Whose Agent Are You? Multi-Layer Fingerprinting and Attribution of Autonomous Web Agents
यह शोधपत्र एक बहु-स्तरीय फिंगरप्रिंटिंग फ्रेमवर्क पेश करके अनियंत्रित एआई वेब एजेंट स्क्रैपिंग के विरुद्ध एक सुदृढ़, बचाव-प्रतिरोधी रक्षा प्रस्तावित करता है जो स्वायत्त एजेंटों को मनुष्यों और पारंपरिक क्रॉलर्स से अलग करने में 97% सटीकता प्राप्त करने के लिए नेटवर्क और ब्राउज़र इंटरेक्शन विशेषताओं को जोड़ता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरा पुस्तकालय है। वर्षों से, पुस्तकालयाध्यक्ष (वेबसाइट मालिक) ने कुछ किताबों से दूर रहने के लिए बॉट्स को एक साधारण "प्रवेश निषेध" का संकेत (जिसे robots.txt कहा जाता है) देने के लिए भरोसा किया है। उन्होंने बॉट्स को पहचानने के लिए बाउंसर भी रखे हैं जो उनके आईडी कार्ड देखने की कोशिश करते हैं।
लेकिन हाल ही में, एक नया प्रकार का आगंतुक आया है: AI वेब एजेंट्स। ये केवल टेक्स्ट स्कैन करने वाले साधारण रोबोट नहीं हैं; ये बुद्धिमान, स्वायत्त खरीदारों की तरह हैं जो बटन दबा सकते हैं, फॉर्म भर सकते हैं, पेजों को स्क्रॉल कर सकते हैं और इंसानों की तरह निर्णय ले सकते हैं। समस्या यह है कि वे इंसान होने का नाटक करने में बहुत माहिर हैं, और वे उन चीज़ों को खुरच (scrape) रहे हैं जिन्हें उन्हें नहीं देखना चाहिए।
आपके द्वारा प्रदान किया गया पेपर, "Whose Agent Are You?", इन चालाक खरीदारों को पकड़ने का एक नया तरीका पेश करता है। लेखकों ने MARK (मल्टी-लेयर एजेंट फिंगरप्रिंटिंग फ्रेमवर्क) नामक एक प्रणाली बनाई है जो एक सुपर-डिटेक्टिव की तरह काम करती है। केवल आईडी कार्ड चेक करने के बजाय, MARK इस बात पर नज़र रखता है कि आगंतुक कैसे चलता है, वह पुस्तकालय से कैसे बात करता है, और वह अलमारियों के साथ कैसे इंटरैक्ट करता है।
यह सिस्टम कैसे काम करता है, इसे सरल उपमाओं में यहाँ तोड़कर समझाया गया है:
1. सेटअप: एक "ट्रैप" लाइब्रेरी
शोधकर्ताओं ने एक विशेष, नियंत्रित वेबसाइट (उनका "टेस्टबेड") बनाई जिसमें इन AI एजेंट्स को उलझाने या उनकी प्रकृति प्रकट करने के लिए पांच विशिष्ट पहेलियाँ डिज़ाइन की गई थीं।
- नकली बटन (The Fake Button): कुछ बटन असली दिखते हैं लेकिन कुछ नहीं करते।
- छिपा हुआ बटन (The Hidden Button): एक बटन जो केवल तभी दिखाई देता है जब आप माउस को एक विशिष्ट स्थान पर ले जाते हैं।
- विलंबित प्रतिक्रिया (The Delayed Reaction): एक बटन जो प्रतिक्रिया देने में कुछ सेकंड लेता है।
- भ्रमित करने वाला लेबल (The Confusing Label): एक बटन जहाँ टेक्स्ट "हाँ" कहता है लेकिन उसके नीचे का कंप्यूटर कोड "नहीं" कहता है।
उन्होंने छह अलग-अलग प्रकार के AI एजेंट्स (जैसे AutoGen, Skyvern, Claude, Gemini, और OpenAI का Operator) को इस लाइब्रेरी में आने के लिए आमंत्रित किया ताकि वे इन पहेलियों को हल कर सकें। उन्होंने वास्तविक मनुष्यों और पुराने ज़माने के, "मूर्ख" रोबोट्स (पारंपरिक क्रॉलर्स) को भी आमंत्रित किया ताकि देखा जा सके कि वे कैसे व्यवहार करते हैं।
2. जासूसी का काम: सुरागों की चार परतें
MARK सिस्टम केवल एक चीज़ नहीं देखता; यह चार अलग-अलग कोणों से आगंतुक पर नज़र रखता है, जैसे कि चार कैमरों वाला एक जासूस:
परत 1: समय (द "पेसिंग" कैमरा)
- यह क्या देखता है: एक पेज से दूसरे पेज पर क्लिक करने के बीच आगंतुक कितना इंतजार करता है?
- सुराग: इंसान और कुछ AI एजेंट्स "सोचने का समय" लेते हैं। अन्य रोबोटिक होते हैं और तुरंत क्लिक करते हैं। कुछ एजेंट बहुत सुसंगत (जैसे मेट्रोनोम) होते हैं, जबकि अन्य अनियमित होते हैं।
- उपमा: एक दौड़ की कल्पना करें। कुछ धावक सटीक अंतराल में स्प्रिंट करते हैं; अन्य दौड़ते हैं, रुकते हैं, जूते के फीते बांधते हैं, और फिर से स्प्रिंट करते हैं। उनके कदमों का समय प्रकट करता है कि वे कौन हैं।
परत 2: हैंडशेक (द "TLS" कैमरा)
- यह क्या देखता है: जब कोई आगंतुक वेबसाइट से जुड़ता है, तो वे सुरक्षा नियमों पर सहमत होने के लिए हाथ मिलाते हैं (एक तकनीकी प्रक्रिया जिसे TLS हैंडशेक कहा जाता है)।
- सुराग: हर ब्राउज़र और रोबोट के हाथ मिलाने का थोड़ा अलग तरीका होता है। यह एक अद्वितीय हैंडशेक शैली की तरह है।
- उपमा: यदि आप किसी पार्टी में किसी से मिलते हैं, तो आप सामान्य रूप से हाथ मिला सकते हैं। लेकिन एक रोबोट एक विशिष्ट पकड़ के साथ हाथ मिला सकता है, या दूसरा ब्राउज़र एक "हाई-फाइव" का उपयोग कर सकता है। शोधकर्ताओं ने पाया कि एक एजेंट (Skyvern) का 17 विशिष्ट नियमों के साथ एक अनूठा "हैंडशेक" था, जबकि अन्य 16 का उपयोग करते थे। दूसरा एजेंट (Operator) एकमात्र था जो "Firefox" हैंडशकी स्टाइल का उपयोग कर रहा था, जबकि बाकी सभी "Chrome" का उपयोग कर रहे थे।
परत 3: बातचीत (द "HTTP" कैमरा)
- यह क्या देखता है: वे लेबल और नोट्स जो आगंतुक अपने अनुरोधों के साथ भेजता है (जैसे "मैं छवियों की तलाश कर रहा हूँ" या "मैं इस पेज पर हूँ")।
- सुराग: वास्तविक मनुष्य वेबसाइटों से बात करते समय सख्त व्याकरण नियमों का पालन करते हैं। AI एजेंट अक्सर गलतियाँ करते हैं या अजीब, असंगत व्याकरण का उपयोग करते हैं क्योंकि वे चीजों को स्वचालित रूप से जोड़ रहे होते हैं।
- उपमा: कॉफी ऑर्डर करने की कल्पना करें। एक इंसान कहता है, "मुझे एक लाटे चाहिए।" एक AI एजेंट कह सकता है, "मुझे एक लाटे चाहिए... लेकिन साथ ही, मैं एक रोबोट हूँ, और मेरा ऑर्डर एक स्क्रिप्ट के लिए है।" एक एजेंट (Browser Use) को 100% बार पकड़ा गया क्योंकि उसने एक ऐसा अनुरोध भेजा जो एक वास्तविक व्यक्ति के लिए तार्किक रूप से असंभव था (जैसे यह कहना कि "मैं एक छवि देख रहा हूँ" जबकि साथ ही यह कहना कि "मैं वेबसाइट पर नहीं हूँ")।
परत 4: व्यवहार (द "माउस और कीबोर्ड" कैमरा)
- यह क्या देखता है: आगंतुक अपने माउस को कैसे घुमाता है, टाइप करता है, या स्क्रॉल करता है।
- सुराग: इंसान अपने माउस को चिकनी, घुमावदार रेखाओं में चलाते हैं। कुछ AI एजेंट बस बिंदु A से बिंदु B तक कूद जाते हैं। अन्य इंसानों की नकल करने की कोशिश करते हैं लेकिन अजीब, बहुत लंबे लूप में माउस घुमाते हैं।
- उपमा: यदि आप किसी को वृत्त बनाते हुए देखते हैं, तो एक इंसान एक चिकना वक्र बनाता है। एक रोबोट एक टेढ़ा-मेढ़ा वर्ग बना सकता है और फिर उसे चिकना करने की कोशिश कर सकता है। एक एजेंट (Skyvern) इसलिए पकड़ा गया क्योंकि वह अविश्वसनीय रूप से लंबे, घुमावदार रास्तों में अपना माउस चला रहा था, जो बहुत अधिक इंसान दिखने की कोशिश कर रहा था, जबकि दूसरे (AutoGen) ने अपना माउस मुश्किल से ही हिलाया, बस तुरंत क्लिक कर दिया।
3. फैसला: सुरागों को एक साथ लाना
शोधकर्ताओं ने इन सभी सुरागों को लिया और उन्हें एक "डिसीजन ट्री" (एक सरल कंप्यूटर प्रोग्राम जो हाँ/ना वाले प्रश्नों की एक श्रृंखला पूछता है) में फीड किया।
- परिणाम: इन चारों परतों के सुरागों को मिलाकर, सिस्टम बिल्कुल पहचान सकता था कि कौन सा AI एजेंट आ रहा था, या क्या वह एक इंसान था या पुराना-ज़माने का रोबोट, और इसकी सटीकता 97% थी।
- पकड़ा गया तथ्य: यदि उन्होंने केवल एक परत (जैसे केवल समय) को देखा, तो वे कभी-कभी भ्रमित हो गए। उदाहरण के लिए, दो अलग-अलग AI एजेंट (Claude और Gemini) हाथ मिलाने (परत 2) और बात करने (परत 3) के मामले में लगभग एक जैसे दिखे। लेकिन जब सिस्टम ने उनके माउस चलाने के तरीके (परत 4) को देखा, तो वह उन्हें अलग कर सका!
यह क्यों मायने रखता है
पेपर निष्कर्ष निकालता है कि हम अब केवल "प्रवेश निषेध" संकेतों या सरल आईडी जांचों पर भरोसा नहीं कर सकते। AI एजेंट बहुत स्मार्ट हैं और वे दिखावा करने में बहुत अच्छे हैं। हालांकि, क्योंकि वे अलग-अलग सॉफ़्टवेयर "मस्तिष्क" और "शरीर" पर बने होते हैं, वे पीछे अनूठे डिजिटल पदचिह्न छोड़ देते हैं।
यह देखकर कि वे कैसे चलते हैं, वे कैसे कनेक्ट करते हैं, वे क्या कहते हैं, और वे कब कार्य करते हैं, वेबसाइट मालिक अंततः एक मानव आगंतुक, एक सहायक रोबोट, और एक ऐसे AI एजेंट के बीच अंतर कर सकते हैं जो कंटेंट चुरा रहा है। यह यह जानने जैसा है कि चोर को केवल उसके चेहरे से नहीं, बल्कि उसके चलने के विशिष्ट तरीके, उसके कदमों की अनूठी आवाज़ और उसकी चाबियों को पकड़ने के अजीब तरीके से पहचाना जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।