Introducing Adaptive Intelligence: Undermining the economics of every bot attack

介绍自适应智能：颠覆每一场机器人攻击的经济性 | Cloudflare 博客

post

产品新闻

应用安全

机器人管理

机器学习

2026年8月31日

介绍自适应智能：颠覆每一场机器人攻击的经济性

Chris Pope

12分钟阅读

复制链接

现代机器人攻击的威胁越来越由那些有决心、技术高超的攻击者所驱动。很多时候，甚至不是一个人，而是一个互相交流攻击技术的团体，或者是一个向任何愿意付费的人出售服务的商业机构。对其中许多人来说，突破机器人检测系统是一项他们真正享受的全职工作。一旦被阻止，他们就会立即投入工作，寻找绕过方式。人工智能进一步简化了这一过程，使攻击者更容易设置复杂的配置，降低攻击的运营成本。

这种转变使防御者处于经济劣势。应对和适应新型攻击需要谨慎、证据和努力，以确保阻止攻击者的行为不会影响真实用户。攻击者则没有这些顾虑，他们主要受到时间和代理服务器池的限制，以及确保其基础设施提供商不会关闭账户。

他们的优势在于适应成本。攻击者可以按需频繁且持续地进行适应，而大多数防御系统则是通过离散的、受控的版本更新部署。Cloudflare每天分析超过1万亿次请求以寻找自动化滥用的迹象，因此我们清楚看到攻击者战术变化的速度。这种响应能力的差距正在扩大。

令人不快的真相是：行业内的机器人检测往往基于一个乐观的假设，即如果墙修得足够高，攻击者就无法突破。但现实是，只要有决心，攻击总会找到突破口。问题不是“有决心的攻击者是否能突破”，他们肯定能。真正的问题是，当他们突破后会发生什么。

今天，我们推出自适应智能，这是一种全新的机器人检测引擎，其出发点与传统方法完全相反。与其依赖一座能阻止所有攻击者的“高墙”，自适应智能通过让攻击者突破变得如此缓慢且成本高昂，使攻击不再值得发动。

我们相信，没有其他机器人检测系统采用这种方式运作。

一名攻击者，多种伪装

并非所有攻击都显而易见。最复杂的攻击被设计成融入普通流量中。

攻击者可以将请求分散到一个大型住宅代理网络，保持每个地址的请求速率较低，并耐心地完成登录、结账或账户恢复流程。每个请求都来自不同地址，通常带有新的用户代理或机器人指纹，因此每个请求看起来都像新访客。没有任何单一来源会触发速率限制。

这正是让防御如此困难的原因。如果阈值设置得太严格，真实客户会被拒绝，而这正是你最想避免的结果。攻击存在于一次请求与下一次请求之间的空隙，而仅单独分析每个请求的防御系统永远无法发现它。

Bot 检测一直通过编写规则来应对新的攻击技术。这种方法在攻击者研究信号、学会规避规则并迫使编写新规则之前是有效的。一些最先进攻击者甚至开发了工具，半自动化地执行这一过程。防御方似乎始终处于不利地位。

这种检测方式是“确定性”的，意味着相同的输入始终产生相同的输出。一个永不变化的防御机制会向攻击者展示如何击败它，并间接促使 Bot 操作者构建更强大的自动化攻击。面对确定性防御，自动化探测会返回明确的“是”或“否”，经过足够多的尝试后，这种反馈会精确地告诉攻击者系统边界所在。从经济角度分析，攻击者占据优势。

改变攻击的经济学

自适应智能旨在扭转这种经济学，将优势重新回归防御方。

一个持续变化的防御机制可以改变这种计算，但前提是两个条件同时成立。首先，防御方应对的成本必须低于攻击者绕过防御的成本。其次，攻击者必须被剥夺用于适应的反馈，使其无法通过学习重新进入系统。如果这两个条件都满足，攻击者自身的循环将反过来成为其弱点：他们学到的一切都不再成立，每次新的尝试成本都高于上一次，直到攻击不再值得执行。

其中一部分是让攻击者学到的内容更少。自适应智能可以通过信号识别 Bot 而不显式做出反应，使攻击者继续依赖他们并未意识到我们能识别的特征。它将检测视为统计判断而非固定规则。这使其具有非确定性。它同时权衡多个信号，因此没有单一的逻辑点供攻击者隔离并突破。

新的检测引擎

您的 Bot 评分已经来自多种检测方法的协同工作：机器学习、行为验证、JavaScript 指纹识别、启发式规则库，以及识别已知验证 Bot（如搜索引擎爬虫）的检查。

自适应智能是位于 Bot 评分背后的全新 Bot 检测引擎。在其他系统通过积累规则阻止攻击者时，自适应智能基于一个假设构建：攻击者最终会突破防御，并使这种尝试的成本尽可能高昂。

下面我们将解释自适应智能检测引擎的三个独特组件，这些组件与传统模型相比具有显著差异：自我优化、一次性规则生成、从所保护流量中学习。今天发布的是第一个组件：Bot 评分核心的机器学习模型，现在将实现持续再训练，而非作为固定版本发布。它聚合 Cloudflare 全网的网络信号，并为每个请求测量自动化滥用的概率。当固定模型保持静止时，自适应智能持续演进。下面解释的第二和第三个组件即将推出。

1. 自我优化

引擎会持续基于实时流量进行重新训练。当新的绕过工具和机器人框架出现时，它会立即从中学习，并将这些知识直接融入到机器人评分背后的模型中，无需等待计划发布的更新。本周出现的新技术，引擎可以在本周内识别。您已建立的评分始终保持与攻击者实际行为的贴近，而不会在更新之间逐渐偏离现实。

2. 一次性规则生成

一次性规则是指我们预期攻击者会适应的规则，但在此过程中并不会提升攻击者的机器人能力。自适应智能旨在生成针对特定攻击的临时规则，以随机间隔部署并退役这些规则，且不会让任何规则长期存在而成为固定目标。由于这些规则不断出现又消失，它们会向攻击者依赖的训练信号中注入噪声，使攻击者永远无法获得静态防御系统提供的明确肯定或否定答案。单个规则无需完美或不可战胜，只需持续足够长的时间完成其任务，随后为下一条规则让位。当攻击者反向工程出某个特定模式时，引擎早已转向其他方向，使他们的工程努力变得毫无价值。

3. 从所保护的流量中学习

自适应智能还会从数百万个网站上观察到的模式中进行学习。当客户标记出我们误判的真实访客，或我们的系统自身检测到遗漏时，这些修正信息会成为训练信号。随着时间推移，引擎会不断调整以适应Cloudflare客户实际面临的问题，因此您获得的防护将反映当前的威胁态势，而非过去某个时间点的静态快照。

实现方式

自适应智能通过一个循环流程运行：观察、训练、部署、验证。随着我们将更多网络节点接入系统，它可利用的信号范围也在持续扩大。

观察。引擎会聚合Cloudflare网络信号，包括JA4 TLS指纹、请求结构、挑战结果、会话行为、网络声誉以及更高层次的元信号，同时结合Turnstile和Precursor提供的客户端侧遥测数据。某个客户端在单个请求中看似普通，但若在整个会话中表现出脚本化行为，其行为模式仍会被系统捕捉，即使每个单独请求都看似合法。

训练。我们持续基于实时流量对机器学习系统进行再训练，包括最新出现的绕过工具和机器人框架。训练集会频繁更新，使系统能更快响应新型攻击技术。

部署。新的模型权重会自动在网络中部署。无需选择版本或安排升级，一旦您接入该系统，无需进行任何操作。对您流量的评分将反映我们当前实际观测到的威胁。

验证。在新版本成为主要防御手段之前，它会以影子模式与当前版本并行运行，对实时流量进行评分但不影响任何访客。我们会对比两个版本的表现，并监控诸如挑战解决率等信号。如果新版本会导致对真实用户的评分变差，它将不会上线。

Cloudflare 已经多年来通过这种自动化循环对抗 DDoS 攻击：采样流量、通过 TLS 指纹识别攻击背后的模式、将防护措施部署到整个网络，并持续测量以根据流量变化进行调整或淘汰旧策略。Bot 攻击是更难解决的版本，因为其信号更隐蔽，特征只能随时间逐渐显现。任何一个信号单独来看可能完全正常。真正揭示隐藏在正常流量中的 Bot 的是它们之间的关联性以及它们所处的环境。

Adaptive Intelligence 会同时评估多个时间窗口内的流量。短时间窗口可以捕捉到突发流量的形成过程。长时间窗口则能发现跨数千个地址、客户端和会话的重复行为，这些行为本应毫无关联，但系统能将这些分散的请求追溯到单一来源。同一套引擎既能识别明显的数据抓取峰值，也能发现缓慢且分布式的凭证填充攻击，每个地址仅发送少量请求。

自动构建新检测规则

随着 Adaptive Intelligence 的其他功能逐步上线，挖掘系统将搜索近期标记的流量，寻找能够区分新兴攻击和真实用户的信号组合。

通常，有用的检测规则来源于我们已知信号之间的关联，而非从未见过的新信号。例如，客户端可能声称使用某浏览器，但其网络或 JavaScript 信号却属于另一种浏览器。某个请求单独来看可能正常，但与其他会话请求组合时却形成异常序列。自动化挖掘使我们能够测试大量组合，并将最有效的方案转化为候选检测规则。

这些候选规则具有明确的针对性。它们不需要捕获互联网上的所有 Bot，甚至不需要拦截当前攻击的所有请求。这使得它们能够快速构建且在攻击策略变化时易于替换。

它会记住

攻击者不会只发动一次攻击。他们会暂停、调整策略并卷土重来。淘汰一个检测规则并不意味着忘记其背后的模式。引擎会保留对过去攻击的记忆，即使对应的检测规则不再触发，攻击者也无法通过在两个配置文件之间切换来逃避检测。

这种记忆机制使系统在熟悉攻击回归或出现相关变种时获得先发优势。当某个检测规则失去价值时会被淘汰，但其背后的证据仍可用于构建新的检测规则。系统不会积累过时规则，也无需从头学习旧攻击模式。

最终，这套自动化循环既能快速响应明显流量峰值，也能在传统阈值之下默默收集证据，应对那些耐心且分布式的隐蔽攻击。

我们对每个候选方案都进行测试，将其与近期的真实流量进行对比，衡量其能识别出多少已知自动化行为，以及误将真实访客标记为机器人的频率。该功能会逐步上线，作为机器人评分系统的输入，同时我们会监控评分分布、挑战结果和客户反馈。在功能覆盖整个网络之前，我们可随时暂停或回滚该功能。每个更新版本都必须证明其在关键指标上至少与被替换的版本一样优秀，这些指标包括精确率和召回率等。

一个愿景：自适应智能与Precursor

该引擎并非独立运作。上个月我们推出了Precursor，这是一款以隐私保护为核心设计的持续行为验证引擎，用于机器人管理，它通过访客在浏览器端的行为（如操作时机、移动轨迹、难以被自动化模拟的人类微小信号）来衡量自动化滥用情况。Precursor与自适应智能共同构成了一个完整理念的两个组成部分，用于检测恶意自动化。Precursor通过持续会话行为的测量实现检测，而自适应智能则从整个网络范围的机器人检测信号中学习，两者相辅相成，使彼此更难以被欺骗。

这也体现了我们对问题的思考方式：机器人检测引擎应不断缩小攻击者能突破的边界，并以比攻击者更快的速度进行适应。

未来发展方向

持续训练是基础，引擎的更多功能将陆续上线。我们正在扩展对机器人自动检测的生成能力，将Cloudflare在全网范围内看到的流量、挑战和浏览器行为整合为会话的统一视图，并为您提供更多基于引擎发现结果的应对方式。

我们深知没有任何防御能阻止所有决心入侵的攻击者，因此我们追求更有价值的目标：让每次攻击尝试都变得短暂且代价高于收益。自适应智能能更快响应新出现的攻击技术，每次更新都会让攻击者更难从中学习。那些永不放弃的攻击者现在面对的将是一个每次回归时都不相同的防御体系，其持续攻击的投入将不再有回报。

入门指南

企业客户应在机器人管理仪表板中开启"自动更新机器学习"功能。开启后，您将自动获得自适应智能功能，无需迁移版本或进行任何配置，您已构建的机器人评分系统将继续保持原有功能不变。如果您不确定该功能是否已启用，请立即检查以确保从第一天起就获得完整防护。

目录栏

讨论栏

相关标签及社交媒体链接

相关标签

关注社交媒体

• Cloudflare

• Chris Pope

电子邮件订阅