以其行踪知其身份：通过 UI 轨迹对 LLM 浏览器代理进行指纹识别
密码学与安全
2026-05-15 v1 人工智能
人机交互
机器学习
摘要
随着基于 LLM 的代理越来越多地代表用户浏览网页，一个自然的问题随之而来：网站能否被动地识别出驱动代理的底层模型？这样做将构成重大安全风险，使针对已知模型漏洞的定向攻击成为可能。跨越 14 个前沿 LLM 和涵盖信息检索与购物任务的四个 Web 环境，我们表明，通过被动 JavaScript 跟踪器捕获的代理动作与交互时序，足以识别底层模型，F1 分数高达 96%。我们通过证明在代理动作上训练的分类器可跨模型规模和家族泛化，将这一攻击面形式化。我们进一步表明，可以从少量交互轨迹训练出强分类器，并且代理身份可以在一个回合早期被推断出。在动作之间注入随机时序延迟会显著降低分类器性能，但并不能提供稳健保护：在延迟轨迹上重新训练的分类器在很大程度上恢复了性能。我们在此 \href{https://github.com/KabakaWilliam/known_actions}{https://github.com/KabakaWilliam/known_actions} 发布了我们的测试框架和带标注的代理轨迹语料库。
引用
@article{arxiv.2605.14786,
title = {Known By Their Actions: Fingerprinting LLM Browser Agents via UI Traces},
author = {William Lugoloobi and Samuelle Marro and Jabez Magomere and Joss Wright and Chris Russell},
journal= {arXiv preprint arXiv:2605.14786},
year = {2026}
}