Precursor：用会话级行为信号识别自动化与智能体流量
背景：机器人检测正在从“单点验证”走向“全程行为判断”
机器人缓解本质上是一场对抗：攻击者不断适应，防御者持续调整。传统检测通常依赖请求特征、信誉、异常模式，或在登录、注册、结账等关键节点触发验证。但随着自动化工具能力增强，越来越多机器人可以执行 JavaScript、使用真实浏览器环境，甚至通过单次 CAPTCHA 或挑战验证。
这带来一个问题：关键节点的验证能保护重要入口，但难以观察用户在整个应用中的连续行为。短时间内看起来“正常”的自动化，未必能在完整会话中持续模拟真实人类行为。
Precursor 正是围绕这一缺口设计的客户端、会话级验证系统。
Precursor 是什么
Precursor 是一种基于客户端信号的会话验证机制，通过动态注入 JavaScript，在访问者与网站交互时持续收集行为信号，并将这些信号实时用于机器人防护判断。
它被定位为 Turnstile 的可选补充，属于企业级 Bot Management 能力的一部分。与只在特定节点触发挑战不同，Precursor 将检测范围扩展到整个 Web 应用的用户旅程。
其核心思路是：现代自动化可以在短时间内伪装得较为可信，但要长期、稳定、低成本地模拟完整人类行为会困难得多。
为什么“行为”可以成为检测信号
以鼠标移动为例，许多自动化脚本会尝试加入随机噪声或延迟，让轨迹看起来更像人类。但真实人类动作并不只是“有噪声”，还受到生理和认知因素影响，例如：
- 手腕支点限制：鼠标移动常呈现弧线，受手腕活动范围和前臂旋转影响。
- 认知反应时间：人看到复选框、按钮或输入框后，通常会有可测量的反应延迟。
- 手部微颤：即使非常稳定的手，也会存在生理性细微抖动。
相比之下，机器人更容易出现一些模式化特征，例如直线插值、过于理想的贝塞尔曲线、异常精准的点击，以及稳定重复的速度和反应节奏。
单个动作可能看起来合理，但在完整会话中，路径修正、速度变化、方向变化、停顿节奏等模式会逐渐分化。Precursor 的目标就是捕捉这类随会话展开而形成的行为特征。
工作机制
1. 注入与采集层
启用 Precursor 后，系统会在站点 HTML 响应经过网络时自动注入轻量脚本，无需额外配置、额外网络连接或第三方嵌入。
该脚本会监听轻量级事件，用于捕捉交互信号，例如：
- 指针移动
- 键盘活动
- 焦点变化
- 页面可见性变化
这些事件会被序列化为紧凑格式并暂存在内存中，再按固定间隔发送至评估层进行分析。
2. 评估层
在边缘服务器上，Precursor 收到的数据会被反序列化为行为输入，并由多个评估器处理。不同评估器关注不同类型的数据流，并将检测信号写入共享检测注册表。
评估器也会交叉验证不同信号之间是否一致，例如：
- 指针活动是否与页面可见时长匹配；
- 键盘事件是否发生在文本字段获得焦点时；
- 行为节奏是否与完整会话上下文一致。
这些信息最终会被整合为检测信号，用于影响自动化识别权重。
3. 会话级整合
Precursor 的数据以会话为范围累积。这一点很关键：机器人不能简单通过刷新页面或重新开始挑战来清除自己的行为特征。
会话级数据还会进入后续检测层，用于辅助影子模式启发式分析、会话分析、预期完成行为与实际行为对比，以及会话异常判断。这些边缘侧观察结果会用于改进检测，并调整对应会话的机器人评分。
4. 隐私设计
Precursor 的设计目标是收集区分人类模式与自动化滥用模式所需的最小信号。例如，键盘活动会被记录为时间与节奏，而不是实际按下的按键。
此外，行为信号以聚合模式进行评估，而不是针对单个动作做身份画像。这些信号由内部机器人检测系统使用，不会暴露在客户仪表盘中，也不会绑定到用户账号、登录身份或持久化个人档案。
会话级分析能力
为配合这一检测层，安全分析中引入了基于会话的视图。与按单个请求观察不同，会话视角更关注完整访问过程，可用于回答：
- 网站上的典型会话是什么样的？
- 哪些会话偏离了预期行为？
- 哪些会话在一段时间内表现出自动化迹象？
这类分析能够覆盖传统按请求分析难以捕捉的部分，尤其是发生在请求之间的交互行为。Precursor 的信号会接入既有的机器人评分、挑战决策和安全规则体系，为后续判断提供更多上下文。
后续方向
Precursor 的定位是将机器人检测从孤立检查点扩展到完整应用流程。后续重点包括：
- 扩展行为信号的范围和深度；
- 进一步利用会话级洞察改进机器人管理保护；
- 提供更多会话数据的可视化和处置方式。
随着机器人和智能体式自动化能力增强，检测思路也在从“某个节点是否通过验证”，转向“整个会话是否符合真实用户行为”。