IP 風險分數通常是一個由資料供應商計算的數值，用來表示某個 IP 在其模型和觀測資料中有多可疑。

問題在於，「風險分數」並不是全球統一標準。

Scamalytics 的 Fraud Score、IPQualityScore 的 Fraud Score、MaxMind 的 IP Risk Score、AbuseIPDB 的 Abuse Confidence Score，雖然都可能使用 0–100 左右的數字，但它們衡量的對象、資料來源和統計含義完全不同。

因此，同一個 IP 在不同網站出現：

並不罕見，也不能直接把這些數字平均成一個「真實風險」。

先看結論

立即查看目前 IP 的信譽、網路類型與環境訊號

本站模型提示（1.6.0）： Caylet 將「資料庫確認」「可用來源未發現」與「沒有資料」分開顯示；後兩者都不代表已證明安全。Caylet 綜合 IP 風險分值只使用 Scamalytics 與 AbuseIPDB 的有效數值，IP2Location 與 Feodo Tracker 結果獨立呈現，IPinfo Lite 僅作 ASN 背景參考。

IP 風險分數究竟是什麼？

IP 風險分數通常是資料供應商把多項情報輸入模型後，輸出的相對風險值。

可能使用的訊號包括：

一個簡化的概念模型可以寫成：

IP 風險分數
= 匿名化訊號
+ 歷史濫用
+ 近期濫用速度
+ 網路類型
+ 自動化跡象
+ 跨客戶觀測
- 正常使用證據

實際模型通常包含機器學習、規則、網路觀測和人工標註，不會只是簡單加法。

風險分數不是「IP 好壞的客觀溫度計」

很多使用者看到 48/100，會自然理解為：

這個 IP 有 48% 機率被封號。

這通常是錯誤的。

不同供應商的 48 可能分別表示：

所以，任何分數都要先回答四個問題：

  1. 是誰算的？
  2. 它測量什麼？
  3. 使用了哪些輸入？
  4. 這個分數準備用在哪種決策？

常見服務的分數有什麼不同？

服務 主要輸出 大致衡量目標 主要資料特徵 不能直接解讀為
Scamalytics Fraud Score 0–100 其可見網站流量中的潛在欺詐風險 自有反欺詐網路、代理與地理資料 平台封號概率
IPQualityScore Fraud Score 0–100 當前使用者或請求的綜合風險 IP、User-Agent、語言、近期濫用、Bot 等 使用者一定欺詐
MaxMind minFraud Overall Risk、IP Risk 交易欺詐風險及只考慮 IP 的風險 交易輸入、速度、聲譽、匿名化、跨客戶網路 所有網站共用的 IP 等級
AbuseIPDB Abuse Confidence 0–100 根據使用者報告判斷 IP 是否具有惡意 報告數量、不同報告者、時間衰減 交易欺詐概率
IPinfo VPN／Proxy／Tor／Relay／Hosting 等 提供匿名化和網路類型原始特徵 網路測量、行為、登記資料、直接觀察 單一綜合 Fraud Score

這些服務彼此有重疊，但不是同一產品。

Scamalytics 的 Fraud Score 怎麼看？

Scamalytics 將 IP Fraud Score 顯示為 0–100，並提供低風險到高風險的分類。

它對部分 ISP 或網路頁面的說明是：

分數代表在 Scamalytics 能觀察到的網站流量中，大約有多少比例被懷疑可能具有欺詐性。

這句話有三個重要限制。

1. 「在它能觀察到的流量中」

Scamalytics 明確說明，它沒有整個網際網路的完整可見度。

它的結果反映：

所以低分可能意味著風險低，也可能表示相關 IP 的可見樣本較少。

2. 它主要談網站使用者流量

Scamalytics 還提醒，其描述主要涵蓋網際網路使用者連接網站與應用程式的流量，而不一定涵蓋所有 Server-to-Server 通訊。

因此：

3. ISP 級與單一 IP 級不要混淆

有些頁面顯示的是整個 ISP 或網路組織的整體風險，有些結果則是具體 IP。

例如：

這兩者並不矛盾。

整體網路平均很乾淨，仍可能包含少數高風險 IP；反過來，高風險 ASN 中也可能存在正常 IP。

Scamalytics 48 分應該怎麼說？

較準確的說法是：

在 Scamalytics 的模型與可見資料中，這個 IP 呈現中等程度的潛在欺詐風險。

不應寫成：

使用這個 IP 有 48% 機率被 TikTok 或銀行封鎖。

IPQualityScore 的 Fraud Score 怎麼看？

IPQualityScore，常簡稱 IPQS，提供 0–100 的 Fraud Score。

其官方文件指出：

IPQS 也明確建議，不要只看 Fraud Score，還應結合：

IPQS 的分數不一定只由 IP 決定

IPQS 的 fraud_score 可以基於：

這意味著：

可能得到不同結果。

例如，一個普通住宅 IP：

所以不同網站即使都「使用 IPQS」，也可能因提交參數不同而顯示不同分數。

Strictness 也可能影響判定

部分反欺詐 API 允許客戶選擇不同嚴格程度。

較嚴格的設定可能：

因此，網站沒有公開 API 參數時，使用者不能假設它和另一個網站使用完全相同的 IPQS 設定。

MaxMind 的 Risk Score 有什麼不同？

MaxMind 的 minFraud 是交易風險服務，而不只是普通 IP 查詢工具。

它會提供：

Overall Risk Score

Overall Risk Score 代表：

根據提交給 minFraud 的全部交易資料，該交易具有欺詐性的模型概率。

輸入可能包含：

因此，它不是單純的 IP 分數。

IP Risk Score

IP Risk Score 則只考慮與 IP 地址有關的風險。

MaxMind 將它表示為 0.01–99 的百分比。其官方示例說明：

這種統計含義比一般「相對指數」更接近模型概率，但仍然只在 MaxMind 的模型、資料和交易定義下成立。

它不能被改寫成：

IP Risk Snapshot

MaxMind 還提供較靜態的 IP Risk Snapshot，反映過去七天在其網路中觀察到的 IP 風險。

因此，同一個 IP 可能出現：

這可能表示風險正在近期上升。

MaxMind 也不建議套用通用門檻

MaxMind 建議企業根據自己的：

設定門檻。

這說明，即使同一供應商也不存在適合所有業務的固定「60 分以上封鎖」規則。

AbuseIPDB 的 Abuse Confidence Score 是什麼？

AbuseIPDB 和前面幾種服務的邏輯差異更大。

它是一個以社群報告為核心的 IP 濫用資料庫。使用者和管理員可以報告：

它的 abuseConfidenceScore 是 0–100，表示：

AbuseIPDB 根據使用者報告，有多大信心認為這個 IP 完全具有惡意。

它依賴哪些因素？

AbuseIPDB 說明，其分數會考慮：

分數會每日重新計算，讓舊報告逐漸降低影響。

100 分不是 100% 交易欺詐率

它表示在 AbuseIPDB 的報告模型中，對該 IP 具有惡意的信心非常高。

它不代表：

特別是在共享網路、行動 CGNAT 或動態住宅 IP 中，一個公網 IP 可能在不同時間服務不同使用者。

0 分或無報告也不等於乾淨

可能原因包括：

所以 AbuseIPDB 特別擅長回答：

這個 IP 是否被社群大量報告過網路濫用？

它不完整回答：

這個 IP 是否適合登入銀行、使用社交媒體或購買商品？

IPinfo 為什麼可能不直接給一個 Fraud Score？

有些資料供應商不把所有結果壓縮成單一分數，而是提供原始特徵。

IPinfo 的 Privacy Detection 可以分別提供：

其 Extended API 還可以提供：

這類設計的優點是：

使用者可以根據自己的業務建立風險模型，而不是被迫接受供應商的一個總分。

例如：

相同資料，在不同場景中應有不同權重。

為什麼同一個 IP 的分數會不同？

1. 評分目標不同

不同服務可能分別預測：

它們不是在回答同一問題。

2. 觀測網路不同

每家公司能看到的資料不同。

例如：

一個 IP 可能在付款場景非常可疑，但沒有發起過 SSH 攻擊；也可能被大量報告掃描伺服器，卻很少出現在電商交易中。

3. 更新時間不同

一個 IP 今天剛被納入 VPN 池：

結果自然不同。

4. 歷史窗口不同

模型可能關注：

短期模型更敏感，長期模型更穩定。

5. IP 粒度不同

供應商可能對以下層級評分：

如果某網站把 ASN 平均風險當成單一 IP 風險，結果可能過度籠統。

6. 提交的輸入不同

同一供應商也可能因輸入不同而返回不同結果。

例如：

所以「都使用 IPQS／MaxMind」不代表結果必然相同。

7. 分類閾值不同

同樣的底層概率，各網站可以自行映射為：

一個網站可能設定：

0–30：低
31–60：中
61–100：高

另一個網站可能設定：

0–50：低
51–74：中
75–89：高
90–100：極高

顏色不同不一定代表原始資料不同。

8. 網路共享特徵不同

同一個公網 IP 可能來自：

大量用戶共享在行動網路中很正常，在匿名 VPN 出口中則可能具有不同風險含義。

如果模型沒有正確識別連線類型，就容易誤判。

了解住宅、行動、機房和企業 IP 的區別

9. IPv4 和 IPv6 查到的可能不是同一出口

使用者以為自己查的是同一環境，但：

這時兩個網站實際查詢的 IP 根本不同。

10. 快取與 CDN 可能延遲結果

有些檢測網站會快取：

即使上游資料已更新，頁面仍可能顯示舊結果。

一個假設案例：為什麼四家結果看似矛盾？

假設某個共享機房 IP 得到以下結果：

服務 結果
Scamalytics 22／100
IPQS 81／100
AbuseIPDB 0／100
IPinfo Hosting=true、VPN=true

這些結果可能同時合理。

Scamalytics 22

它在 Scamalytics 可見的網站流量中，只呈現有限的欺詐活動。

IPQS 81

IPQS 可能根據：

把當前請求判斷為高風險。

AbuseIPDB 0

該 IP 沒有被社群報告過伺服器攻擊，或者舊報告已衰減。

IPinfo

它只提供客觀匿名化標籤：

它沒有宣稱該用戶正在欺詐。

所以，真正的綜合結論應該是：

這是一個已知 VPN 機房出口，在部分反欺詐模型中風險較高，但目前缺少 AbuseIPDB 社群攻擊報告。是否允許使用，需要根據具體業務決定。

而不是：

四家有三家算錯了。

IP 風險分數會隨時間變化嗎？

會。

可能原因包括：

因此，文章或檢測頁應顯示：

截圖中的分數不是永久證明。

低分、零分、無報告和 Unknown 有什麼不同？

狀態 正確含義
低分 模型取得資料後，認為風險較低
0 分 供應商沒有找到足以提高分數的訊號，或最低輸出為 0
無報告 在報告型資料庫中沒有相關報告
Unknown 查詢失敗、無覆蓋或無法判定
False 供應商明確返回未偵測到
Conflict 不同資料來源結論矛盾

最常見的實作錯誤是：

API 沒有返回 vpn 欄位
→ 自動顯示 VPN：否

正確做法應是：

VPN：無法取得

資料缺失主要應降低「評估可信度」，而不是自動替 IP 加分。

高分是否代表 IP 的所有使用者都有問題？

不代表。

共享 IP 可能由許多人使用：

高分可能表示：

它不能自動證明目前這一位使用者具有惡意。

合理處置通常是：

而不是只靠一個 IP 分數永久封鎖所有人。

IP 風險分數能預測銀行、社交媒體或 AI 平台結果嗎？

只能提供有限參考。

第三方 IP 檢測網站通常不知道：

所以：

IP 分數只能描述網路層面的部分風險，不能模擬完整平台風控。

一個低分 IP 配合新裝置、大量帳戶和異常操作，仍然可能高風險。

一個中等分數的公司 VPN，配合已知裝置、Passkey 和多年正常歷史，也可能被正常放行。

應該如何正確閱讀一份 IP 風險報告？

第一步：確認供應商

先看分數是來自：

不要只看「Fraud Score」四個字。

第二步：確認分數定義

問清楚它是：

第三步：查看原始理由

比總分更有價值的欄位包括：

第四步：查看資料時間

一個兩年前的報告，和過去 24 小時的活躍濫用，風險含義不同。

第五步：比較多來源，但不要直接平均

錯誤：

Scamalytics 20 + IPQS 80 + AbuseIPDB 0
÷ 3
= 真實風險 33

三者的統計定義不同，不能做普通算術平均。

正確做法是：

第六步：結合網路類型

同樣的共享訊號：

模型需要理解背景。

Caylet 應如何展示 IP 風險？

Caylet IP 檢測適合把結果分成三層。

第一層：標準化供應商結果

例如：

本站不把供應商原始 JSON 傳給瀏覽器。Scamalytics 與 AbuseIPDB 的有效數值才 進入 Caylet 綜合分值；IP2Location、Feodo Tracker 與 IPinfo Lite 保持獨立， 其中 IPinfo Lite 不是 Fraud Score 供應商。結果必須保留來源與資料狀態。

第二層：正規化風險訊號

例如：

第三層：場景推薦指數

例如：

這一層可以使用自建透明規則，但必須與原始 Fraud Score 分開。

推薦指數應同時顯示：

不能把 Caylet 自建指數描述為某個平台的官方封號概率。

使用 Caylet 檢查目前 IP 的多維度風險訊號

常見誤解

誤解一：所有 0–100 分都能直接比較

錯誤。相同刻度不代表相同統計含義。

誤解二：Fraud Score 80 就代表 80% 封號率

錯誤。它可能是相對風險、請求風險或模型欺詐概率，不是平台封號率。

誤解三：AbuseIPDB 沒有報告就代表完全乾淨

錯誤。沒有報告只是缺少該資料庫中的負面證據。

誤解四：住宅 IP 分數一定低

錯誤。住宅 IP 可能被感染、濫用或納入住宅代理池。

誤解五：機房 IP 分數一定高

不一定。正常伺服器、企業 API 和雲端服務都使用機房 IP。

誤解六：只要換一個低分 IP，帳戶風控就會消失

錯誤。平台還會分析裝置、Cookie、帳戶歷史和操作行為。

誤解七：分數越新越一定準

較新資料通常更有時效性，但仍要看資料來源、樣本和模型品質。

常見問題

IP 風險分數多少算高？

沒有適用所有供應商的統一門檻。IPQS 將 75 分以上視為可疑、90 分以上視為高風險；其他服務的分數含義和分布不同。判讀時必須先確認供應商、分數定義、輸入資料和使用場景。

IP 風險分數 0 是否代表完全安全？

不代表。0 分通常只表示該供應商目前沒有觀察到足以提高分數的訊號，或模型判定風險很低。供應商可能缺乏資料，平台也可能掌握外部檢測網站看不到的帳戶、裝置和行為情報。

為什麼同一個 IP 在 Scamalytics 和 IPQS 的分數不同？

兩者的觀測網路、模型、資料來源、更新速度和輸入欄位不同。Scamalytics 的分數以其可見的網站流量為基礎；IPQS 的 Fraud Score 還可能結合 User-Agent、語言和其他可選變數，因此不能直接一對一比較。

AbuseIPDB 的 100 分是否等於 100% 交易欺詐概率？

不是。AbuseIPDB 的 abuseConfidenceScore 表示其根據使用者報告和報告時間，對該 IP 完全具有惡意性的信心程度。它不是付款欺詐率、封號率或登入失敗率。

IP 沒有出現在 AbuseIPDB，是否代表它很乾淨？

不一定。這可能表示近期沒有人向 AbuseIPDB 報告它，也可能是該 IP 的活動不在其社群觀測範圍。沒有報告屬於缺少負面證據，不等於已證明安全。

應該相信哪一個 IP 檢測網站？

不應只選一個分數作為真相。更合理的方法是分別查看 IP 信譽、VPN／Proxy／Tor、Hosting、住宅代理、ASN、網路類型、資料時間和多來源一致性，再依自己的使用場景設定處理規則。

總結

IP 風險分數是供應商根據自己的觀測資料、模型和業務目標產生的風險訊號，不是全球統一標準。

Scamalytics、IPQS、MaxMind、AbuseIPDB 和 IPinfo 分別強調：

所以，同一個 IP 出現不同分數是正常現象。

正確判讀需要同時確認：

最重要的是：

不要把任何 IP 風險分數直接當成封號率、登入成功率或使用者身份判決。

它應該是一個可解釋的風險訊號，而不是脫離背景的最終答案。

主要資料來源

  1. Scamalytics, IP Address Fraud Check
  2. Scamalytics, IP Address Fraud Check API Pricing
  3. IPQualityScore, Proxy & VPN Detection API Response Parameters
  4. MaxMind, Overall Risk Score
  5. MaxMind, IP Risk Score and Snapshot
  6. MaxMind, IP Risk Reasons
  7. MaxMind, Set Thresholds for Risk Scores
  8. AbuseIPDB, Frequently Asked Questions
  9. AbuseIPDB, APIv2 Documentation
  10. IPinfo, Privacy Detection Extended API
  11. IPinfo, IP Privacy Detection Database

本文提供一般網路技術與風險判讀資訊。不同供應商的分數定義、模型和覆蓋範圍可能隨時間調整。任何分數都不代表第三方平台的官方判定，也不構成帳戶、交易或服務可用性保證。