Поведенческая биометрия под микроскопом: как обучить свой AI эмулятор человека

Good Carder · May 14, 2026

Введение: почему статические методы больше не работают

Вы можете иметь идеальный антидетект, свежие резидентные прокси и карту с подходящим BIN. Но платёж всё равно падает с ошибкой fraudulent. Почему? Потому что сайт анализирует не только то, кто вы, но и как вы двигаетесь.

Технологии поведенческой биометрии — новый рубеж в обнаружении автоматизации. BioCatch анализирует более 2000 параметров, включая скорость ввода, паттерны касаний и плавность движений мыши. BehavioSec отслеживает ритм нажатия клавиш и движения мыши в реальном времени. NuData Security с 99% точностью распознаёт неавторизованных пользователей даже при правильных учётных данных.

В этой статье я разберу:

Какие именно параметры собирают BioCatch, BehavioSec и NuData.
Как собрать датасет реальных пользовательских сессий через rrweb.
Библиотеки для эмуляции человеческих движений (ghost-cursor, humanize).
Использование LSTM для генерации траекторий, неотличимых от человеческих.
Метрики оценки качества эмуляции.

Часть 1. Что собирают системы поведенческой биометрии

BioCatch отслеживает более 2 000 поведенческих параметров, анализируя всё — от координации глаз и рук до малейших колебаний мыши.

BehavioSec анализирует характерные интервалы между нажатиями конкретных клавиш, скорость ввода и передвижение курсора в определённых ситуациях.

1.1. Топ-10 параметров мыши, которые вас выдают

Параметр	Что измеряет	Как бот обычно ошибается
Скорость движения	Пикселей в секунду	Постоянная скорость без ускорения/замедления
Ускорение/замедление	Вторая производная позиции	Линейная функция без плавных переходов
Дрожание курсора	Микроколебания траектории	Абсолютно прямая линия
Точность попадания	Расстояние до центра цели	Идеальное попадание в центр
Время реакции	Пауза перед началом движения	Отсутствие пауз («мгновенная реакция»)
Углы поворота	Распределение направлений движения	Предсказуемые углы (45°, 90°)
Пропуск цели (overshoot)	Проскальзывание мимо цели	Редкое явление у ботов
Микрокоррекции	Мелкие движения после остановки	Отсутствуют
Сглаживание пути	Как сглажена траектория	Идеальные кривые Безье
Hover-паузы	Время наведения перед кликом	Мгновенный клик без наведения

1.2. Параметры клавиатуры

Параметр	Что измеряет	Пример ботового отклонения
Dwell time	Время удержания клавиши	Постоянное время для всех клавиш
Flight time	Время между отпусканием и следующим нажатием	Равные интервалы между символами
Ритм ввода	Паттерн задержек	Отсутствие естественной вариативности
Использование Tab	Навигация между полями	Последовательный обход всех полей без пропусков
Ошибки и исправления	Частота Backspace	Отсутствуют — идеальный ввод с первой попытки

Современные системы обработки не ограничиваются анализом клавиатуры и мыши на десктопе. На мобильных устройствах они собирают дополнительную информацию, включая данные гироскопа и акселерометра, а также отслеживают характер свайпов.

Часть 2. Сбор датасета реальных сессий через rrweb

Чтобы эмулировать человека, вы должны сначала понять, как он двигается. Лучший способ — записать реальные сессии и проанализировать их.

2.1. Что такое rrweb

RRWeb (Record and Replay the Web) — библиотека с открытым исходным кодом для записи и воспроизведения веб-сессий. Она записывает не скриншоты, а DOM-события: изменения DOM, движения мыши, клики, ввод с клавиатуры — всё с временными метками.

2.2. Установка и базовая конфигурация

HTML:

<!-- Подключение rrweb -->
<script src="https://cdn.jsdelivr.net/npm/rrweb@latest/dist/rrweb.min.js"></script>

<script>
    let events = [];
    let recordingInterval = null;
    
    // Конфигурация записи с полным набором событий
    const recordingConfig = {
        emit(event) {
            events.push(event);
        },
        // Запись всех движений мыши (каждый пиксель)
        recordMouseMove: true,
        // Запись скролла
        recordScroll: true,
        // Запись ввода с клавиатуры
        recordInput: true,
        // Запись кликов
        recordClick: true,
        // Частота сэмплирования движений мыши (в миллисекундах)
        sampling: {
            mousemove: 10  // собираем данные каждые 10 мс -> 100 точек/секунду
        }
    };
    
    // Начало записи
    const stopRecording = rrweb.record(recordingConfig);
    
    // Остановка через 5 минут (или по событию)
    setTimeout(() => {
        stopRecording();
        // Сохраняем events в localStorage или отправляем на сервер
        console.log(`Собрано ${events.length} событий`);
        localStorage.setItem('session', JSON.stringify(events));
    }, 300000);
    
    // Экспорт в CSV для анализа в Python
    function exportToCSV() {
        const events = JSON.parse(localStorage.getItem('session'));
        const mouseEvents = events.filter(e => e.type === 3); // тип 3 = MouseMove
        
        let csv = 'timestamp,x,y,target\n';
        for (const ev of mouseEvents) {
            csv += `${ev.timestamp},${ev.data.x},${ev.data.y},${ev.data.target}\n`;
        }
        
        // Скачивание CSV
        const blob = new Blob([csv], {type: 'text/csv'});
        const url = URL.createObjectURL(blob);
        const a = document.createElement('a');
        a.href = url;
        a.download = 'mouse_movements.csv';
        a.click();
    }
</script>

2.3. Расширенная настройка: запись кастомных событий

RRWeb поддерживает запись кастомных событий через API, позволяя синхронизировать данные с другими источниками или добавлять метаинформацию.

JavaScript:

// Запись кастомного события
rrweb.record({
    emit(event) { events.push(event); },
    recordMouseMove: true,
    sampling: { mousemove: 10 },
    // Кастомный обработчик для дополнительных данных
    hooks: {
        beforeEmit(event) {
            if (event.type === 3) {  // MouseMove
                event.data.screenSize = {
                    width: window.innerWidth,
                    height: window.innerHeight
                };
            }
            return event;
        }
    }
});

2.4. Воспроизведение записанной сессии

JavaScript:

// Воспроизведение сессии с использованием rrweb-player
const events = JSON.parse(localStorage.getItem('session'));
new rrwebPlayer({
    target: document.getElementById('replay-container'),
    props: {
        events,
        width: 1024,
        height: 768,
        autoPlay: true,
        showController: true
    }
});

2.5. Сбор датасета: методика

Для создания обучающего датасета необходимо:

Собрать сессии минимум 50 разных пользователей (каждая сессия 3-5 минут).
Разнообразные задачи: заполнение форм, навигация по сайту, скроллинг.
Разные устройства: десктопы с мышью и трекпадом, мобильные устройства.
Ручная разметка: пометка участков с «естественным» и «неестественным» поведением (отвлекался, замедлялся и т.д.).

Часть 3. Библиотеки имитации движений

3.1. Ghost Cursor — золотой стандарт для Puppeteer

Ghost Cursor — утилита для Puppeteer, генерирующая реалистичные, похожие на человеческие движения мыши между координатами. Вместо мгновенного прыжка (page.mouse.click(x, y)) Ghost Cursor передвигает курсор по кривым Безье.

JavaScript:

const puppeteer = require('puppeteer');
const ghostCursor = require('ghost-cursor');

const browser = await puppeteer.launch({ headless: false });
const page = await browser.newPage();
await page.goto('https://example.com');

const cursor = ghostCursor.createCursor(page);
await cursor.moveTo('#submit-button');     // Движение как у человека
await cursor.click();                      // Клик со случайным смещением

Ключевые особенности Ghost Cursor 2025-2026:

Автоматический выбор случайных координат внутри элемента (вместо идеального центра).
Генерация набора точек для движения между двумя координатами.
Позволяет создавать собственные последовательности движений.
Явно не является «серебряной пулей» для сложных систем защиты, но значительно снижает автоматизационные сигналы.

3.2. @extra/humanize — плагин для Playwright и Puppeteer

@extra/humanize — это плагин, эмулирующий человеческий ввод, с особым акцентом на движения мыши.

JavaScript:

const playwright = require('playwright');
const humanize = require('@extra/humanize');

const browser = await playwright.chromium.launch();
const context = await browser.newContext();
const page = await context.newPage();

// Человеко-подобный клик с под-пиксельной точностью и реалистичным движением
await humanize.click(page, '#button', {
    waitTime: 500,        // пауза перед движением (человек «прицеливается»)
    moveSpeed: 0.8,       // относительная скорость движения (0-1)
    variation: 5          // пикселей случайного смещения от целевой точки
});

3.3. Библиотеки для Python (автономное использование)

Библиотека	Алгоритм	Особенность
human_mouse	Кривые Безье + сплайн-интерполяция	Ультра-реалистичные траектории на основе сложных математических алгоритмов
WindMouse	Алгоритм WindMouse	Создаёт нелинейные траектории с переменной скоростью, естественные шумы
Bumblebee	RNN + LSTM	AI-движок, предсказывающий естественные траектории с помощью глубокого обучения

Пример использования human_mouse:

Python:

from human_mouse import HumanMouse
import pyautogui

human = HumanMouse()
# Перемещение мыши из текущей позиции в (500, 500) за 0.8 секунды
human.move_to(500, 500, duration=0.8, bezier=True)
# Клик с человеческим патерном (hover + вариация)
human.click(500, 500, hover_duration=0.2, variation=5)

3.4. Ghost Cursor на Python (автономная версия)

Существуют реализации алгоритма Ghost Cursor для использования без Puppeteer:

Python:

class HumanMouse:
    def __init__(self):
        self.current_pos = pyautogui.position()
        self.bezier_points = []
    
    def generate_bezier_curve(self, end_x, end_y, steps=50):
        """Генерация кривой Безье между точками"""
        cp1_x = self.current_pos[0] + (end_x - self.current_pos[0]) * 0.25 + random.randint(-30, 30)
        cp1_y = self.current_pos[1] + (end_y - self.current_pos[1]) * 0.25 + random.randint(-30, 30)
        cp2_x = self.current_pos[0] + (end_x - self.current_pos[0]) * 0.75 + random.randint(-30, 30)
        cp2_y = self.current_pos[1] + (end_y - self.current_pos[1]) * 0.75 + random.randint(-30, 30)
        
        points = []
        for i in range(steps + 1):
            t = i / steps
            x = (1-t)**3 * self.current_pos[0] + 3*(1-t)**2*t * cp1_x + 3*(1-t)*t**2 * cp2_x + t**3 * end_x
            y = (1-t)**3 * self.current_pos[1] + 3*(1-t)**2*t * cp1_y + 3*(1-t)*t**2 * cp2_y + t**3 * end_y
            points.append((x, y))
        return points
    
    def move_to(self, x, y, duration=0.5):
        points = self.generate_bezier_curve(x, y, steps=int(duration * 60))
        for point in points:
            pyautogui.moveTo(point[0], point[1], duration=0.01)
            time.sleep(0.01 + random.uniform(0, 0.01))
        self.current_pos = (x, y)

Часть 4. Использование LSTM для генерации естественных траекторий

4.1. Архитектура нейронной сети для генерации движений мыши

Современный подход к эмуляции человека — использование рекуррентных нейронных сетей для предсказания естественных движений.

Bumblebee — пример AI-пакета, использующего RNN с LSTM-слоём для генерации естественных траекторий мыши:

Code:

RNN + LSTM Layer
    ↓
Генерация базовой траектории
    ↓
Добавление естественного шума и вариативной скорости
    ↓
Итоговое движение, близкое к реальному человеческому

4.2. Сбор обучающих данных

Обучающий датасет должен содержать размеченные траектории мыши из реальных сессий. Доступные наборы данных включают SapiMouse dataset и наборы с платформ вроде CleverSys.

Процесс подготовки данных:

Запись сессий через rrweb (как описано в Части 2).
Экспорт координат в CSV с временными метками.
Нормализация координат относительно размера экрана.
Создание последовательностей для LSTM (вход: предыдущие N точек, выход: следующая точка).

Пример структуры данных:

Python:

import numpy as np
from sklearn.preprocessing import MinMaxScaler

def prepare_lstm_data(mouse_trajectories, seq_length=10):
    """
    mouse_trajectories: список массивов (n_points, 2)
    seq_length: сколько предыдущих точек используем для предсказания следующей
    """
    X, y = [], []
    for trajectory in mouse_trajectories:
        # Нормализация координат
        scaler = MinMaxScaler()
        trajectory_norm = scaler.fit_transform(trajectory)
        
        for i in range(len(trajectory_norm) - seq_length):
            X.append(trajectory_norm[i:i+seq_length])
            y.append(trajectory_norm[i+seq_length])
    
    return np.array(X), np.array(y)

4.3. Обучение LSTM в PyTorch

Python:

import torch
import torch.nn as nn

class MouseMovementLSTM(nn.Module):
    def __init__(self, input_size=2, hidden_size=64, num_layers=2, output_size=2):
        super(MouseMovementLSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        
        out, _ = self.lstm(x, (h0, c0))
        out = self.fc(out[:, -1, :])
        return out

# Пример обучения
model = MouseMovementLSTM(input_size=2, hidden_size=64, num_layers=2, output_size=2)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(100):
    outputs = model(X_tensor)
    loss = criterion(outputs, y_tensor)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

4.4. Генерация траектории с использованием обученной модели

Python:

def generate_trajectory(model, start_pos, target_pos, steps=100, temperature=0.1):
    """
    Генерация траектории мыши с использованием обученной LSTM
    temperature: контролирует случайность (0=детерминированный, 1=случайный)
    """
    trajectory = [start_pos]
    current = torch.tensor(start_pos).float().unsqueeze(0).unsqueeze(0)
    
    for _ in range(steps):
        with torch.no_grad():
            next_pos = model(current).squeeze().numpy()
        
        # Добавление управляемой случайности
        noise = np.random.normal(0, temperature, size=2)
        next_pos = next_pos + noise
        
        # Корректировка направления к цели (серийное планирование)
        direction_to_target = (np.array(target_pos) - next_pos) / (steps - len(trajectory))
        next_pos = next_pos + direction_to_target * 0.1
        
        trajectory.append(next_pos)
        current = torch.tensor(next_pos).float().unsqueeze(0).unsqueeze(0)
    
    return trajectory

Часть 5. Создание скрипта, неотличимого от человека

5.1. Комбинированный подход

Самый эффективный способ создать неотличимый скрипт — комбинация нескольких методов:

Компонент	Инструмент	Функция
Движение мыши	LSTM-модель + ghost-cursor	Естественные траектории с вариативной скоростью
Ввод с клавиатуры	Кастомный type с вариативными задержками	Реалистичный ритм набора
Скролл	Случайные паузы и возвраты вверх	Человек часто перечитывает
Hover-паузы	200-600 мс перед кликом	Естественная задержка перед действием
Микрокоррекции	Доворот курсора после движения	Overshoot и коррекция

5.2. Полный пример на Puppeteer с использованием всех техник

JavaScript:

const puppeteer = require('puppeteer-extra');
const StealthPlugin = require('puppeteer-extra-plugin-stealth');
const ghostCursor = require('ghost-cursor');

puppeteer.use(StealthPlugin());

// Функция эмуляции ввода с человеческими задержками
async function humanType(page, selector, text) {
    await page.click(selector);
    await page.waitForTimeout(200 + Math.random() * 300);
    
    for (let i = 0; i < text.length; i++) {
        const char = text[i];
        // Вариативная задержка между символами (50-150 мс)
        const delay = 50 + Math.random() * 100;
        await page.keyboard.type(char, { delay });
        
        // Иногда делаем паузу (человек думает)
        if (Math.random() < 0.05) {
            await page.waitForTimeout(300 + Math.random() * 700);
        }
        
        // Иногда ошибаемся и стираем (опечатки)
        if (Math.random() < 0.02 && i < text.length - 1) {
            await page.keyboard.press('Backspace');
            await page.keyboard.type(char, { delay: delay / 2 });
        }
    }
}

// Основная функция вбива с поведенческой эмуляцией
async function humanLikeCheckout(page, cardData) {
    const cursor = ghostCursor.createCursor(page);
    
    // 1. Естественное движение к первому полю
    const nameField = await page.$('#name');
    const nameBox = await nameField.boundingBox();
    await cursor.moveTo({ x: nameBox.x + 50, y: nameBox.y + 15 });
    await page.waitForTimeout(200 + Math.random() * 300);
    
    // 2. Заполнение полей с человеческими задержками
    await humanType(page, '#name', cardData.name);
    
    // 3. Естественное движение к следующему полю (скролл)
    const cardField = await page.$('#card-number');
    const cardBox = await cardField.boundingBox();
    
    // Имитация прокрутки с переменной скоростью
    await page.evaluate(() => window.scrollBy(0, 200));
    await page.waitForTimeout(100 + Math.random() * 200);
    
    await cursor.moveTo({ x: cardBox.x + 100, y: cardBox.y + 15 });
    await humanType(page, '#card-number', cardData.number);
    
    // 4. Пауза перед отправкой (человек проверяет форму)
    await page.waitForTimeout(800 + Math.random() * 500);
    
    // 5. Клик по кнопке со смещением
    const submitBtn = await page.$('#submit');
    const btnBox = await submitBtn.boundingBox();
    await cursor.moveTo({
        x: btnBox.x + btnBox.width / 2 + (Math.random() - 0.5) * 10,
        y: btnBox.y + btnBox.height / 2 + (Math.random() - 0.5) * 10
    });
    await page.waitForTimeout(200 + Math.random() * 300);
    await page.click('#submit');
}

Часть 6. Метрики оценки неотличимости

Чтобы проверить, насколько ваш скрипт неотличим от человека, используйте следующие метрики.

6.1. Статистические метрики

Метрика	Как рассчитывается	Целевое значение
Средняя скорость	Общее расстояние / время движения	300-800 пикселей/секунду с вариацией
Коэффициент вариации скорости	Std(скорость) / Mean(скорость)	0.3-0.7 (высокая вариативность)
Максимальное ускорение	Δ скорость / Δ время	1000-3000 пикселей/с²
Процент прямых сегментов	Доля участков с углом поворота < 10°	<5% (человек редко движется прямо)

6.2. Шкала доверия (Bot Score)

Современные системы присваивают каждой транзакции «бот-скор» — число от 0 (определённо человек) до 1 (определённо бот), основанное на вероятности, генерируемой классификатором случайного леса.

Диапазоны бот-скора:

0.0-0.3 → Зелёная зона (человек)
0.3-0.7 → Жёлтая зона (требуется дополнительная проверка)
0.7-1.0 → Красная зона (бот — блокировка)

6.3. Тест Тьюринга для скриптов

Единственный надёжный способ проверить неотличимость — сравнить траектории вашего скрипта с реальными человеческими траекториями, на которых обучалась система. Для этого можно рассчитать метрики сходства:

Python:

from scipy.spatial.distance import directed_hausdorff
import numpy as np

def similarity_score(trajectory_bot, trajectory_human):
    """
    Рассчёт сходства траектории бота с человеческой
    Возвращает значение от 0 (разные) до 1 (идентичные)
    """
    # 1. Сравнение формы (Hausdorff distance)
    hausdorff_dist = max(
        directed_hausdorff(trajectory_bot, trajectory_human)[0],
        directed_hausdorff(trajectory_human, trajectory_bot)[0]
    )
    
    # 2. Сравнение распределения скоростей
    speeds_bot = np.linalg.norm(np.diff(trajectory_bot, axis=0), axis=1)
    speeds_human = np.linalg.norm(np.diff(trajectory_human, axis=0), axis=1)
    
    speed_similarity = 1 - np.abs(
        np.mean(speeds_bot) - np.mean(speeds_human)
    ) / (np.std(speeds_human) + 1e-6)
    
    # 3. Сравнение распределения углов
    angles_bot = np.arctan2(
        np.diff(trajectory_bot[:,1]), 
        np.diff(trajectory_bot[:,0])
    )
    angles_human = np.arctan2(
        np.diff(trajectory_human[:,1]),
        np.diff(trajectory_human[:,0])
    )
    
    hist_bot, _ = np.histogram(angles_bot, bins=36, range=(-np.pi, np.pi), density=True)
    hist_human, _ = np.histogram(angles_human, bins=36, range=(-np.pi, np.pi), density=True)
    
    angle_similarity = 1 - np.sum((hist_bot - hist_human) ** 2) / 2
    
    # Итоговый скоринг
    return (1 / (1 + hausdorff_dist) * 0.3 + 
            speed_similarity * 0.35 + 
            angle_similarity * 0.35)

Часть 7. Комплексный чек-лист для создания неотличимого скрипта

Перед запуском скрипта:

Собрано минимум 50 реальных сессий через rrweb для создания датасета.
LSTM-модель обучена на размеченных человеческих траекториях.
Выбраны библиотеки эмуляции (ghost-cursor для Puppeteer, human_mouse/Bumblebee для Python).
Настроена вариативность всех параметров: скорость, задержки, ускорения.

Поведенческие параметры для имитации:

Движения мыши — кривые Безье + естественные шумы, никаких прямых линий.
Hover-паузы — 200-600 мс перед кликом, никогда мгновенных кликов.
Пропуск цели (overshoot) — иногда проскальзывайте мимо, затем доворачивайте.
Ошибки при вводе — 1-2 опечатки на форму (с последующим исправлением).

После запуска (валидация):

Сравните бот-скор с шкалой доверия — должен быть <0.3 для безопасной зоны.
Проверьте через тест Тьюринга — визуально сравнив ваши движения с реальными сессиями.
Отслеживайте отказы — если всё ещё получаете отказ fraudulent, проблема не в поведении.

Заключение: гонка вооружений продолжается

Поведенческая биометрия — новейший рубеж в обнаружении автоматизации. С каждым годом эти системы становятся умнее: BioCatch анализирует более 2000 параметров, NuData добивается 99% точности детекции.

Но технологии эмуляции не отстают. Ghost Cursor, LSTM-генерация траекторий и AI-движки вроде Bumblebee делают скрипты всё более неотличимыми от человека. Ключ к успеху — постоянное обновление: каждые 3-6 месяцев рекомендуется пересматривать датасет и переобучать модели на свежих данных.

Три главных вывода:

Статические методы (Canvas, WebGL) уже не главная линия защиты. Поведенческая биометрия — новый рубеж.
Используйте комбинацию библиотек для эмуляции — ни одна не даёт идеального результата в одиночку.
LSTM и RNN — будущее эмуляции. Обучайте свои модели на реальных человеческих сессиях.

Быстрая памятка на одну строку:
«Скорость ≠ монотонная, линии ≠ прямые, клики ≠ мгновенные, ввод ≠ идеальный, паузы ≠ равномерные — и даже тогда ты только приближаешься к человеку»

Поведенческая биометрия под микроскопом: как обучить свой AI эмулятор человека

Good Carder

Professional

Введение: почему статические методы больше не работают

Часть 1. Что собирают системы поведенческой биометрии

1.1. Топ-10 параметров мыши, которые вас выдают

1.2. Параметры клавиатуры

Часть 2. Сбор датасета реальных сессий через rrweb

2.1. Что такое rrweb

2.2. Установка и базовая конфигурация

2.3. Расширенная настройка: запись кастомных событий

2.4. Воспроизведение записанной сессии

2.5. Сбор датасета: методика

Часть 3. Библиотеки имитации движений

3.1. Ghost Cursor — золотой стандарт для Puppeteer

3.2. @extra/humanize — плагин для Playwright и Puppeteer

3.3. Библиотеки для Python (автономное использование)

3.4. Ghost Cursor на Python (автономная версия)

Часть 4. Использование LSTM для генерации естественных траекторий

4.1. Архитектура нейронной сети для генерации движений мыши

4.2. Сбор обучающих данных

4.3. Обучение LSTM в PyTorch

4.4. Генерация траектории с использованием обученной модели

Часть 5. Создание скрипта, неотличимого от человека

5.1. Комбинированный подход

5.2. Полный пример на Puppeteer с использованием всех техник

Часть 6. Метрики оценки неотличимости

6.1. Статистические метрики

6.2. Шкала доверия (Bot Score)

6.3. Тест Тьюринга для скриптов

Часть 7. Комплексный чек-лист для создания неотличимого скрипта

Заключение: гонка вооружений продолжается

Similar threads

Поведенческая биометрия под микроскопом: как обучить свой AI эмулятор человека

Good Carder

Professional

Введение: почему статические методы больше не работают​

Часть 1. Что собирают системы поведенческой биометрии​

1.1. Топ-10 параметров мыши, которые вас выдают​

1.2. Параметры клавиатуры​

Часть 2. Сбор датасета реальных сессий через rrweb​

2.1. Что такое rrweb​

2.2. Установка и базовая конфигурация​

2.3. Расширенная настройка: запись кастомных событий​

2.4. Воспроизведение записанной сессии​

2.5. Сбор датасета: методика​

Часть 3. Библиотеки имитации движений​

3.1. Ghost Cursor — золотой стандарт для Puppeteer​

3.2. @extra/humanize — плагин для Playwright и Puppeteer​

3.3. Библиотеки для Python (автономное использование)​

3.4. Ghost Cursor на Python (автономная версия)​

Часть 4. Использование LSTM для генерации естественных траекторий​

4.1. Архитектура нейронной сети для генерации движений мыши​

4.2. Сбор обучающих данных​

4.3. Обучение LSTM в PyTorch​

4.4. Генерация траектории с использованием обученной модели​

Часть 5. Создание скрипта, неотличимого от человека​

5.1. Комбинированный подход​

5.2. Полный пример на Puppeteer с использованием всех техник​

Часть 6. Метрики оценки неотличимости​

6.1. Статистические метрики​

6.2. Шкала доверия (Bot Score)​

6.3. Тест Тьюринга для скриптов​

Часть 7. Комплексный чек-лист для создания неотличимого скрипта​

Заключение: гонка вооружений продолжается​

Similar threads

Введение: почему статические методы больше не работают

Часть 1. Что собирают системы поведенческой биометрии

1.1. Топ-10 параметров мыши, которые вас выдают

1.2. Параметры клавиатуры

Часть 2. Сбор датасета реальных сессий через rrweb

2.1. Что такое rrweb

2.2. Установка и базовая конфигурация

2.3. Расширенная настройка: запись кастомных событий

2.4. Воспроизведение записанной сессии

2.5. Сбор датасета: методика

Часть 3. Библиотеки имитации движений

3.1. Ghost Cursor — золотой стандарт для Puppeteer

3.2. @extra/humanize — плагин для Playwright и Puppeteer

3.3. Библиотеки для Python (автономное использование)

3.4. Ghost Cursor на Python (автономная версия)

Часть 4. Использование LSTM для генерации естественных траекторий

4.1. Архитектура нейронной сети для генерации движений мыши

4.2. Сбор обучающих данных

4.3. Обучение LSTM в PyTorch

4.4. Генерация траектории с использованием обученной модели

Часть 5. Создание скрипта, неотличимого от человека

5.1. Комбинированный подход

5.2. Полный пример на Puppeteer с использованием всех техник

Часть 6. Метрики оценки неотличимости

6.1. Статистические метрики

6.2. Шкала доверия (Bot Score)

6.3. Тест Тьюринга для скриптов

Часть 7. Комплексный чек-лист для создания неотличимого скрипта

Заключение: гонка вооружений продолжается