Fingerprinting besiegen
Warum das wichtig istDas Blockieren eines Fingerprinting-Skripts funktioniert nur, wenn deine Liste es weiß. Die tiefere Verteidigung besteht darin, die Merkmale selbst nutzlos zu machen, damit selbst ein laufendes Skript nichts lernt, das dich auszeichnet. Dieses Lab misst, wie viel das tatsächlich hilft, in Bits.
Jeder im gleichen Regenmantel
Stell dir eine Menge vor, in der jeder den gleichen grauen Regenmantel und Hut trägt. Eine Person zu entdecken ist schwer, nicht weil du sie nicht sehen kannst, sondern weil sie alle gleich aussehen. Das ist uniformity: der Browser meldet die gleichen Werte wie alle anderen, die die Verteidigung nutzen.
Fingerprint: die Menge an Merkmalen, die eine Seite über deinen Browser lesen kann (Bildschirmgröße, Zeitzone, Schriftarten, Grafikkarte und so weiter). Zusammen können sie einen Browser ohne jedes Cookie erkennen.
Uniformity: eine Verteidigung, bei der der Browser dieselben festen Werte wie jeder andere Nutzer derselben Verteidigung meldet. Tor Browser ist das bekannteste Beispiel; Safari reduziert ebenfalls das, was es preisgibt (geprüft Oktober 2026).
Die andere Hauptverteidigung ist randomisation (Brave und Floati nennen es farbling): füge kleines, sich änderndes Rauschen hinzu, damit das Merkmal auf jeder Seite anders ist. Dieses Labor versucht Uniformität.
Messung in Bits
In Etappe 1 hast du Teile der Identität kennengelernt: jedes Bit halbiert die Menge. Hier ist ein fairer Weg, sie für eine Person in einer Menge zu messen:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )Der + 1 zählt dich als Mitglied der Menge. Wenn niemand in einer Menge von 5.000 so aussieht wie du, ist das log2(5001 / 1), etwa 12.3 Bits: einzigartig. Wenn 4.999 Personen so aussehen wie du, ist es log2(5001 / 5000), fast 0 Bits.
Der Plan
fingerprint_bits(crowd, fp): Zähle die Zeilen, diefpin jedem Merkmal inTRAIT_NAMESentsprechen, dann verwende die Formel.make_uniform(traits): gib eine copy zurück, wobei jedes Merkmal inUNIFORMersetzt wird.dict(traits)erstellt eine Kopie;copy.update(UNIFORM)überschreibt diese Schlüssel.uniform_filter(traits, page): stecke es inBrowser(world, trait_filter=uniform_filter)und jedes script liest die einheitlichen Werte.- Messe Sam (
recorded_fingerprints()[0]) in 5.000 synthetischen Browsern, davor und danach.
Ein ehrliches Detail in Schritt 4: wende make_uniform auch auf die ganze Menge an. Gleichförmigkeit versteckt dich nur unter anderen Leuten, die dieselbe Verteidigung nutzen. Wenn du alleine den grauen Regenmantel trägst, fällst du mehr auf, nicht weniger.
Was die Zahlen dir sagen werden
Du wirst mehrere Bits entfernen, aber nicht alle. Sam meldet immer noch ein Linux-System und einen selteneren Browser, und diese zwei Merkmale allein heben eine kleine Gruppe hervor. Das ist die wahre Lektion der Uniformität: Es funktioniert am besten, wenn everything gleich ist, einschließlich des Browsers selbst. Deshalb lässt der Tor Browser jeden Benutzer wie denselben Browser auf derselben Art von System aussehen, und warum er die Fenstergröße auf einige Standard-steps rundet (letterboxing).
Ein häufiges Missverständnis
"Einen seltenen Wert vorzutäuschen, verbirgt mich." Ein erfundener Wert, den kein echter Browser meldet, oder eine Mischung, die nicht zusammenpasst (eine Mac Grafikkarte unter Windows), kann dich more einzigartig machen. Gute Abwehrmechanismen wählen Werte, die viele echte Nutzer teilen, und ändern sie gemeinsam.
Probier es aus Nachdem du bestanden hast, entferne "timezone" aus UNIFORM und führe deinen Code erneut aus. Beobachte, wie after_bits steigt: ein gewöhnliches Merkmal ist echte Bits wert.
In anderen Sprachen
JavaScript:
const UNIFORM = { screen: "1920x1080", timezone: "Etc/UTC", language: "en-US" };
// Copy, then overwrite: the original object is untouched.
const makeUniform = traits => ({ ...traits, ...UNIFORM });
function fingerprintBits(crowd, fp, names) {
const same = crowd.filter(r => names.every(t => r[t] === fp[t])).length;
return Math.log2((crowd.length + 1) / (same + 1));
}Rust:
fn fingerprint_bits(crowd: &[Vec<String>], fp: &[String]) -> f64 {
let same = crowd.iter().filter(|r| r.as_slice() == fp).count();
((crowd.len() + 1) as f64 / (same + 1) as f64).log2()
}Zusammenfassung
- Uniformität verbirgt dich, indem sie dazu führt, dass viele Nutzer identische Werte melden.
- Messe Bits als log2((crowd + 1) / (look-alikes + 1)) und zähle dich selbst in der crowd mit ein.
- Es funktioniert nur unter Menschen, die die gleiche Verteidigung nutzen, und übriggebliebene Merkmale (Browser, System) geben immer noch Teile preis.
- Rare oder inkonsistente gefälschte Werte können dich mehr hervorstechen lassen.
Behalte UNIFORM. Schreibe fingerprint_bits(crowd, fp) (zähle Zeilen gleich fp auf jedem Merkmal in TRAIT_NAMES als same, gib log2((len(crowd) + 1) / (same + 1)) zurück), make_uniform(traits) (ein neues Dictionary mit jedem UNIFORM Schlüssel ersetzt; die Eingabe unverändert) und uniform_filter(traits, page) (gibt make_uniform(traits) zurück). Setze dann before_bits (Sam in crowd), after_bits (uniform Sam in einer Menge, wo jede Zeile durch make_uniform ging) und bits_removed.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.