網絡機械人
![本頁使用了標題或全文手工轉換](http://upload.wikimedia.org/wikipedia/commons/thumb/c/cd/Zh_conversion_icon_m.svg/35px-Zh_conversion_icon_m.svg.png)
此條目需要補充更多來源。 (2019年9月16日) |
網絡機械人(英語:Internet Bot),也稱為互聯網機械人、機械人或簡稱為bot(機械人的縮寫)[1],是一種在互聯網上執行的軟件,它使用自動化的指令碼執行大量簡單任務,能夠高效完成人類短時間內難以完成的任務。機械人能夠以比人類快得多的速度執行簡單重複的任務,其最廣泛的用途是網絡爬蟲,例如網絡爬蟲機械人,它可通過抓取網頁上的資訊來達到資訊索引的目的。互聯網機械人在客戶端-伺服器模型中扮演客戶端角色,而伺服器角色通常由網絡伺服器扮演。目前,互聯網上過半的流量來自網絡機械人。[2][3][4]
網絡伺服器限制機械人的努力各不相同。一些伺服器有一個robots.txt檔案,其中包含管理該伺服器上機械人行為的規則。從理論上講,任何不遵守規則的機械人都可能被拒絕訪問或從受影響的網站中刪除。如果發佈的文字檔案沒有關聯的程式/軟件/應用程式,則遵守規則完全是自願的。沒有辦法強制執行規則,也沒有辦法確保機械人的建立者或實施者閱讀或承認 robots.txt 檔案。有些機械人是「良性的」,例如網絡蜘蛛;而另一些則被用於對政治運動發起惡意攻擊。[4]有的伺服器會利用驗證碼等技術來確保訪問者是真人。
即時通訊和IRC
[編輯]一些機械人通過即時通訊(IM)、互聯網中繼聊天(IRC)或其他網絡介面(如Facebook 機械人和Twitter 機械人)與基於互聯網的服務的用戶進行通訊。 這些聊天機械人可以讓人們用簡單的英語提問,然後給出答案。 這些機械人通常可以處理天氣預報、郵政編碼資訊、體育比分、貨幣或其他單位換算等。[5] 其他機械人則用於娛樂,例如AOL Instant Messenger和MSN Messenger上的SmarterChild。[來源請求]
IRC機械人的其他作用可能是在對話頻道上監聽,並對參與者說出的某些短語進行評論(基於模式匹配)。 這有時被用作新用戶的幫助服務或用來審查髒話。[來源請求]
社交機械人
[編輯]社交機械人是一組演算法,它們執行重複的指令集,以便在社交網絡用戶之間建立服務或連接。在各種網絡機械人設計中,最常見的是聊天機械人(一種旨在與人類用戶對話的演算法)和社交機械人(一種旨在模仿人類行為以與類似於人類用戶的模式進行對話的演算法)。社交機械人的歷史可以追溯到 20 世紀 50 年代的 艾倫·圖靈 以及他設計通過 圖靈測試 的指令代碼集的願景。20 世紀 60 年代,約瑟夫·維森鮑姆 創造了 ELIZA,這是一個自然語言處理電腦程式,被認為是人工智能演算法的早期指標。ELIZA 激勵程式設計師設計可以將其行為模式與其指令集相匹配的任務程式。因此,自然語言處理已成為影響人工智能和社交機械人發展的一個因素。隨着資訊和思想在社交媒體網站上大規模傳播,創新技術進步也遵循着同樣的模式。[來源請求]
![](http://upload.wikimedia.org/wikipedia/commons/thumb/3/32/Twitter_bots_2016-11-13.png/220px-Twitter_bots_2016-11-13.png)
最近的選舉(包括 2016 年美國大選和 2017 年英國大選)中有關政治干預的報道,[6] 讓人們更加認為機械人的普遍存在是因為機械人的設計與其設計者之間的倫理挑戰。南加州大學的電腦科學家 Emilio Ferrara 在 ACM 通訊上發表的報告中,[7] 指出,由於缺乏可用於實施 事實核查 和資訊驗證的資源,導致社交媒體平台上出現了大量關於這些機械人的虛假報道和聲明。就推特而言,大多數此類機械人都使用搜尋過濾器功能進行編程,這些功能針對有利於政治議程的關鍵詞和短語,然後轉發它們。雖然機械人的注意力被編程為在整個社交媒體平台上載播未經證實的資訊,[8] 但這仍然是程式設計師在敵對的政治氣候下所面臨的挑戰。Ferrara 將「機械人效應」報告為機械人和人類用戶的社交化,這使得個人資訊泄露和機械人代碼倫理之外的極化影響變得更加容易,Guillory Kramer 在他的研究中證實了這一點,他觀察了情緒波動用戶的行為以及機械人對他們的影響,改變了他們對現實的看法。[來源請求]
商用機械人
[編輯]![]() |
關於機械人在自動化交易功能中的使用一直存在着很大的爭議。拍賣網站 eBay 採取法律行動,試圖阻止第三方公司使用機械人在其網站上尋找便宜貨;這種做法適得其反,反而吸引了更多機械人的注意。總部位於英國的 Bet exchange,Betfair 發現來自機械人的流量非常大,因此推出了一個針對機械人程式設計師的 WebService API,通過它可以主動管理機械人互動。[來源請求]
眾所周知,機械人農場被用於線上應用程式商店,如 Apple App Store 和 Google Play,以操縱排名[9] 或增加正面評分/評論。[10]
一種快速增長、良性的互聯網機械人形式是 chatbot(聊天機械人)。自 2016 年 Facebook Messenger 允許開發者在其平台上放置聊天機械人以來,僅在該應用程式上,聊天機械人的使用就呈指數級增長。在最初的六個月里,為 Messenger 建立了 30,000 個機械人,到 2017 年 9 月增加到 100,000 個。[11] SnatchBot 的技術長 Avi Ben Ezra 告訴《福布斯》,從他們聊天機械人構建平台的使用證據來看,隨着網站上的「即時聊天」被機械人取代,在不久的將來將節省數百萬小時的人力勞動。[12]
公司使用互聯網機械人來提高線上參與度並簡化溝通。公司經常使用機械人來降低成本;公司不再僱傭人員與消費者溝通,而是開發了提高效率的新方法。這些聊天機械人用於回答客戶的問題:例如,Domino's 開發了一種可以通過 Facebook Messenger 接單的聊天機械人。聊天機械人允許公司將員工的時間分配給其他任務。[13]
惡意機械人
[編輯]惡意使用機械人的一個例子是對網絡電腦進行自動化攻擊的協調和操作,例如殭屍網絡發起的阻斷服務攻擊。互聯網機械人或網絡機械人也可以用於實施點擊欺詐,並且最近作為電腦遊戲機械人出現在大型多人線上角色扮演遊戲中。另一類是垃圾郵件機械人,即試圖在互聯網上載播大量內容(通常添加廣告連結)的互聯網機械人。超過 94.2% 的網站都曾遭受過機械人攻擊。[4]
惡意機械人(以及殭屍網絡)的類型如下:
- 從聯絡方式頁面或留言板頁面收集電子郵件地址的垃圾郵件機械人
- 通過下載整個網站來消耗頻寬的已下載程式
- 抓取網站內容並在自動生成的入口頁面上未經許可重複使用內容的網站抓取工具
- 將特定電子郵件地址註冊到眾多服務,以便確認郵件充斥電子郵件收件箱並掩蓋指示安全漏洞的重要郵件的序號產生器器人。[14]
- 病毒和蠕蟲
- DDoS 攻擊
- 殭屍網絡、殭屍電腦等。
- 試圖將人們重新導向到惡意網站的垃圾郵件機械人,有時出現在各種網站的評論區或討論區中
- 觀看機械人創造虛假觀看次數[15][16]
- 特別是由黃牛用來搶購熱門演唱會門票的機械人,他們會轉售這些門票。[17] 這些機械人會執行娛樂活動票務網站的購買流程,並通過儘可能多地搶佔座位來獲得更好的座位。
- 在大型多人線上角色扮演遊戲中使用的機械人,用於取得原本需要花費大量時間或精力才能獲得的資源,這可能會對線上遊戲經濟造成影響。[18]
- 通過增加分析報告中的流量計數來從廣告商那裏騙取錢財的機械人。Comscore的一項研究發現,在 2012 年 5 月至 2013 年 2 月期間,在數千個廣告系列中展示的廣告中,有一半以上沒有提供給人類用戶。[19]
- 在互聯網討論區上使用的機械人,自動發佈煽動性或無意義的貼文來擾亂討論區並激怒用戶。
2012 年,記者 Percy von Lipinski 報告說,他發現 CNN iReport上有數百萬個機械人或機械人或被 ping 的觀看次數。CNN iReport 悄悄地從 iReporter Chris Morrow 的帳戶中刪除了數百萬次觀看次數。[20] 目前尚不清楚 CNN 從虛假觀看次數中獲得的廣告收入是否 ever returned to the advertisers.[來源請求]
使用最廣泛的反機械人技術是使用驗證碼。供應商的例子包括Recaptcha、Minteye、Solve Media和NuCaptcha。然而,驗證碼並不能完全防止機械人,因為它們通常可以被電腦字元辨識、安全漏洞以及將驗證碼解決外包給廉價勞動力來規避。[來源請求]
人類與社交機械人的互動
[編輯]人類與機械人互動主要存在兩方面的顧慮:清晰度和面對面支援。人類的文化背景會影響他們與社交機械人交流的方式。[來源請求]
許多人認為機械人的智能遠低於人類,因此不值得我們尊重。[3]
金敏善提出了與社交機械人交流時可能出現的五個擔憂或問題,即避免傷害人類情感、最小化強加於人的感覺、避免他人的反對、清晰度問題以及資訊傳達的有效性。[3]
反對社交機械人的人認為,它們也會剝奪人類建立真正關係的機會。[3]
參考文獻
[編輯]- ^ bot. Etymology, origin and meaning of bot by etymonline. 1922-10-09 [2023-09-21].
- ^ Zeifman, Igal. Bot Traffic Report 2016. Incapsula. [2017-02-01]. (原始內容存檔於2019-08-24).
- ^ 3.0 3.1 3.2 3.3 Dunham, Ken; Melnick, Jim. Malicious Bots: An outside look of the Internet
. CRC Press. 2009. ISBN 978-1420069068.
- ^ 4.0 4.1 4.2 Zeifman, Igal. Bot Traffic Report 2016. Incapsula. 24 January 2017 [1 February 2017].
- ^ What is a bot: types and functions. IONOS Digitalguide. 16 November 2021 [2022-01-28] (英語).
- ^ Howard, Philip N. How Political Campaigns Weaponize Social Media Bots. IEEE Spectrum. 18 October 2018.
- ^ Ferrara, Emilio; Varol, Onur; Davis, Clayton; Menczer, Filippo; Flammini, Alessandro. The Rise of Social Bots. Communications of the ACM. 2016, 59 (7): 96–104. S2CID 1914124. arXiv:1407.5225
. doi:10.1145/2818717.
- ^ Alessandro, Bessi; Emilio, Ferrara. Social Bots Distort the 2016 US Presidential Election Online Discussion. First Monday. 2016-11-07. SSRN 2982233
(英語).
- ^ Biggest FRAUD in the Top 25 Free Ranking. TouchArcade – iPhone, iPad, Android Games Forum.
- ^ App Store fake reviews: Here's how they encourage your favourite developers to cheat. Electricpig. [2014-06-11]. (原始內容存檔於2017-10-18).
- ^ Facebook Messenger Hits 100,000 bots. 2017-04-18 [2017-09-22].
- ^ Murray Newlands. These Chatbot Usage Metrics Will Change Your Customer Service Strategy. Forbes. [2018-03-08].
- ^ How companies are using chatbots for marketing: Use cases and inspiration. MarTech Today. 2018-01-22 [2018-04-10] (美國英語).
- ^ Dima Bekerman: 如何序號產生器器人掩蓋了我的亞馬遜帳戶被黑客攻擊, 應用程式安全,行業視角,2016年12月1日,來源:www.Imperva.com/blog
- ^ Carr, Sam. What Is Viewbotting: How Twitch Are Taking On The Ad Fraudsters. PPC Protect. July 15, 2019 [19 September 2020].
- ^ Lewis, Richard. Leading StarCraft streamer embroiled in viewbot controversy. Dot Esports. March 17, 2015 [19 September 2020].
- ^ Safruti, Ido. Why Detecting Bot Attacks Is Becoming More Difficult. DARKReading. June 19, 2017.
- ^ Kang, Ah Reum; Jeong, Seong Hoon; Mohaisen, Aziz; Kim, Huy Kang. Multimodal game bot detection using user behavioral characteristics. SpringerPlus. 2016-04-26, 5 (1): 523. ISSN 2193-1801. PMC 4844581
. PMID 27186487. arXiv:1606.01426
. doi:10.1186/s40064-016-2122-8
.
- ^ Holiday, Ryan. Fake Traffic Means Real Paydays. BetaBeat. January 16, 2014 [2014-04-28]. (原始內容存檔於2015-01-03).
- ^ von Lipinski, Percy. CNN's iReport hit hard by pay-per-view scandal. PulsePoint. 28 May 2013 [21 July 2016]. (原始內容存檔於18 August 2016).
參見
[編輯]![]() | 這是一篇與互聯網相關的小作品。您可以透過編輯或修訂擴充其內容。 |