피드로 돌아가기
I Built a Browser SDK That Detects LLM Agents. Here's How It Works.
Dev.toDev.to
Security

24개 신호 기반 Three-Actor 모델로 LLM Agent와 Bot을 정밀하게 구분하는 Nyasa SDK 설계

I Built a Browser SDK That Detects LLM Agents. Here's How It Works.

Devansh2026년 5월 22일9분advanced

AI 요약

Context

기존의 Bot Detection 시스템이 Human과 Bot의 이분법적 구조에 의존하여 정당한 권한을 가진 AI Agent까지 차단하는 한계 발생. 최신 LLM Agent가 Headless Browser 패치와 인간 유사 타이핑 패턴을 구현함에 따라 기존 Fingerprinting 및 Behavioral Analytics의 탐지 효용성 저하.

Technical Solution

  • Human, AuthorizedAgent, UnauthorizedBot으로 구분하는 Three-Actor 분류 체계 도입을 통한 세션 관리 구조 최적화
  • Behavioral(13개), Fingerprint(8개), Network(3개) 총 24개 시그널 스택을 통한 다층적 데이터 수집 체계 구축
  • cryptographic identity claim 기반의 isAuthorizedAgent 규칙을 최우선 배치하여 인증된 에이전트의 Bot 탐지 로직 Short-circuit 처리
  • 20ms 미만의 Machine-speed micro-burst, Zero backspace rate, Pixel-perfect click의 조합을 통한 LLM Agent 전용 탐지 로직 설계
  • 개별 규칙의 결과물을 상호 참조하여 신호 간 모순을 분석하는 isMultimodalBot 규칙을 통한 엣지 케이스 판별력 강화
  • window.__nyasaAgentSignature 및 Meta tag를 활용한 Agent-to-System 핸드셰이크 메커니즘 구현

실천 포인트

1. 단순 Bot 차단이 아닌 '인증된 자동화 도구'를 위한 Identity Claim 통로가 설계에 포함되었는지 검토

2. Fingerprinting 우회 패치를 고려하여 WebGL renderer 및 AudioContext 등 하드웨어 가속 특성 기반의 신호 수집 적용

3. 개별 탐지 규칙의 독립적 실행과 더불어, 결과값 간의 정합성을 검증하는 상위 레벨의 추론 규칙 설계

태그

#Bot-Detection#Behavioral Analytics#Fingerprinting#Identity Claim#LLM-Agent
원문 읽기