Akamai打破“拦与放”的“摩擦悖论”

作者：毛烁

过去，人们谈到“在线购物”，想到的是屏幕前的消费者、精心设计的UI，以及由搜索、推荐和促销共同驱动的购买决策。

而如今，搜索商品、比较价格、筛选产品，甚至下单，都可以交给AI处理。

这种变化在带来便利的同时，也给攻击者留下了新的空间。攻击者可以借助AI和自动化工具，大规模实施账号盗用、价格抓取、接口滥用等操作，并能以正常用户的方式进入电商平台。

对企业而言，过去很容易识别的异常访问，正在变得更加隐蔽；看似正常的购物请求背后，也可能隐藏着恶意行为。

Akamai在2026年《互联网现状》报告（State of the Internet，以下简称“SOTI”）第12卷第3期中指出，电商行业正面临新的盲区：传统安全手段很难有效识别智能体AI带来的购物流量。

01 17万亿Bot流量涌入电商

对于电商平台来说，攻击者运用AI的速度，可能比预想得更快。

2025年全球商务领域的Bot流量超过17万亿次，同比增长19%。其中，零售业占电商Bot（自动化程序、网络机器人）流量的61%。亚太地区增长尤其明显，电商行业Bot流量增速达到63%，位居全球首位。

这17万亿次Bot访问中，既有导购、搜索索引、优惠券派发等正常业务产生的流量，也有攻击者利用自动化工具发起的恶意访问。当AI逐渐进入交易环节，机器流量已经成为电商业务的一部分。

与此同时，Bot流量本身也在发生变化。高度拟人化的AI爬虫和“浏览器伪装者”（Browser Impersonators）开始活跃，后者在2025年4月达到月度峰值，超过7500亿次。

Akamai大中华区解决方案资深经理马俊指出，这些爬虫的访问高峰通常出现在周一至周五，周末则短暂回落。

Akamai大中华区解决方案资深经理 马俊

这些访问时间呈现出人类的作息规律，说明这类爬虫背后并非完全由程序自动运行，而是存在人为干预。也正因为如此，传统依赖设备指纹和固定规则的识别方式也更难准确判断风险。

另一方面，报告还显示，全球47.9%的AI Bot流量流向电商行业，其中71%来自模型训练爬虫，14.8%来自AI信息获取程序（AI Fetchers）。这些流量中，既有帮助AI获取商品信息的正常访问，也有持续抓取价格、库存及商品数据的恶意行为。当两类流量同时涌入，平台便很难再通过简单的拦截方式加以区分。

如此一来，电商平台便陷入了“摩擦悖论”：全面拦截，会降低AI购物助手带来的曝光；直接放行，又会给攻击者留下持续抓取业务数据的机会。

值得注意的是，SOTI报告显示，目前电商企业将超过90%的AI Bot活动设为“监控（Monitor）”，其余大多直接放行。这说明多数企业尚未形成足够精细的判断能力。正如Akamai安全技术事业部执行副总裁兼总经理Mani Sundaram所言，当前企业突出的风险，是领导者认为自己已经做得足够安全。可最危险的想法，恰恰就是‘我们的边界足够安全’。

02 API盲区叠加AI越权危机

Bot真正进入电商平台之后，并不会停留在商品页面。

它会继续向平台发起请求，获取商品、价格、库存等数据，进一步触达账户、订单、支付等更核心的业务能力。

而承载这些请求的，正是API。

简单来说，API就是不同软件之间交换数据、调用功能的接口。过去，API承担的是系统之间的连接；如今，随着AI不断深入业务，API正在从后台的技术组件，变成Bot进入电商核心业务的关键通道。

这也意味着，Bot带来的安全问题正进一步向业务内部延伸。于是平台需要面对的不光是“谁在访问页面”，还要判断“谁在调用API、调用了什么，以及这些调用能够触达什么”。

而这种变化已经反映在攻击数据中。

2024年第四季度至2025年第四季度，针对API的网络攻击同比增长9%；同期约3万亿次应用层（L7）DDoS攻击中，电商行业遭受的攻击最多，其中零售业占电商攻击量的84%，另有31%的攻击直接指向API。

更值得警惕的是，API本身的数量也在快速增长，但企业未必真正清楚这些API接口连接着什么数据、拥有怎样的权限。SOTI报告调研显示，77.7%的电商行业受访者表示，企业拥有完整的API清单；但当问题进一步深入到“哪些API包含敏感数据”“哪些接口存在越权风险”时，这77.7%当中能够明确回答的仅约22%。

简而言之，企业知道自己有哪些“门”，却未必知道每一扇门通向哪里。

更麻烦的是，有些“门”甚至不在企业的掌控范围内。比如，开发过程中遗留下来的接口、已经停用却没有关闭的接口，以及没有被纳入统一管理的接口，都可能继续对外提供访问能力。

而这类没有被企业发现或纳入管理的接口，就是所谓的“影子API”和“僵尸API”。

一旦这些接口存在权限配置问题，攻击者就能绕过正常业务路径，直接触达数据。这正是BOLA（对象级授权失效，也常被称为水平越权）的典型API逻辑攻击：用户虽然拥有接口调用权限，却能通过修改请求中的对象标识，访问其他数据。

而AI客服、AI购物助手等智能体本身也在调用API。马俊指出，API的权限风险进一步延伸到了AI智能体，一旦智能体被提示词注入、越狱、代理劫持，攻击者就可能借助智能体已有的调用权限，获取越权信息，甚至直接触达企业内部系统。

具体而言，在电商场景中，有三种典型的攻击方式。

第一种是“漏水龙头”攻击（Leaky Faucet）。攻击者通过精心设计的文本提示，逐步绕过聊天bot的规则，诱导其接受过期优惠码、批准欺诈性退货，甚至泄露专有库存数据。这类交互发生在正常且加密的用户会话中，传统签名规则很难识别隐藏其中的恶意意图。

第二种是对话式智能体操纵。后端智能体通常拥有查询数据库和调用API的权限。攻击者通过提示词注入、越狱、代理劫持，诱导智能体执行非预期操作，借助其已有权限访问越权信息，将攻击进一步延伸至企业内网。

第三种是AI Token算力盗用（Freeloading）。黑灰产利用自动化脚本，将重型计算任务或外部模型请求路由到商家的公共AI接口，不仅会增加企业的Token成本，也会拖慢正常用户的响应速度。

03 “信号屏蔽”下的8小时“生死线”？

当API成为攻击入口，智能体成为访问主体，安全团队过去赖以判断风险的规则，也在被重新改写。

很长一段时间里，“机器流量”几乎等同于“风险流量”。真人浏览网页、打开APP、搜索商品，会留下设备信息、操作路径和行为节奏，这些细微差异构成了风控系统识别用户的依据。而缺少真实交互痕迹的请求，往往会被归类为Bot流量，被拦截在业务系统之外。

这套方法之所以长期有效，是因为过去的Bot大多是来爬取数据、刷接口或发起攻击。但AI智能体进入电商场景后，可以替用户搜索商品、分析价格、筛选选项，甚至完成下单，且不会留下浏览轨迹。

于是就出现了新的难题：一条完全没有 “人类行为痕迹” 的请求，究竟是攻击者伪造的恶意机器人，还是替消费者完成购物的 AI 助手？

马俊援引报告中的“信号屏蔽（signal masking）”概念描述这一现象。他表示：“如果简单粗暴把这类交互判定为非法请求直接拦截，企业很可能就此丢掉一笔电商订单。”

目前，这种变化在不同地区，呈现出的风险结构也并不相同。SOTI报告显示，北美是Web攻击最集中的地区，但在亚太市场，API攻击的数量上落后北美。这是因为，亚太拥有几个体量庞大的“超级应用”（Super Apps）。这些平台将金融、外卖、零售等服务高度内聚，把API整合在了系统内部，从而减少了对外的暴露面。

不过，即便这样，攻击者仍然会寻找能够获得账户、积分、订单或者其他可变现资产的业务环节，进行攻击。

就比如，酒店和旅游业，就是亚太市场需要重点防范的方向。

SOTI报告数据显示，在亚太地区的L7 DDoS API攻击中，零售业占51%，酒店业占28%，旅游业占21%。酒店和旅游业合计达到49%，已经接近零售业的攻击占比。

这一结构与亚太旅游市场本身的业务特点有关。区域内旅游资源丰富，酒店、航空公司、旅行平台以及大量区域性品牌并存，市场高度分散。与此同时，为了提高用户黏性，各类企业普遍建立了会员体系和客户忠诚度计划，大量积分由此沉淀在不同平台和账户之中。

尽管这些积分并不完全等同于传统金融资产，却能够兑换酒店房间、机票，以及高价商品，并可以通过灰色渠道折价转卖。对黑灰产而言，这意味着会员账户本身已经具备了明确的经济价值，积分也因此成为一种游离于传统金融监管体系之外的“影子货币”。

于是，为了获取这些账户资产，攻击者进一步利用大模型降低身份伪造和账户运营的成本。通过将泄露的真实身份信息与虚构数据拼接，生成“拼凑型（Frankenstein）”合成身份，再利用这些身份注册账户、模拟正常活动并持续养号，直到账户积累足够的可信度。

一旦账户具备可利用价值，攻击者便通过API批量兑换酒店房晚或高价商品，再通过灰色渠道折价转卖，实现套现。

在这一过程中，“信号屏蔽”进一步增加了识别难度。

因为，合成身份本身包含部分真实信息，自动化程序又可以模拟正常用户的访问方式。马俊指出，当恶意请求混入大量合法的bot流量后，安全系统面对的就不再只是“机器人和真人”的二元判断，而是需要在极短时间内判断访问者是谁、请求想做什么，以及这次操作是否符合正常业务逻辑。

更棘手的是，攻击者用于制造这些请求的速度也在不断提高。

数据显示，2026年，漏洞从披露到首次遭到实际利用的时间中位数已经缩短至8小时。

8小时意味着什么？

企业完成漏洞影响评估、验证修复方案、制作补丁并安排上线的传统安全流程，可能还没有走完，攻击者已经开始针对漏洞进行扫描和利用。

04 Akamai的“四维”安全架构

面对这些问题，Akamai提出了“智能体就绪（Agent Ready）”安全架构，按访问链路，可以从内容供给、身份认证、边缘防护到内部隔离四个层面，重新构建面向智能体时代的安全体系。

第一层：让AI获得可控的数据入口。

既然AI需要读取企业信息，企业就不能再依赖智能体主动抓取面向人类设计的网页。传统网页包含大量前端代码、交互元素和冗余信息，对于AI访问而言，不仅增加解析成本，也扩大了暴露面。

Akamai推出的AI Brand Presence（AIBP）平台，正是针对这一问题而设计。

ABP能够为企业网站生成面向AI读取的优化版本，将复杂页面内容重新组织为结构化信息，降低智能体获取数据的成本，同时减少无效访问带来的资源消耗。

通过这种方式，企业可以主动控制AI能够获取什么内容、以何种方式理解业务，从源头降低数据暴露风险。

第二层：为智能体建立身份。

面对设备指纹、访问频率和行为轨迹难以准确区分真人与智能体的问题，Akamai推出了面向智能体的新型身份认证体系，通过验证访问主体本身来重建信任链路。

在协议层，Akamai支持Web Bot Auth标准，通过HTTP请求签名机制，结合RFC 9421生成Signature头，并利用公钥验证确认智能体身份。

在生态层面，Akamai引入的KYA（Know Your Agent）理念。通过与Skyfire等第三方平台合作，Akamai边缘网络能够验证智能体绑定的Token，对访问主体进行识别。

这意味着，企业的选项不再只有“放行”或“拦截”，而是可以基于智能体身份、权限和业务目的进行精细化管理，甚至探索面向可信智能体的新型商业模式。

在交易环节，Akamai通过与Visa合作，支持TAP（Trusted Agent Protocol，可信智能体协议），通过消息签名、公钥验证，以及支付标识确认智能体身份与交易意图，让电商平台能够安全接受合法AI完成自动化购物流程。

第三层：阻断异常访问

身份验证解决的是“谁在访问”，但企业仍需要判断“访问行为是否可信”。

依托全球Connected Cloud节点，Akamai将安全能力前移，在网络边缘通过Prolexic实现L3、L4层DDoS防护(L7应用层防护由App & API Protector承担)，降低大规模攻击进入业务系统的风险。

结合Bot & Agent Control，Akamai能够对自动化访问进行识别和分类，区分正常智能体流量与恶意Bot行为。

当请求进入应用层，Akamai API Security可以帮助企业发现影子API，并通过调用行为分析识别BOLA（对象级授权失效）等权限漏洞。

与此同时，针对AI应用带来的提示词注入、越权调用等风险，Akamai 的Firewall for AI可作为AI安全网关，从输入和输出两个方向进行防护，降低模型被操纵后进一步影响业务系统的风险。

第四层：微隔离控制风险扩散。

即使外围防线不断增强，企业仍需要防范攻击者利用合法凭证进入内部环境。

Akamai Guardicore微隔离（Microsegmentation）技术通过进程级控制，可帮助企业对内部资源访问关系进行精细化管理。即使单个节点遭到入侵，也能够限制攻击者横向移动路径，将影响范围控制在有限区域。

对于电商大促等高并发、高负载业务场景而言，安全能力还需要兼顾性能影响。作为WWT ARMOR框架战略伙伴，Akamai支持将Guardicore微隔离策略下沉至NVIDIA BlueField DPU（数据处理器）执行，将原本由主机承担的安全处理任务转移至专用硬件。

这种软硬件协同方式，使安全策略能够在不额外消耗大量CPU资源的情况下持续运行。同时，由于隔离能力独立运行于DPU层，即使主机操作系统受到攻击，安全控制仍可有效为关键业务环境提供更强的持续防护能力。

05写在最后

电商业务的底层逻辑正在经历一场全新的重构。

当消费者的购买意图交由AI处理，传统的购物转化漏斗也逐渐被API调用所取代。

在这一变化下，电商平台面临一道新的安全命题：如果盲目拦截机器流量，就可能主动切断未来重要的购买力入口；但如果毫无防备地放行，又可能让价格策略、库存信息等核心商业数据暴露给黑灰产。

由此，智能体时代的安全成为企业能否承接AI交易增量、释放AI商业价值的重要基础。

这也正是Akamai“智能体就绪”架构的价值所在。

Akamai并没有沿用传统安全体系对bot流量“一刀切”的处理方式，而是进一步区分不同机器访问背后的身份与意图：让合法的“机器买家”能够顺畅完成交易，同时将恶意爬虫等风险流量尽可能拦截在边缘网络。

面对17万亿次机器流量带来的新型流量洪峰，Akamai在安全与业务之间建立出一套新的信任机制，让电商平台能够更有底气地拥抱AI购买力，并进一步打开了智能体商业化的空间。