突破边界：自动化威胁的演变

F5生态系统 | 2025年8月15日

在当今的数字经济中，并非所有威胁都显而易见。有些威胁披着合法行为的外衣，例如模仿用户的自动化脚本、遵循业务逻辑的机器人，以及无缝融入正常流量模式的AI智能体。这些行为主体利用的不是代码漏洞，而是人们的固有假设。它们的武器并非恶意软件或畸形数据包，而是恶意意图。

安全与风险管理（SRM）负责人如今面临一个新现实：意图已成为新的有效载荷。表面看似无害的自主流量可能经过精心设计，对业务造成重大损害，并能轻易绕过Web应用防火墙（WAF）、分布式拒绝服务（DDoS）缓解措施和API网关等传统防御机制。

安全假象：为何传统防御已不足以应对

WAF和DDoS缓解长期以来一直是应用安全的基石。然而，这些工具并非为检测细微的行为差异而设计。它们回答的是“此请求包含什么？”之类的问题，而不是“谁发起了此请求？”或“为什么要这样做？”

WAF的不足之处

大多数WAF采用两种安全模型。负向安全模型（拒绝列表）会阻止与已知攻击特征匹配的请求，而正向安全模型（允许列表）仅允许符合预定义格式的请求。现代WAF会尝试通过机器人缓解功能来阻止自动化攻击，例如基于IP的速率限制、地理位置过滤，以及针对已知恶意机器人的托管规则集。

然而，如今的高级恶意机器人仍能不断绕过这些防御措施。它们生成的流量在协议层和应用层看似合法，利用了WAF侧重分析有效负载内容而非用户意图这一特点。例如，囤积库存的机器人只是按预期使用“加入购物车”功能，撞库机器人只是提交登录表单，而爬虫机器人只是请求网页。这些操作不会触发旨在捕获XSS或命令注入等代码级漏洞利用行为的WAF特征规则，因此WAF在架构上并不具备阻止这些操作的基础。

这一弱点的根源在于“上下文盲区”。WAF查找的是恶意模式，而非请求背后的行为背景。它们无法判断“谁在发送此请求？”或“应用是如何被使用的？”机器人可能使用无头浏览器、来自有滥用记录的住宅代理，并且没有类似人类的鼠标移动，而WAF无法检测到这些特征。

机器人活动不一定达到DDoS攻击的规模

DDoS防护服务应对的是另一类威胁，即旨在使基础设施不堪重负的大流量攻击。虽然这些服务可以阻止HTTP洪水攻击等大规模应用层攻击，但其检测依赖于对流量、速率和来源的分析。

高级机器人程序专为规避这些基于流量的防御措施而设计。与传统DDoS攻击不同，机器人程序发出的请求在语法上完全正确，单个请求无害，但大量请求汇集起来可能耗尽关键应用资源。它们会谨慎控制请求速率，使其保持在检测阈值以下，并使用数千个不同的IP地址（通常通过住宅代理），从而避开传统的IP地址封禁。

如今的高级机器人程序比以往更加复杂，也更具持续性。它们代表了一类新型自动化威胁，具有隐蔽性和适应性，并受经济利益驱动。它们在略低于检测阈值的范围内运行，能够规避大多数传统防御措施。

传统工具无法识别揭示恶意自动化活动的行为和上下文信号。它们能够有效应对已知威胁，但难以抵御行为与真实用户无异的攻击者。

意图型威胁的实际表现

自主流量不再只是背景噪声，而是已成为一种战略武器。这些机器人和AI智能体旨在模仿人类行为，因此难以识别，更难阻止。它们的目标并不总是技术层面的，往往还涉及经济层面：

凭据填充与账户接管：持续活动的机器人会大规模向登录表单中注入被盗凭据。每个请求看似有效，实则意图恶意，可能导致欺诈、数据盗窃和客户流失。
囤积库存与倒卖牟利：机器人会立即预订或购买热门商品，造成人为短缺，令真实客户难以购买。这会导致收入损失、品牌受损和市场操纵。
用于操纵竞争的网页抓取：竞争对手部署机器人程序来收集价格和库存信息，从而实时压低价格。生成式AI的兴起导致抓取活动激增，如今这些数据被用于训练大型语言模型，对数字知识产权构成持续威胁。

这些并非暴力破解攻击，而是由善于伪装的机器人针对业务逻辑发起的精准攻击。