arXiv cs.MA· Behzad Ousat, Nikita Turkmen, Lalchandra Rampersaud, Dillan Bailey, Amin Kharraz·· 10 小时前AI 评分58
Broken Gates：研究团队重新评估 LLM 智能体时代的网页机器人防护
Broken Gates: Re-evaluating Web Bot Defenses in the Age of LLM Agents
AI 导读
论文评估了 7 家商业解题服务和 8 个基于 LLM 的浏览器智能体对 4 种广泛部署的机器人防护的绕过效果。解题服务对挑战式防护的成功率达 100%，但在 reCaptcha v3 上平均降至 23%；浏览器智能体的瓶颈在于呈现给验证器的浏览器与账号状态，重建已建立的浏览器环境后，此前被拒的智能体无需重新训练模型即可通过，且该可信环境可在测试平台内的智能体与防护之间迁移。
正文 · AI 翻译
摘要：商业爬虫、求解器服务和基于 LLM 的浏览器代理中 Web 自动化的迅速兴起，给防御方带来了新的挑战，即必须区分合法的自动化活动与可规模化的滥用行为。作为回应，现代机器人防御越来越多地用基于浏览器、会话、身份和行为信号的风险决策取代显式挑战。本文探讨了当前自动化技术栈如何端到端地绕过这些防御，针对四种广泛部署的防御评估了七种商业求解器服务和八种基于 LLM 的浏览器代理。我们发现，求解器服务在很大程度上击败了基于挑战的防御，成功率达 100%，但在 reCaptcha v3 上平均成功率骤降至 23%。浏览器代理则遇到另一个瓶颈：呈现给验证器的浏览器和账户状态。跨浏览器配置的受控实验表明，在我们部署的环境中，已建立的消费者账户和持久化的 Chrome 状态强烈影响 reCaptcha v2/v3 的接受度，而 Cloudflare Turnstile 对代理的浏览器控制路径表现出明显更高的敏感性。重建已建立的浏览器环境可使先前被拒绝的代理无需重新训练模型即可通过。一旦建立，这种受信任环境可在我们测试平台中的各代理和防御之间迁移，且不会给周边工作流增加可测量的防御特定边际成本。这些结果揭示了现代非交互式防御中固有的安全矛盾：为消除摩擦，它们所信任的信号必须可供日常人类用户访问，而这种可访问性本身就保证了攻击者能够获取、复制并迁移相同的身份信号，以规模化实施自动化滥用。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；多代理系统（cs.MA） |
| 引用为： | arXiv:2607.18659 [cs.CR] |
| （或本版本的 arXiv:2607.18659v2 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2607.18659 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Behzad Ousat [查看电子邮件]
[v1]
2026年7月21日星期二 03:02:57 UTC（557 KB）
[v2]
2026年11月5日星期四 22:46:35 UTC（456 KB）
来源：arXiv cs.MA · arxiv.org