Nieuwe onderzoeken tonen aan dat moderne browser-agents op basis van Large Language Models (LLM) en commerciële oplossingsdiensten bestaande beveiligingsmechanismen tegen bots effectief kunnen omzeilen.
De beveiliging van websites tegen geautomatiseerde toegang staat onder druk door de opkomst van intelligente browser-agents. Waar traditionele automatiseringstools vaak werken met vooraf vastgelegde scripts, kunnen LLM-gestuurde agents autonoom navigeren, de inhoud van een pagina begrijpen en interacties aangaan op basis van instructies in natuurlijke taal. Dit verandert het dreigingslandschap voor webbeveiliging fundamenteel.
In een recent onderzoek getiteld "Broken Gates: Re-evaluating Web Bot Defenses in the Age of LLM Agents", gepubliceerd via arxiv.org, analyseren onderzoekers hoe effectief huidige bot-management systemen nog zijn. De studie richt zich op twee categorieën aanvallers: commerciële diensten die gespecialiseerd zijn in het oplossen van Captcha's en autonome LLM-browser-agents.
Falen van interactieve uitdagingen
De onderzoekers testten verschillende populaire beveiligingssystemen, waaronder hCaptcha, reCaptcha v2, reCaptcha v3 en Cloudflare Turnstile. Hierbij werden zeven commerciële solver-diensten en zes verschillende agents ingezet, variërend van cloud-gehoste versies tot browser-extensies.
De resultaten zijn volgens de auteurs van het artikel op zorgwekkend. Interactieve uitdagingen, zoals de bekende Captcha's waarbij gebruikers afbeeldingen moeten selecteren, blijken grotendeels ineffectief. Commerciële solver-diensten kunnen deze barrières bijna perfect en tegen minimale kosten passeren. Ook LLM-agents kunnen deze beveiligingen eenvoudig overwinnen zodra zij beschikken over een specifieke module die is ontworpen om Captcha's op te lossen.
De illusie van non-interactieve beveiliging
Naast de interactieve uitdagingen keek het onderzoeksteam naar non-interactieve, op vertrouwen gebaseerde systemen, zoals reCaptcha v3. Op het eerste gezicht lijken deze systemen een sterkere weerstand te bieden tegen automatisering. Echter, de analyse van de onderzoekers onthult dat deze weerstand niet voortkomt uit een fundamentele beveiligingseigenschap van het gedrag van de bot.
Door middel van een gedetailleerde analyse van interactiesporen ontdekten de auteurs dat twee verschillende agents met vrijwel identiek gedrag totaal verschillende resultaten opleverden: de ene agent slaagde in de bypass, terwijl de andere werd geblokkeerd. Volgens de publicatie op wijst dit erop dat de doorslaggevende factor niet het gedrag van de agent is, maar de authenticiteit van de uitvoeringsomgeving.
Implicaties voor webbeveiliging
De bevindingen suggereren dat de huidige beveiligingsgrens van non-interactieve systemen zich bevindt op het niveau van de omgeving (de browser of het besturingssysteem) in plaats van bij het detecteren van geautomatiseerd gedrag. Dit betekent dat zodra een agent in een geloofwaardige omgeving kan draaien, de gedragsdetectie van bot-management systemen tekortschiet.
De auteurs, waaronder Behzad Ousat en Amin Kharraz, stellen in hun rapport op dat dit grote gevolgen heeft voor de manier waarop bot-beveiliging wordt ontworpen en geëvalueerd. De verschuiving van statische scripts naar redenerende AI-agents maakt het voor websitebeheerders moeilijker om onderscheid te maken tussen een legitieme menselijke bezoeker en een geavanceerde bot.
Het onderzoek, dat is ingediend in de categorieën Cryptografie, Beveiliging en Artificiële Intelligentie op , dient als een waarschuwing dat de traditionele "poorten" van het web steeds vaker openstaan voor nieuwe generaties AI-automatisering.