前体

Precursor 简介：通过连续的客户端信号检测代理行为 2026-07-13 Marina Elmore Benedikt Wolters 阅读 5 分钟 机器人缓解是一种对抗性游戏：攻击者适应，防御者响应，然后循环继续。在 Cloudflare，我们通过将全球网络的可见性与来自客户端环境的信号相结合来保持领先地位。在网络层面，我们每天分析超过 1 万亿个请求，以了解超过 20% 的网络的声誉、模式和异常情况。在客户端，我们通过 Cloudflare Turnstile 推动了更深入的检测，它已从验证码替代品演变为基于风险的托管挑战，可适应验证用户真实性所需的摩擦量。如今，Turstile 每天在互联网上一些最敏感的端点上运行近 30 亿次，帮助在登录、注册和结帐等关键时刻验证用户。这改善了对客户应用程序最重要区域的保护，但对应用程序其余部分的可见性仍然有限——人类和机器人如何在整个用户旅程中实际交互。这是我们今天通过推出 Precursor 来弥补的可见性差距。 Precursor 简介 Precursor 是一个客户端、基于会话的验证系统，在构建时考虑到了隐私，它使用动态注入的 JavaScript 在访问者与您的应用程序交互时持续收集行为信号。这些信号经过实时处理并纳入 Cloudflare 的机器人防护中，使我们能够不断区分人类流量与自动化或代理流量。这将挑战赛提供的客户端检测扩展到整个 Web 应用程序。 Precursor 是 Turnstile 的可选补充 - 两者都是我们企业机器人管理的功能。这种基于用户旅程的检测非常强大，因为现代自动化越来越能够在短时间内显得合法。机器人可以执行 JavaScript、使用真实的浏览器环境并传递个人验证码而不会引起怀疑。仍然难以复制的是随着时间的推移，人类行为的一致性。 Precursor 旨在捕获该交互层，将行为本身转变为检测欺诈和滥用的可靠信号。通过评估整个会话中的行为，Precursor 为每个决策添加了更多信号。这提高了检测精度，使得更容易区分真实用户和自动化用户，而无需依赖激进的挑战。对于合法用户来说，Precursor 意味着更少的不必要的中断。对于机器人开发人员来说，它要求他们模拟完整的会话，从而提高了操作自动化的成本。这明显更难构建，维护成本更高，并且大规模运行的可靠性要低得多。人都会犯错 当机器人开发人员试图使鼠标移动看起来像人类时，他们通常会添加高斯噪声或均匀随机延迟。但人类的运动不仅仅是“吵闹”，它还受到物理的限制： 手腕枢轴：人类鼠标的运动通常是一条弧线，受到手腕范围和前臂旋转的限制。认知负荷：人类看到复选框和单击它之间存在可测量的延迟。手颤动：即使是最稳定的人手也会以生理颤抖频率振荡。相比之下，机器人的行为方式常常会暴露自己的身份。它们以线性插值或数学上理想的贝塞尔曲线移动。它们的点击精度是人类无法复制的。即使他们确实能够模拟人为错误，人类动作也有节奏，只有通过检查整个会话才能看到。鼠标移动只是 Precursor 评估的信号示例之一，但它清楚地说明了差异。下面是鼠标自动化库与站点交互的示例。您可以看到鼠标如何以完美的直线移动，始终返回原点，并以相同的速度做出反应。现在，将其与人类导航同一站点进行对比：您会看到不规则的路径、小的修正和超调，以及速度、时间和方向的变化。单独来看，这些相互作用可能看起来似乎是合理的。但在整个训练过程中，这些模式会以难以伪造的方式出现分歧。 Precursor 旨在捕获和评估这些行为特征，因为它们是在访问者与应用程序的交互过程中形成的。 Precursor 的工作原理 为了评估一段时间内的行为，Precursor 不断收集客户端上的交互数据，并构建该站点活动的会话级视图。 1. 注入和收集层 当您的应用程序启用 Precursor 时，当您的网站通过我们的网络时，Cloudflare 会自动将轻量级脚本注入到 HTML 响应中，无需额外配置、网络连接或第三方嵌入。注入的 Precursor 包是紧凑的、混淆的和组装的