Deteksi Fraud di Edge: Cloudflare Workers + tracio.ai

Deteksi fraud tradisional terjadi di lapisan aplikasi: request tiba di server Anda, Anda melakukan query ke API deteksi fraud, menunggu respons, lalu memutuskan apakah akan mengizinkan atau memblokir. Round-trip ini menambah 50-200ms latensi pada setiap request — dapat diterima untuk pemuatan halaman, tetapi menyakitkan untuk endpoint API, panggilan AJAX, dan interaksi real-time.

Bagaimana jika Anda bisa membuat keputusan fraud sebelum request mencapai origin server Anda? Itulah yang dimungkinkan oleh edge computing, dan Cloudflare Workers adalah platform yang kami gunakan untuk mendemonstrasikan pola ini.

Arsitektur

Setup ini memiliki tiga komponen: tracio.ai JS SDK (@tracio/sdk) yang berjalan di browser, sebuah Cloudflare Worker yang berada di antara klien dan origin Anda, serta webhook tracio.ai yang ditandatangani (signed) yang mengirimkan analisis sinyal lengkap ke backend Anda.

Alurnya bekerja seperti ini: JS SDK mengumpulkan sinyal perangkat dan mengirimkannya ke tracio.ai saat pemuatan halaman, mengembalikan sebuah visitorId ke browser. Backend Anda menerima hasil identifikasi lengkap — klasifikasi bot, smart signals, confidence — melalui webhook yang ditandatangani dan menulis verdict tersebut ke edge cache. Browser menyertakan visitorId dalam request API berikutnya (melalui header atau cookie). Cloudflare Worker mencegat setiap request, mencari verdict yang di-cache untuk visitorId tersebut, dan membuat keputusan allow/block dalam waktu kurang dari 5ms.

Implementasi Worker

Worker menyimpan cache ringan berisi hasil verifikasi perangkat terbaru menggunakan KV storage Cloudflare, yang diisi oleh backend Anda saat webhook tracio.ai yang ditandatangani tiba. Ketika sebuah request datang dengan header visitorId, Worker memeriksa cache. Jika verdict-nya di-cache dan pengunjung tersebut bersih (skor bot rendah, tanpa VPN, confidence di atas ambang batas), request langsung diteruskan. Jika belum ada verdict yang di-cache, Worker menerapkan kebijakan fallback Anda — teruskan dengan rate limit konservatif, atau berikan challenge — sampai cache berbasis webhook menyusul.

Wawasan penting di sini adalah bahwa cache verifikasi diisi secara proaktif. Pemuatan halaman pertama memicu pengumpulan sinyal dan meng-cache hasilnya. Semua panggilan API berikutnya dari pengunjung tersebut mengenai cache — tanpa perlu round-trip ke tracio.ai. TTL cache dapat dikonfigurasi; kami merekomendasikan 5 menit untuk endpoint dengan keamanan tinggi dan 30 menit untuk konten umum.

Angka Performa

Kami melakukan benchmark arsitektur ini dengan seorang pelanggan yang memproses 50.000 request per menit melalui Cloudflare Workers. Hasilnya:

Cache hit rate: 94% (sebagian besar request berasal dari pengunjung yang sudah memuat halaman). Latensi keputusan edge (cache hit): median 1,2ms, 3,8ms p99. Latensi keputusan edge (cache miss): median 45ms (termasuk panggilan API ke tracio.ai). Penghematan latensi origin: median 120ms per request (menghilangkan pemeriksaan fraud di sisi server).

Cache hit rate 94% berarti 94% keputusan fraud terjadi dalam waktu kurang dari 4ms di edge, tanpa keterlibatan origin. Sisa 6% adalah request kunjungan pertama yang memerlukan round-trip API penuh.

Strategi Pemblokiran

Worker mendukung tiga strategi pemblokiran, yang dapat dikonfigurasi per route:

Hard block: Kembalikan 403 segera untuk pengunjung berisiko tinggi (skor bot > 0,9, framework otomasi yang dikenal). Soft block: Tambahkan header X-Tracio-Risk dan biarkan origin yang memutuskan. Ini berguna ketika Anda menginginkan konteks di tingkat aplikasi untuk keputusan tersebut. Challenge: Alihkan pengunjung yang mencurigakan (skor bot sedang, VPN terdeteksi) ke halaman challenge yang memerlukan verifikasi tambahan.

Kami merekomendasikan untuk memulai dengan soft blocking di produksi, memantau distribusi risiko selama seminggu, lalu mengaktifkan hard blocking untuk kasus yang jelas (bot yang dikenal, headless browser, otomasi dengan confidence tinggi).

Analisis Biaya

Harga Cloudflare Workers didasarkan pada request dan waktu komputasi. Pada 50K request/menit (2,16 miliar/bulan), biaya Worker kira-kira $500/bulan. Bandingkan dengan penghematan latensi: menghilangkan 120ms pemeriksaan fraud di sisi origin mengurangi penggunaan CPU server 15-20%, yang biasanya menghemat lebih dari biaya Worker dalam hal komputasi.

Nilai sesungguhnya ada pada pencegahan fraud: menangkap bot dan request penipuan sebelum mereka menghabiskan sumber daya origin, koneksi database, dan panggilan API downstream. Satu pelanggan mengurangi jumlah origin server mereka dari 12 menjadi 8 setelah menerapkan deteksi fraud berbasis edge — bot yang tadinya menghabiskan 30% komputasi mereka tidak pernah mencapai origin.