Unos 6 millones de solicitudes diarias inundan frenéticamente el repositorio oficial de código fuente del kernel de Linux (git.kernel.org). Bajo el modelo estadístico más optimista, las solicitudes humanas legítimas reales representan solo el 2% de estas visitas. El 98% restante son rastreadores de IA que intentan devorar cada línea de código para entrenar grandes modelos de lenguaje.
Devoradores incansables de cómputo
Este clúster del sitio web oficial, compuesto por 5 nodos distribuidos geográficamente y 90 núcleos de CPU, está soportando una carga asimétrica inenarrable. De 14 a 16 núcleos están constantemente a plena carga, y su única tarea es renderizar las páginas de confirmación de código (commit) para los rastreadores. Esto consume directamente el 20% de la capacidad de cómputo del sistema, y los rastreadores siempre atacan en oleadas, haciendo que los picos instantáneos reales sean aún más pronunciados.
La codicia de los rastreadores supera la comprensión convencional de ingeniería. El kernel de Linux tiene alrededor de 1,48 millones de registros de commits, y hay unos 922 forks de desarrolladores en el sitio web oficial, entrelazando miles de millones de enlaces válidos accesibles. Los rastreadores de IA iteran mecánicamente a través de cada enlace, capturando las mismas 922 copias exactas del contenido repetido una por una. Esto indica que la adquisición de datos de entrenamiento hoy en día ha abandonado las optimizaciones de ingeniería como la deduplicación, evolucionando directamente hacia un aplastamiento computacional que inunda los servidores objetivo con la fuerza bruta más extrema.
Una defensa de cómputo de papel
Para detener este web scraping violento y desenfrenado, el sitio web oficial del kernel de Linux desplegó un sistema anti-rastreo llamado Anubis. Es un problema matemático criptográfico basado en Prueba de Trabajo (PoW): requiere que el dispositivo del visitante combine una cadena de texto dada con su propia dirección IP y una clave dinámica del servidor, para luego calcular continuamente su valor hash SHA-256 hasta que los primeros N bits del resultado sean todos ceros.
Actualmente, Anubis ha bloqueado con éxito al 66% de los escáneres de bajo nivel, pero todavía el 33% de los bots avanzados logran resolver el problema matemático y acceden al sitio principal sin problemas.
Figura: Embudo de solicitudes de git.kernel.org: 66% bloqueado, 33% pasa, legítimas solo 2%. Fuente: people.kernel.org
Ante el implacable avance del 33% de rastreadores avanzados, la única medida de la defensa es aumentar la dificultad del cálculo del hash del nivel 4 al 5. Sin embargo, el mecanismo central de esta línea defensiva tiene una debilidad fatal: requiere el uso de scripts JavaScript en el navegador para consumir el poder de cómputo de la máquina. Utilizar un lenguaje interpretado de alto nivel para ejecutar cálculos intensivos de hash es, en sí mismo, un método de confrontación extremadamente ineficiente y altamente asimétrico.
Un ataque abrumador desde instrucciones de hardware
¿Qué tan grande es realmente el obstáculo que representa este problema matemático para los auténticos rastreadores de IA? En el foro de discusión técnica de Hacker News, un desarrollador llamado semiquaver presentó una prueba técnica devastadora.
Tardó solo 10 minutos en escribir una extensión de navegador Safari personalizada. Al invocar las instrucciones de aceleración de hardware nativas SHA256H* específicas de la arquitectura ARM, y utilizando el lenguaje C para reescribir la lógica central de resolución, redujo el tiempo necesario para resolver un problema de nivel 6, que en un iPhone tomaba originalmente 180 segundos, directamente a milisegundos. Esto demuestra que, frente a conjuntos de instrucciones de hardware dedicados, los mecanismos de defensa puramente a nivel de software son vulnerables. Cuando el atacante puede evadir la ineficiente sandbox del navegador y llamar directamente al poder de cómputo del hardware subyacente, los elaborados mecanismos de retraso diseñados por los defensores se desvanecen instantáneamente.
Figura: Curva de dificultad escalonada de Anubis y la curva de sufrimiento de los bots. Fuente: people.kernel.org
Pérdida de control sistémica en la carrera armamentista
Al mismo tiempo, las tácticas de los atacantes están sufriendo cambios cualitativos. Desde los encabezados de solicitud (UA) que originalmente informaban su identidad real con honestidad, hasta evolucionar a camuflarse por completo como navegadores de consumo ordinarios. Hoy en día han evolucionado a tácticas avanzadas de rotación secuestrando millones de IP de banda ancha doméstica y redes móviles. A través de varias herramientas de monetización SDK de proxy ocultas, las televisiones inteligentes de muchos usuarios comunes se han convertido, sin saberlo, en nodos de redes botnet que ayudan a otros a extraer datos.
Algunos desarrolladores argumentaron en la discusión que, siempre que no se usen desafíos de extrema dificultad, el motor JavaScript de un dispositivo normal puede resolver el problema en 8 segundos. Creen que la enorme brecha desde 180 segundos hasta los milisegundos es causada únicamente por los tres órdenes de magnitud de diferencia en la eficiencia de ejecución entre el motor JavaScript y el C nativo.
Pero esta es precisamente la posición incómoda de la defensa. Los rastreadores pueden utilizar de forma temeraria lenguajes nativos, clústeres de servidores e incluso hardware de bajo nivel, mientras que los usuarios reales están confinados al entorno de ejecución lento del navegador. ¿Por qué los defensores asumen que la ventaja a largo plazo está de su lado?
El diseño anti-rastreo que hace que las máquinas paguen un costo computacional ha fracasado completamente frente al hardware dedicado y el código nativo. La velocidad a la que las máquinas ejecutan tareas computacionales siempre será varios órdenes de magnitud más rápida que la de los terminales ordinarios utilizados por los humanos. El mantenedor del kernel de Linux, Konstantin Ryabitsev, finalmente admitió con impotencia que actualmente no hay una solución técnica sencilla y que la única opción es deshabilitar algunas funciones de consulta para reducir los enlaces que pueden ser rastreados. El fracaso de la solución anti-rastreo Anubis significa que: en la carrera armamentista de cómputo entre los rastreadores de IA y la defensa de los sitios web, los defensores se enfrentan a una falla sistémica. Cuando el umbral de cómputo es aplastado por el hardware, el único objetivo que los complejos captchas logran detener son los humanos reales que simplemente intentan leer el código en paz. El autor cree que, ante esta carrera armamentista en constante escalada, cualquier estrategia defensiva podría desmoronarse en el siguiente segundo debido a avances en el poder de cómputo, por lo que aún debemos mantenernos humildes en nuestro juicio sobre la tendencia futura.
Enlaces de referencia:
- Reporte original de people.kernel.org
- Discusión técnica en la comunidad de HN
