控制