An update on residential proxies and the scraper situation
356 points • 6 days agoArticle Link

互联网正面临一场持续且不断升级的危机:大量爬取网站内容以为大型语言模型和其他由 AI 驱动的项目提供训练数据。这类活动已演变成一场复杂的军备竞赛,幕后黑手动用数以百万计的独立 IP 地址冲击网站基础设施。爬虫常常借助住宅和移动网络,甚至劫持普通用户设备作为指挥与控制节点。由僵尸网络驱动的流量使传统的 IP 封锁失效——攻击者很少重复使用相同来源,而且能模拟人类行为,足以绕过表面上的检测手段。

这些住宅代理网络的运营者通常可分为两类:一类是通过恶意软件入侵设备的犯罪分子,比如攻破安全性较差的媒体流设备来执行爬取;另一类则伪装成合法企业,宣称其数据来源"伦理合规",并诱导用户安装 VPN 或软件开发工具包,将个人设备变成公司代理网络的出口。通过这种方式,运营者得以在毫无防备的用户网络中路由大量未经授权的流量,其带来的安全风险远超单纯的网页抓取。

尽管一些知名 AI 公司保留可识别的爬虫并大体遵守 robots.txt 等既定规则,但它们无法解释当前激增的流量。更可能的情况是,秘密的 AI 项目、政府机构和犯罪组织共同推动了这波争夺训练数据的竞赛。为此,网站运营者被迫采取激进的防护措施,例如要求工作量证明、设置复杂的人工验证挑战以及采用数据投毒工具。然而,这些防护对开放网络造成了沉重负担,常常损害合法用户的访问体验。

站点所有者面临的难题是:在抵御这些攻击的同时,保持对真实读者的可访问性,并避免依赖可能无意中强化搜索引擎垄断地位的允许列表。一些网站通过激进的优化和防御策略在一定程度上缓解了影响,但这类办法在动荡的环境中只是权宜之计。近期政府和企业对大型僵尸网络的打击(例如对 NetNut 网络的瓦解)虽能带来短期缓解,却无法解决恶意功能被轻易引入应用生态系统的系统性问题。

总的来看,爬取行业对开放互联网可持续性表现出令人不安的漠视,将独立网站当作可掠夺的资源,不顾由此产生的附带损害。随着内容不断被推到付费墙和防御屏障之后,网络作为开放且富有创造力的平台这一基本特性正受到威胁。在没有更广泛的共识去建立并执行用于 AI 训练数据的伦理标准之前,网站运营者将不得不继续加固自身,以抵御一个把互联网视为待征服战场的行业。

387 comments • Comments Link

- 像 Anubis 这样的 Proof-of-work (PoW) 工具正越来越被视为 captchas 的必要替代,后者通常更慢、容易分散注意力,并对真人用户有较高的误判率。

- PoW 的批评者认为其难以扩展:scraper 操作者可以利用庞大的 botnets 或原生代码,比标准浏览器更高效地完成 PoW 挑战,从而削弱延迟惩罚对顽固攻击者的威慑力。

- 虽有人建议将基于浏览器的 PoW 作为向网站"支付"内容费用的方式,但怀疑者指出,在运行于 residential proxies 或被攻陷设备上的 scrapers 不需要承担这些计算的能源或硬件成本,因此经济负担对攻击者并无意义。

- residential proxy networks 的兴起,常通过 SDK 集成到移动应用或流媒体硬件中,已把普通的 residential IP addresses 变成绕过基于 IP 的速率限制和黑名单的手段。

- 对开放、可访问互联网的渴望,与网站运营者为保护基础设施免受那些无视 robots.txt 并猛烈攻击计算密集型端点的"vibe-coded" scrapers 侵害之间,存在明显紧张关系。

- residential proxy providers 常被描述为运营着类似 botnet 的基础设施,其关键差别往往只是隐藏在晦涩 EULAs 中的一层薄弱用户同意,而非用户对设备被二次利用的明确知情。

- 一些开发者主张回归开放标准,例如改进 Common Crawl 数据或标准化 static archival formats,以满足数据需求,而无需让每个站点都承受单独、资源密集的 scraper 负担。

- Site administrators 报告称,大规模 scraping 往往并非为有目的的数据采集,而是反映出编写欠佳、带有攻击性的脚本缺乏基本优化,结果无意中造成持续性的 DDoS attack 。

- 社区在屏蔽的道德问题上存在分歧:有人认为公共网络内容本质上可被抓取,另一些人则坚持认为对服务器资源的漠视和对网站可用性的破坏,使得采取更严厉的防御措施变得合理。

- 在 Hacker News 等平台上对 single-purpose accounts 的审查,凸显出当参与者过于热衷于宣传特定反 scraping 或反 AI 议程时,维持"curious conversation"的难度。

网站运营者与激进 scrapers 之间的斗争揭示了曾经支撑开放网络的非正式社会契约正在破裂。有人认为 residential proxies 的兴起是在日益封闭、由企业主导的平台世界中获取信息的必要工具,另一些人则将其视为将个人设备武器化、针对独立出版商的手段。当前的防御措施——无论是 PoW 、激进的 IP blocking 还是 proxy-aware firewalls——往往不可避免地影响合法用户的体验。总体而言,该行业陷入一种不稳定循环:用于提取数据的工具促使防御门槛愈发侵入性,从而可能使网络进一步背离曾以无状态、可访问为荣的理想。