Khi trọng tâm phát hiện chuyển từ từng thuộc tính sang toàn bộ phiên, yêu cầu với client cao hơn: môi trường phải nhất quán nội bộ, tách biệt với nhau, duy trì trạng thái liên tục và khớp với điểm thoát mạng.
Trong năm qua, AI Agent ngày càng đi sâu vào quy trình nghiệp vụ, từ gọi công cụ trình duyệt đến đăng nhập hệ thống nội bộ, xử lý đơn hàng và trả lời email. Đồng thời, cách hệ thống kiểm soát rủi ro đánh giá hoạt động cũng thay đổi: thay vì chỉ nhìn một thuộc tính trình duyệt, chúng ngày càng xem xét toàn bộ phiên.
Phát hiện đã chuyển từ thuộc tính đơn lẻ sang toàn bộ phiên
Khi các nền tảng mô tả khả năng phát hiện AI, họ thường nhắc đến các tín hiệu hành vi xuyên suốt phiên: chuyển động con trỏ có quá đều hay không, tốc độ và nhịp gõ có bất thường không, có tiếp tục nhập khi trang không được focus hay không, có hoạt động con trỏ khi trang không hiển thị hay không, và toàn bộ thao tác có nhất quán từ đầu đến cuối hay không.
Các tín hiệu này có điểm chung: chúng không phụ thuộc vào việc một tham số riêng lẻ là thật hay giả, mà đánh giá tính liên tục theo thời gian. Vì vậy, chỉnh sửa một thuộc tính đơn lẻ hầu như không có nhiều tác dụng trước kiểu đánh giá này.
Ngoài phiên còn có một lớp đánh giá tương quan
Bên cạnh tín hiệu hành vi, hệ thống kiểm soát rủi ro tổng thể còn có thể xem chung môi trường trình duyệt, Cookie, trạng thái đăng nhập, môi trường mạng và lịch sử tài khoản: môi trường có duy trì nhất quán hay không, Cookie, bộ nhớ cục bộ và trạng thái đăng nhập có liên tục hay không, môi trường có thay đổi quá thường xuyên không, mạng có các bước nhảy bất thường không, nhiều tài khoản có dùng chung một môi trường trình duyệt không, và hành vi có phù hợp với quy trình nghiệp vụ bình thường không.
Có thể chia các đánh giá này thành hai lớp. Một lớp là môi trường chạy của trình duyệt, quyết định liệu môi trường và trạng thái đăng nhập có thể duy trì liên tục hay không. Lớp còn lại là chiến lược thực thi của Agent, quyết định toàn bộ thao tác trông có giống tự động hóa hay không. Chỉ cần một trong hai lớp có vấn đề, tác vụ sẽ khó chạy ổn định.
Vì sao môi trường không nhất quán có thể bị coi là tự động hóa
Nhìn theo chiều ngược lại sẽ dễ hiểu hơn. Một người thật dùng một thiết bị để truy cập website sẽ để lại nhiều dấu hiệu khớp với nhau: nếu IP đầu ra nằm ở một khu vực, múi giờ hệ thống thường cũng nên ở gần đó; ngôn ngữ thường dùng nên có quan hệ hợp lý với khu vực của IP; độ phân giải màn hình, danh sách font và thông tin GPU nên tương thích; Cookie và trạng thái đăng nhập nên thay đổi từ từ theo thời gian thay vì bắt đầu từ số 0 ở mỗi lần truy cập.
Sự không nhất quán tự nó đã là một dấu hiệu bất thường. Đầu ra ở Frankfurt nhưng múi giờ trình duyệt lại ở Los Angeles; giờ này dùng một bộ font và độ phân giải, giờ sau đổi sang bộ khác; trong cùng một môi trường đăng nhập năm tài khoản trong mười phút. Từng trường hợp riêng lẻ đã đáng ngờ, khi xuất hiện cùng nhau thì càng khó giải thích bằng hành vi người dùng bình thường.
Logic của nền tảng không phức tạp: người dùng bình thường thường không hành xử như vậy. Vì thế, chi phí duy trì tính nhất quán sẽ do phía client tự gánh.
Bốn mặt client có thể chuẩn bị
Thứ nhất, đảm bảo môi trường nhất quán nội bộ: múi giờ, ngôn ngữ, độ phân giải, font, GPU và các tham số liên quan không mâu thuẫn với nhau.
Thứ hai, tách biệt các môi trường: mỗi tác vụ có thư mục dữ liệu, tham số và điểm thoát mạng riêng, tránh để nhiều danh tính bị liên kết với cùng một môi trường thiết bị.
Thứ ba, duy trì trạng thái liên tục: Cookie, bộ nhớ cục bộ và trạng thái đăng nhập được lưu riêng theo từng môi trường và có thể khôi phục sau khi khởi động lại, thay vì lần nào cũng đăng nhập lại từ đầu.
Thứ tư, căn chỉnh điểm thoát với tham số địa lý: khi vùng đầu ra chuyển sang quốc gia khác, múi giờ và ngôn ngữ của môi trường cũng nên thay đổi theo, tránh mâu thuẫn kéo dài.
Hai điểm đầu chủ yếu thuộc lớp môi trường. Hai điểm sau nằm một phần ở lớp môi trường và một phần trong logic lập lịch. Khi một nhóm chạy đồng thời hàng chục Agent, các nhu cầu này thường được đưa vào lớp quản lý môi trường, nơi quản lý chung môi trường độc lập, đầu ra độc lập và cấu hình hàng loạt. PurpleMark là một trong những công cụ cung cấp lớp năng lực này.
Một số cách cũ ngày càng kém hiệu quả
Chỉ đổi User-Agent là cách rất phổ biến, nhưng nếu đặc điểm nền không đổi thì mâu thuẫn giữa UA và môi trường thực tế còn dễ thấy hơn. Chỉ đổi IP cũng gặp vấn đề tương tự: đặc điểm thiết bị và nhịp hành vi vẫn giữ nguyên, nên đổi điểm thoát không giải quyết được vấn đề. Chế độ ẩn danh tác động đến bộ nhớ cục bộ chứ không thay đổi đặc điểm thiết bị.
Dồn nhiều tác vụ vào cùng một môi trường cũng không có lợi. Khi chạy đồng thời, chúng có thể ghi đè Cookie và trạng thái đăng nhập của nhau, còn việc nhiều danh tính xuất phát từ cùng một môi trường tự nó đã là một tín hiệu liên kết. Tương tự, kéo toàn bộ thời gian chờ về cùng một giá trị cố định sẽ tạo ra tính đều đặn có thể nhận diện.
Tiêu chí đánh giá
Thay vì chỉ băn khoăn đặc điểm đã được che đủ sâu chưa, nên đổi câu hỏi: môi trường có hợp lý và nhất quán bên trong không, các môi trường có độc lập với nhau không, và nhịp hành vi có giống người thật hay không. Chỉ khi cả ba đều đạt mới có thể nói đến vận hành ổn định.
Giới hạn
Vượt qua phát hiện không có nghĩa là đã được phép thao tác. Hãy tuân thủ điều khoản dịch vụ và quy tắc robots của nền tảng đích, không dùng thông tin danh tính giả, không vượt qua biện pháp bảo vệ kỹ thuật, kiểm soát tần suất yêu cầu và không làm ảnh hưởng đến hoạt động bình thường của dịch vụ bên kia.
