Temario Lección 48 de 156 · Construye un bloqueador
Construye un bloqueador

Detectar rastreadores sin una lista

Por qué importa Una lista solo conoce los rastreadores que alguien ya encontró y apuntó. Cada semana aparecen rastreadores nuevos, y algunos cambian de nombre a propósito. Detectar un rastreador por cómo se comporta atrapa a los que ninguna lista conoce todavía.

Detectar a un ladrón sin una foto

Un vigilante de tienda con una lista de ladrones conocidos es útil. Pero un buen vigilante también observa el comportamiento: alguien que visita todas las tiendas de la calle y apunta quién entra. No necesitas su nombre para ver lo que está haciendo.

Los rastreadores también tienen un comportamiento revelador. En esta lección buscas tres pistas en el registro de peticiones de un navegador:

  1. En todas partes a la vez. El mismo sitio de terceros aparece en dos o más sitios distintos. Eso es lo que le permite unir tus visitas.
  2. Un ID único en la dirección. Un valor de consulta como cid=df0641532d7f que parece aleatorio: es una etiqueta con tu nombre.
  3. Un píxel. Una "imagen" de 100 bytes o menos, demasiado pequeña para mostrar nada. Su único trabajo es hacer que tu navegador envíe una petición.

Heurística: una regla práctica que suele acertar pero no siempre, como "nubes oscuras significan lluvia". Las heurísticas pueden atrapar cosas nuevas, y también se las puede engañar.

Nuestra regla: un sitio es un rastreador si la pista 1 es verdadera y al menos una de las pistas 2 o 3 también lo es. Exigir la pista 1 mantiene a salvo al inofensivo cdn.example: está en todas las tiendas, pero no envía ningún ID y su logotipo es una imagen real de 2 KB.

¿Cómo de aleatorio es aleatorio? La entropía, en breve

Para distinguir un ID de una palabra normal, medimos lo revueltos que están sus caracteres. aaaa no está nada revuelto. abcd usa cuatro caracteres distintos por igual.

Entropía de Shannon: un número que indica lo impredecible que es algo, en bits. Para un texto: para cada carácter distinto, toma su proporción p en el texto, y suma -p * log2(p). Más variedad da más bits.

char_entropy("aaaa")   # 0.0  every character is the same
char_entropy("abab")   # 1.0  two characters, half each
char_entropy("abcd")   # 2.0  four characters, a quarter each

math.log2(p) es "cuántas veces divido 1 por la mitad para llegar a p", dado como número negativo, y por eso hay un signo menos. collections.Counter(text) cuenta cada carácter por ti. Volverás a encontrar esta misma fórmula, aplicada a multitudes enteras de navegadores, en el próximo módulo.

La entropía sola no basta: trail-shoes también está bastante revuelto. Así que looks_like_id además pide al menos 8 caracteres, solo letras, dígitos, - o _, y al menos una letra y un dígito. Las palabras fallan la prueba del dígito; las fechas y las URL fallan la de la letra o la de los caracteres.

Leer el registro

Cada record de browser.log tiene lo que necesitas:

  • site_of(record.url) y record.top_site: si son distintos, es de terceros.
  • record.request.params: la consulta como diccionario, ya decodificada.
  • record.response: None si se bloqueó; si no, .header("Content-Type") y .size en bytes.

Límites honestos

Un rastreador que solo está en un sitio de tu registro pasa desapercibido, aunque esté en miles de sitios que todavía no has visitado. Un rastreador que esconde los ID en una cookie y envía una imagen de tamaño normal también se cuela. Y un script de analítica propio que envía ID a su propio sitio no es de terceros en absoluto. Por eso los bloqueadores reales usan listas y heurísticas a la vez.

Pruébalo Abre DevTools (F12, o Cmd+Option+I en un Mac), ve a la pestaña Network, filtra por Img y carga un sitio de noticias. Ordena por Size. La columna Size también cuenta las cabeceras de la respuesta, así que un píxel cuya imagen solo pesa unas pocas decenas de bytes aparece igualmente con unos cientos. Cualquier imagen tan diminuta, de otro sitio, es muy probablemente un píxel. Haz clic en una y mira si su cadena de consulta tiene un valor aleatorio largo.

En otros lenguajes

JavaScript:

function charEntropy(text) {
  if (!text) return 0;
  const counts = {};
  for (const ch of text) counts[ch] = (counts[ch] || 0) + 1;
  let bits = 0;
  for (const n of Object.values(counts)) {
    const p = n / text.length;
    bits -= p * Math.log2(p);
  }
  return bits;
}

const looksLikeId = v => v.length >= 8 && /^[A-Za-z0-9_-]+$/.test(v)
  && /[0-9]/.test(v) && /[A-Za-z]/.test(v) && charEntropy(v) >= 2;

C#:

static double CharEntropy(string text) =>
    text.Length == 0 ? 0 :
    -text.GroupBy(c => c)
         .Select(g => (double)g.Count() / text.Length)
         .Sum(p => p * Math.Log2(p));

Resumen

  • El comportamiento delata a los rastreadores: presentes en muchos sitios, enviando ID aleatorios, descargando píxeles.
  • La entropía de Shannon mide lo revuelto que está un texto; los ID aleatorios puntúan alto.
  • Exigir "en 2 o más sitios" protege a ayudantes inofensivos como una CDN.
  • Las heurísticas atrapan rastreadores nuevos pero se dejan algunos; los bloqueadores reales las combinan con listas.
Tu turno

Escribe char_entropy(text) (la entropía de Shannon en bits por carácter, 0.0 para un texto vacío), looks_like_id(value) (al menos 8 caracteres, todos en ID_CHARS, al menos un dígito y una letra, entropía de al menos 2.0), is_pixel(record) (una respuesta con un Content-Type que empieza por image/ y un tamaño de 100 bytes o menos) y find_trackers(log), que devuelve el conjunto de sitios que aparecen como terceros en al menos 2 sitios de nivel superior distintos y que enviaron un valor de consulta con aspecto de ID o recibieron un píxel. No uses watched.reference.

¿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.