دستهبندی ردیابها
چرا مهم است هر دفاعی در این مرحله با یک تصمیم شروع میشود: آیا این سایت یک ردیاب است؟ یک سایت صادق را مسدود کنید و صفحهها میشکنند؛ یک ردیاب را از دست بدهید و دنبالتان میکنند. اینکه یک مرورگر چطور این تصمیم را میگیرد هم نقاط قوتش و هم گاهبهگاه صفحهٔ شکسته را توضیح میدهد.
سه راه را تصور کنید که یک دربان میتواند تصمیم بگیرد چه کسی وارد باشگاه شود. یکی فهرستی چاپی از دردسرسازهای شناختهشده دارد. یکی از قواعد سرانگشتی پیروی میکند: «امشب در همهٔ باشگاههای شهر پیدایش شده، با لباس مبدل». یکی هزاران شب را تماشا کرده و حسی برایش یاد گرفته. مرورگرها از هر سه استفاده میکنند.
دستهبند (classifier): هر چیزی که موارد را به گروهها تقسیم کند، اینجا «ردیاب» یا «ردیاب نیست». میتواند یک فهرست، مجموعهای از قواعد، یا یک مدل آموزشدیده باشد.
1. فهرستها
آدمها فهرستهایی از دامنههای ردیاب شناختهشده و قواعد فیلتر نگه میدارند. مسدودکنندههای آگهی از فهرستهای فیلتر جامعه مانند EasyList و EasyPrivacy استفاده میکنند، که برشی از آن را در مرحلهٔ 2 تجزیه کردید. محافظت داخلی Firefox بر پایهٔ فهرستهایی است که Disconnect نگه میدارد (بررسیشده در اکتبر 2026). فهرستها معمولاً یک نقشهٔ نهاد (entity map) دارند: کدام دامنهها به یک مالک تعلق دارند، تا سایت محتوای خود یک شرکت و سرور تصویرش نسبت به هم شخص ثالث حساب نشوند.
فهرستها دقیقاند و توضیحشان آسان است («مسدود شد چون در فهرست X است»). اما فقط به اندازهٔ آخرین بهروزرسانیشان تازهاند، و یک ردیاب میتواند با یک دامنهٔ تازه، یا با پنهانشدن زیر نام خود سایت (پنهانسازی CNAME، از مرحلهٔ 1) از آنها طفره برود.
2. قواعد سرانگشتی
قاعدهٔ سرانگشتی (heuristic): قاعدهای که معمولاً درست است، مانند «شخص ثالثی که در بسیاری از سایتهای بیارتباط دیده میشود و شناسههای تصادفی طولانی تنظیم میکند احتمالاً ردیابی میکند».
چندتایی را در مرحلهٔ 2 نوشتید: شخص ثالث در بسیاری از سایتها، شناسههای پرآنتروپی (مقدارهایی تصادفیتر از آنکه تنظیمات باشند)، پاسخهایی به اندازهٔ یک پیکسل. قاعدهٔ جهش از درس قبل هم یک قاعدهٔ سرانگشتی است. قواعد سرانگشتی ردیابهایی را میگیرند که هنوز کسی فهرستشان نکرده، اما دو نوع اشتباه میکنند، و هر قاعدهٔ سرانگشتی یکی را با دیگری معاوضه میکند.
مثبت کاذب: یک سایت صادق که به اشتباه ردیاب نامیده شود (یک صفحه میشکند). منفی کاذب: ردیابی که از چنگ در میرود (دنبالتان میکنند).
برای مثال، cdn.example یک کتابخانه را به همهٔ فروشگاهها ارائه میدهد. «در بسیاری از سایتها» میگوید ردیاب، اما هیچ شناسهای تنظیم نمیکند: قاعدهٔ سرانگشتیای که شناسهها را نادیده بگیرد همهٔ آن فروشگاهها را میشکند.
3. یادگیری ماشین
یک مدل میتواند از ویژگیهایی یاد بگیرد، مانند اینکه یک دامنه زیر چند سایت سطح بالا ظاهر میشود، چند وقت یک بار تغییرمسیر میدهد، و آیا هرگز با آن تعامل میکنید. WebKit، Intelligent Tracking Prevention در Safari را دارای یک مدل دروندستگاهی از همین نوع توصیف کرده است (بررسیشده در اکتبر 2026). وقتی روی دستگاه انجام شود، آمار مرور شما هرگز از آن بیرون نمیرود.
مدلها میتوانند بسیاری از نشانههای ضعیف را با هم بسنجند و با ترفندهای تازه سازگار شوند. اما توضیحشان سختتر است، میتوانند به شکلهای غافلگیرکننده اشتباه کنند، و درون یک مرورگر به محدودیتهای دقیق در اندازه و سرعت نیاز دارند. در مرحلهٔ 7 یکی کوچک را با Python خالص آموزش خواهید داد.
کنار هم
| فهرستها | قواعد سرانگشتی | یادگیری ماشین | |
|---|---|---|---|
| ردیابهای تازه را میگیرد | نه، تا وقتی فهرست شوند | اغلب | اغلب |
| قابل توضیح | خیلی | نسبتاً | کمتر |
| اشتباههای معمول | قدیمیشدن | مثبت کاذب روی سرویسهای مشترک | خطاهای غافلگیرکننده |
| طفره با | دامنههای تازه، پنهانسازی | ماندن زیر آستانهها | شبیه سایتهای معمولی به نظر رسیدن |
تصمیم، سپس اقدام
دستهبندی فقط نیمی از کار است. موتورها برای هر دسته یک واکنش هم انتخاب میکنند: درخواست را مسدود کنند، اجازه دهند اما کوکیها را حذف یا بخشبندی کنند، بعداً فضای ذخیرهسازی را پاک کنند، یا فقط گزارشش کنند. یک واکنش ملایمتر برای موارد نامطمئن شکستگی را کم نگه میدارد. در عمل بیشتر موتورها رویکردها را ترکیب میکنند: یک فهرست برای مسدودسازی مطمئن، قواعد سرانگشتی برای قواعد جهش و ذخیرهسازی، و استثناهای ویژهٔ هر سایت وقتی چیزی میشکند.
یک تصور نادرست رایج
«یک دستهبند هوشمندتر یعنی هیچ ردیابیای.» هر دستهبندی منفی کاذب دارد، و برخی ردیابیها (تحلیل شخص اول، ورودها، انگشتنگاری) اصلاً شبیه یک ردیاب جداگانه به نظر نمیرسند. به همین دلیل دستهبندی با دفاعهایی همراه میشود که بدون آن کار میکنند، مانند بخشبندی.
خلاصه
- فهرستها دقیق و قابل توضیحاند اما ردیابهای تازه یا پنهانشده را از دست میدهند.
- قواعد سرانگشتی ردیابهای فهرستنشده را میگیرند اما مثبت کاذب را با منفی کاذب معاوضه میکنند.
- یادگیری ماشین نشانههای بسیاری را میسنجد؛ WebKit، ITP در Safari را دارای یک مدل دروندستگاهی توصیف کرده است (بررسیشده در اکتبر 2026).
- موتورها رویکردها را ترکیب میکنند و وقتی مطمئن نیستند واکنش ملایمتری انتخاب میکنند.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.