arXiv cs.AI· William Lugoloobi, Samuele Marro, Jabez Magomere, Joss Wright, Chris Russell·· 3 小时前精选AI 评分61
研究提出通过 UI 交互轨迹指纹识别 LLM 浏览器智能体，最高达 96% F1
Known By Their Actions: Fingerprinting LLM Browser Agents via UI Traces
AI 导读
论文研究网站能否被动识别 LLM 智能体背后的模型，在 14 个前沿 LLM 和 4 个网页环境中，用被动 JavaScript 追踪器捕获的动作与交互时间在固定 harness 内最高达到 96% F1 的识别率。
推荐理由
论文用实验数据说明 LLM 浏览器智能体可被网站被动指纹识别，延迟防护也不稳健，对理解 Agent 隐私风险有直接参考价值。
正文 · AI 翻译
摘要：随着基于 LLM 的智能体越来越多地代替用户浏览网页，一个自然的问题出现了：网站能否被动地识别出驱动该智能体的底层模型？如果能，这将构成重大的安全风险，使攻击者能够针对已知模型漏洞发起定向攻击。我们在 14 个前沿 LLM 以及涵盖信息检索和购物任务的四个网络环境中证明，通过被动 JavaScript 跟踪器捕获的智能体操作和交互时间，足以在固定框架（harness）内以高达 96\% 的 F1 值识别出底层模型。虽然指纹是框架特定的，跨框架迁移几乎降至随机水平，但跨框架汇总轨迹仍能以 0.74 到 0.81 的 Macro-F1 恢复模型识别。我们进一步表明，用大约三分之一的可用轨迹即可训练出强大的分类器，且随着观察到的事件增多，识别效果稳步提升。在操作之间注入随机时间延迟会显著降低分类器性能，但并不能提供可靠的防护：在延迟轨迹上重新训练的分类器基本可以恢复性能。我们在 此 https 网址 发布了我们的代码和一个带标注的智能体轨迹语料库。
| 评论： | 已被 NeurIPS 2026 接收 |
| 学科： | 密码学与安全 (cs.CR)；人工智能 (cs.AI)；人机交互 (cs.HC)；机器学习 (cs.LG) |
| 引用方式： | arXiv:2605.14786 [cs.CR] |
| （本版本请引用 arXiv:2605.14786v2 [cs.CR]） | |
| https://doi.org/10.48550/arXiv.2605.14786 arXiv 通过 DataCite 签发的 DOI |
提交历史
来自：William Gitta Lugoloobi [查看电子邮件]
[v1]
2026年5月14日 星期四 12:55:19 UTC（592 KB）
[v2]
2026年11月10日 星期二 15:20:23 UTC（641 KB）
来源：arXiv cs.AI · arxiv.org