本文针对Web服务中机器人滥用日益严重的问题，分析了现有CAPTCHA机制在对抗机器人时效果有限、给人类用户带来困扰以及可能侵犯用户隐私的缺陷。随着客户端可信执行环境（TEE）技术的普及（如ARM TrustZone和Intel SGX），作者提出利用客户端TEE来替代传统CAPTCHA的设想。论文设计并实现了CACTI（CAPTCHA Avoidance via Client-side TEE Integration）系统。CACTI利用客户端TEE作为信任根，使合法客户端能够生成不可伪造的“速率证明”（rate-proof），该证明可以展示用户执行特定行为的频率，从而向服务器证明其为人类用户而非机器人。用户无需解决CAPTCHA，即可通过提交速率证明完成身份验证。在隐私保护方面，CACTI采用组签名方案，确保客户端向访问网站发送信息时，不会泄露用户身份等敏感数据，仅能证明其属于合法客户端群体。实验评估表明，CACTI生成和验证一个速率证明的总延迟低于0.25秒，相比现有CAPTCHA系统，带宽开销降低了98%以上，显著提升了用户体验和系统效率。论文的贡献在于探索了TEE在反滥用领域的新应用场景，提供了一种更安全、更隐私友好的用户验证机制。

该论文针对大规模部署的机器人检测器将流量视为二元分类（人类或机器人）的假设提出了质疑。随着AI代理通过浏览器自动化工具（如Playwright）浏览网页，这类流量既不属于人类也不属于传统机器人，二元分类器在结构上无法表达这种第三类流量。论文提出了一个三分类检测框架，将流量划分为人类、机器人和AI代理，并论证了二元与代理之间的混淆是架构性的：二元人类-机器人分类器因为缺少代理类别而错误路由代理会话。在受控基准测试中，MLP二元分类器将39.1%的真实AI代理误判为人类，SAINT二元Transformer误判34.5%；当添加显式代理类别后，在全部30次运行（3个模型族×10个随机种子）中，代理类别的F1分数达到1.000。为衡量逃避难度，论文构建了一个五级逃避阶梯，包括被动观察、GAN生成轨迹和重放真实人类光标数据（共2299个逃避会话）。在10个种子和3个模型族中，22990个逐种子预测中代理的漏检为零。判别信号源于浏览器自动化的伪影而非代理推理的证据：Playwright不会发射物理输入设备产生的原始指针移动和滚轮增量流，这种缺失特征在轨迹操作后依然存在。对大小为1到5的所有特征子集的穷举搜索（9401个梯度提升树）表明，仅两个行为特征（mouse_event_rate和teleport_click_ratio）在每一级逃避水平下都能实现100%的代理召回率，代理精度为0.994；五个特征将宏F1提升到0.991。该信号是冗余编码的：移除teleport_click_ratio后代理检测仍保持100%。单特征设置退化，仅通过将分类器坍缩为总是预测“代理”来标记所有代理。两个特征就能稳健地隔离代理；五个特征能在宏F1≥0.99下区分所有三类流量。论文明确指出这一信号源于浏览器自动化工具的物理行为缺失，而非代理本身的高级智能。该研究为AI代理检测提供了可解释、可落地的特征工程基础，适合Bot检测研究者、安全运营人员以及浏览器自动化工具开发者阅读。

该论文提出了一种新颖的验证码（CAPTCHA）方法，利用客户端GPU在受控WebGL渲染负载下的物理时序行为作为区分人类与自动化程序的信号。与传统的基于像素输出的WebGL指纹识别不同，该方法测量渲染时间动态以进行分类，而非识别，因此不会泄露持久标识符。研究者通过12小时被动部署（207个未授权请求，其中86%为自动化，85%声称是浏览器的客户端未通过HTTP头一致性检查）分析了实际对抗环境。随后，通过单个公共端点收集了真实浏览器（13种不同GPU，正类）和基于关键帧的无头自动化（负类）的GPU时序样本。实验发现，软件渲染的自动化（实际中主要的对抗手段）与真实GPU的平均渲染时间相差约5倍。在控制混杂因素的对比中（同一GPU系列和浏览器引擎，仅无头与交互式执行不同），无头自动化在真实硬件上仍表现出独特的时序特征，在帧抖动、定时器量化比和变异系数上与人类样本差异75-106%。这些是单个GPU架构上的试点结果，需要跨架构收集来建立泛化性。

本文研究浏览器自动化框架（如无头浏览器）在网络安全与隐私研究中的使用，以及网站机器人检测脚本对其的干扰问题。尽管自动化浏览器在Web测量中广泛应用，但越来越多的网站部署机器人检测技术，可能导致自动浏览器被屏蔽或返回不同内容，从而威胁测量有效性。已有工作主要关注检测部署本身，而本文重点测量因屏蔽导致的样本丢失。作者对顶级安全、隐私和Web测量会议论文进行文献调查，发现83%的论文完全未提及机器人检测屏蔽问题。为填补这一空白，作者对10,000个网站进行了测量研究，使用四种浏览器配置（共40,000次页面访问），通过定制工具检测网站是否探测自动化特征，并开发了机器人检测技术分类法，测量了各类技术的实际出现频率。结果显示，Chromium无头模式遭遇15%的软屏蔽率，而其他配置为7%。在所有条件下，82%的屏蔽归因于机器人检测（59%由供应商确认，23%根据条件依赖性推断），主要来自集成了机器人检测的提供商，如Cloudflare（37%屏蔽率）和Akamai（26%）。一项头部伪造实验表明，Chromium无头模式特有的屏蔽中75%仅由头部信号引起，但JavaScript环境探测比当前屏蔽率所暗示的更广泛。这些发现表明，机器人检测造成了系统性、与提供商相关的样本丢失，而Web测量社区既未测量也未报告。对特定测量结果的后续影响仍有待未来研究。