# **StyloBot: Борьба з Боксерами**

*Боксери збираються використовувати штучний інтелект, щоб наслідувати реальних користувачів. Тож я збудував детектор для роботів, який вчиться*

**[Розумійте цю частину 2: Як Bots стали розумнішими - Нова межа в розпізнаванні Bot](https://www.mostlylucid.net/blog/botdetection-part2-signature-pipeline-and-stylobot-architecture)**

**[👉 Подивіться на це в прямому ефірі](https://stylobot.net)** - Це реальна система виробництва, яка розпізнає ваш запит за один милісекунд. CPUM SK2 тільки МSK3 не потрібна графічна комп ’ ютерна система.

**Найголовніша концепція: Руйтинг поведінкиM SK1** Це дає можливість створити нову категорію -, де прозорі МSK1 пристосовні МSK2 команди " детекторів та систем навчання рефлікційно об 'єднують рух на основі з' ясованих моделей поведінки [Перехідник YARP](https://hub.docker.com/r/scottgal/mostlylucid.yarpgateway), Bots never reach your backend . Or use the middleware to build behavioural routing directly into your app layer

<pinned/>
<!--category-- ASP.NET, Bot Detection, Security -->
<datetime class="hidden">2025-12-08T07:00</datetime>

[![NuGet](https://img.shields.io/nuget/v/mostlylucid.botdetection.svg)](https://www.nuget.org/packages/mostlylucid.botdetection/)
[![GitHub](https://img.shields.io/github/stars/scottgal/mostlylucid.nugetpackages?style=social)](https://github.com/scottgal/mostlylucid.nugetpackages/blob/main/Mostlylucid.BotDetection/README.md)
[![Докер](https://img.shields.io/docker/pulls/scottgal/mostlylucid.yarpgateway)](https://hub.docker.com/r/scottgal/mostlylucid.yarpgateway)

---


## **Чому це існує?**

Розпізнавання роботів стало однією з найскладніших проблем у сучасній веб-інженериці.

**Проблема тільки-но змінилася.** Три роки тому, ви могли блокувати 95% роботів з регексом на пользователях - Стринь агентів МSK3 Ніколи не було таких МSK4 Не тому, що роботіви стали розумнішими самі по собі **великі мовні моделі робили неважливим відтворювати справжній поведінок користувача в масштабі**. LLM - потужний шравер не МSK2 не просто сліпо запитує один і той самий шлях знову і знову МSK3 Він розуміє структуру вашого веб-сайту \ , \ пристосовується, коли блокований \ МSK5 \ і просуває сторінки у реальному порядку \. \ Це \ ' \ не відрізняється від людини за винятком сукупної поведінки

* Обертання residential проксиess
* Неперевершеноważні відбитки пальців браузера
* Реальність руху миші
* Використовуючи JavaScript
* Пристосування при блокуванні

Коммерціальні рішення розв 'язують це. МСК0, але вони - МСК1 - дорогі. МSK2 - МSK3 - ММК4 - місяць типовий в залежності від масштабу. М СК5 - закритий. М АК6 - джерело. МТК7 - прив' язане до конкретних CDN. МДК8 - ви ніколи не знаєте, що відбувається під капюшоном.

Я хотів чогось іншого.

* **Відкрий** - Ви можете прочитатиM SK1 перевірити, і змінити кожну правило виявлення
* **Місцеві** - Ні 3rd-запроси API-партіїM SK3 немає даних, що залишають вашу інфраструктуру
* **Зрозумів** - Обізнані рішення , не чорний МSK2модель коробки ML
* **Легко розширювати** - Додайте на замовлення детектори для конкретної поверхні загроз
* **Найдешево** - Процесор МSK1 не потребує витрат на ліцензію МSK2 так , навіть на Raspberry Pi
* **Побудована для v4** - Керує сучасними атаками LLM

Тож я створив **StyloBot** - модульний МSK1 пошуковий апарат для навчання роботів для МSK2 NET . Вільний | МSK4 неlicencований | , розроблений з нуля для нової епохи роботів

Спочатку це було просто, а потім стало чимось набагато цікавішим.

---


[TOC]

---


## **Конкретний приклад: ( Що це насправді захоплює?**

Ось реальний сценарій:

Шкраперові шлюпки:

```
User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120
```

Здається легітимним.

Але це *забув* заголовок Chrome завжди надсилає:

```
Sec-Fetch-Mode
```

І його `Accept-Language` заголовок не підходить’ не відповідає ствердженій локальностіM SK1

І швидкість запиту чітко автоматизована.

**Один сигнал непоганий. Другий підозрюваний . Третій - візеруальний**

Система запускає сигнал під час 100 мілісекунд - не потрібна штучний інтелект

Це основа всього дизайну:
**не покладатися на одну велику модель**

---


## Філософія системи

В основі цього проекту МСК0 - це не "'", а Бот-детекція . **розглядати транспорт як живу систему** а не поток ізольованих запитів.

**Чому це зараз важливо:** LLM-впливові боти - це не дурні, МSK1 не дурни, . вони пристосовуються, МСК3 Бот LLM працює на вашому API, MСК4 отримує частоту, М СК5 обмежений, M СК6 змінюється Użytkownik, М S К 7, Агент, М М С К 8, обертає IP, M S К 9, просуває пов 'язані продукти. М С К 10, як людина, М Ш К 11, потім систематично витягує дані, М В С К 12, Статичні правила можуть, М ایس К 13, не можуть підтримувати темп, M В С С К 14, але адаптивна система може

Сучасні зламувачи поводяться як організми. МСК0. Вони вчаться. МSK1. Мутають. ММК2. Досліджують слабкості. ММСК3. реагують на тиск. МПСК4. Таким чином, і оборона повинна розвиватися.

Філософія тут проста.

1. **Дивіться на багато сигналів** МSK0 UA, заголовкиM SK2 IP, поведінкові шаблони МSK4 перетин - послідовність шарів
2. **Об 'єднати їх** МСК0 Дон МSK1 не довіряє одному сигналу . Об 'єктивні докази M SK3
3. **Дозвольте їм взаємодіяти** - ідеальний UA підозрілий, якщо IP є центром обробки даних
4. **Пристосовуватися з часом** - Похибки зруйнуються . З 'являються нові похибка МSK2 Вчиться постійно M SK3

Замість одного клапана "botM SK1not -bot\" check, двигун стає **мережа маленьких детекторів**, кожен вкладає докази у спільні рішення МSK1 створення шару МSK2 Політики стають складними потоками , не складними \ - закодованими правилами \ МSK5 Репутація поступово змінюється, а не перевертається на іншій стороні \. штучний інтелект - це лише інший вкладник \

Система збудована так, щоб **прозорий, зрозуміванийM SK1 розширюваний**, з довгостроковою метою – поводитися менше як брандмауэр, а більше як **імунна система**: швидко на кроці МSK1 розумно всередині МSK2 і завжди вчиться .

---


## **Чому Single-Signal Detection Fails M SK1And How StyloBot Avoids It)**

Більшість систем залежить від одного або двох сигналів:

- **"Заблокувати, якщо Пользователь** → Легко підштовхнуті . Современні боти використовують реальних користувачів МSK2 Стрини агентів .
- **"Заблокувати, якщо швидкість** → Штурм для розумних роботів. ВиM SK2 блокуєте реальну енергію - споживачі МSK4
- **"Заблокувати, якщо IP в центрі даних** → Домашні прокси мережі мають реальних домівних інтернет-провайдерів
- **"Заблокувати, якщо JavaScript не вводить ' не введу МSK2** → Безголовні браузери прекрасно виконують JavaM SK1

Модель: **будь-який єдиний сигнал може бути підроблений.** Рішення: **не покладатися на один сигнал**

StyloBot об 'єднує багато слабких сигналів у сильний висновок. *плюс* IP центру даних *плюс* бракуючих заголовків безпеки *плюс* аномали asked rate *плюс* зразок-недосконалість між шарами МSK1ботM SK2

---


## **Як це працює (Short Version)**

Прохання просувається через кілька маленьких детекторів, кожен з них додає невеликий шматок доказуM SK1

Подумайте про це як про безпеку аеропорту. МСК0. Один агент ЦУЗу, який перевіряє документи, недостатньо. МSK1. МСР2. Але троє агентів, які перевіряють документи, МСР3. Посадки, МРТ4. Та багаж разом ловить те, що не вистачає. МРТ5

```mermaid
flowchart TB
    subgraph Request["Incoming Request"]
        R[HTTP Request]
    end

    subgraph FastPath["Fast Path (< 100ms)"]
        UA[User-Agent Check]
        HD[Header Analysis]
        IP[Datacenter IP Lookup]
        RT[Rate Anomalies]
        HE[Heuristic Model]
    end

    subgraph SlowPath["Slow Path (Async Learning)"]
        LLM[LLM Reasoning]
        Learn[Weight Learning]
    end

    subgraph Output["Decision"]
        Score[Risk Score 0-1]
        Action[Allow / Throttle / Block]
    end

    R --> UA & HD & IP & RT
    UA & HD & IP & RT --> HE
    HE --> Score --> Action

    HE -.-> LLM -.-> Learn
    Learn -.->|updates weights| HE

    style FastPath stroke:#10b981,stroke-width:2px
    style SlowPath stroke:#6366f1,stroke-width:2px
    style Output stroke:#f59e0b,stroke-width:2px
```

### **Швидший шлях (< 100msM SK2**

Працює синхронно. Не заважаєM SK1 не сповільнює вашу програму.

* Знані моделі роботів
* Відсутні заголовки справжні браузери завжди надсилають
* Іп 'и центрів обробки даних (AWS /AzureM SK2GCP)
* Рівень піків
* Недосконалості між заголовками UA +

Це ловить **80%** bots миттєво.

### **Повільний шлях (Асинк МSK1**

Працює в фоні.

* Герістичну модель з вчиними вагами
* Дослідження LLM за допомогою [Оллама](https://ollama.com/)
* Обновлення репутації шаблонів
* Забуваємо застарілі сигнали

Це ловить адаптивних роботів - тих, що більшість людей *думати* вони'захоплюють з M SK1регексом на пользователе -Агента

---


## **Попробуйте в 10 секундах**

### локальна інсталяція

```bash
dotnet add package Mostlylucid.BotDetection
```

```csharp
var builder = WebApplication.CreateBuilder(args);
builder.Services.AddBotDetection();

var app = builder.Build();
app.UseBotDetection();
app.Run();
```

Все працює з коробки .

### Подивіться це наживо

Не хочу'установити ще? **[Посетите stylobot.net](https://stylobot.net)** для того, щоб побачити систему виробництва в дії. Запроси додаватиМSK1 дивитись їх аналізувати за один мілісекунд з повною ранністю

---


## **Що він виявляє? ( На перший погляд**

| Проверка МSK1 Що він знаходить МSK2
| --------------- | ------------------------------------------------- |
| **Użytkownik-Агент** | Знані ботиM SK1 бібліотеки, шрафери МSK3
| **Заголовки** | Позбавлені заголовків для безпеки , неможливі комбінації МSK2
| **І Пі** | Хворі хмари, які прикидаються бути
| **Рівень** | Автоматичні пульси МSK1 розподілене стирання МSK2
| **Сpójність** | “Chrome/120” без ChromeM SK3 реальний набір заголовків МSK4

Консистентність є функцією спальника - сучасні Bots можуть хитатися *один* сигнал, але зазвичай він провалюється на перехресті-сигнальний зв 'язокM SK1

---


## **Результат реального виявлення (Broken DownM SK1**

Ось як виглядає справжній розпізнавання - даних з **[stylobot.net](https://stylobot.net)** запускається в процесі виробництва з раннім часом-гортається вихідним кодом. Ви можете створити такі ж результати самі, тестуючи це наживо на сайті

### Підсумок

```json
{
  "policy": "fastpath",
  "isBot": false,
  "isHuman": true,
  "humanProbability": 0.8,
  "botProbability": 0.2,
  "confidence": 0.76,
  "riskBand": "Low",
  "recommendedAction": { "action": "Allow", "reason": "Low risk (probability: 20%)" },
  "processingTimeMs": 50.7,
  "detectorsRan": ["UserAgent", "Ip", "Header", "ClientSide", "Behavioral", "Heuristic", "VersionAge", "Inconsistency"],
  "detectorCount": 8,
  "earlyExit": false
}
```

**8 детектори працювали в 51ms** - те, що ' паралельне виконання через багато джерел доказів

### Доношення детектора

Кожен детектор спричиняє помірний вплив. Непоганий МSK1 людський сигналM SK2 Поганий

| Детектор МSK1 Враження МSK2 Вес | Вуждена မ်SK4 Причина мSK5
|----------|--------|--------|----------|--------|
| **Агент користувача** МSK0 -0.20 ♫ ♫ | ♫
| **Заголовок** МSK0 -0.15 ♫ ♫ МSK2 ♫
| **Застосування** | МSK1 ♫ ♫ | ♫
| **Герістичні** | -0.77 | 2.0 | **-1.54** МSK0 88% людська вірогідність
| **ClientSide** МSK0 -0.05 ♫ ♫ МSK2 ♫
| **вік версії** | -0.05 ♫ ♫ | ♫
| **Недосконалість** МSK0 -0.05 ♫ ♫ МSK2 ♫
| **І Пі** МSK0 0.00 ♫ ♫ | ♫

І **Хирічний детектор** тут домінує: - це ' має вагу МSK2x і використовує характеристики МSK3, щоб досягти мSK4 людської самовпевненості

### Збір сигналів

Кожен детектор випромінює сигнали, які входять у герістичний модель:

```json
{
  "ua.is_bot": false,
  "ua.raw": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36...",
  "ip.is_local": true,
  "ip.address": "::1",
  "header.has_accept_language": true,
  "header.has_accept_encoding": true,
  "header.count": 16,
  "fingerprint.integrity_score": 1,
  "behavioral.anomaly": false,
  "heuristic.prediction": "human",
  "heuristic.confidence": 0.77,
  "versionage.analyzed": true
}
```

Ці сигнали зберігаються і тренують систему навчання протягом часу.

### Розділ категорій

Суммарні оцінки за категоріями для остаточного рішення:

МSK0 Категория | Оцінка МSK2 Ваги | Записки мSK4
|----------|-------|--------|-------|
| Герістичний МSK1 МSK2 \| 2.0 ♫ ♫ МSK5 ♫ Найсильніший людський сигнал ♫ | ♫
| Використовуючий агент МSK1 МSK2 | ♫ ♫ 1.0 | ♫ МSK5 ♫ Normalний браузер UA ♫
| Заголовок МSK1 МSK2 | MSК4 MSК5 Всі очікувані заголовки присутні МСК6
МSK0 Застосування | МSK2 |
| ClientSide МSK1 МSK2 | MSК4 MSК5 Дотримано справжнє відбитки пальців МСК6
| Версію МSK1 МSK2 |
| Недосконалість
| Іп МSK1 МSK2 \| | | 0.5 \ | МSK5 | локальний хост \  \dev нейтральний \ МSK7 \

**Увага балу: M SK1** → Сильний людський сигнал

> **Nota:** Це demo's `fastpath` політика, яка діє **всі** детектори для видимості. В реальному процесі виробництва з вимкненим раннім виходомМSK1 високийM SK2 запити на впевненість виходять лише після того, як **під 10ms**. МSK1 ms тут через те, що режим демонстрації не дозволяє ранньому виході показати всі вклади

### Полне Pipeline (Demo Mode with LLM)

Для порівняння: `demo` політика - повний трубопровод, включно з розрахунками LLM . Це показує, що відбувається, коли детектори **не погоджуватися**:

```json
{
  "policy": "demo",
  "isBot": false,
  "isHuman": true,
  "humanProbability": 0.87,
  "botProbability": 0.13,
  "confidence": 1.0,
  "botType": "Scraper",
  "riskBand": "Low",
  "recommendedAction": { "action": "Allow", "reason": "Low risk (probability: 13%)" },
  "processingTimeMs": 1370,
  "aiRan": true,
  "detectorsRan": ["UserAgent", "Ip", "Header", "ClientSide", "Behavioral",
                   "VersionAge", "Inconsistency", "Heuristic", "HeuristicLate", "Llm"],
  "detectorCount": 10
}
```

**10 детектори в МSK1 секунд** - LLM запустив і *не погоджувались* з герістикою.

| Детектор МSK1 Враження МSK2 Вес | Вуждена မ်SK4 Причина мSK5
|----------|--------|--------|----------|--------|
| **ЛЛМ** | +0.85 | 2.5 | **+2.13** | МSK1Кром, поширений у роботахM SK2 куки МSK3 підозрюваний референтор " \ |
| **Хевроістичний запізнення** МSK0 -0.77 ♫ ♫ МSK2 ♫
| **Герістичні** МSK0першу) M SK2 ♫ ♫ МSK3 ♫
| **Агент користувача** МSK0 -0.20 ♫ ♫ | ♫
| **Заголовок** МSK0 -0.15 ♫ ♫ МSK2 ♫
| **Застосування** | МSK1 ♫ ♫ | ♫
| **ClientSide** МSK0 0.00 ♫ ♫ МSK2 ♫
| **вік версії** | -0.05 ♫ ♫ | ♫
| **Недосконалість** МSK0 -0.05 ♫ ♫ МSK2 ♫
| **І Пі** МSK0 0.00 ♫ ♫ МSK2 ♫

Це цікавий випадок - **LLM назвав його потенційним роботом** тоді як всі статичні детектори сказали: Людина .

```json
{
  "ai.prediction": "bot",
  "ai.confidence": 0.85,
  "ai.learned_pattern": "Browser string suggests Chrome, common in bots. Presence of cookies and a specific referer also points to a potential bot."
}
```

Припущення LLM' записується як сигнал, що повертається до системи навчання . Упродовж часу МSK2 якщо ця модель і далі з 'являється та підтверджується як робота-траfic M SK3 геріотичні ваги будуть пристосовані .

Застерег:

1. **Герістичні гонки двічі** МSK0 рано ( перед всіма детекторами ) і пізно МSK3 після всіх доказів СМС4 Обидві сказали СМС5 людський МСМС6 з SМС7 впевненість SМС8

2. **LLM не погодився** - він виявив візерунки, які не вистачали статистичних детекторів . його МSK2 weighted impact partially counters the heuristic

3. **Ніяких відбитків пальців** - ClientSide повернув 0 тому, що JS ще не запустив МSK2 МSK3 В реальному браузері M, це додало б більше людського сигналу МСК5

4. **остаточне рішення: Дозволяти** - навіть з підозрюваністю ЛЛМ МSK1 МSK2 об 'єднані докази все ще сприяють людству (87%). Але `botType: "Scraper"` прапор означає, що його спостерігають

Розділ категорій показує напруження:

МSK0 Категория | Оцінка МSK2 Ваги | Записки мSK4
|----------|-------|--------|-------|
| **Герістичні** МSK0 -3.46 ♫ ♫ МSK2 ♫
| **Інтелект** МSK0 +2.13 ♫ ♫ МSK2 ♫
| Використовуючий агент МSK1 МSK2 |
| Заголовок МSK1 МSK2 | MSК4 MSК5 Всі заголовки присутні МСК6
| Подібність до поведінки
| ClientSide МSK1 МSK2 | MSК4 MSК5 Ще немає відбитків пальців МСК6
| Версію МSK1 МSK2 |
| Недосконалість
| IP МSK1 МSK2 |

**Увага балу: M SK1** → Людина виграє ,, але несогласия ЛЛМ МSK2 виражені

> **Ключеві ідеї:** Система не довіряє ні одному детектору, ні одному. Коли вони не погоджуються, докази обмірковуються і більшість виграє. Але думки меншості записуються для навчання.

> **Важливо:** Цей безглуздий вихід - це demo-only. В процесі виробництва , ви отримуєте коротку відповідь через HTTP заголовки M SK3`X-Bot-Confidence`, `X-Bot-RiskBand`, і т.д. `context.IsBot()` перевірити. Полний JSON - для відладки і налаштування M SK1 ви ' ніколи не надсилаєте це клієнтам МSK3

---


## **Використовуючи результати**

```csharp
if (context.IsBot())
    return Results.StatusCode(403);

var score = context.GetBotConfidence();  // 0.0-1.0
var risk  = context.GetRiskBand();       // Low/Elevated/Medium/High
```

### Захищає кінцеві точки

```csharp
app.MapGet("/api/data", Secret).BlockBots();
app.MapGet("/sitemap.xml", Sitemap)
   .BlockBots(allowVerifiedBots: true);
```

Рівень ризику веде до дії:

МSK0 Ризик | Упевненість МSK2 Рекомендовані дії |
| -------- | ---------- | ------------------ |
| Трохи нижчий МSK1 МSK2 \0.3 | Дозволяти мSK5
МSK0 Піднято | МSK2 | Запис M/ ставкаМСК5limit МСК6
МSK0 Середній | МSK2 | Задача мSK4
| високий МSK1 МSK2 ♫ ♫ МSK3 ♫

---


## **Виявление штучного інтелекту (OptionalM SK1**

Не обов 'язково -, але корисно для ловлі передових автоматизованих системM SK1

### **Хирологічний детектор (Свидкий МSK1 Навчання МSK2**

Система включає в себе геристичний детектор, який використовує логістичну регресію з динамічно вивченими весами. Він починається з розумних початкових показників і еволюціонує на основі зворотнього зв 'язку з виявленнямM SK1

Типова затримка: **1-5ms**

```json
{
  "BotDetection": {
    "AiDetection": {
      "Heuristic": {
        "Enabled": true,
        "LoadLearnedWeights": true,
        "EnableWeightLearning": true
      }
    }
  }
}
```

Функції виділяються динамічно - нові візерунки автоматично отримують початкову вагу і вивчають з часом . Система відкриває, що має значення для *ваші* Verkehr.

### **Ollama LLM (Глибоке обґрунтуванняM SK1**

Приймає витікаючих роботів, які виглядають так: "fine" до швидких правилM SK2 Використовується [Оллама](https://ollama.com/) для локального висновку LLM.

```bash
ollama pull gemma3:1b
```

```json
{
  "BotDetection": {
    "AiDetection": {
      "Provider": "Ollama",
      "Ollama": { "Model": "gemma3:1b" }
    }
  }
}
```

ШІ - це **не вдалось-безпечно** - якщо це МSK1 знизився МSK2 розпізнавання продовжується нормально .

---


## **Система навчання:Adaptive,Not TriggerM SK2Happy**

Статичні блоквізори застаріли. Атакатори пристосовуютьсяM SK1
Отже, ця система вчиться

```mermaid
flowchart LR
    N[Neutral] -->|repeated bad activity| S[Suspect]
    S -->|confirmed| B[Blocked]
    B -->|no activity| S
    S -->|stays clean| N

    style B stroke:#ef4444,stroke-width:2px
    style S stroke:#eab308,stroke-width:2px
    style N stroke:#10b981,stroke-width:2px
```

Моделі руйнуються з часом:

* І Пі переназначуються
* Неправильні скрипти виправляються
* Трафік змінюється природно

Без руйнування ви заблокуєте законних користувачів назавжди.

```json
{
  "BotDetection": {
    "Learning": {
      "Enabled": true,
      "ScoreDecayTauHours": 168,
      "GcEligibleDays": 90
    }
  }
}
```

---


## **YARP Gateway: захист країв для вашої додатки**

Там також є **Докер-перший YARP зворотній прокси** що запускає розпізнавання *до цього* запити на вашу програму.

```mermaid
flowchart LR
    I[Internet] --> G[YARP Gateway]
    G -->|Human| App[Your App]
    G -->|Search Engine Bot| App
    G -->|Malicious| Block[403]
```

Прокрутить його в одному рядку:

```bash
docker run -p 80:8080 \
  -e DEFAULT_UPSTREAM=http://your-app:3000 \
  scottgal/mostlylucid.yarpgateway
```

Працює на:

* Лінукс
* macOS
* Windows
* **ARM ( такM SK1 Raspberry Pi )**

Для налаштування маршруту:

```yaml
services:
  gateway:
    image: scottgal/mostlylucid.yarpgateway
    volumes:
      - ./yarp.json:/app/config/yarp.json
```

---


## **Пристойна конфігурація виробництва**

```json
{
  "BotDetection": {
    "BotThreshold": 0.7,
    "BlockDetectedBots": true,
    "EnableAiDetection": true,
    "Learning": { "Enabled": true },
    "PathPolicies": {
      "/api/login": "strict",
      "/sitemap.xml": "allowVerifiedBots"
    }
  }
}
```

---


## **Де це відбувається?**

Це частина 1 МSK1напис МSK2
Наступні частини викопають глибше:

* **Частина 2**: [Як Bots стають розумнішими - Нова межа в розпізнаванні Bot](https://www.mostlylucid.net/blog/botdetection-part2-signature-pipeline-and-stylobot-architecture)
* **Частина 3**: Аналітика поведінки
* **Частина 4**: KliënтM SK1затиск пальців
* **Частина 5**: Хирологічний детектор МSK1 вправні ваги для навчання
* **Частина 6**: Внутрішні модулі для виявлення LLM
* **Частина 7**: Система навчання правильно пояснена

**Майбутня дорожна карта:**

* RAG-побудований шаблон, який відповідає векторним вбудовам
* За допомогою локального маленького моделювання [Ламашарп](https://github.com/SciSharp/LLamaSharp) / NX
* Семантична подібність для виявлення нових шаблонів атаки

Якщо ви хочете бути детектором робота, *зрозуміти*, *розширювати*, і *бігати будь-де*, це для вас

---


## **Академічне читання &**

Якщо ви хочете дослідити, чому виявлення роботів складно і що говорить дослідження

### Розпізнавання Bot & Evasion

- [Imperva: Запис про стан руху дротів МSK1](https://www.imperva.com/blog/bot-attack-trends/) - РеальнийM SK1ទិន្នន័យ атаки дротів у світі
- [OWASP: Zarządzanie Bot](https://owasp.org/www-community/attacks/Bot_attack) - Фундаментали безпеки
- [Cloudflare: Обзор виявлення Bot](https://www.cloudflare.com/learning/bots/what-is-bot-detection/) - Промислова перспектива

### Вираження пальців у мережі

- [JA3: SSL/TLS Зразок пальців клієнта](https://github.com/salesforce/ja3) - Подпис TLS відповідає стандарту
- [TCP/IP Fingerprinting: pM SK2f Референція](https://lcamtuf.coredump.cx/p0f3/) - Мережа-викриття інтерфейсу
- [HTTP/2 Технології відпечатків пальців](https://www.cloudflare.com/learning/http/http2/) - Як браузери відрізняються в HTTPM SK1

### Анализ поведінки & Виявление аномалій

- [Виявление винятків у даних про часові серії (ACMM SK1](https://en.wikipedia.org/wiki/Anomaly_detection) - статистичні основи
- [Марковські ланцюги в розпізнаванні вторгнення](https://en.wikipedia.org/wiki/Markov_chain) - Моделювання стаціонарного переходу

### LLM-Powered Threats & Data Poisoning

- [Атаки отруту даних на машинне навчання (arXivM SK1 МSK2](https://arxiv.org/abs/1811.03728) - Чому скрукери спрямовані на ваші дані
- [Видобуток інформації про навчання з великих мовних моделей (arXivM SK1 2302.07933)](https://arxiv.org/abs/2302.07933) - Чому боти хочуть вашого контенту
- [Зламання вебу та проблеми авторського права](https://en.wikipedia.org/wiki/Web_scraping#Legal_issues) - Законний кут

### Викриття безголовного браузера

- [Ляльковий театр & Викриття авторських прав](https://antoinevastel.com/blog/detect-puppeteer-and-playwright/) - Як визначити безголовні браузери
- [Фірмографія на полотні & Evasion](https://cvdazzle.com/) - Kliënт - методи стеження

---


## **Ссылки на проект**

* **GitHub:** повні документи
  [https://github.comMSC2scottgalM SK3stylobot](https://github.com/scottgal/stylobot)
* **NuGet:** заinstalувати пакет
  [https://wwwM SK1nuget.org /packagesMST4mostlylucidMSC5botdetection](https://www.nuget.org/packages/mostlylucid.botdetection)
* **Докер Hub:** Перехідник YARP
  [https://hubMSC1docker.comM SK3rMスク4scottgalMST5stylobotM ST6gateway](https://hub.docker.com/r/scottgal/stylobot-gateway)

---


**Не ліцензувати - публічний домен . використовувати його, як хочете**