ایجنتهای هوش مصنوعی وقتی شبیه انسان میشوند: سیگنالهایی که هنوز لوشان میدهد

چند سال پیش، واژهٔ «بات» تصویری ساده در ذهن امنیتکاران میساخت: اسکریپتی که پشت سر هم به صفحهٔ ورود سایت میکوبد. امروز در جلسات تشخیص تهدید، نام دیگری شنیده میشود: «ایجنت هوش مصنوعی». موجودی که اسکریپت را اجرا نمیکند، بلکه هدفی دارد و خودش تصمیم میگیرد برای رسیدن به آن هدف کدام قدمها را بردارد. همین تفاوت کوچک، تمام محاسبات تشخیص را به هم میریزد. 🔍

🤖 ربات اسکریپت را اجرا میکند، ایجنت هدف را دنبال میکند

یک بات به اسکریپت پایبند است؛ ممکن است محتوا بخواند، مثل خزنده یا اسکرپر، یا کاری ثابت انجام دهد، مثل پر کردن فرم یا ورود به حساب. اما از محدودهٔ همان اسکریپت بیرون نمیزند. ایجنت هوش مصنوعی اما برای رسیدن به مقصودی مثل رزرو بلیت یا تکمیل یک خرید کار میکند و در مسیر، قدم بعدی را خودش انتخاب میکند. این انتخاب میتواند از طریق ابزارهای کنترل مرورگر انجام شود؛ یعنی ایجنت کلیک میکند و اسکرول میکند، درست مثل یک بازدیدکنندهٔ واقعی.

🎭 سه چهرهٔ ایجنتها: اعلامشده، اعلامنشده، مبدل

لایهٔ پیچیدهتر، نحوهٔ معرفی ایجنتهاست. دستهٔ اول اعلامشده است: ایجنت خودش را در user agent یا هدر امضاشده معرفی میکند و شناساییاش ساده است. دستهٔ دوم اعلامنشده است: خود را معرفی نمیکند، اما تلاشی هم برای پنهان شدن ندارد و اثر انگشت ابزارهای خودکارسازی مرورگر را جا میگذارد؛ شناساییاش سختتر است، چون ابزار تشخیص برای بازشناسی آن اثر انگشت به دادهٔ آموزشی نیاز دارد. دستهٔ سوم مبدل است: هویت یا اثر انگشت مرورگرش را طوری تغییر میدهد که شبیه بازدیدکنندهٔ عادی دیده شود و با ابزارهای سنتیِ متکی به اثر انگشت تقریباً غیرقابل تشخیص است.

اینجاست که مشکل اصلی خودش را نشان میدهد: تشخیص بات عمدتاً دودویی است، یعنی فقط میپرسد «انسان است یا نه؟». چنین نگاهی اغلب ایجنتهای اعلامنشده را از دست میدهد و تقریباً همیشه ایجنتهای مبدل را، چون اینها بر اساس نحوهٔ کارشان شبیه انسان به نظر میرسند.

وقتی ایجنت مثل انسانی کمی بیحوصله رفتار میکند، چه ردپایی باقی میماند؟ پاسخ در رفتار است، نه در هویت.

📊 سیگنالهایی که باید روی داشبورد بنشینند

تشخیص در این مرحله بسیار سیگنالمحور است. آنچه اهمیت دارد، الگوهای رفتاری و محیطی است:

• 🖱️ نحوهٔ حرکت نشانگر ماوس و مسیر غیرطبیعی آن
• ⏱️ ترتیب کلیکها و فاصلهٔ زمانی میان آنها
• ⌨️ ریتم تایپ کردن و الگوی اسکرول صفحه
• 🧾 هدرهای درخواست، پرچمهای خودکارسازی و امضاهای Web Bot Auth
• 🌐 نشانههای محیط مرورگر که با یک کاربر واقعی جور درنمیآید

لایهٔ بعدی، نشستهاست: مجموعهای از نشستها که کاربرانی با رفتار یکسان یا هدف مشترک را نشان میدهند. این الگو میتواند نشانهٔ یک «ازدحام» (swarm) باشد؛ همان چیزی که این روزها بیشتر از همه نگرانی تیمهای امنیتی را برمیانگیزد. قدم بعدی، پیوند دادن این سیگنالها به یکدیگر و خواندنشان بهصورت لحظهای برای شناسایی حملات احتمالی است.

🕵️ ایجنتهایی که هیچکس به تیم امنیت خبر نداده

کارمندان ایجنتها را با کلیدهای API شخصی و مجوزهای OAuth به ایمیل، تقویم و ابزارهای SaaS وصل میکنند. تقریباً هیچکس این کار را به امنیت گزارش نمیکند؛ از نگاه کارمند، این یک ابزار بهرهوری است که در پنج دقیقه راه افتاده و رد شدن از فرایند رسمی بیشتر ضرر دارد تا فایده. مشکل اینجاست که این ایجنتها با اعتبارنامهٔ همان کارمند کار میکنند و در بیشتر لاگها فقط شبیه کسی دیده میشوند که خیلی مشغول است.

برای پیدا کردنشان، ترتیب بررسی لاگها مهم است:

1. 🔑 لاگهای رضایت و اعطای دسترسی OAuth در سرویسدهندهٔ هویت؛ بهدنبال اپهای ثالث با دسترسیهای گسترده مثل کل صندوق ایمیل یا درایو که فقط یک کاربر تأییدشان کرده است.
2. 📋 لاگهای حسابرسی ابزارهای اصلی SaaS برای کلیدهای API و توکنهای شخصیِ ساختهشده و اینکه بعداً چه استفادهای از آنها شده.
3. 🚪 لاگهای خروجی یا پروکسی برای ترافیکی که از ماشینهایی به API ارائهدهندگان مدل و پلتفرمهای ایجنت میرود و هیچ دلیل کاری برای چنین تماسی ندارند.

بعد از بهدست آوردن فهرست مجوزها، خود فعالیت بقیهٔ ماجرا را میگوید: هیچ کارمندی در ساعت سه بامداد چهارصد ایمیل را در دو دقیقه نمیخواند و یک ثانیه بعد از رسیدن دعوت تقویم آن را نمیپذیرد. همان الگوهای سرعت و زمانبندی که پیشتر گفتیم، اینجا هم کار را راه میاندازند.

در عمل، این مسیر باید از سوی شرکتهایی حمایت شود که میخواهند کارمندان هوش مصنوعی را بپذیرند؛ سیاستها باید برای پشتیبانی امن از آن تطبیق پیدا کنند، نه اینکه به شکار یا ممنوعیت کامل بیانجامند.

💰 اگر فقط یک بودجه در کار باشد

سرمایهگذاری باید روی همان تشخیصی برود که چالش نشستهای اعلامنشده و مبدل را حل کند. این مسیر سه گام دارد: نخست، درک روشنی از سهم ترافیک ایجنتی در وبسایتها و اپلیکیشنها؛ دوم، تعریف سیاست برای دادههای حساس و ورودها و محدود کردن دسترسی روی همهٔ سطوح ریسک؛ سوم، افزودن مسیریابی خودکار که هم ریسک امنیتی را مدیریت کند و هم جلوی از دست رفتن درآمد ناشی از مسدود کردن یکجای همهٔ ایجنتها، حتی مجازها، را بگیرد.

⏳ سیگنالی که تا ۱۸ ماه آینده بیارزش میشود

پاسخ صریح است: هر نوع فراداده (metadata). تکیه بر موقعیت جغرافیایی یا آدرس IP و هر نشانهٔ دیگری که قرار است انسانبودن را ثابت کند، همین حالا هم سست است و بهراحتی جعل یا پنهان میشود. چنین سیگنالی حتی تا شش ماه آینده هم قابل اتکا نخواهد بود، چه برسد به ۱۸ ماه.

🧠 جمعبندی

ایجنتهای هوش مصنوعی مرز میان انسان و ماشین را مبهم کردهاند و تشخیص دودویی دیگر کافی نیست. آنچه میماند، رفتار است: ریتم کلیک، الگوی تایپ، همزمانی نشستها و شواهدی در لاگهای هویت و خروجی شبکه. سازمانهایی که این سیگنالها را زودتر به هم وصل کنند، هم امنیت بهتری دارند و هم مجبور نیستند نوآوری را قربانی کنند. ✨

---

منبع: Help Net Security — AI agent detection signals that still work when agents look human