論文の概要: On the Internet, Nobody Knows You're an LLM Bot: Unmasking Web Agents with Multi-Layer Fingerprinting
- arxiv url: http://arxiv.org/abs/2606.30119v1
- Date: Mon, 29 Jun 2026 10:51:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.198918
- Title: On the Internet, Nobody Knows You're an LLM Bot: Unmasking Web Agents with Multi-Layer Fingerprinting
- Title（参考訳）: インターネットでLLMボットを知らない人はいない:マルチレイヤーフィンガープリントでWebエージェントを解き放つ
- Abstract要約: 2023年以降、Web Agentsという新しい種類のボットが登場している。
ウェブ上で複雑なタスクを自動化し、Selenium、Puppeteer、Playwrightといった従来のブラウザ自動化ツールを超えることができる。
ウェブサイト管理者がこれらのLLMベースのボットを検出してブロックすることはますます困難になっている。
- 参考スコア（独自算出の注目度）: 1.4726407245786044
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since 2023, a new class of bots has emerged: Web Agents. They can automate complex tasks on the Web, going beyond traditional browser automation tools such as Selenium, Puppeteer, or Playwright. Leveraging large language models (LLMs), these agents are capable of solving anti-bot mechanisms, mimicking human behavior, and, in some cases, operating directly from the local machine of the user configuring them. As a result, it is becoming increasingly difficult for website administrators to detect and block these LLM-based bots. Modern Web Agents commonly integrate stealth and anti-detection techniques, while numerous proprietary and open-source anti-bot mechanisms have emerged recently, specifically to block them. However, despite their growing prevalence, there is little evaluation of the effectiveness of state-of-the-art anti-bot mechanisms against these LLM-based bots and their stealth capabilities. Likewise, no prior work has comprehensively studied how to characterize and distinguish Web Agents deployed either in the cloud or locally. This paper addresses these open questions by deploying multiple honeysites protected by one or more anti-bot mechanisms (e.g., robots.txt, CAPTCHAs, proof-of-work, and Cloudflare's free proprietary solutions). We integrated network-, HTTP-, and browser-level fingerprinting techniques, and prompted six LLM-based Web Agents to visit the deployed honeysites. Our analysis reveals three main findings: (i) some Web Agents were able to bypass all evaluated anti-bot mechanisms; (ii) all evaluated Web Agents can be distinguished both from humans and from one another using multi-layer fingerprinting techniques across network, HTTP and browser layers; (iii) stealth and anti-detection mechanisms often increase detectability rather than decrease it.
- Abstract（参考訳）: 2023年以降、Web Agentsという新しい種類のボットが登場している。
ウェブ上で複雑なタスクを自動化し、Selenium、Puppeteer、Playwrightといった従来のブラウザ自動化ツールを超えることができる。
大規模言語モデル(LLM)を活用することで、これらのエージェントはボットのメカニズムを解決し、人間の振る舞いを模倣し、場合によっては、ユーザーが設定したローカルマシンから直接操作することができる。
その結果、ウェブサイト管理者がこれらのLLMベースのボットを検出してブロックすることはますます困難になっている。
現代のWebエージェントはステルスとアンチ検出技術を統合するのが一般的であるが、プロプライエタリでオープンソースのアンチボット機構が最近出現し、特にそれをブロックしている。
しかし、その普及にもかかわらず、これらのLSMベースのボットに対する最先端のアンチボットメカニズムの有効性と、それらのステルス能力についてはほとんど評価されていない。
同様に、クラウドまたはローカルにデプロイされたWebエージェントを識別し、区別する方法を包括的に研究する以前の研究は行われていない。
本稿では、1つ以上のアンチボットメカニズム(ロボット.txt、CAPTCHA、実証-of-work、Cloudflareの無償プロプライエタリソリューションなど)で保護された複数のハニサイトをデプロイすることで、これらのオープンな疑問に対処する。
ネットワーク、HTTP、ブラウザレベルのフィンガープリント技術を統合し、6つのLCMベースのWebエージェントがデプロイされたハニーサイトを訪問するように促しました。
分析の結果,主に3つの結果が得られた。
(i)一部のWebエージェントは、評価された全てのアンチボットメカニズムをバイパスすることができた。
(ii)ネットワーク層,HTTP層,ブラウザ層にまたがる多層指紋認証技術により,評価されたWebエージェントを人間と区別することができる。
三 盗難及び抗検知機構は、その減少よりも検出可能性を高めることがしばしばある。
関連論文リスト
- Broken Gates: Re-evaluating Web Bot Defenses in the Age of LLM Agents [0.10467550794914121]
我々は,商業的なCaptcha解決サービスとLLMベースのブラウザエージェントの2つの攻撃クラスに対して,挑戦ベースの防御と非対話的信頼ベースの防御のレジリエンスを評価する。
以上の結果から, チャレンジベース防衛は, ほぼ完全なバイパスを無視可能なコストで達成できる商業的解決者に対して, 広範囲に効果がないことが示唆された。
reCaptcha v3のような非インタラクティブな防御は強い抵抗を示すが、このレジリエンスは基本的なセキュリティ特性を反映していない。
論文 参考訳（メタデータ） (2026-07-21T03:02:57Z) - Whose Agent Are You? Multi-Layer Fingerprinting and Attribution of Autonomous Web Agents [14.225575847186592]
我々は,多層指紋を用いて,AI Webエージェントを人間や伝統的なクローラーと効果的に区別できることを示す。
我々はこのメカニズムを,ライブな計測可能なドメインにデプロイ可能なプログラムロギングフレームワークとして実装する。
本研究は, クロスレイヤーエージェントトラッキングが, コンテンツ保護とWebセキュリティポリシーの施行に対して, 堅牢かつ回避性のある戦略を提供することを示した。
論文 参考訳（メタデータ） (2026-06-18T20:07:39Z) - FP-Agent: Fingerprinting AI Browsing Agents [11.678899044315243]
7つのAIブラウジングエージェントと人間のユーザを制御した最初の測定結果を示す。
複数のAIブラウジングエージェントが共有する場合,ブラウザの指紋は識別能力に限界があることがわかった。
しかし、行動指紋は、タイプ、スクロール、マウスの振る舞いの違いによって、人間とマウスの異なるAIブラウジングエージェントである。
論文 参考訳（メタデータ） (2026-05-02T04:58:08Z) - WebAgentGuard: A Reasoning-Driven Guard Model for Detecting Prompt Injection Attacks in Web Agents [117.65855863464863]
Webエージェントはインジェクション攻撃に対して非常に脆弱である。
システム・プロンプト・ディフェンス(英語版)やエージェントの直接微調整を含む既存の防御は、効果が限られている。
本稿では,WebAgentGuardを導入し,インジェクション検出のためのマルチモーダルガードモデルを提案する。
論文 参考訳（メタデータ） (2026-04-14T04:50:35Z) - It's a TRAP! Task-Redirecting Agent Persuasion Benchmark for Web Agents [52.81924177620322]
大規模な言語モデルを利用したWebベースのエージェントは、メール管理やプロフェッショナルネットワーキングといったタスクにますます利用されている。
動的Webコンテンツへの依存は、インジェクション攻撃の引き金に弱い: インターフェース要素に隠された敵対的命令は、エージェントが元のタスクから逸脱するように説得する。
本稿では,タスクリダイレクトエージェントの説得ベンチマーク(TRAP)について紹介する。
論文 参考訳（メタデータ） (2025-12-29T01:09:10Z) - RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction [51.46634975923564]
本稿では,ソーシャルボット制御攻撃(RoBCtrl)のための対向型マルチエージェント強化学習フレームワークを提案する。
具体的には、拡散モデルを用いて、既存のアカウントデータを小さな修正で再構築することで、高忠実度ボットアカウントを生成する。
次に,MARL(Multi-Agent Reinforcement Learning)法を用いて,ボットの逆動作をシミュレートする。
論文 参考訳（メタデータ） (2025-10-16T02:41:49Z) - In-Browser LLM-Guided Fuzzing for Real-Time Prompt Injection Testing in Agentic AI Browsers [0.0]
大規模言語モデル(LLM)ベースのエージェントがWebブラウザに統合され、Webタスクの強力な自動化を提供する。
それらは間接的なインジェクション攻撃に対して脆弱で、Webページに隠された悪意のある命令は、エージェントを不必要なアクションに騙す。
本稿では,ブラウザ上で完全に動作し,LDMによって誘導される新しいファジィングフレームワークについて紹介する。
論文 参考訳（メタデータ） (2025-10-15T13:39:13Z) - WALT: Web Agents that Learn Tools [66.73502484310121]
WALTは、Webサイト機能を再利用不能なツールにリバースエンジニアリングするフレームワークである。
WALTはアドホックなスキルを仮説化するのではなく、既にウェブサイトに設計されている自動化の堅牢な実装を公開している。
VisualWebArenaとWebArenaでは、WALTはより少ないステップとLLM依存の推論でより高い成功を達成している。
論文 参考訳（メタデータ） (2025-10-01T23:41:47Z) - A Whole New World: Creating a Parallel-Poisoned Web Only AI-Agents Can See [0.0]
悪意のあるWebサイトは、受信した要求をAIエージェントから派生したものとして識別し、そのコンテンツの異なる“クラック”バージョンを動的に提供する。
人間のユーザーは良心的なWebページを見るが、エージェントには、隠された悪意のある命令が埋め込まれた視覚的に同一のページが表示される。
この研究は脅威モデルを形式化し、エージェントフィンガープリントとクローキングの仕組みを詳述し、エージェントAIの将来に対する深刻なセキュリティへの影響について論じる。
論文 参考訳（メタデータ） (2025-08-29T08:14:52Z) - BlindGuard: Safeguarding LLM-based Multi-Agent Systems under Unknown Attacks [58.959622170433725]
BlindGuardは、攻撃固有のラベルや悪意のある振る舞いに関する事前の知識を必要とせずに学習する、教師なしの防御方法である。
BlindGuardはマルチエージェントシステムにまたがる多様な攻撃タイプ(即時注入、メモリ中毒、ツール攻撃)を効果的に検出する。
論文 参考訳（メタデータ） (2025-08-11T16:04:47Z) - Manipulating LLM Web Agents with Indirect Prompt Injection Attack via HTML Accessibility Tree [8.511846002129522]
敵はWebページHTMLにユニバーサルな敵のトリガーを埋め込んでエージェントの動作をハイジャックできることを示す。
本システムは,ターゲット攻撃と一般攻撃の両方において,実際のWebサイト間で高い成功率を示す。
論文 参考訳（メタデータ） (2025-07-20T03:10:13Z) - Dissecting Adversarial Robustness of Multimodal LM Agents [70.2077308846307]
我々は、VisualWebArena上に現実的な脅威モデルを用いて、200の敵タスクと評価スクリプトを手動で作成する。
我々は,クロボックスフロンティアLMを用いた最新のエージェントを,リフレクションやツリーサーチを行うエージェントを含む,壊すことに成功している。
AREを使用して、新しいコンポーネントの追加に伴うロバスト性の変化を厳格に評価しています。
論文 参考訳（メタデータ） (2024-06-18T17:32:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。