Vencer a las huellas digitales
Por qué importa Bloquear un script de huella digital solo funciona si tu lista lo conoce. La defensa más profunda es hacer inútiles los propios rasgos, para que incluso un script que se ejecuta no aprenda nada que te señale. Este laboratorio mide cuánto ayuda eso de verdad, en bits.
Todos con el mismo impermeable
Imagina una multitud en la que todos llevan el mismo impermeable gris y el mismo sombrero. Encontrar a una persona es difícil, no porque no puedas verla, sino porque todos se parecen. Eso es la uniformidad: el navegador informa de los mismos valores que todos los demás que usan la defensa.
Huella digital: el conjunto de rasgos que una página puede leer sobre tu navegador (tamaño de pantalla, zona horaria, fuentes, tarjeta gráfica, etc.). Juntos pueden reconocer un navegador sin ninguna cookie.
Uniformidad: una defensa en la que el navegador informa de los mismos valores fijos que cualquier otro usuario de la misma defensa. Tor Browser es el ejemplo más conocido; Safari también reduce lo que expone (comprobado en octubre de 2026).
La otra gran defensa es la aleatorización (Brave y Floati la llaman farbling): añadir un ruido pequeño y cambiante para que el rasgo sea distinto en cada sitio. Este laboratorio prueba la uniformidad.
Medir en bits
En la etapa 1 conociste los bits de identidad: cada bit divide la multitud por la mitad. Aquí tienes una forma justa de medirlos para una persona dentro de una multitud:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )El + 1 te cuenta a ti como miembro de la multitud. Si nadie en una multitud de 5.000 se parece a ti, eso es log2(5001 / 1), unos 12,3 bits: eres único. Si 4.999 personas se parecen a ti, es log2(5001 / 5000), casi 0 bits.
El plan
fingerprint_bits(crowd, fp): cuenta las filas iguales afpen todos los rasgos deTRAIT_NAMES, y luego usa la fórmula.make_uniform(traits): devuelve una copia con todos los rasgos deUNIFORMsustituidos.dict(traits)hace una copia;copy.update(UNIFORM)sobrescribe esas claves.uniform_filter(traits, page): conéctala enBrowser(world, trait_filter=uniform_filter)y todos los scripts leerán los valores uniformes.- Mide a Sam (
recorded_fingerprints()[0]) entre 5.000 navegadores sintéticos, antes y después.
Un detalle honesto en el paso 4: para el número del "después", aplica también make_uniform a toda la multitud. La uniformidad solo te esconde entre otras personas que usan la misma defensa. Si eres el único con el impermeable gris, destacas más, no menos.
Lo que te dirán los números
Quitarás varios bits, pero no todos. Sam sigue informando de un sistema Linux y de un navegador menos común, y esos dos rasgos por sí solos señalan a un grupo pequeño. Esa es la verdadera lección de la uniformidad: funciona mejor cuando todo es igual, incluido el propio navegador. Por eso Tor Browser hace que todos sus usuarios parezcan el mismo navegador en el mismo tipo de sistema, y por eso redondea el tamaño de la ventana a unos pocos pasos estándar (letterboxing).
Una idea equivocada muy común
"Falsear un valor raro me esconde." Un valor inventado del que no informa ningún navegador real, o una mezcla que no encaja (una tarjeta gráfica de Mac en Windows), puede hacerte más único. Las buenas defensas eligen valores que comparten muchos usuarios reales, y los cambian juntos.
Pruébalo Cuando pases, quita "timezone" de UNIFORM y vuelve a ejecutar tu código. Mira cómo sube after_bits: un rasgo de aspecto normal vale bits de verdad.
En otros lenguajes
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()
}Resumen
- La uniformidad te esconde haciendo que muchos usuarios informen de valores idénticos.
- Mide los bits como log2((multitud + 1) / (parecidos + 1)), contándote dentro de la multitud.
- Solo funciona entre personas que usan la misma defensa, y los rasgos que quedan (navegador, sistema) siguen filtrando bits.
- Los valores falsos raros o incoherentes pueden hacerte destacar más.
Conserva UNIFORM. Escribe fingerprint_bits(crowd, fp) (cuenta como same las filas iguales a fp en todos los rasgos de TRAIT_NAMES y devuelve log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (un diccionario nuevo con todas las claves de UNIFORM sustituidas; la entrada sin cambios) y uniform_filter(traits, page) (devuelve make_uniform(traits)). Después asigna before_bits (Sam en crowd), after_bits (Sam uniforme en una multitud en la que todas las filas pasaron por make_uniform) y bits_removed.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.