Cloudflare強化機器人防禦，導入持續學習「自適應智慧」引擎

Cloudflare（NET）在其機器人管理平台中導入名為「自適應智慧」（Adaptive Intelligence）的持續學習引擎，透過即時分析自動化攻擊行為調整防禦規則。在生成式AI普及、自動化攻擊成本大幅降低之際，這項更新意在把過去仰賴固定規則的防禦架構，轉型為能不斷自我學習的動態系統。

根據科技媒體DigitalToday報導，Cloudflare已在旗下負責偵測自動化機器人流量並攔截惡意機器人的資安平台「Cloudflare Bot Management」中，正式推出這套持續型偵測引擎「自適應智慧」。

自適應智慧會運用Cloudflare全球網路每日處理的大量請求訊號，即時學習流量中的元資料特徵，藉此建立因應新型威脅的偵測規則，並動態調整短期內生效的防禦架構。

官方說明的核心關鍵詞是「攻擊成本」。隨著生成式AI與低價線上工具普及，準備並重複執行自動化攻擊的門檻大幅降低，僅靠定期更新既有安全規則，已難以應付攻擊者持續尋找繞過方法的挑戰。

比起單純疊加固定規則，自適應智慧更著重讓攻擊者難以摸透防禦邏輯。一旦偵測到新型攻擊或繞過嘗試，系統會即時反映相關訊號、調整防禦結構，迫使攻擊者若想持續以同一手法發動自動化攻擊，必須付出更多時間與成本。

戴恩·克內希特（Dane Knecht）Cloudflare技術長（CTO）表示：「當擴大攻擊規模的成本幾乎趨近於零時，單靠築高防火牆已經有其極限。」他認為，要應對最新的機器人威脅，必須從根本上改變架構，讓攻擊者付出更高的成本與努力。這番話點出了傳統靜態防禦規則面對低成本自動化攻擊時的結構性弱點。

克內希特接著表示：「Cloudflare的自適應智慧會讓防禦體系持續變化，迅速讓攻擊者已掌握的資訊失效，並在攻擊擴大規模前先行攔截。」這句話也可解讀為，Cloudflare希望縮短攻擊者反覆分析防禦規則、尋找繞過方法所需的時間。

Cloudflare表示，第一階段將把「機器人分數」（Bot Score）核心所倚賴的機器學習模型，由過去的固定版本部署方式，改為持續再訓練模式。機器人分數是綜合機器學習、行為驗證、JavaScript指紋辨識、啟發式規則及已驗證機器人識別等多重訊號，評估個別請求遭自動化濫用可能性的評分機制。

這項功能同時聚焦於偵測進行速度較慢的攻擊型態，例如「憑證填充」（Credential Stuffing）與「網頁爬取」（Scraping）。憑證填充是指利用從其他服務外洩的帳號密碼，反覆嘗試登入多個平台的攻擊手法；網頁爬取則是指自動化蒐集網頁或服務數據的行為。

在資安產業，機器人偵測不只關乎攻擊攔截率，也牽涉一般使用者的正常使用體驗。誤判增加可能導致登入、付款、內容瀏覽等正常流程中斷；反之偵測速度不足，則可能讓攻擊者得以用低成本反覆嘗試相同手法。

Cloudflare表示，將同步分析瀏覽器端的工作階段（Session）細節與網路遙測（Telemetry）數據，在保護正常使用者體驗的同時揪出惡意行為。這種做法並非僅依賴單一訊號，而是綜合多種行為與連線訊號，藉此判斷是否屬於自動化行為。

資安更新的發佈方式也隨之調整。新的偵測規則會先在實際流量中驗證準確度，確認能降低誤判與服務中斷風險後才正式套用。

企業客戶只要在機器人管理儀表板中開啟「Auto Update Machine Learning」選項，即可自動套用自適應智慧功能。Cloudflare表示，此舉旨在減少資安更新反映速度過慢的問題。

此次發表與Cloudflare近來將AI時代的自動化流量視為獨立管理對象的方向一致。該公司稍早已公開用於識別與管控AI代理與自動化主體的基礎設施，本刊此前也曾報導Cloudflare公開了針對AI代理設計的身分系統與穩定幣錢包。

對台灣的內容業者、交易所與金融科技服務業者而言，機器人偵測的速度與誤判管理同樣直接牽動營運成本。在必須同時應付自動化流量與一般使用者的線上服務中，防禦規則的更新速度與套用穩定性，可能左右整體服務品質。