AI 기반 봇 탐지에서 '데이터'가 중요한 이유
사람처럼 행동하는 봇, 무엇으로 구분할 수 있을까?
전체 웹 트래픽 중 자동화된 봇 트래픽이 차지하는 비중은 이미 절반을 넘어섰습니다(2026 Bad Bot Report 기준). 기업은 이제 악성 봇, 매크로를 차단함으로써 공정성을 확보하고 불필요한 리소스 낭비를 막아야 합니다. 하지만, 문제는 봇이 단순히 많아졌다는 데 있지 않습니다. 봇이 사람처럼 행동하고 있다는 것이 문제입니다.
과거의 자동화 프로그램은 상대적으로 구분하기 쉬웠습니다. 동일한 IP에서 짧은 시간 동안 수백 번 요청하거나, 동일한 URL을 일정한 간격으로 반복 호출하는 등 기계적인 특징이 비교적 명확했기 때문입니다.
하지만 최근의 매크로와 악성 봇은 단순한 반복 요청만 수행하지 않습니다. IP나 User-Agent를 변경하고, 실제 브라우저 환경을 모방하거나, 요청 간격을 조절하는 등 정상 사용자와 비슷한 형태로 접근합니다.
따라서 이제는 단순히 ‘요청이 많다’, ‘접속 속도가 빠르다’와 같은 하나의 조건만으로 봇을 판단하기 어려워지고 있습니다. 결국 봇 탐지는 “이 행동이 실제 사용자가 보일 만한 행동인가?”와 같은 질문에 답을 해야 하며, 이 지점에서 AI와 머신러닝이 중요해집니다.
AI 탐지와 데이터 관리
AI는 수많은 접속 요청에서 사람이 일일이 규칙을 찾아내는 대신, 다양한 트래픽 특성과 행동 데이터를 분석해 정상적인 사용자와 다른 패턴을 감지할 수 있습니다.
하지만, 여기에는 중요한 전제가 있습니다. AI가 정상과 비정상을 판단하려면 먼저 무엇이 정상 사용자의 행동인지 학습하거나 판단할 수 있는 기준이 필요하다는 점입니다.
실제 서비스에서 수집되는 트래픽 데이터에는 정상 사용자의 요청뿐 아니라 매크로가 만들어 낸 반복 요청, 비정상적인 API 호출, 자동화된 구매 시도 등이 섞여 있을 수 있습니다. 이 데이터를 구분하지 않은 채 모두 정상적인 서비스 이용 데이터라고 가정한다면, 모델이 학습하는 ‘정상’의 기준 자체가 왜곡될 수 있습니다.
오염된 학습 데이터는 탐지 성능을 떨어뜨릴 수 있습니다. 중요한 것은 데이터의 양이 아닙니다.
어떤 데이터를 정상 사용자의 데이터로 볼 것인가?
어떤 행동을 자동화 또는 비정상 행위로 분류할 것인가?
그리고 이 판단 결과를 어떻게 학습 데이터에 반영할 것인가?
AI 기반 봇 탐지의 품질은 이러한 데이터 선별과 분류 과정에서부터 달라질 수 있습니다.
AI 탐지와 서비스 특성
정상 행동의 기준은 서비스마다 다를 수 있습니다. 일반적인 웹서비스에서는 짧은 시간 동안 반복적으로 발생하는 요청이 비정상적인 행동으로 보일 수 있지만, 티켓 오픈이나 수강신청 시작과 같은 순간에는 정상 사용자 역시 짧은 시간 동안 여러 차례 조회와 요청을 반복할 수 있습니다.
반대로 정교한 매크로는 요청 속도를 의도적으로 늦추거나 정상적인 페이지 이동 순서를 모방할 수도 있습니다.
따라서 단순히 ‘빠른 요청은 봇’, ‘느린 요청은 사람’과 같은 일률적인 기준만으로는 정확한 판단이 어렵습니다. 서비스의 특성과 상황을 함께 이해해야 정상과 비정상의 경계를 보다 정확하게 정의할 수 있습니다.
AI 기반 봇 탐지의 경쟁력
탐지 방식에 따라 차이는 있겠지만, AI 기반 봇 탐지 체계를 개념적으로 단순화하면 아래와 같은 흐름으로 이해할 수 있습니다.
데이터 수집
유효 데이터 선별
사람 / 봇 / 의심 트래픽 분류 및 라벨링
행동 및 접속 패턴 분석
정상 패턴 학습 및 기준 설정
이상 징후 탐지
탐지 결과를 다시 데이터와 정책에 반영
또한, 봇이 사람의 행동을 모방하고 새로운 형태의 자동화가 계속 등장하는 환경에서는 이미 알고 있는 봇의 특징을 찾는 것과, 아직 알려지지 않은 비정상적인 행동을 발견하는 것이 함께 필요합니다.
즉, AI 기반 봇 탐지의 경쟁력은 AI와 데이터, 서비스 맥락, 탐지 경험의 결합에서 만들어진다고 볼 수 있습니다.
여기에 더해, 봇이라고 해서 모두 차단해야 하는 것은 아닙니다. 검색엔진 크롤러나 일부 AI 서비스의 크롤러 및 에이전트처럼 서비스 운영이나 정보 유통을 위해 허용할 수 있는 자동화 트래픽도 존재합니다. 앞으로의 봇 관리는 실제 사용자, 검색 엔진, AI 크롤러, 의심스러운 자동화 트래픽, 악성 봇 등 개별 성격과 목적을 이해하고 각각 다르게 대응하는 방향으로 발전해야 합니다.
탐지의 정확도가 중요한 이유도 여기에 있습니다.
AI 봇 탐지, 결국 트래픽을 이해하는 능력이 필요
에스티씨랩의 봇매니저(BotManager)는 하나의 조건만으로 봇 여부를 판단하는 것이 아니라, 접속 환경과 행동 패턴 등 다양한 신호를 함께 분석하고 있습니다.
봇매니저는 IP, 국가, ASN 기반 방화벽과 사용자 정의 필터를 비롯해 행동 패턴과 접속 환경을 분석하는 다양한 탐지 정책을 활용하여 트래픽을 다각도로 검증합니다. 또한, 로그인 ID, 세션 ID, IP 등의 식별자를 기반으로 요청 패턴과 위험도를 분석합니다.
최근에는 AI 기반의 위험도 분석과 정책 추천, 과거 트래픽을 활용한 정책별 임계치 추천 등의 기능도 제공하고 있습니다. 하지만, AI 기반 봇 탐지의 경쟁력을 단순히 AI 모델이나 기능만으로 설명하기는 어렵습니다.
티켓팅, 이커머스, 금융, 교육, 예약 서비스처럼 사용자 행동과 트래픽 특성이 서로 다른 환경에서 어떤 요청이 정상이고, 어떤 행동이 비정상적인지를 이해하려면 결국 실제 서비스에서 축적된 트래픽 데이터와 이를 분석해 온 경험이 필요합니다.
에스티씨랩은 지난 2010년부터 대량 접속 트래픽을 제어하는 가상 대기실 솔루션, 넷퍼넬(NetFUNNEL)을 직접 개발해 글로벌 시장에 서비스하고 있습니다. 약 600개 이상의 고객사 주요 서비스 환경에 적용된 넷퍼넬을 통해 대규모 트래픽을 분석하고 제어해 온 경험을 축적하고 있습니다.
앞으로 이러한 경험은 실제 사용자와 자동화된 요청을 보다 정교하게 구분하고, 각각의 서비스 특성에 맞는 정상 행동의 기준을 찾아가는 AI 기반 봇 탐지 기술을 고도화하는 중요한 기반이 될 것입니다.
AI 기반 봇 탐지를 완성하는 기술
AI는 봇 탐지를 더욱 정교하게 만들 수 있습니다. 하지만, 단순히 ‘AI를 사용했는가?’만으로 탐지 기술의 수준을 판단하기는 어렵습니다.
어떤 데이터를 보고 있는가?
무엇을 정상 사용자의 데이터라고 판단하고 분류하는가?
서비스마다 달라지는 정상과 비정상의 경계를 얼마나 정확히 구분하는가?
사람처럼 행동하는 봇이 늘어날수록 탐지의 경쟁력은 단순히 더 많은 규칙이나 더 복잡한 AI 모델을 적용하는 것에서 만들어지지 않습니다. 정상 사용자의 행동을 이해하고, 서비스에 맞는 기준으로 데이터를 구분하는 역량이 AI 기반 봇 탐지의 핵심 경쟁력이 될 것입니다.