# Bots de IA consumindo CPU: bloquear em 5 etapas

Desafio de prova de trabalho antes do handler PHP, allowlist de buscador por rDNS confirmado e de gateway por faixa oficial, com a contagem de log que prova se funcionou.

> em 5 etapas verificáveis: medir req/min por user-agent no log, montar allowlist de Googlebot e Bingbot por rDNS com confirmação direta, liberar gateways de pagamento por faixa CIDR oficial, ligar o desafio de prova de trabalho no edge e comparar o antes e depois.

João Rizzon · 2026-10-09 · Servidores

---

## Por que rate limit por IP não segura um agente de LLM

Rate limit por IP e bloqueio por caminho de autenticação resolvem varredura e força bruta porque o atacante repete endereço e repete URL. O rastreador de modelo de linguagem faz o contrário: pede URL legítima (a mesma que o Googlebot pede), rotaciona user-agent, e distribui a origem por ASN de nuvem e por rede residencial revendida. Cada IP individual fica abaixo do limiar; a soma derruba o PHP.

O custo não está na banda. Está no handler: cada hit em URL não cacheável (busca interna, filtro de catálogo com query string, paginação profunda, `?add-to-cart=`) acorda um worker PHP, abre conexão com o banco e gasta CPU por centenas de milissegundos. Dez mil requisições espalhadas em cem IPs não disparam nenhum limite por IP e ocupam os workers o dia inteiro.

A contramedida que muda a economia do ataque é cobrar trabalho computacional do cliente **antes** do handler PHP. É isso que um desafio de prova de trabalho no edge faz: o navegador resolve um puzzle em JavaScript e só então recebe o cookie que libera o backend. Para um humano, é um atraso de fração de segundo, uma vez. Para quem quer varrer 200 mil URLs, o custo por página sobe o suficiente para o crawler desistir ou cair para um volume irrelevante.

## Onde o Anubis entra no caminho da requisição no LiteSpeed com cPanel

O LiteSpeed documenta a integração do Anubis em servidores cPanel em [Anubis for LiteSpeed on cPanel](https://docs.litespeedtech.com/lsws/cp/cpanel/anubis/). A ideia arquitetural importa mais que a tela de instalação: o desafio é avaliado pelo servidor web, no edge, antes de o request virar processo PHP. Se o cliente não tem o cookie válido, ele recebe a página de desafio e o backend nunca é tocado.

Isso tem três consequências práticas que você precisa considerar antes de ligar:

- **Cache.** A página de desafio não pode ser cacheada nem pelo LSCache nem por CDN à frente. Verifique os cabeçalhos de resposta do desafio antes de liberar tráfego real.
- **Clientes sem JavaScript.** Qualquer integração máquina a máquina (webhook, API, checagem de uptime, gateway de pagamento) não resolve prova de trabalho. Sem allowlist, você quebra o checkout.
- **Escopo.** Aplicar o desafio no site inteiro inclui `/wp-json`, `/wp-cron.php`, `robots.txt`, `sitemap.xml` e os endpoints de callback. Comece pelo que dói: as URLs dinâmicas não cacheáveis.

Não reproduzimos aqui nomes de diretiva nem versão mínima porque eles mudam entre releases e a página do LiteSpeed é a referência que manda: abra [Anubis for LiteSpeed on cPanel](https://docs.litespeedtech.com/lsws/cp/cpanel/anubis/) com a versão do seu binário na mão, obtida com `/usr/local/lsws/bin/lshttpd -v`, e compare antes de editar qualquer arquivo. Abaixo o formato de política é apresentado como **exemplo de estrutura**, para você conferir contra a doc antes de aplicar:

```yaml
# EXEMPLO ilustrativo de política. Confira nomes de campos e
# ações válidas na documentação oficial do LiteSpeed/Anubis.
bots:
  - name: googlebot-verificado
    user_agent_regex: "Googlebot"
    action: ALLOW        # só vale junto com verificação rDNS (seção abaixo)
  - name: gateway-pagamento
    remote_addresses: ["203.0.113.0/24"]   # faixa de exemplo (RFC 5737)
    action: ALLOW
  - name: generic-browser
    user_agent_regex: "Mozilla"
    action: CHALLENGE
```

Nunca copie faixa de IP de artigo, inclusive deste. `203.0.113.0/24` acima é faixa reservada para documentação e serve só para mostrar a forma do campo.

## Liberar buscador por rDNS com confirmação direta, não por regex de user-agent

Liberar por string de user-agent é o mesmo que não liberar nada: `Googlebot` é duas palavras que qualquer script envia. A verificação que vale é o forward-confirmed reverse DNS (FCrDNS), em três passos:

- Pegue o IP do log de acesso.
- Faça o PTR. O nome precisa terminar em um domínio do buscador (`googlebot.com` e `google.com` no caso do Google; `search.msn.com` no caso do Bing).
- Resolva esse nome de volta para A/AAAA e confirme que bate com o IP original.

```bash
# 2) PTR
host 66.249.66.1
# 3) confirmação direta do nome retornado
host crawl-66-249-66-1.googlebot.com
```

Se o passo 3 não fecha, não é o buscador. Em escala, o caminho menos frágil é não fazer FCrDNS no caminho crítico: rode a verificação por cron sobre os IPs novos que aparecem no log, materialize o resultado como allowlist de CIDR e revalide em janela fixa. DNS reverso por requisição adiciona latência e cria dependência de resolver no caminho crítico.

## Liberar gateway de pagamento por faixa CIDR oficial, nunca por user-agent

Callback de pagamento chega sem navegador e sem cookie. Trate por rede, não por string.

| Tipo de cliente | Critério de allowlist | Revalidação | Risco se errar |
|---|---|---|---||
| Googlebot / Bingbot | rDNS com confirmação direta (FCrDNS) | diária, por cron | perda de rastreamento e de indexação |
| Gateway de pagamento | faixas CIDR publicadas pelo próprio gateway | a cada mudança anunciada pelo provedor | checkout quebrado, pedido pago sem baixa |
| Monitoramento externo | IP fixo do seu provedor de uptime | manual | alarme falso de queda |
| Agente de LLM | nenhum | — | CPU em PHP |

Pegue as faixas na documentação técnica do gateway que você usa e registre a data da consulta no comentário da configuração. Assine a lista de mudanças do provedor: faixa de callback muda, e muda sem aviso no seu lado.

## Contar requisição por minuto por user-agent no log de acesso

Sem medição, você não sabe se o desafio funcionou ou se o crawler simplesmente parou sozinho naquele dia. Tire a linha de base **antes** de ligar o desafio, na mesma janela de horário.

Pico de requisições por minuto, por user-agent, no log de acesso do cPanel:

```bash
awk -F'"' '{split($1,t," "); print substr(t[4],2,17), "|", $6}' \
  /home/USUARIO/access-logs/dominio.com \
  | sort | uniq -c | sort -rn | head -20
```

No formato combinado o user-agent é o último campo entre aspas, com espaços dentro. Por isso o separador é a própria aspa (`-F'"'`): `$2` é a request line, `$4` é o referer e `$6` é o user-agent inteiro. O que sobra antes da primeira aspa (`$1`) traz host, identd, usuário e o timestamp entre colchetes, que é o quarto token: `substr(t[4],2,17)` corta `10/Oct/2026:13:55`, até o minuto. A chave de agrupamento é o par minuto + user-agent, por isso os dois saem na mesma linha antes do `sort | uniq -c`. Rode uma vez com `| head -5` sem o `uniq` para conferir que as duas colunas vieram certas: se o seu `LogFormat` não for o combined padrão, a posição dos campos entre aspas muda.

Para um agente específico, série temporal minuto a minuto:

```bash
grep -F 'GPTBot' /home/USUARIO/access-logs/dominio.com \
  | awk '{print substr($4,2,17)}' | uniq -c | tail -40
```

E para separar o que foi desafiado do que passou, agrupe o status HTTP por agente. Em vez de confiar em qualquer código citado de memória, levante o seu: com o desafio ligado em uma URL dinâmica, dispare um cliente sem JavaScript e leia o que volta.

```bash
curl -s -o /dev/null -w '%{http_code}\n' \
  -A 'Mozilla/5.0 (teste-desafio)' https://dominio.com/?s=teste
```

O valor que aparecer aí é o que você vai procurar no log, agrupado por agente:

```bash
awk -F'"' '{split($3,s," "); print s[1], "|", $6}' \
  /home/USUARIO/access-logs/dominio.com \
  | sort | uniq -c | sort -rn | head -20
```

### Os dois números que provam que o desafio funcionou

A tabela abaixo é **exemplo fictício de leitura**, não medição da Napoleon. Serve para mostrar o formato do antes e depois que você deve montar:

| User-agent | req/min (pico, antes) | req/min (pico, depois) | Observação |
|---|---|---|---||
| Agente de LLM A | 420 | 6 | desafio não resolvido, abandona |
| Googlebot verificado | 38 | 38 | allowlist por rDNS, inalterado |
| Navegador real | 210 | 208 | um desafio por sessão |
| Gateway de pagamento | 12 | 12 | allowlist por CIDR |

Os dois números que provam sucesso são: o agente cai, e Googlebot e gateway não mudam. Se o Googlebot caiu junto, sua allowlist está errada, não o desafio.

## Ordem segura de implantação e como reverter em segundos

### Linha de base de 7 dias antes de tocar na configuração

Colete 7 dias de pico por minuto por agente com os comandos acima. Guarde o arquivo. Sem ele, não há antes e depois.

### Allowlist validada primeiro, desafio ligado depois

Configure e valide a allowlist de buscadores e gateways com o desafio ainda desligado, ou em modo que apenas registre. Teste o callback do gateway em sandbox.

### Escopo mínimo: só as URLs dinâmicas que queimam CPU

Ligue o desafio só nas URLs dinâmicas que queimam CPU. Deixe `robots.txt`, `sitemap.xml`, assets estáticos e endpoints de API fora.

### Janela de observação de 48 horas e o que olhar nela

Acompanhe por 48 horas: CPU dos workers PHP, taxa de resposta de desafio por agente, Search Console (erros de rastreamento aparecem com atraso) e logs do gateway.

### Caminho de reversão escrito antes de subir

Tenha o caminho de volta escrito antes de subir: desligar o desafio, restaurar a configuração anterior, recarregar o LiteSpeed. Se o checkout quebrar, reverter leva segundos; descobrir a causa com o site parado leva horas.

## O que a prova de trabalho não resolve: cache, índice e headless

Seja honesto sobre o limite da técnica, porque ela vira falsa sensação de segurança rápido:

- **Headless com JS executa o desafio.** Um crawler disposto a rodar navegador resolve o puzzle. O que muda é o custo por página, não a possibilidade.
- **Não substitui cache.** Se a URL dinâmica podia estar em LSCache e não está, você está pagando PHP por tráfego humano também. Arrume o cache antes.
- **Não substitui consulta otimizada.** Se 400 ms de CPU por request vêm de um `SELECT` sem índice, o desafio só diminui a frequência do problema. Olhe o slow query log primeiro: às vezes o servidor aguenta o crawler depois de um índice, e você não precisa de desafio nenhum.
- **`robots.txt` continua valendo** para o agente que respeita, e custa zero. Faça os dois.

A regra operacional é simples: cache e índice reduzem o custo por requisição; o desafio no edge reduz o número de requisições que chegam ao PHP; a allowlist garante que quem precisa passar passe. Os três juntos, nessa ordem de prioridade.

