Οι Scrapers πρόκειται να ξεκινήσουν τη χρήση της AI για να μιμηθούν τους πραγματικούς χρήστες - έτσι οικοδόμησα έναν ανιχνευτή bot που μαθαίνει, προσαρμόζειM SK2 και πολεμά πίσωMK3

Βασική ιδέα για το : για την συμπεριφορική διαδρομή για το . Αυτό επιτρέπει μια νέα κατηγορία - επιχειρήσεις όπου διαφανείςΜSK1 ιδιαίτερα προσαρμόσιμη Οι ερευνητές του " των ανιχνευτών και των συστημάτων μάθησης αντανακλά την κυκλοφορία με βάση τα έμαθα πρότυπα συμπεριφοράςΗ ΜSK4 ειδικά δεν είναι στατικές κανόνεςΗ . ειδικότερα Το YARP Gateway, bots δεν φτάνουν ποτέ στο backend σαςΜSK1 Ή χρησιμοποιήστε το middleware για να δημιουργήσετε τη διαδρομή συμπεριφοράς απευθείας στην επιφάνεια εφαρμογών σας.

Γιατί υπάρχει αυτό

Η ανίχνευση bot έχει γίνει ήσυχα ένα από τα πιο δύσκολα προβλήματα στη σύγχρονη μηχανική ιστού.

Όχι επειδή τα ρομπότ γίνονται πιο έξυπνα, αλλά γιατί Η AI έκανε το trivial για να μιμηθεί την αληθινή συμπεριφορά του χρήστη:

• Ρυθμίσεις διαμονής
• Εξαιρετικά έγκυρα δακτυλικά αποτυπώματα
• Ρεαλιστικό κίνημα ποντικιού
• Εφαρμογή JavaScript
• Προσαρμογή όταν μπλοκάρει

Επιχειρηματικές λύσεις επιλύουν αυτό, επιχειρήσεις, αλλά οι εταιρείες ’ συντηρούν δαπανηρή (£3ΚΜSK3μήνα είναι τυπικόM SK4 κλειστά-εξουσιοδότησηMSKA6 και δεσμευτεί με συγκεκριμένα CDNsMSKE7Δεν γνωρίζετε ποτέ πραγματικά τι συμβαίνειMske8 κάτω από το χέριMIKE9

«Θέλω κάτι διαφορετικό»

• Ανοιχτό
• Τοπική
• Κατανοητή
• Εύκολο να επεκταθεί
• Φτηνές για να τρέξει ( υποστηρίζει, ακόμη και σε ένα Raspberry PiM SK2

Έτσι οικοδομήσαμε ΠΕΡΙΣΣΟΤΕΡΙΚΗ ΑΝΑΚΑΛΥΨΗ - ένας ενιαίοςΜSK1 μάθηση μηχανή ανίχνευσης bot για ΜSK2NET.

Ξεκίνησε απλή… επιχειρήσεις και στη συνέχεια μεγάλωσε σε κάτι πολύ πιο ενδιαφέρον. επιχειρήσεις

Ένα συγκεκριμένο παράδειγμα (What This Actually CatchesΜSK1

Εδώ’ ικανοποιεί ένα πραγματικό σενάριο-world

ΠΡΟΣΟΧΗ ΣΤΗΝ ΕΠΙΘΥΝΑ ΜΣΚ0

User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) Chrome/120

Βλέπετε νόμιμες.

Αλλά αυτό Ξέχασες Ένας επικεφαλής Chrome πάντα στέλνει:

Sec-Fetch-Mode

Και η Accept-Language Ο επικεφαλής δεν πληροί το ’ πληρώνει τον ισχυρισμένο τοπικό πληροφόρηση.

Και το ποσοστό αίτησης είναι σαφώς αυτοματοποιημένο.

Ένα σήμα είναι καλό. Two είναι ύποπτο. Three is a patternM SK2

Το σύστημα το σηματοδοτεί κάτω από 100 εκατομμυρίων δευτερολέπτων ΜSK1 δεν χρειάζεται AI

Αυτό είναι το θεμέλιο ολόκληρου του σχεδιασμού: Don’t εξαρτάται από ένα μεγάλο ΜSK1bot ή όχι ΜSK2 μοντέλο . συσσωρευμένες αποδείξεις

Η φιλοσοφία του συστήματος

Στο επίκεντρο του, το , αναφέρει ότι αυτό το έργο δεν είναι σίγουραΤο ’ αναφέρει πραγματικά σχετικά με την ανίχνευση bot στο σύνολό του Το - αναφέρει πως η ’ αναφέρει σχετικά με τη μεταχείριση της κυκλοφορίας ως ένα ζωντανό σύστημα αντί για μια ροή απομονωμένων αιτημάτων.

Οι σύγχρονοι σπρέι συμπεριφέρονται περισσότερο όπως οι προσαρμοστικοί οργανισμοί: μαθαίνουνΜSK1 μεταλλάσσονται, εξετάζουν για αδυναμίεςM SK3 και ανταποκρίνονται στην πίεσηMK4 Έτσι η άμυνα πρέπει να εξελίσσεται πάρα πολύ

Η φιλοσοφία εδώ είναι απλή: παρατηρήστε τα σήματαΜSK1 συνδυάζετε αυτά, επιτρέψτε τους να αλληλεπιδρούνM SK3 και να προσαρμοστούν με την πάροδο του χρόνουMK4 Αντί ενός "bot/ μηMST7bot<" checkMSS9 ο κινητήρας γίνεται ένα δίκτυο μικρών ανιχνευτώνMSM10 κάθε συμβολής αποδεικτικών στοιχείων σε μια κοινή μαύρη γραμμήMSL11 όπου υψηλότεραMSP12 συμπεριφορές μπορεί να εμφανιστείMSC13 Πολιτικές γίνονται σύνθετες ροέςMsl14 όχι δύσκολαMSD15 κωδικοποιημένους κανόνεςM

Το σύστημα είναι κατασκευασμένο για να είναι διαφανές, εξηγούμενο, εκτεταμένηΜSK2 και αυτο ΜSK3 διόρθωσηM SK4 με το μακροπρόθεσμο στόχο της - συμπεριφοράς λιγότερο σαν ένα τείχος πυρκαγιών και περισσότερο σαν ένα ανοσοποιητικό σύστημαMSKA6 γρήγορα στην άκρηMKA7 έξυπνη στο κεντρικόMCA8 και πάντα μάθουν

Πώς λειτουργεί (Η σύντομη έκδοση ΜSK1

Οι αιτήσεις ρέουν μέσα από αρκετούς μικρούς ανιχνευτές, ο καθένας συμβάλλει ένα μικρό κομμάτι αποδεικτικών στοιχείωνΜSK1

Σκεφτείτε το ως σημείο ελέγχου ασφαλείας του αεροδρομίου… αλλά γρήγοραΜSK1

flowchart TB
    subgraph Request["Incoming Request"]
        R[HTTP Request]
    end

    subgraph FastPath["Fast Path (< 100ms)"]
        UA[User-Agent Check]
        HD[Header Analysis]
        IP[Datacenter IP Lookup]
        RT[Rate Anomalies]
        HE[Heuristic Model]
    end

    subgraph SlowPath["Slow Path (Async Learning)"]
        LLM[LLM Reasoning]
        Learn[Weight Learning]
    end

    subgraph Output["Decision"]
        Score[Risk Score 0-1]
        Action[Allow / Throttle / Block]
    end

    R --> UA & HD & IP & RT
    UA & HD & IP & RT --> HE
    HE --> Score --> Action

    HE -.-> LLM -.-> Learn
    Learn -.->|updates weights| HE

    style FastPath stroke:#10b981,stroke-width:2px
    style SlowPath stroke:#6366f1,stroke-width:2px
    style Output stroke:#f59e0b,stroke-width:2px

Γρήγορος δρόμος (< ΜSK1ms)

Λειτουργεί συγχρονικά. DoesnΜSK1 επιβραδύνει την εφαρμογή σας.

• Αναγνωρισμένα πρότυπα bot
• Λείπουν τα headers πραγματικά προγράμματα περιήγησης πάντα στείλτε
• IPs Κέντρου Δεδομένων (AWSΜSK1Azure/GCPM SK3
• Ταχύτητα Spikes
• Διαφωνίες μεταξύ UA + επικεφαλής

Αυτά τα πιάτα 80% από bots αμέσως.

Σύντομη διαδρομή (AsyncΜSK1

Δραστηριότητες κοντά σε:.

• Heuristic μοντέλο με μαθαμένο βάρος
• LLM Σχεδιασμός μέσω Ολαμά
• Αναβάθμιση της φήμης του μοντέλου
• Ξέχασαν τα σήματα

Αυτό καταλαμβάνει τα προσαρμοστικά bots - ίσως εκείνα που οι περισσότεροι άνθρωποι Σκέψου ' εγγυάται τη σύλληψη με ΜSK1regex σε Χρήστη ΜSK2Agent

Δοκιμάστε το σε 10 Seconds

dotnet add package Mostlylucid.BotDetection

var builder = WebApplication.CreateBuilder(args);
builder.Services.AddBotDetection();

var app = builder.Build();
app.UseBotDetection();
app.Run();

Το γεγονός ότι η ’ αναφέρει το . αναφέρει οτιδήποτε δουλεύει έξω από το κιβώτιο

Τι ανιχνεύει (Σε ένα φως)

Η συνέπεια είναι το χαρακτηριστικό που κοιμάται - ιδιαίτερα τα σύγχρονα ρομπότ μπορούν να σπάσουν Μία σήμα, αλλά συνήθως αποτυγχάνει στη διασταύρωση των μηνυμάτων - συνοχή

Ένα πραγματικό αποτέλεσμα ανίχνευσης (Broken DownΜSK1

Εδώ' αναφέρει τι μια πραγματική ανίχνευση μοιάζει - ίσως αυτό είναι από το demo που τρέχει fastpath Πολιτική ( αναφέρει ανιχνευτές παράλληλαΜSK1 αναφορές Στην παραγωγή, αναφέρουν ότι οι περισσότερες αιτήσεις έρχονται νωρίς μετά απ 'όλα Η ΜSK3 αναφέρει ότι οι ανιχάτες συμφωνούνΗ . αναφέρει

Συνοπτικά

{
  "policy": "fastpath",
  "isBot": false,
  "isHuman": true,
  "humanProbability": 0.8,
  "botProbability": 0.2,
  "confidence": 0.76,
  "riskBand": "Low",
  "recommendedAction": { "action": "Allow", "reason": "Low risk (probability: 20%)" },
  "processingTimeMs": 50.7,
  "detectorsRan": ["UserAgent", "Ip", "Header", "ClientSide", "Behavioral", "Heuristic", "VersionAge", "Inconsistency"],
  "detectorCount": 8,
  "earlyExit": false
}

8 ανιχνευτές τρέχουν σε ΜSK1ms Η - ανέφερε ότι η ' αναφέρει παράλληλη εκτέλεση σε πολλές πηγές αποδεικτικών στοιχείων

Δείκτης συνεισφοράς

Κάθε ανιχνευτής συμβάλλει σε μια επιζήμια επίδραση. αρνητικό ΜSK1 ανθρώπινο σήμαM SK2 θετική ΜSK3 σήμα bot.

Η Heuristic ανιχνευτής κυριαρχεί εδώ -ΜSK1μετράει ΜSK2x και χρησιμοποιείται 16 χαρακτηριστικά για να φθάσει Μ SK4 ανθρώπινη εμπιστοσύνη.

Σημάδια που συλλέγονται

Κάθε ανιχνευτής εκπέμπει σήματα που τροφοδοτούν το εουριστικό μοντέλο:

{
  "ua.is_bot": false,
  "ua.raw": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36...",
  "ip.is_local": true,
  "ip.address": "::1",
  "header.has_accept_language": true,
  "header.has_accept_encoding": true,
  "header.count": 16,
  "fingerprint.integrity_score": 1,
  "behavioral.anomaly": false,
  "heuristic.prediction": "human",
  "heuristic.confidence": 0.77,
  "versionage.analyzed": true
}

Αυτά τα σήματα συνεχίζονται και εκπαιδεύουν το σύστημα μάθησης με την πάροδο του χρόνου

Κατηγορία Breakdown

Τα αποτελέσματα συγκεντρώνονται ανά κατηγορία για την τελική απόφαση:

Συνολική βαθμολογία : ΜSK1 → Δύσκολο ανθρώπινο σήμα ΜSK1 Επιτρέψτε σε.

Σημείωση: Αυτό είναι το demo's fastpath Η πολιτική που τρέχει Όλοι ανιχνευτές για την ορατότητα.Στην πραγματική παραγωγή με πρόωρη έξοδο επιτρέπεταιΜSK1 υψηλή ΜSK2 εμπιστοσύνη αιτήματα εξόδου μετά απλώς 2-3 ανιχογράφοι συμφωνούν Μ SK4 συνήθως υπό 10ms. Το ΜSK1ms εδώ είναι επειδή η λειτουργία επίδειξης εμποδίζει την έγκαιρη κυκλοφορία για να εμφανίσει όλες τις συνεισφορές.

Πλήρης γραμμή (Demo Mode με LLM)

Για σύγκριση, εδώΜSK1 το demo πολιτική - το πλήρες σωλήνα συμπεριλαμβανομένης της λογικής LLMΜSK1 Αυτό δείχνει τι συμβαίνει όταν οι ανιχνευτές Διαφωνία:

{
  "policy": "demo",
  "isBot": false,
  "isHuman": true,
  "humanProbability": 0.87,
  "botProbability": 0.13,
  "confidence": 1.0,
  "botType": "Scraper",
  "riskBand": "Low",
  "recommendedAction": { "action": "Allow", "reason": "Low risk (probability: 13%)" },
  "processingTimeMs": 1370,
  "aiRan": true,
  "detectorsRan": ["UserAgent", "Ip", "Header", "ClientSide", "Behavioral",
                   "VersionAge", "Inconsistency", "Heuristic", "HeuristicLate", "Llm"],
  "detectorCount": 10
}

10 ανιχνευτές σε ΜSK1 δευτερόλεπτα - πραγματικά το LLM τρέχει και Διαφωνούν Με την ερμηνεία των επιχειρήσεων .

Αυτή είναι η ενδιαφέρουσα περίπτωση - Το LLM το σηματοδοτεί ως ένα δυνητικό bot Όλοι οι στατικοί ανιχνευτές ανέφεραν ότι ο άνθρωπος

{
  "ai.prediction": "bot",
  "ai.confidence": 0.85,
  "ai.learned_pattern": "Browser string suggests Chrome, common in bots. Presence of cookies and a specific referer also points to a potential bot."
}

Το LLM' αναφέρει ότι η λογική καταγράφεται ως σήμα που τροφοδοτεί πίσω στο σύστημα μάθησης. Κατά τη διάρκεια του χρόνου το , αναφέρει αν αυτό το πρότυπο εξακολουθεί να εμφανίζεται και επιβεβαιώνεται καθώς το ρομπότ κυκλοφορίαςM SK3 αναφέρουν ότι τα εορτικά βάρος θα προσαρμοστούν

Ενημέρωση:

1. Δύο φορές τρέχει ο Χουρίστας - αναφέρθηκε νωρίς ΜSK1 αναφέρθηκαν πριν από όλους τους ανιχνευτές ΜSK2 αναφέρθη και καθυστέρησε ( αναφέρει όλα τα αποδεικτικά στοιχεία ). αναφέρουν Και οι δύο ανέφεραν MC5 αναφέρεται ανθρώπινο MK6 αναφέρει με MH7 αναφέρει εμπιστοσύνη MD8 αναφέρει

2. Η LLM διαφωνεί - αναφέρει ότι παρατηρήθηκε πρότυπα οι στατικοί ανιχνευτές λείπουν ΜSK1 αναφέρει Η +2.13 αναφέρει το βάρος του αντίκτυπο μερικώς υπολογίζει την ερουτική ΜSK3 αναφέρει

3. Χωρίς αποτυπώματα - ClientSide επέστρεψε ΜSK1 επειδή η JS είχεΗ ' εκτελεσθεί όμωςΗ ΜSK3 Σε ένα πραγματικό πρόγραμμα περιήγησηςη ΜSK4 αυτό θα προσθέσει περισσότερο ανθρώπινο σήμαη .

4. Τελική απόφαση : Επιτρέπεται - ακόμη και με το LLMΜSK1 υποψία, η συνδυασμένη απόδειξη εξακολουθεί να ευνοεί τον άνθρωπο ΜSK3 botType: "Scraper" σημαία σημαίνει ότι το ' αναφέρει ότι παρακολουθείται στο . αναφέρει

Η κατάρρευση της κατηγορίας δείχνει την ένταση:

Συνολική βαθμολογία : ΜSK1 → Ανθρώπινα κέρδηΜSK1 αλλά το LLMM SK2 διαφωνία σημειώνεται.

Κλειδί για την αναγνώριση: Το σύστημα δεσμεύεται' αναφέρει τυφλά εμπιστοσύνη σε οποιονδήποτε ενιαίο ανιχνευτή αναφέρει. αναφέρει Όταν δεν συμφωνούν αναφέρουν, αναφέρει ότι τα αποδεικτικά στοιχεία είναι βάρος και η πλειοψηφία κερδίζει - αναφέρει αλλά οι απόψεις μειοψηφίας καταγράφονται για να μάθουν

ΣΗΜΑΝΤΙΚΕΣ ΕΠΙΧΕΙΡΕΥΣΕΙΣ Αυτή η λεκτική παραγωγή είναι demo-ΜSK1Στην παραγωγή, λαμβάνετε μια λεπτή απάντηση μέσω των επικεφαλίδων HTTP M SK3X-Bot-Confidence, X-Bot-RiskBand, επιχειρήσεις κλπΜSK1 επιχειρήσεις ή ένα απλό context.IsBot() Ελέγξτε. Το πλήρες JSON είναι για αποσύνδεση και τσιμπή ΜSK1 σας αρέσει' ποτέ δεν στείλετε αυτό σε πελάτες.

Χρησιμοποιώντας τα αποτελέσματα

if (context.IsBot())
    return Results.StatusCode(403);

var score = context.GetBotConfidence();  // 0.0–1.0
var risk  = context.GetRiskBand();       // Low/Elevated/Medium/High

Προστασία των τελικών σημείων

app.MapGet("/api/data", Secret).BlockBots();
app.MapGet("/sitemap.xml", Sitemap)
   .BlockBots(allowVerifiedBots: true);

Τα επίπεδα κινδύνου καθοδηγούν την δράση:

Διάγνωση AI (ΕπιλεκτικάΜSK1

Δεν απαιτείται - αλλά χρήσιμη για την απόκτηση προηγμένης αυτοματοποίησηςΜSK1

Ηλεκτρονικό ανιχνευτή (ΑπλάΜΣΚ1 Μάθηση ΜΣΚ2

Το σύστημα περιλαμβάνει έναν εικονικό ανιχνευτή που χρησιμοποιεί τη λογιστική regression με δυναμικά μαθαίνοντας βάρος. Ξεκινάει με ευαίσθητες παραγραφές και εξελίσσεται με βάση την ανατροφοδότηση.

Τυπική ακραία : ΜΣΚ0μς

{
  "BotDetection": {
    "AiDetection": {
      "Heuristic": {
        "Enabled": true,
        "LoadLearnedWeights": true,
        "EnableWeightLearning": true
      }
    }
  }
}

Τα χαρακτηριστικά εξάγονται δυναμικά - νέα πρότυπα αυτόματα παίρνουν προεπιλεγμένα βάρος και μαθαίνουν με την πάροδο του χρόνουΜSK1 Το σύστημα ανακαλύπτει τι έχει σημασία για Το δικό σου Δραστηριότητες.

Ollama LLM (Deep ReasoningΜSK1

Παίρνει απομακρυσμένα ρομπότ που μοιάζουν " εξολοθρεύει ΜSK1 αναφέρει ταχέως κανόνες ΜSK2 αναφέρει χρήσεις Ολαμά για την τοπική παραπομπή LLM.

ollama pull gemma3:1b

{
  "BotDetection": {
    "AiDetection": {
      "Provider": "Ollama",
      "Ollama": { "Model": "gemma3:1b" }
    }
  }
}

Ποιος είναι Αποτυγχάνεται το - - αναφέρει αν αναφέρεται' αναφέρει κάτω από το , αναφέρει ότι η ανίχνευση συνεχίζεται συνήθως με την . αναφέρουν

Το Learning System:AdaptiveΜSK1No Trigger-Ευτυχισμένο

Στατικοί μπλοκιστές πηγαίνουν σταθερά. Οι επιτιθέμενοι προσαρμόζονταιΜSK1 Έτσι αυτό το σύστημα μαθαίνει. επιχειρήσεις

flowchart LR
    N[Neutral] -->|repeated bad activity| S[Suspect]
    S -->|confirmed| B[Blocked]
    B -->|no activity| S
    S -->|stays clean| N

    style B stroke:#ef4444,stroke-width:2px
    style S stroke:#eab308,stroke-width:2px
    style N stroke:#10b981,stroke-width:2px

Τα πρότυπα υποχωρούν με την πάροδο του χρόνου:

• Οι IPs ανακατατάσσονται
• Τα λανθασμένα κείμενα γίνονται σταθερά
• Η κυκλοφορία αλλάζει φυσιολογικά

Χωρίς κατάρρευση μπορείτε να αποκλείσετε τους νόμιμους χρήστες για πάντα.

{
  "BotDetection": {
    "Learning": {
      "Enabled": true,
      "ScoreDecayTauHours": 168,
      "GcEligibleDays": 90
    }
  }
}

YARP Gateway: Edge Protection για την εφαρμογή σας

Ακόμη και η ΜΣΑΕ αναφέρει ότι μια Docker-first YARP αναστρέψιμο proxy Πραγματοποιεί την ανίχνευση Πριν Οι αιτήσεις χτύπησαν την εφαρμογή σας.

flowchart LR
    I[Internet] --> G[YARP Gateway]
    G -->|Human| App[Your App]
    G -->|Search Engine Bot| App
    G -->|Malicious| Block[403]

Κάντε το σε μια γραμμή:

docker run -p 80:8080 \
  -e DEFAULT_UPSTREAM=http://your-app:3000 \
  scottgal/mostlylucid.yarpgateway

Δραστηριότητες σε:

• Linux
• ΜΑΚΟΣ
• Windows
• ΑΡΜ (ΑΡΜ ΜΣΚ1 Raspberry PiΑρμ ΜΣΚΑ2

Για την προσαρμοσμένη διαδρομή:

services:
  gateway:
    image: scottgal/mostlylucid.yarpgateway
    volumes:
      - ./yarp.json:/app/config/yarp.json

Μια λογική παραγωγή επιβεβαιώνεται

{
  "BotDetection": {
    "BotThreshold": 0.7,
    "BlockDetectedBots": true,
    "EnableAiDetection": true,
    "Learning": { "Enabled": true },
    "PathPolicies": {
      "/api/login": "strict",
      "/sitemap.xml": "allowVerifiedBots"
    }
  }
}

Που πηγαίνει αυτό

Αυτό είναι το μέρος 1 ΜSK1το συνολικό περιεχόμενο). Τα επόμενα κομμάτια πηγαίνουν βαθύτερα:

• ΕΠΙΧΕΙΡΗΣΗ 2: Εσωτερικά μυθιστορήματα, μνήμη υπογραφήςΜSK1 ανταπόκριση ανατροφοδότηση, και StyloBot αρχιτεκτονικήM SK3codeMK4
• ΕΠΙΧΕΙΡΗΣΗ 3: Ανάλυση συμπεριφοράς
• ΕΠΙΧΕΙΡΗΣΗ 4: ΠελάτηςΜSK1μεταξύ αποτυπώματος δακτύλου
• ΕΠΙΧΕΙΡΗΣΗ 5: Ο ανιχνευτής ερουρίσματος ΜSK1 μαθησιακό βάρος σε πραγματικό χρόνο
• ΕΠΙΧΕΙΡΗΣΗ 6: LLM ανίχνευση εσωτερικά
• ΕΠΙΧΕΙΡΗΣΗ 7: Το σύστημα μάθησης εξηγείται σωστά

Το μελλοντικό χάρτη αναμένεται

• RAG- σχεδιασμένο πρότυπο που ταιριάζει με βέκτορες ενσωμάτωσης
• Μικρό τοπικό μοντέλο παραπομπής μέσω ΛάμαΣαρπ / ONNX
• Σεμαντική ομοιότητα για την ανίχνευση νέων μοτίβων επίθεσης

Αν θέλετε έναν ανιχνευτή bot μπορείτε να Καταλαβαίνω, Επέκταση, επιχειρήσεις και Περπατήστε οπουδήποτε, ίσως αυτή η σειρά είναι για εσάςΜSK1

Αριστερά

• GitHub : Πλήρης Δοκ HTTPS://githubΜSK1com/scottgalM SK3mostlylucidMK4nugetpackages
• ΕΠΙΧΕΙΡΕΥΣΗ ΠΡΟΤΑΣΕΙΣ Εγκαταστήστε το πακέτο HTTPS://www.nugetM SK2orgMK3packagesMSKA4mostlylucidMKA5botdetection
• Το Docker Hub: Πύλη YARP HTTPS://hubΜSK1docker.comM SK3MK4scottgal/mostlylucidM Sk6yarpgateway

Unlicense – δημόσιο τομέαΜSK1 Χρησιμοποιήστε το αλλά θέλετε.