RanABD: MTD-Based Technique for Detection of Advanced Session-Replay Web Bots
Notice bibliographique
Résumé
In the current digital landscape, cyberattacks have become increasingly sophisticated in their attempts to evade detection. One such example is the session-replay web bot attack, where hackers use previously recorded human mouse movements (i.e., sessions) to emulate human behavior on the target web sites and apps. With the emergence of advanced AI, hackers are further expected to utilize these programs to generate carefully randomized session-replay bots that still exhibit human-like behavior but without replaying/repeating identical mouse trajectories, as was previously the case. Detecting such advanced bots in the traditionally designed web pages and sites is exceptionally hard if not impossible. In this paper, we propose RanABD, a novel defensive web page randomization technique that is built on the concepts of moving-target defence (MTD) and is designed to counter advanced session-replay web bots. RanABD performs randomized micro modifications in the alignment of select visual HTML elements and element attributes in the target web page, while causing minimal disturbances in the page's overall appearance and functionality. By doing so, the technique ensures that the distances between trajectories of genuine human-visitors, as well as trajectories of repeat visits by the same human user, are sufficiently separated in the Feature Space. For session-replay bot operators, the only way to bypass this defence is by increasing the degree of randomization in replay sessions, but this approach is likely to backfire as it inevitably results in outlier-like trajectories that are even easier to detect. According to our knowledge, this is the first research paper that explicitly addresses the issue of advanced session-replay bots as well as proposes a novel technique that can effectively detect these specific types of bots.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».