سرفصل‌ها درس 50 از 156 · یک مسدودکننده بسازید
یک مسدودکننده بسازید

انگشت‌نگاری را شکست دهید

چرا مهم است مسدودکردن یک اسکریپت انگشت‌نگاری فقط وقتی کار می‌کند که فهرستتان آن را بشناسد. دفاع عمیق‌تر این است که خود ویژگی‌ها را بی‌فایده کنید، تا حتی اسکریپتی که اجرا می‌شود چیزی نفهمد که شما را جدا کند. این آزمایشگاه اندازه می‌گیرد این واقعاً چقدر کمک می‌کند، بر حسب بیت.

همه در همان بارانی

جمعیتی را تصور کنید که همه همان بارانی و کلاه خاکستری را پوشیده‌اند. تشخیص یک نفر سخت است، نه چون نمی‌توانید ببینیدشان، بلکه چون همه شبیه هم‌اند. این یکنواختی است: مرورگر همان مقدارهایی را گزارش می‌دهد که همهٔ دیگران که از این دفاع استفاده می‌کنند.

انگشت‌نگاری (fingerprint): مجموعهٔ ویژگی‌هایی که یک صفحه می‌تواند دربارهٔ مرورگرتان بخواند (اندازهٔ صفحه‌نمایش، منطقهٔ زمانی، فونت‌ها، کارت گرافیک و مانند این‌ها). این‌ها با هم می‌توانند یک مرورگر را بدون هیچ کوکی‌ای بشناسند.

یکنواختی (uniformity): دفاعی که در آن مرورگر همان مقدارهای ثابتی را گزارش می‌دهد که هر کاربر دیگر همان دفاع. Tor Browser شناخته‌شده‌ترین نمونه است؛ Safari هم آنچه فاش می‌کند را کم می‌کند (بررسی‌شده در اکتبر 2026).

دفاع اصلی دیگر تصادفی‌سازی است (Brave و Floati آن را farbling می‌نامند): نویزی کوچک و متغیر اضافه کنید تا ویژگی در هر سایت متفاوت باشد. این آزمایشگاه یکنواختی را امتحان می‌کند.

اندازه‌گیری بر حسب بیت

در مرحلهٔ 1 با بیت‌های هویت آشنا شدید: هر بیت جمعیت را نصف می‌کند. این راهی منصفانه برای اندازه‌گیری آن‌ها برای یک نفر در یک جمعیت است:

bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )

+ 1 شما را به‌عنوان عضوی از جمعیت می‌شمارد. اگر در جمعیتی 5,000 نفری هیچ‌کس شبیه شما نباشد، این log2(5001 / 1) است، حدود 12.3 بیت: یکتا. اگر 4,999 نفر شبیه شما باشند، log2(5001 / 5000) است، تقریباً 0 بیت.

برنامه

  1. fingerprint_bits(crowd, fp): سطرهایی را که در همهٔ ویژگی‌های TRAIT_NAMES با fp برابرند بشمارید، سپس از فرمول استفاده کنید.
  2. make_uniform(traits): یک کپی برگردانید که در آن هر ویژگی در UNIFORM جایگزین شده. dict(traits) یک کپی می‌سازد؛ copy.update(UNIFORM) آن کلیدها را بازنویسی می‌کند.
  3. uniform_filter(traits, page): آن را در Browser(world, trait_filter=uniform_filter) بگذارید و هر اسکریپتی مقدارهای یکنواخت را می‌خواند.
  4. سام (recorded_fingerprints()[0]) را در 5,000 مرورگر مصنوعی اندازه بگیرید، پیش و پس.

یک نکتهٔ صادقانه در گام 4: برای عدد «پس»، make_uniform را روی کل جمعیت هم اعمال کنید. یکنواختی شما را فقط میان دیگرانی که از همان دفاع استفاده می‌کنند پنهان می‌کند. اگر فقط شما بارانی خاکستری بپوشید، بیشتر به چشم می‌آیید، نه کمتر.

عددها چه به شما می‌گویند

چند بیت را حذف می‌کنید، اما نه همه را. سام همچنان یک سیستم Linux و یک مرورگر کمتر رایج را گزارش می‌دهد، و همین دو ویژگی به‌تنهایی گروه کوچکی را جدا می‌کنند. این درس واقعی یکنواختی است: وقتی بهترین کار را می‌کند که همه‌چیز یکسان باشد، از جمله خود مرورگر. به همین دلیل Tor Browser هر کاربر را شبیه همان مرورگر روی همان نوع سیستم نشان می‌دهد، و به همین دلیل اندازهٔ پنجره را به چند پلهٔ استاندارد گرد می‌کند (letterboxing).

یک تصور نادرست رایج

«جعل یک مقدار کمیاب مرا پنهان می‌کند.» مقداری ساختگی که هیچ مرورگر واقعی‌ای گزارش نمی‌دهد، یا ترکیبی که با هم جور نیست (یک کارت گرافیک Mac روی Windows)، می‌تواند شما را یکتاتر کند. دفاع‌های خوب مقدارهایی را انتخاب می‌کنند که بسیاری از کاربران واقعی در آن شریک‌اند، و آن‌ها را با هم تغییر می‌دهند.

امتحان کنید پس از قبولی، "timezone" را از UNIFORM حذف کنید و کدتان را دوباره اجرا کنید. ببینید after_bits بالا می‌رود: یک ویژگی به ظاهر معمولی بیت‌های واقعی می‌ارزد.

در زبان‌های دیگر

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()
}

خلاصه

  • یکنواختی شما را با واداشتن بسیاری از کاربران به گزارش مقدارهای یکسان پنهان می‌کند.
  • بیت‌ها را به شکل log2((crowd + 1) / (look-alikes + 1)) اندازه بگیرید، با شمردن خودتان در جمعیت.
  • فقط میان کسانی که از همان دفاع استفاده می‌کنند کار می‌کند، و ویژگی‌های باقی‌مانده (مرورگر، سیستم) همچنان بیت نشت می‌دهند.
  • مقدارهای جعلی کمیاب یا ناهمخوان می‌توانند شما را بیشتر به چشم بیاورند.
نوبت شما

UNIFORM را نگه دارید. fingerprint_bits(crowd, fp) (سطرهایی را که در همهٔ ویژگی‌های TRAIT_NAMES با fp برابرند به‌عنوان same بشمارید، log2((len(crowd) + 1) / (same + 1)) را برگردانید)، make_uniform(traits) (یک dict تازه که در آن هر کلید UNIFORM جایگزین شده؛ ورودی بی‌تغییر) و uniform_filter(traits, page) (که make_uniform(traits) را برمی‌گرداند) را بنویسید. سپس before_bits (سام در crowd)، after_bits (سام یکنواخت در جمعیتی که هر سطرش از make_uniform گذشته) و bits_removed را تنظیم کنید.

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.