Bonjour à tous,
Le mois dernier, je vous parlais de mon problème lié aux crawlers d’IA en bloquant l’accès à mon serveur à des pays entiers. Aujourd’hui, je vais vous montrer comment j’ai mis en place Anubis avec Traefik pour réussir à ne bloquer (que ?) les crawlers et les bots.
Mon instance Gitea, comme toutes les forges logicielles publiques, se fait tabasser par les robots scannant ce genre d’outils pour “améliorer/nourrir” des IA.
Dans un monde idéal (et j’en parlais dans mon dernier article), le fichier robots.txt est respecté et aucun abus n’a lieu, fin de l’histoire.
Sauf que dans le monde de l’IA, on se fout des règles, on se fout de tout.
Il suffit de voir ce genre d’article dont le titre est littéralement:
OpenAI dit que c’est fini s’ils ne peuvent pas voler les contenus Copyrightés
Donc on ne respecte pas ce fichier, et on tabasse tout le monde pour faire la course à qui a la plus grosse (IA).
Le mois dernier, j’avais donc montré comment j’avais du en arriver à bloquer des pays entiers au niveau pare-feu. La solution ne me plaisait pas car elle exclue également tous les utilisateurs légitimes de ces pays. Aussi, ça voudrait aussi dire que les entreprises scannant illégitimement le web auraient gagné.
De plus, chaque jour, le spam venait de nouveaux pays au point où je n’avais whitelisté que la France. J’en étais arrivé au point où j’avais totalement coupé mon instance Gitea, et je la démarrai juste quand j’avais besoin de commit un truc …
Mais ça, c’était en attendant une solution plus pérenne que j’ai pu mettre en place la semaine dernière.
Anubis est le fruit de l’exaspération de Xe Iaso par ces crawlers d’IA qui ne respectent rien. Le code source est disponible ici.
Il s’agit un reverse-proxy écrit en Go qui exige la résolution d’un défi de preuve de travail (Proof of work en anglais). Si le défi est réussi, alors l’accès au service est autorisé et un cookie est déposé pour autoriser directement les prochaines requêtes.
L’outil est encore très jeune, mais déjà utilisé pour protéger des sites de l’UNESCO, le dépôt Git de kernel.org, le Gitlab de GNOME, etc…
Tout d’abord, voici comment ça va marcher:
Connexion
git.pofilo.fr.Il s’agit d’un entrypoint local à ne pas exposer sur le réseau public, c’est lui que l’instance Gitea va désormais écouter.
Dans ma conf statique de Traefik, j’ai donc:
1entryPoints:
2 web:
3 address: :80
4 http:
5 redirections:
6 entryPoint:
7 to: websecure
8 scheme: https
9 websecure:
10 address: :443
11 anubis:
12 address: :3923
Il faut désormais ajouter le service Anubis.
Dans mon cas, je le dédie à mon instance Gitea, de ce fait, je peux avoir plusieurs instances Anubis avec diverses configurations pour protéger différents services avec des règles différentes.
1services:
2 gitea-anubis:
3 image: ghcr.io/techarohq/anubis:latest
4 environment:
5 BIND: ":8080"
6 DIFFICULTY: "4" # Fast successful response with most devices, 5 is way more slow
7 SERVE_ROBOTS_TXT: "false" # I prefer my own robots.txt from Gitea service (supposed to block every user agents)
8 TARGET: "http://traefik:3923"
9 ED25519_PRIVATE_KEY_HEX_FILE: "/etc/private_key_hex_file"
10 POLICY_FNAME: "/etc/botPolicies.json"
11 labels:
12 - "traefik.enable=true"
13 - "traefik.docker.network=traefik"
14 - "traefik.http.services.gitea-anubis.loadbalancer.server.port=8080"
15 - "traefik.http.routers.gitea-anubis.rule=Host(`git.pofilo.fr`)"
16 - "traefik.http.routers.gitea-anubis.entrypoints=websecure"
17 # TLS and security
18 - "traefik.http.routers.gitea-anubis.tls=true"
19 - "traefik.http.routers.gitea-anubis.tls.options=intermediate@file" # this is the conf generated with https://ssl-config.mozilla.org/
20 - "traefik.http.routers.gitea-anubis.middlewares=nocsp-headers@file" # this is the conf I used for headers
21 networks:
22 - traefik
23 volumes:
24 - ../path/to/private_key_hex_file:/etc/private_key_hex_file:ro
25 - ../path/to/botPolicies.json:/etc/botPolicies.json:ro
26networks:
27 name: traefik
28 external: true
Du côté de mon service Gitea, je remplace - "traefik.http.routers.gitea.entrypoints=websecure" par - "traefik.http.routers.gitea.entrypoints=anubis".
Il faut également que je retire ce genre de lignes (tout est désormais géré par le routeur dédié au service Anubis):
1# TLS and security
2- "traefik.http.routers.gitea.tls=true"
3- "traefik.http.routers.gitea.tls.options=intermediate@file"
4- "traefik.http.routers.gitea.middlewares=nocsp-headers@file"
Concernant:
ED25519_PRIVATE_KEY_HEX_FILE: ça permet de ne pas re-challenger les clients si je redémarre l’instance d’Anubis (le cookie expire tout de même après 1 semaine).POLICY_FNAME: je vais en parler dans le prochain paragraphe.Par exemple, si on ne veut qu’une seule instance d’Anubis, pour matcher toutes les règles (et jouer sur les priorités), on pourrait utiliser une règle du type:
- traefik.http.routers.anubis.rule=PathRegexp(`.*`)
La version par défaut est trouvable ici et la documentation ici. Personnellement, je suis parti du principe que:
robots.txt est censé bloqué tout type de bots.Au final, j’interdis globalement tout ce qui ressemble à un bot/crawler et je force le challenge à tout les autres (sauf pour l’accès au fichier robots.txt pour ceux qui le respectent encore).
1{
2 "bots": [
3 {
4 "name": "robots-txt",
5 "path_regex": "^/robots.txt$",
6 "action": "ALLOW"
7 },
8 {
9 "name": "internal-traffic",
10 "remote_addresses": ["10.0.0.0/8", "172.16.0.0/12", "192.168.0.0/16"],
11 "action": "ALLOW"
12 },
13 {
14 "name": "generic-challenging",
15 "user_agent_regex": "(?i)(bot|spider|crawl|fetch|scrapy|wget|curl|python-requests|libwww|Java|Go-http-client)",
16 "action": "CHALLENGE",
17 "challenge": {
18 "difficulty": 16,
19 "report_as": 4,
20 "algorithm": "slow"
21 }
22 },
23 {
24 "name": "ai-bots",
25 "user_agent_regex": "(?i)(AI2Bot|Ai2Bot-Dolma|Amazonbot|anthropic-ai|Applebot|Applebot-Extended|Brightbot 1.0|Bytespider|CCBot|ChatGPT-User|Claude-Web|ClaudeBot|cohere-ai|cohere-training-data-crawler|Crawlspace|Diffbot|DuckAssistBot|FacebookBot|FriendlyCrawler|Google-Extended|GoogleOther|GoogleOther-Image|GoogleOther-Video|GPTBot|iaskspider/2.0|ICC-Crawler|ImagesiftBot|img2dataset|imgproxy|ISSCyberRiskCrawler|Kangaroo Bot|Meta-ExternalAgent|Meta-ExternalFetcher|OAI-SearchBot|omgili|omgilibot|PanguBot|Perplexity-User|PerplexityBot|PetalBot|Scrapy|SemrushBot-OCOB|SemrushBot-SWA|Sidetrade indexer bot|Timpibot|VelenPublicWebCrawler|Webzio-Extended|YouBot)",
26 "action": "CHALLENGE",
27 "challenge": {
28 "difficulty": 16,
29 "report_as": 4,
30 "algorithm": "slow"
31 }
32 },
33 {
34 "name": "default",
35 "user_agent_regex": ".*",
36 "action": "CHALLENGE"
37 }
38 ]
39}
Avec mon instance Gitea de nouveau debout, mes fichiers de logs d’accès explosent. Or avec Traefik, il n’y a pas moyen de ne pas loguer les accès pour un seul service, c’est tout ou rien.
J’ai donc mis en place une simple tâche cron qui va faire la commande sed pour supprimer tous les logs sur le service Anubis:
sed -i '/"gitea-anubis@docker"/d' /path/to/traefik-access.log && docker kill --signal="USR1" traefik > /dev/null 2>&1
Il faut également envoyer le signal USR1 à Traefik afin qu’il ré-ouvre le fichier de log de son côté.
Ce n’est pas parfait, parce que ça me supprime les IP entrantes dans les logs d’accès de Gitea (du point de vue de Traefik, le trafic provient d’Anubis via l’entrypoint dédié), mais ça évite de générer plusieurs centaines de Mo de logs pour rien chaque jour.
C’est très dommage de devoir faire ça, mais ça protège réellement mon serveur sans avoir à bloquer des pays entiers. Ça demande également des calculs “inutiles” (dans le sens où ils ne servent pas à quelque chose d’utile derrière) à chaque nouveau client, mais peut-on encore parler de sobriété face à ce que consomme l’entraînement des IA ?
À noter également que pour l’instant, Anubis rend le Javascript obligatoire. C’est un point à prendre en compte dans le choix de mettre Anubis devant un service.
Pour finir, dans cet article, je montre comment j’ai configuré Anubis avec Gitea, mais on voit qu’on peut très facilement l’adapter à d’autres services. J’ai par exemple rajouté Anubis sur ce site pour éviter que les IA y volent le contenu sans mon accord.
Alerte de sécurité firewalls FortiGate : des cybercriminels exploitent une technique pour maintenir un accès furtif, même lorsque les correctifs sont appliqués.
The post CERT-FR : de nombreux firewalls Fortinet compromis en France, malgré les correctifs ! first appeared on IT-Connect.
Découvrez les tendances SEO 2025 pour optimiser votre site web. Contenus de qualité, IA, GEO, on vous dit tout.
The post SEO 2025 : les tendances incontournables pour dominer les moteurs de recherche first appeared on IT-Connect.
L'hyperviseur bare-metal de la suite VMware vSphere, à savoir VMware ESXi, est de retour en version gratuite avec la version 8.0 Update 3e.
The post La version gratuite de VMware ESXi est de retour ! Voici comment en profiter ! first appeared on IT-Connect.
Google Chrome 136 s'apprête à intégrer une amélioration pour corriger une faille portant atteinte à la confidentialité, à cause du sélecteur CSS visited.
The post Confidentialité : Google Chrome 136 enterre un problème de sécurité vieux de 20 ans ! first appeared on IT-Connect.
Comment analyser et anticiper les effets du Patch Tuesday d'avril 2025 au niveau du PAC de Kerberos dans un environnement Active Directory ? Voici nos conseils.
The post Patch Tuesday d’avril 2025 : votre Active Directory est-il prêt pour la validation du PAC ? first appeared on IT-Connect.
PrivateBin est une alternative open source à PasteBin, une application très utile pour partager des mots de passe et bouts de code en toute sécurité.
The post PrivateBin : comment déployer votre propre PasteBin sur un serveur ? first appeared on IT-Connect.
Une région est en train de vivre un lent basculement, le nombre de morts devrait exploser dans les années à venir.
Si vous creusez un trou depuis la France, où arriverez-vous ? Les antipodes de l'Hexagone cachent des trésors insoupçonnés, classés au patrimoine mondial et peuplés d'espèces uniques sur Terre.
Quelques infos sur Google (et Bing parfois) et son moteur de recherche, glanées ici et là de façon officieuse ces derniers jours, avec au programme cette semaine quelques réponses à ces angoissantes questions : quelles sont les conséquences de balises hreflang pointant vers des pages redirigées en 301 ? L'outil de désaveu peut-il être considéré comme une solution de maintenance pour les sites ?
Selon John Mueller, les balises hreflang pointant vers des pages avec une redirection 301 sont « probablement acceptables ». Cependant, il recommande d'automatiser la configuration des balises hreflang pour éviter les redirections, ce qui facilite au passage le suivi et réduit les risques liés aux problèmes de canonicalisation.
Source : Search Engine Roundtable
Taux de fiabilité : 
On a quelques doutes...
En effet, même si certaines solutions techniques fonctionnent en l’état, l’idéal reste encore de faire les choses proprement. D’autant que John Mueller évoque ici un « probablement acceptable » qui laisse une belle place au doute.
Goossip #2
Lors d’un événement Search Central à New York, John Mueller a précisé que l’outil de désaveu n’était pas destiné à un usage régulier et ne fait pas partie de la maintenance normale d’un site. Par ailleurs, il a insisté sur le fait que Google ne reconnaît pas la notion de « backlinks toxiques », terme inventé par certains outils SEO. Le désaveu ne devrait être utilisé que dans certains cas extrêmes, comme lorsqu’un site a acheté des liens et subit une action manuelle pour spam. En règle générale, Google ignore les liens douteux automatiquement.
Source : Search Engine Journal
Taux de fiabilité : On est d'accord !
Derrière la déclaration de John Mueller, qui ne manque jamais une occasion pour rappeler que l’outil de désaveu de liens est utilisé en dépit du bon sens, il y a aussi l’idée encore répandu qu’un mauvais classement serait nécessairement lié à un problème de liens toxiques. Dans la plupart des cas, l’explication se trouve souvent ailleurs : contenu de mauvaise qualité, problèmes techniques…
L’article "Goossips SEO : Hreflang, Outil de désaveu" a été publié sur le site Abondance.
