AIベースのボット検知において「データ」が重要な理由

人間のように振る舞うボット、どう見分けるのか？

Webトラフィック全体に占める自動化されたボットトラフィックの割合は、すでに半数を超えています（2026 Bad Bot Report基準）。企業には今、悪性ボットやマクロを遮断することで公平性を確保し、不要なリソース消費を防ぐことが求められています。

しかし、問題は単にボットが増えていることだけではありません。ボットが人間のように振る舞うようになっていることが大きな課題です。

従来の自動化プログラムは、比較的容易に見分けることができました。同一IPから短時間に数百回ものリクエストを送信したり、同じURLを一定間隔で繰り返し呼び出したりするなど、機械的な特徴が明確だったためです。

しかし、最近のマクロや悪性ボットは、単純な反復リクエストだけを行うわけではありません。IPやUser-Agentを変更したり、実際のブラウザ環境を模倣したり、リクエストの間隔を意図的に調整したりすることで、正規ユーザーに近い形でアクセスしてきます。

そのため、現在では「リクエスト数が多い」「アクセス速度が速い」といった一つの条件だけでボットかどうかを判断することが難しくなっています。

最終的にボット検知では、「この行動は、実際のユーザーが取り得る行動なのか？」という問いに答える必要があり、そこでAIや機械学習が重要になります。

AIによる検知とデータ管理

AIを活用することで、人が膨大なアクセスリクエストの中から一つひとつ手動でルールを見つけ出す代わりに、さまざまなトラフィック特性や行動データを分析し、正規ユーザーとは異なるパターンを自動で検知することができます。

ただし、ここには重要な前提があります。

AIが正常と異常を判断するためには、まず「何が正規ユーザーの行動なのか」を学習・判断するための正しい基準が必要です。

実際のサービスで収集されるトラフィックデータには、正規ユーザーからのリクエストだけでなく、マクロによる反復リクエストや異常なAPI呼び出し、自動化された購入試行などが混在している可能性があります。

これらを区別せず、すべてを正常なサービス利用データとして扱ってしまうと、モデルが学習する「正常」の基準そのものが歪んでしまう可能性があります。

これらを区別せず、すべてを「正常なサービス利用データ」として扱ってしまうと、モデルが学習する「正常」の基準そのものが歪んでしまう可能性があります。

汚染された学習データは、検知性能を低下させる要因になります。重要なのは、単純なデータ量ではありません。

どのデータを正規ユーザーのデータとみなすのか？
どのような行動を自動化、または異常行動として分類するのか？
そして、その判断結果を学習データにどのように反映するのか？

AIベースのボット検知の精度は、こうしたデータの選別・分類プロセスから大きく左右されます。

AIによる検知とサービスの特性

正常な行動の基準は、サービスによって異なります。

一般的なWebサービスでは、短時間に繰り返し発生するリクエストは異常な行動と判断されることがあります。一方、チケット販売開始時や履修登録の開始時などには、正規ユーザーであっても短時間に何度も照会やリクエストを繰り返すことがあります。

反対に、高度なマクロは意図的にリクエスト速度を遅くしたり、正規ユーザーと同じようなページ遷移を模倣したりすることもできます。

そのため、「速いリクエストはボット」「遅いリクエストは人間」といった一律の基準だけでは、正確な判断は困難です。

サービスの特性や文脈（コンテキスト）まで含めて理解することで、初めて正常と異常の境界をより正確に定義することができます。

AIベースのボット検知における競争力

検知方式によって違いはありますが、AIベースのボット検知の仕組みを概念的に単純化すると、以下のようなプロセスで捉えることができます。

• データ収集

• 有効なデータの選別

• 人間／ボット／疑わしいトラフィックの分類・ラベリング

• 行動・アクセスパターンの分析

• 正常パターンの学習・基準設定

• 異常兆候の検知

• 検知結果を再びデータやポリシーに反映

また、ボットが人間の行動を模倣し、新たな自動化手法が次々と登場する環境では、すでに知られているボットの特徴を見つけることに加え、「まだ知られていない未知の異常行動」を発見することも必要です。

つまり、AIベースのボット検知における競争力は、AI、データ、サービスのコンテキスト、そして検知の経験を組み合わせることで生まれると言えます。

さらに、ボットだからといって、すべてを遮断すべきとは限りません。

検索エンジンのクローラーや、一部のAIサービスのクローラー・エージェントのように、サービス運営や情報流通のために許可できる自動化トラフィックも存在します。

今後のボット管理では、正規ユーザー、検索エンジン、AIクローラー、疑わしい自動化トラフィック、悪性ボットなど、それぞれの性質や目的を理解し、個別に対応していくことが求められます。

検知精度が重要である理由も、ここにあります。

AIボット検知に必要なのは、トラフィックを理解する力

STCLabの「BotManager」は、一つの条件だけでボットかどうかを判断するのではなく、アクセス環境や行動パターンなど、さまざまなシグナルを組み合わせて分析しています。

BotManagerでは、IP・国・ASNベースのファイアウォールやカスタムフィルターをはじめ、行動パターンやアクセス環境を分析する多様な検知ポリシーを活用し、トラフィックを多角的に検証します。

また、ログインID、セッションID、IPなどの識別子をもとに、リクエストパターンやリスクを分析します。

最近では、AIベースのリスク分析やポリシー推奨、過去のトラフィックを活用したポリシー別のしきい値推奨などの機能も提供しています。

しかし、AIベースのボット検知における競争力を、単なるAIモデルやツールの機能だけで説明することはできません。

チケット販売、EC、金融、教育、予約サービスなど、ユーザー行動やトラフィック特性がそれぞれ異なる環境において、どのリクエストが正常で、どの行動が異常なのかを理解するためには、最終的に「実際のサービスから蓄積されたトラフィックデータ」と「それを分析してきたノウハウ・経験」が必要です。

STCLabは2010年から、大量アクセス時のトラフィックを制御する仮想待合室ソリューション「NetFUNNEL」を自社開発し、グローバル市場で提供してきました。

600社以上の顧客の主要サービスに導入されているNetFUNNELを通じて、大規模トラフィックを分析・制御してきた豊富な経験を蓄積しています。

こうした実績と経験は、正規ユーザーと自動化されたリクエストをより精緻に区別し、サービスごとの特性に適した正常行動の基準を見つけていくうえで、AIベースのボット検知技術を高度化する重要な基盤となっています。

AIベースのボット検知を完成させるもの

AIは、ボット検知をより高度かつ精緻なものにすることができます。

しかし、単に「AIを使っているか？」という点だけで、検知技術のレベルを判断することはできません。

• どのようなデータを見ているのか？

• 何を正規ユーザーのデータと判断し、分類しているのか？

• サービスごとに異なる正常と異常の境界を、どれだけ正確に見分けられるのか？

人間のように振る舞うボットが増えるほど、検知における競争力は、単にルールを増やしたり、より複雑なAIモデルを適用したりすることだけでは生まれません。

正規ユーザーの行動を正しく理解し、サービスに適した基準でデータを分類する力こそが、AIベースのボット検知における真の競争力となるでしょう。