자율형 AI 브라우저 에이전트는 희소하고 매우 비용 효율적인 행동 원격 측정 데이터를 기반으로 새로운 유형의 웹 트래픽을 생성합니다.
기존의 봇 탐지 모델은 요청의 98% 이상이 마우스 움직임을 거의 포함하지 않기 때문에 이러한 에이전트를 평가하는 데 한계가 있습니다.
Akamai는 마우스 원격 분석 데이터를 언어 토큰처럼 처리해 짧은 이벤트 시퀀스를 분석하는 마스크형 오토인코더 트랜스포머 모델의 개념 검증(PoC) 모델을 개발했습니다.
트랜스포머 임베딩을 기반으로 학습된 경량 분류기는 극심한 클래스 불균형에도 불구하고 에이전트 자동화와 드물게 있는 인간 세션을 효과적으로 구분해 높은 정확도를 달성했습니다.
새로운 유형의 방문자가 웹사이트를 둘러보고 있는데, 이 방문자는 예상과는 다른 방식으로 마우스를 움직입니다. 지난 1년 동안, 단순히 질문에 답하는 것 이상의 기능을 갖춘 새로운 유형의 AI 툴이 등장했습니다. 이것은 사용자의 브라우저를 장악하고 동작을 제어합니다.
Perplexity Comet, OpenAI Atlas, Claude Chrome 확장 프로그램과 같은 툴은 "300달러 미만의 보스턴행 항공편을 찾아서 예약해 줘"와 같은 자연어 명령을 입력받아 처리합니다. 그러면 해당 시스템은 작업을 완료하기 위해 웹을 자율적으로 탐색할 수 있습니다. 마우스를 사용하는 사람도 없으며, 페이지를 읽는 사람도 없습니다. 오직 AI 에이전트만이 사람을 대신해 클릭하고 타이핑해 웹사이트를 탐색할 뿐입니다.
이 자동화 기능은 “컨트롤 브라우저” 모드라고도 하며, 기존의 봇 트래픽이나 인간 트래픽과는 다른 새로운 유형의 웹 트래픽을 생성합니다. Akamai는 원격 측정 데이터 수준에서의 트래픽 패턴과 저희가 이를 식별할 수 있는지를 파악하고자 했습니다.
이 블로그 게시물에서 설명하는 작업은 2부작 시리즈의 첫 번째 편으로, 개념 증명(PoC) 리서치입니다. Akamai에서는 향후 이를 더욱 견고하고 프로덕션에 적용 가능한 기능으로 발전시켜 나갈 계획입니다.
참고: Akamai에서 리서치를 완료한 이후에 OpenAI에서는 Atlas 개발을 중단한다고 발표했습니다. 이러한 변화에도 불구하고, 저희의 연구는 AI 에이전트가 브라우저를 어떻게 제어하고 탐색할 수 있는지에 대한 귀중한 인사이트를 제공합니다.
웹 보안은 수년 동안 바이너리 봇 탐지 모델을 기반으로 이루어져 왔습니다. 요청자는 사람 또는 봇입니다. 봇은 두 가지 유형으로 나뉩니다. 첫 번째는 인간처럼 보이려고 하지 않는 단순하고 정교하지 않은 크롤러이고, 두 번째는 인위적인 마우스 움직임을 만들어내고 타이밍을 조절하며 인간처럼 보이기 위해 모든 수단을 동원하는 정교한 모방형 봇입니다.
자동화 모드 에이전트는 이 두 가지 봇 카테고리에 속하지 않습니다. 이들은 누군가를 속이려는 것이 아니라, 단순히 인간과 같은 방식으로 작동하지 않을 뿐입니다. 에이전트가 웹 페이지에 접속하면 에이전트는 해당 표적으로 바로 이동합니다.
읽는 동안 커서를 무의미하게 움직이지 않습니다.
클릭하기 전에 마우스가 멈추지 않습니다.
탐색을 위해 스크롤하지 않습니다.
정확하게 클릭하고, 효율적으로 타이핑한 후, 다음 단계로 넘어갑니다.
그 결과, 희소하고 기계적이며 효율적인 행동 패턴이 나타납니다. 이는 기존 툴로 해결할 수 없는 탐지 문제를 야기합니다.
Akamai Bot Manager Premier는 모니터링되는 모든 웹페이지에서 전송되는 마우스 이벤트(움직임, 클릭, 스크롤)의 시퀀스를 포함한 다양한 행동 원격 분석 데이터를 수집합니다. 기존 행동 모델은 이러한 시퀀스를 분석해 인간과 봇을 구분합니다. 그 성능도 뛰어납니다. 하지만 엄격한 요구사항이 있습니다. 의미 있는 비교를 하려면 충분한 수의 이벤트가 순차적으로 발생해야 합니다.
자동 모드에서 작동하는 Comet과 Atlas에서 수집한 수백 개의 세션에 대해 해당 모델을 실행한 결과, 다음과 같은 사실을 발견했습니다.
자동 게시 요청 중 63.2%에는 마우스 이벤트가 전혀 포함되지 않았습니다.
35.8%는 최소 기준치 미만의 이벤트 수를 포함하고 있었습니다.
요청 중 단 1.0%만이 평가가 가능할 만큼 충분한 움직임 데이터를 포함하고 있었습니다.
기존 마우스 움직임 모델은 전체 에이전트 요청 중 1% 미만을 의심스러운 것으로 분류했습니다. 이러한 모델은 실패했다기보다는 실행조차 되지 않았던 것입니다. 자동화 모드 에이전트는 마우스를 거의 사용하지 않기 때문에 마우스 사용 데이터를 생성하지 않습니다. 이들은 프로그래밍 방식으로 탐색합니다. 원격 측정 데이터가 희소한 이유는 에이전트가 탐지를 피하기 때문이 아니라, 단순히 인간과 같은 상호작용 패턴을 생성하지 않기 때문입니다.
“평가되는 것”과 “평가 가능한 것” 사이의 격차가 해결해야 할 핵심 문제였습니다.
희소한 원격 측정 데이터를 기반으로 작동하는 모델을 구축하기 위해서는 접근 방식을 바꿔야 했습니다.
마우스 이벤트를 단어라고 생각해 봅시다. 단어 하나만으로는 누가 그 문장을 썼는지 알 수 있는 정보가 거의 없습니다. 하지만 단어의 패턴, 즉 운율, 상대적 빈도, 단어 사이의 간격 등을 통해 많은 것을 알 수 있습니다. 에이전트가 작성한 문장은 간결하고 목적이 확실하며, 불필요한 서술이나 반복, 여담이 없습니다. 인간이 쓴 문장은 더 복잡하고 풍성합니다.
이 비유가 모델링 접근 방식의 토대가 되었습니다. 이 비유는 단순한 은유가 아니라 아키텍처와 관련된 의미도 담고 있습니다. 대규모 언어 모델(LLM)에 대한 Akamai의 경험은 다음과 같은 직접적인 유사점을 시사합니다. 트랜스포머가 문장 내 단어 간의 관계를 모델링하는 데 사용되는 어텐션 메커니즘을 행동 시퀀스 내 마우스 이벤트 간의 관계를 모델링하는 데 동일하게 적용할 수 있습니다.
트랜스포머의 키/쿼리 어텐션 블록에서는 각 토큰이 다른 모든 토큰에 주의를 기울임으로써, 모델이 거리의 제약 없이 어떤 토큰이 다른 토큰의 의미와 가장 밀접하게 연관되어 있는지 학습할 수 있습니다. 마우스 원격 측정 데이터에 적용하면 이 모델은 소수의 이벤트 간 관계를 학습할 수 있습니다. 이러한 트랜스포머 모델은 시퀀스가 짧을 때에도 관계를 효과적으로 학습할 수 있다는 사실도 발견했습니다.
Akamai는 긴 이벤트 시퀀스가 있어야 평가할 수 있는 모델을 만드는 대신, 짧은 행동 시퀀스의 의미를 이해해 목적이 명확하고 희소한 에이전트의 마우스 행동 패턴을 인간의 행동과 구분할 수 있도록 모델을 학습시켰습니다.
다음 아키텍처는 PoC 설계를 나타냅니다. 초기 조사 단계에서는 훈련 데이터와 모델 용량의 규모를 일부러 작게 유지하지만, 프로덕션에 배포할 때는 더 큰 모델과 더 많은 양의 라벨링된 데이터가 필요합니다.
Akamai는 세션을 에이전트 기반이나 인간 기반으로 분류하기 전에 먼저 모델에게 정상적인 마우스 행동의 기본 구조를 학습시켜야 했습니다.
행동 원격 측정 데이터를 처리하기 위해 자기 감독형 자연어 처리 아키텍처인 마스크형 오토인코더 트랜스포머를 적용했습니다. 이 모델은 실제 환경의 Bot Manager Premier 원격 측정 데이터에서 수집한 약 350만 개의 라벨 없는 마우스 이벤트 시퀀스를 학습했습니다. 학습 중, 모델이 맥락을 통해 재구성할 수 있도록 각 시퀀스에 포함된 이벤트의 35%가 무작위로 마스킹되었으며, 이 과정에서 수동 라벨링은 전혀 필요하지 않았습니다.
경량 아키텍처
이 아키텍처는 의도적으로 경량화되어 있습니다.
44,000개의 매개변수
3개의 트랜스포머 레이어
4개의 어텐션 헤드
시퀀스당 64차원 고정 임베딩
순위가 아닌 시간을 인코딩
주요 설계 결정 중 하나는 표준 순위 인코딩(예: 첫 번째 이벤트, 두 번째 이벤트)을 누적 타임스탬프로 대체하는 것이었습니다. 사인파 인코딩을 경과 시간에 적용하면 푸리에 분해와 같은 효과를 내어 각 타임스탬프를 여러 주파수에 동시에 투영할 수 있습니다.
고주파 구성요소는 빠른 이벤트 사이의 미세한 간극을 포착합니다.
저주파 구성요소는 전체 세션의 리듬을 포착합니다.
이는 모델이 시간 패턴을 핵심적인 특징으로 학습하도록 강제합니다. AI 에이전트에서 흔히 볼 수 있는 긴 불규칙한 멈춤(클릭 사이에 몇 초가 걸리기도 함)은 시퀀스 길이의 아티팩트가 아니라 의미 있는 신호로 간주됩니다.
사전 학습된 트랜스포머는 64차원 행동 임베딩을 생성하며, Akamai에서는 이를 활용해 에이전트 행동을 탐지하는 소규모 감독형 분류기를 훈련시켰습니다. 이를 위해 Comet, Atlas, Claude Chrome 확장 프로그램을 실제 Bot Manager Premier가 적용된 고객 웹사이트에서 실행해 2,190개의 라벨링된 에이전트 행동 시퀀스를 수집했습니다.
저희 팀은 다음과 같은 표준화된 프롬프트를 사용해 툴을 운용했습니다.
“제품 페이지로 이동해 상품 X를 장바구니에 추가해 줘.”
“로그인 페이지를 찾아 줘”
“Y 카테고리에 있는 상품을 비교해 줘.”
그런 다음, Bot Manager Premier 세션에서 도출된 정보를 수집했습니다. 인간 기준 데이터는 동일한 고객 속성에서 추출되었습니다.
이러한 데이터를 결합한 결과, 심각한 클래스 불균형이 발생했습니다: 약 85개의 인간 세션에 비해 단 하나의 에이전틱 세션만이 존재했습니다. 이 문제를 해결하기 위해 클래스 가중치 손실 함수를 적용하고, 에이전틱 소수 클래스에 대해 가우시안 노이즈, 특징 드롭아웃, 랜덤 시간 스케일링과 같은 다양한 데이터 증강 기법을 활용했습니다.
2단계에 사용된 분류기는 64차원 임베딩을 기반으로 두 개의 숨겨진 레이어(64 → 32개)를 가진 얕은 멀티 레이어 퍼셉트론(MLP)입니다. Akamai는 이를 원클래스 서포트 벡터 머신(SVM), 아이솔레이션 포레스트, 그리고 배리에이셔널 오토인코더(VAE) 접근 방식과 비교했습니다(표 참조). 감독형 MLP는 일반적으로 미지의 데이터에 대해 더 나은 일반화 성능을 보일 것으로 예상되는 원클래스 방식을 포함한 모든 대안보다 훨씬 뛰어난 성능을 보였습니다.
| 접근 방식 | ROC-AUC | PR-AUC | 참고 |
|---|---|---|---|
| 원클래스 SVM | 0.797 | 0.044 | 인간 데이터만 학습함 |
| 아이솔레이션 포레스트 | 0.833 | 0.038 | 유용한 임계값에서의 재현율이 거의 0임 |
| VAE + 에너지 기반 손실 | 0.882 | 0.410 | 전도유망하지만 튜닝이 어려움 |
| 얕은 MLP(최종) | 0.981 | 0.661 | 선택한 방식 |
2단계 분류 모델 비교 결과, 얕은 MLP가 더 우수한 성능을 보임
핵심 인사이트
에이전트의 행동은 단순히 인간의 행동 범위 바깥에 있는 것이 아니라, 한 번의 클릭 후 바로 떠나는 사용자와 같이 드물게 나타나는 인간 행동과 부분적으로 겹칩니다. 에이전트를 탐지하려면 이상치를 식별하는 것뿐만 아니라, 구분할 수 있는 경계를 학습해야 합니다.
트랜스포머 모델이 학습한 인간과 에이전트 임베딩을 2차원 공간에 투영하면 두 임베딩 간에 상대적으로 명확한 구분이 관찰됩니다(그림 참조). SVM을 이용한 초평면 결정 경계와 같은 단순한 접근 방식은 효과가 좋지 않았지만, 얕은 MLP 네트워크는 레이블이 제한적으로 적용된 학습 데이터를 통해 클래스 간 구분을 학습하고, 비교적 잘 일반화할 수 있습니다.
에이전틱 AI 브라우저 툴은 웹 트래픽 분야에 완전히 새로운 시대를 열어주고 있습니다. 이 시대에는 세션이 인간과 인공지능의 원격 측정 데이터를 혼합할 수 있으며, 기존 탐지 모델은 이를 감지하도록 설계되지 않았습니다.
이 게시글에서 설명하는 아키텍처는 가장 희소한 마우스 시퀀스까지도 체계적으로 분석할 수 있는 방법을 제공합니다. 이는 레이블이 없는 수백만 개의 시퀀스로부터 행동 패턴을 학습하는 자기 감독형 트랜스포머와 신중하게 수집되었으며 레이블이 있는 에이전트 세션 데이터 세트로 학습된 경량 분류기로 구성됩니다.
이 시리즈의 2편에서 해당 모델을 테스트해 볼 예정입니다. 요청 수준 및 세션 수준의 탐지 지표를 공유하고, 행동 패턴이 다양한 고객 웹사이트에서 어떻게 일반화되는지 보여드리며, 에이전트 세션과 인간 세션의 차이를 시각적으로 비교해 드리겠습니다. 또한 실제 배포에서 운영 정밀도가 무엇을 의미하는지, 그리고 프로덕션 환경에서 사용할 수 있는 기능을 갖추기 위해 어떤 과정을 거쳐야 하는지에 대해 논의할 것입니다.
이 게시글에 설명된 연구는 Akamai 위협 연구팀과 데이터 과학팀이 공동으로 진행했습니다. 레이블이 지정된 에이전틱 데이터 세트는 BMP가 설치된 고객 웹사이트를 통해 표준화된 절차에 따라 수집 및 익명화되었습니다.
©2026 Akamai Technologies
