بات‌های سنتی بر اساس یک اسکریپت (Script) مشخص عمل می‌کنند، اما عامل‌های هوش مصنوعی (AI Agents) برای دستیابی به یک هدف خاص طراحی شده‌اند و مراحل رسیدن به آن را خودشان انتخاب می‌کنند. این ویژگی باعث می‌شود شناسایی آن‌ها بسیار دشوارتر از بات‌های معمولی باشد.
تفاوت بات‌های سنتی و عامل‌های هوش مصنوعی
یک بات معمولی محدود به دستورالعمل‌های پیش‌فرض است؛ برای مثال، یک خزنده (Crawler) یا اسکرپر (Scraper) محتوا را می‌خواند یا فرمی را پر می‌کند. در مقابل، یک AI Agent هدفی مانند «رزرو پرواز» یا «تکمیل خرید» را دنبال می‌کند و در هر لحظه تصمیم می‌گیرد چه اقدامی انجام دهد. این عامل‌ها می‌توانند از قابلیت Browser-use استفاده کنند، به این معنا که مانند انسان کلیک کرده و صفحه را اسکرول می‌کنند.
دسته‌بندی عامل‌های هوش مصنوعی بر اساس نحوه ظهور
عامل‌های هوش مصنوعی از نظر نحوه معرفی خود در شبکه به سه دسته تقسیم می‌شوند:
- اعلام‌شده (Declared): هویت خود را در User Agent یا هدرهای امضا شده مشخص می‌کنند و شناسایی آن‌ها ساده است.
- اعلام‌نشده (Undeclared): هویت خود را اعلام نمی‌کنند اما تلاشی برای پنهان شدن هم ندارند. این عامل‌ها اثر انگشت‌های (Fingerprints) ابزارهای اتوماسیون مرورگر را بر جای می‌گذارند که شناسایی آن‌ها نیازمند داده‌های آموزشی برای تشخیص این الگوهاست.
- پنهان‌شده (Disguised): هویت یا اثر انگشت مرورگر خود را تغییر می‌دهند تا شبیه به یک کاربر عادی به نظر برسند. شناسایی این دسته با ابزارهای سنتی که بر پایه Fingerprint عمل می‌کنند، تقریباً غیرممکن است.
سیگنال‌های شناسایی و تحلیل رفتاری
از آنجایی که تشخیص بات‌ها معمولاً به صورت باینری (انسان یا غیرانسان) است، عامل‌های «اعلام‌نشده» و به‌ویژه «پنهان‌شده» اغلب از فیلترها عبور می‌کنند. برای شناسایی این موارد باید به سیگنال‌های رفتاری توجه کرد، از جمله:
- نحوه حرکت نشانگر موس (Pointer) و توالی کلیک‌ها.
- سرعت و جریان تایپ کردن و رفتار اسکرول کردن.
- بررسی هدرهای درخواست (Request Headers) و پرچم‌های اتوماسیون.
- تحلیل نشست‌ها (Sessions) برای شناسایی «سوارم‌ها» (Swarms)؛ یعنی گروهی از نشست‌ها که همگی به دنبال یک هدف واحد هستند.
مدیریت ریسک در محیط‌های سازمانی (Shadow AI)
بسیاری از کارکنان برای افزایش بهره‌وری، بدون اطلاع تیم امنیت، عامل‌های هوش مصنوعی را راه‌اندازی می‌کنند. مشکل اینجاست که این عامل‌ها با اعتبارنامه‌های (Credentials) کاربر اجرا می‌شوند و در لاگ‌ها، فعالیت آن‌ها شبیه به یک کاربر بسیار فعال به نظر می‌رسد.
برای شناسایی این فعالیت‌ها، مدیران امنیت می‌توانند مراحل زیر را دنبال کنند:
- بررسی لاگ‌های OAuth: تحلیل مجوزهای اپلیکیشن و Consentهای OAuth برای یافتن برنامه‌های شخص ثالث با دسترسی‌های گسترده (مانند دسترسی کامل به Mailbox یا Drive).
- حسابرسی ابزارهای SaaS: بررسی لاگ‌های Audit برای شناسایی API Keyها و توکن‌های شخصی ایجاد شده.
- تحلیل ترافیک خروجی (Egress): بررسی لاگ‌های پروکسی (Proxy) برای شناسایی ترافیکی که از ماشین‌های غیرمرتبط به سمت APIهای مدل‌های هوش مصنوعی ارسال می‌شود.
استراتژی پیشنهادی برای CISOها
به جای تلاش برای ممنوع کردن کامل، سازمان‌ها باید سیاست‌های خود را با پذیرش امن AI تطبیق دهند. یک رویکرد سه مرحله‌ای پیشنهاد می‌شود:
- درک حجم ترافیک: شناسایی اینکه چه مقدار از ترافیک وب و اپلیکیشن‌های سازمان توسط AI Agents ایجاد می‌شود.
- تعریف سیاست‌های دسترسی: محدود کردن دسترسی عامل‌ها به داده‌های حساس و سطوح ریسک بالا.
- مسیریابی خودکار (Automated Routing): پیاده‌سازی سیستمی که ریسک‌های امنیتی را مدیریت کرده و در عین حال از مسدود شدن عامل‌های مجاز که باعث کاهش درآمد می‌شوند، جلوگیری کند.
نکته نهایی: تکیه بر متادیتای ساده مانند آدرس IP یا مکان برای تشخیص انسان از ماشین، به دلیل امکان جعل (Spoofing) بالا، در آینده‌ای بسیار نزدیک دیگر کاربردی نخواهد داشت.
