一句话定义：Unicode 同形字攻击（Homoglyph Attack）是指用另一个“长得几乎一模一样”的字符替换原文中的字符，让字符串在机器看来已经不同、在人的眼里却毫无差别，从而绕过关键词匹配、黑名单和内容检测。
为什么能做到
Unicode（统一码）为了容纳全世界的文字，收录了来自不同书写系统的海量字符。问题在于，这些字符并不总是长得很不一样：拉丁字母、西里尔字母、希腊字母里有大量“撞脸”的成员。常见例子：
| 你看到的 | 可能是拉丁字母 | 可能是西里尔/希腊字母 |
|---|---|---|
| a | a（U+0061） | а（西里尔 U+0430） |
| o | o（U+006F） | о（西里尔）、ο（希腊） |
| p | p | р（西里尔） |
| c | c | с（西里尔） |
看起来完全一样，但字符编码不同。过滤器做的是逐字比较，比较时认的是编码；人做的是看图，看图时认的是形状。这两套判断标准对不上，于是前面说的绕过就成立了。
打个比方：门禁只比对身份证号，不比对照片。有人拿着一个号码不同、但照片和你一模一样的证件，机器放行，保安肉眼也看不出破绽。
一个词里的某个字母被换成同形字后，关键词黑名单就匹配不到了；而语言模型在分词和理解时往往仍能读出原意，于是“过滤没有拦住、模型却读懂了”这个缺口就出现了。同类思路还有在词中间插入零宽字符（Zero-Width Character），肉眼完全看不见，但字符串已经变了。
和相邻概念的区别
- 拼写错误或变体：错别字肉眼能看出来，同形字看不出来。
- 编码错误（乱码）：乱码是渲染失败，同形字是合法字符，显示完全正常。
- 对抗性扰动：那是在语义或向量层面做手脚，通常带一串看着奇怪的词；同形字只动字符本身。
- 国际化域名仿冒（IDN Homograph）：这是同形字攻击在域名上的应用，比如把某个品牌名里的字母换成西里尔同形字，做出一个肉眼难辨的钓鱼网址。
对实际工作的意义
做内容安全、风控、合规过滤的团队，如果只靠字符串黑名单，基本挡不住这一层。通行做法是先做 Unicode 规范化（Normalization，常用 NFKC），再做同形字映射归并——统一码联盟（Unicode Consortium）长期维护一份可混淆字符表（confusables），具体规则和文件以官方页面为准。更稳的思路是把检测放到分词后或语义层，而不是纯字符层。
做评测的人也要留意：测试集里如果只有“原样”的违规样本，指标会虚高；加上同形字变体，才是真实分布。
对普通人来说，这件事的现实版本是钓鱼链接和仿冒账号。看到域名或用户名时，别只看“像不像”，点进去之前多确认一次来源，涉及账号、支付尤其如此。