不对等的成本
攻守差距不在技术高低,在改一次要花多少代价。攻击者随手换套配置就行,防守方每动一条规则都得先证明不会误伤真人。
今天的机器人攻击早就不是一个人在电脑前试。原文说,常常是一群人互相交换手法,或者干脆是一项明码标价、谁付钱都能买的商业服务。对不少人来说,绕过机器人检测是一份全职工作,而且干得挺开心。你封他一次,他就去找绕过去的办法。AI 让这件事更省力,复杂的攻击配置现在更容易搭起来。
攻击者身上只有三道约束:自己的时间、手里能用的代理 IP 有多少、以及别被基础设施服务商封了账号。防守方的约束要多得多。每一次调整都需要证据、需要小心,得确认拦住坏人的同时没把真客户挡在门外。
真正的不对等在这里:攻击者可以随时改、连续地改,而大多数防御是一个版本一个版本发布出去的。 Cloudflare 每天分析超过 1 万亿次请求来找自动化滥用的痕迹,它看到的是,这个反应速度上的差距还在变宽。
一个人,一万张脸
最难挡的攻击长得跟正常流量一模一样:请求散在成千上万个家庭宽带地址上,每个地址慢慢发几条,没有一条超过限速。
攻击者把请求分散到一张大的住宅代理网络上。这种服务把请求借道真实住户的家庭宽带发出去,所以每条请求的来源看上去就是一个普通网民。每条请求换一个地址,往往还配一个新的浏览器标识、一套新的指纹。于是每一条看起来都是一位新访客,不慌不忙地走完登录、结账或者找回账号的流程。
这种攻击活在一条请求和下一条请求之间的空隙里。
这就是它难挡的原因。不是一个人猛砸大门,是一万个人各敲一下。把限速阈值调紧,第一个被拦下来的往往是真客户。 只盯着单条请求看的防御,永远看不见这种攻击。
不动的靶子
规则式防御的死穴是它太稳定:同样的请求永远得到同样的回答,攻击者拿自动化探针试几千次,就能把边界画出来。
机器人检测长期以来的做法是:出现一种新手法,就写一条规则去抓它。这招有用,直到攻击者研究明白这条规则依据什么信号,学会绕开,然后逼你再写一条。原文提到,一些最厉害的攻击者已经做出工具,把这个试探过程半自动化了。
这类检测是确定性的,同样的输入永远给出同样的输出。一个从不改变的防御,等于在教攻击者怎么打败它,还反过来逼着对方造出更强的自动化工具。自动化探针每试一次都能拿到一个干净的「是」或「否」,试的次数够多,系统的边界就被摸得一清二楚。
节奏差还要命:攻击者以天为单位改工具,模型要等几个月才发下一个版本。 等它追上来,对面早换新的了。
把答案变糊
新引擎的做法是不让攻击者拿到干净的「对或不对」:判定改成多个信号一起加权的概率,而且有时候认出了机器人也装作没看见。
要让「一直在变」真的管用,两个条件得同时成立:防守方反应一次的代价,要低于攻击者绕过去的代价;同时攻击者必须拿不到他用来适应的反馈。两条都做到,攻击者自己的学习循环就会反噬他,学到的东西没一样还成立,每一次新尝试都比上一次更贵。
具体怎么做?一是少给他东西学。引擎可以从某个信号里认出这是机器人,但表面上不作出任何反应,于是对方继续依赖一个他根本不知道已经暴露的破绽。二是把检测从固定规则改成统计判断,也就是非确定性:同时权衡很多个信号,没有哪一条单独的逻辑能被拆出来针对性击破。
这台叫 Adaptive Intelligence 的新引擎坐在 bot score 后面,那是 Cloudflare 给每次访问打的一个分数,用来判断它有多像机器人。这个分数原本就由机器学习、行为验证、JavaScript 指纹、一堆经验规则和已知爬虫名单共同算出,新引擎接管的是其中机器学习那一块。
三件套只上了一件
Cloudflare 讲了三个新做法,今天真正上线的只有第一个:持续重训。一次性规则和从客户纠错里学习,都还在路上。
三个部件分别是: 1. 持续重训。模型在真实流量上不停重新训练。这周冒出来的新绕过工具,这周就能被认出来,不用等下一个排期版本。 2. 一次性规则。针对某一次具体攻击生成一条规则,随机时间上线、随机时间撤掉,绝不留到变成固定靶子。等攻击者把它逆向出来,规则已经不在了,这份工程投入直接作废。 3. 从被保护的流量里学。客户报告一次误判,或者 Cloudflare 自己发现漏掉了一个,这次纠正就变成训练信号。
第二条是这套东西里最狠的一招:一条规则不需要完美,也不需要不可破解,它只要活到干完这一次的活就行。 规则不停地出现又消失,本身就是在往攻击者赖以学习的信号里掺噪声。
引擎还会记住撤掉的规则背后的东西。攻击者不会只打一次,他们停下来、改装、再回来。检测可以过期,但证据留着,所以一个攻击者想靠在两副面孔之间来回切换来混过去,不管用。
但得说清楚:今天上线的只有第一条,另外两条原文的措辞是「很快跟上」。
误伤才是真损失
自动更新最让人不安的是误拦真人,Cloudflare 的答案是每个新检测上线前都要证明自己不比被替换的那个差。
客户能接受偶尔漏掉一个机器人,但一个真访客被错误挡在门外,才是真正要付出代价的失败。
这正是各家团队对「自动更新」心存戒备的原因。所以流程是这样的:每个候选检测先拿最近的真实流量测一遍,量它能抓住多少已知的自动化,又会有多大概率把真人误标。然后灰度放出去当作 bot score 的一个输入,同时盯着分数分布、验证挑战的通过情况和客户反馈,发现不对可以在铺满整个网络之前暂停或回滚。
衡量标准是两个常用指标:拦下来的东西里有多少真是机器人,以及所有机器人里有多少真被拦住了。新版本必须在这两项上至少不输给它替换掉的旧版本。
该怎么看这次发布
承认拦不住、转而去抬高攻击成本,这个思路是诚实的;但企业客户今天真正拿到的,是一个把模型版本控制权交出去的开关。
启用方式很朴素:企业客户在 Bot Management 后台打开 "Auto Update Machine Learning" 这个开关,不用迁移版本、不用配置,原来基于 bot score 写的逻辑照常工作。
换句话说,你拿到的好处是模型能跟上攻击手法的变化;付出的是你的评分从此会自己变。同一个访客今天和下周可能拿到不同的分数,出了问题也更难复现。非确定性对攻击者是噪声,对你自己的运维人员同样是噪声。
还有两点值得掂量。原文写「我们相信没有任何其他机器人检测是这样工作的」,这是厂商的自我宣称,文章里没有任何与竞品的对比数据。而全文关于新引擎效果的数字,一个都没有:没有误报率,没有拦截率,也没有和旧引擎的对照。
有分量的是那个前提转变:防御方不再假装能把所有人挡在外面,目标改成让每一次闯入都短命、都比上一次更贵。这个前提放在上个月发布的 Precursor(一套在浏览器里持续观察访客行为的验证引擎,看的是操作节奏、鼠标移动这些自动化难以伪造的细节)旁边看,是一致的:两边都不追求一道绝对的墙。