سرفصل‌ها درس 123 از 156 · دفاع‌ها را بسازید
دفاع‌ها را بسازید

Farbling

چرا مهم است انگشت‌نگاری اصلاً به فضای ذخیره‌سازی نیاز ندارد، پس بخش‌بندی و پاک‌کردن فضای ذخیره‌سازی نمی‌توانند به آن دست بزنند. یک دفاع این است که همهٔ مرورگرها مقدارهای یکسانی گزارش دهند. دفاع دیگر، که اینجا می‌سازید، افزودن مقدار بسیار کمی نویز به شناساننده‌ترین خوانش‌هاست، در هر سایت متفاوت. هر سایت همچنان کار می‌کند، اما دو سایتی که یادداشت‌هایشان را مقایسه می‌کنند دو دستگاه متفاوت می‌بینند.

تصور کنید در هر مغازه‌ای که می‌روید عینکی با قابی کمی متفاوت می‌زنید. کارکنان یک مغازه تمام بعدازظهر شما را می‌شناسند، چون قابتان آنجا تغییر نمی‌کند. اما اگر دو مغازه توصیف‌هایشان از شما را مقایسه کنند، جور نمی‌شوند. فردا همه‌جا قاب‌های تازه انتخاب می‌کنید.

خوانش‌های canvas و صوتی: یک صفحه می‌تواند تصویری پنهان بکشد یا صدایی بی‌صدا پخش کند و عددهای دقیقی را که دستگاهتان تولید کرد پس بخواند. تفاوت‌های ریز میان تراشه‌های گرافیکی و پشته‌های صوتی این عددها را به انگشت‌نگاری‌ای قوی تبدیل می‌کنند (مرحلهٔ 1 آن‌ها را اندازه گرفت).

Farbling: نامی که Brave به افزودن نویز کوچک و ویژهٔ هر سایت به چنین خوانش‌هایی داد. نوعی تصادفی‌سازی است؛ رویکرد مخالف یکنواختی است، یعنی اینکه همه یک مقدار را گزارش دهند.

کلید جلسه (session key): یک مقدار تصادفی مخفی که مرورگر هر بار که شروع به کار می‌کند انتخاب می‌کند. آمیختن آن با نویز یعنی نویز فردا با امروز متفاوت است.

Brave به‌طور پیش‌فرض farbling می‌کند، و نویزش را از یک راز ویژهٔ هر جلسه و سایتی که رویش هستید به دست می‌آورد، و موتور Floati هم از همین نوع تصادفی‌سازی استفاده می‌کند (بررسی‌شده در اکتبر 2026).

دنیای تمرینی چه می‌خواند

صفحه‌های دنیای تمرینی می‌توانند دو فهرست عدد را از page.traits بخوانند: canvas_pixels (24 مقدار) و audio_samples (12 مقدار)، هر کدام میان 0 و 255. یک اسکریپت انگشت‌نگاری همهٔ ویژگی‌های سام، از جمله این دو فهرست، را به یک شناسه هش می‌کند.

سه قاعدهٔ نویز خوب

  1. در هر سایت متفاوت. نویز باید به سایت سطح بالا وابسته باشد، تا ShopA و ShopB خوانش‌ها و شناسه‌های انگشت‌نگاری متفاوتی بگیرند.
  2. پایدار درون یک سایت و جلسه. همان سایت باید در هر بارگذاری صفحه همان نویز را بگیرد، وگرنه قابلیت‌های خودش (مانند «آیا این همان دستگاهی است که با آن وارد شدید؟») شکست می‌خورند.
  3. کوچک. هر مقدار حداکثر 1 واحد می‌تواند جابه‌جا شود. فروشگاهی که نمودار می‌کشد بررسی می‌کند پیکسل‌هایش در فاصلهٔ 2 واحد از انتظارش باشند؛ نویز بیشتر از آن و نمودار خراب به نظر می‌رسد.

نویزی که می‌توانید تکرار کنید: یک مولد تصادفی بذردار

ماژول random در Python می‌تواند از یک بذر (seed) یک مولد بسازد. همان بذر همیشه همان دنبالهٔ عددهای «تصادفی» را می‌دهد، که دقیقاً قاعدهٔ 2 است. بذر را از کلید جلسه و سایت بسازید، و قاعدهٔ 1 را رایگان می‌گیرید:

import random
rng = random.Random("session-41|shopa.example")   # the seed is any text you like
print([rng.choice([-1, 0, 1]) for _ in range(5)])  # e.g. [0, -1, 1, 1, 0]
rng = random.Random("session-41|shopa.example")   # same seed again...
print([rng.choice([-1, 0, 1]) for _ in range(5)])  # ...same five numbers

rng.choice(list) یک مورد را انتخاب می‌کند. برای نگه‌داشتن یک مقدار در بازهٔ 0 تا 255 پس از افزودن نویز، آن را محدود کنید: min(255, max(0, value)). max(0, v) هر چیزی زیر 0 را تا 0 بالا می‌برد، و min(255, ...) هر چیزی بالای 255 را پایین می‌کشد.

نشانی کامل صفحه را در بذر نگذارید. آن‌وقت هر صفحهٔ همان فروشگاه نویز متفاوتی می‌گرفت، و قاعدهٔ 2 می‌شکست. و هرگز برای این کار از hash() خود Python استفاده نکنید: هر بار که Python شروع می‌شود تغییر می‌کند.

چطور می‌فهمید کار کرد

run_farbling(farble) هر فروشگاه را در هر یک از دو جلسه دو بار بارگذاری می‌کند، در حالی که تابع شما خوانش‌ها را تغییر می‌دهد، و گزارش می‌دهد:

  • "linked_pairs": جفت‌هایی از فروشگاه‌ها که ردیاب انگشت‌نگاری توانست به هم پیوند دهد (0 می‌خواهیم)
  • "broken": فروشگاه‌هایی که نمودارشان اشتباه درآمد (هیچ‌کدام نمی‌خواهیم)
  • "unstable": فروشگاه‌هایی که در دو بارگذاری در یک جلسه مقدارهای متفاوتی خواندند (هیچ‌کدام نمی‌خواهیم)
  • "linked_sessions": فروشگاه‌هایی که ردیاب در جلسهٔ بعد دوباره شناخت (هیچ‌کدام نمی‌خواهیم)

یک محدودیت صادقانه

نویز فقط ردیاب‌هایی را شکست می‌دهد که به تطبیق دقیق نیاز دارند. یک اسکریپت مصمم می‌تواند بکوشد خوانش‌ها را میانگین بگیرد یا گرد کند تا نویز از بین برود، و به همین دلیل موتورهای واقعی دقت برخی خوانش‌ها را هم محدود می‌کنند، و ویژگی‌های دیگر را یکنواخت می‌کنند (آزمایشگاه «انگشت‌نگاری را شکست دهید» در مرحلهٔ 2). Farbling یک لایه است، نه کل دیوار.

امتحان کنید اگر Brave دارید، یک صفحهٔ آزمون انگشت‌نگاری را روی دو سایت مختلف، یا در دو جلسه، باز کنید و مقدارهای canvas را مقایسه کنید: تغییر می‌کنند. در هر مرورگری، DevTools را باز کنید و Ctrl+Shift+F (در Mac: Cmd+Option+F) را بزنید تا در هر اسکریپتی که صفحه بارگذاری کرد دنبال toDataURL یا getImageData بگردید، دو راه رایجی که یک اسکریپت canvas را پس می‌خواند.

در زبان‌های دیگر

نویز بذردار در JavaScript. Math.random در JavaScript بذرپذیر نیست، پس موتورها از یک مولد کوچک خودشان استفاده می‌کنند، که از یک هش کلید جلسه و سایت بذر می‌گیرد:

function seededRandom(seed) {          // mulberry32: tiny, repeatable, fine for noise
  return () => {
    seed |= 0; seed = (seed + 0x6D2B79F5) | 0;
    let t = Math.imul(seed ^ (seed >>> 15), 1 | seed);
    t = (t + Math.imul(t ^ (t >>> 7), 61 | t)) ^ t;
    return ((t ^ (t >>> 14)) >>> 0) / 4294967296;
  };
}
function farble(values, seed) {
  const rnd = seededRandom(seed);
  return values.map(v => Math.min(255, Math.max(0, v + Math.floor(rnd() * 3) - 1)));
}

Rust، با crate rand و یک بذر:

use rand::{rngs::StdRng, Rng, SeedableRng};
fn farble(values: &[u8], seed: u64) -> Vec<u8> {
    let mut rng = StdRng::seed_from_u64(seed);
    values.iter().map(|&v| (v as i16 + rng.gen_range(-1..=1)).clamp(0, 255) as u8).collect()
}

خلاصه

  • Farbling نویزی ریز به خوانش‌های شناساننده اضافه می‌کند، برای هر سایت و هر جلسه متفاوت.
  • یک مولد تصادفی بذردار نویز را تکرارپذیر می‌کند: آن را با کلید جلسه و سایت بذر دهید.
  • آن را کوچک و پایدار نگه دارید، وگرنه قابلیت‌های خود سایت‌ها می‌شکنند.
  • انگشت‌نگاری با تطبیق دقیق را شکست می‌دهد؛ موتورهای واقعی آن را با مقدارهای یکنواخت و محدودیت‌ها لایه‌لایه می‌کنند.
نوبت شما

farble(values, top_site, session_key) را بنویسید. یک فهرست تازه هم‌طول با values برمی‌گرداند، بی‌آنکه values را تغییر دهد. یک مولد با random.Random(session_key + "|" + top_site) بسازید، به هر مقدار rng.choice([-1, 0, 1]) اضافه کنید، و هر نتیجه را به بازهٔ 0 تا 255 محدود کنید. سپس report = run_farbling(farble) را تنظیم کنید و آن را چاپ 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.