یک ردیاب انگشتنگاری
چرا مهم است پاککردن کوکیها شبیه شروعی تازه به نظر میرسد. این آزمایشگاه، با گزارش خود AdCo، نشان میدهد چرا اغلب نیست: یک مرورگر را میتوان فقط از روی ویژگیهایش شناخت. دفاعی را هم که آن را میشکند نشان میدهد.
اگر کسی نتواند مچبند شما را بخواند، همچنان میتواند توصیفتان کند: قدبلند، کت قرمز، کولهپشتی سبز، کمی میلنگد. هر جزئیات رایج است، اما با هم به یک نفر اشاره میکنند. یک مرورگر را هم میشود همینطور توصیف کرد.
انگشتنگاری مرورگر (browser fingerprint): خلاصهای از جزئیات کوچک بسیار مرورگر (اندازهٔ صفحهنمایش، منطقهٔ زمانی، فونتها، نحوهٔ کشیدن یک تصویر آزمون توسط تراشهٔ گرافیک) که با هم اغلب یک مرورگر را مشخص میکنند، اصلاً بدون کوکی.
در این آزمایشگاه اسکریپت AdCo ویژگیهای مرورگر سام را هم میخواند (آن را با read_traits=True روشن میکنید)، و سام هر 3 صفحه کوکیها و فضای ذخیرهسازی سایت را پاک میکند (clear_every=3)، پس AdCo باید هر بار یک شناسهٔ کوکی تازه بدهد. هر رکورد اکنون یک dict به نام traits دارد.
تبدیل ویژگیها به یک برچسب کوتاه
برای مقایسهٔ آسان ویژگیها، کل dict را به یک برچسب کوتاه، یک هش، تبدیل میکنید. ویژگیهای یکسان همیشه هش یکسان میدهند؛ یک ویژگی را تغییر دهید و هش کاملاً تغییر میکند.
هش (hash): تابعی که هر متنی را به یک کد کوتاه (اینجا، یک عدد) تبدیل میکند. ورودی یکسان، کد یکسان؛ ورودی متفاوت، کدی بسیار متفاوت. دوره hash_text(text) را فراهم میکند.
یک دام هست: یک dict میتواند همان کلیدها را به ترتیبی متفاوت فهرست کند. json.dumps(traits, sort_keys=True) کلیدها را به ترتیب الفبایی مینویسد، پس ویژگیهای یکسان همیشه پیش از هششدن به متن یکسان تبدیل میشوند.
import json
from watched.data import hash_text
a = {"screen": "1440x900", "timezone": "Europe/London"}
b = {"timezone": "Europe/London", "screen": "1440x900"} # same traits, other order
print(hash_text(json.dumps(a, sort_keys=True)) == hash_text(json.dumps(b, sort_keys=True))) # Trueبرای شمردن اینکه چند مقدار متفاوت هست، آنها را در یک مجموعه بگذارید و طولش را بگیرید. آکولادها با یک حلقه در درون یک مجموعه میسازند (یک set comprehension):
ids = ["a", "b", "a", None]
print(len({i for i in ids if i is not None})) # 2دفاع: farbling
برخی مرورگرها، از جمله Brave و Floati، تغییرهای ریز و بیخطری به چند ویژگی اضافه میکنند، برای هر سایت متفاوت (بررسیشده در اکتبر 2026). صفحهها همچنان کار میکنند، اما برچسبی که روی ShopA ساخته شده دیگر با برچسب ShopB جور نیست. این را هم با farble=True اندازه میگیرید. دفاع اصلی دیگر، یکسانکردن ظاهر همهٔ مرورگرها (یکنواختی)، همانی است که خودتان در درس 50 امتحان میکنید.
Farbling: افزودن نویز کوچک ویژهٔ هر سایت به ویژگیهای قابل انگشتنگاری، تا هر سایت مرورگر کمی متفاوتی ببیند.
در زبانهای دیگر
JavaScript، کلیدهای مرتبشده سپس یک هش SHA-256 با Web Crypto API:
const text = JSON.stringify(Object.keys(traits).sort().reduce((o, k) => (o[k] = traits[k], o), {}));
const bytes = await crypto.subtle.digest("SHA-256", new TextEncoder().encode(text));Go: json.Marshal از قبل کلیدهای map را به ترتیب مرتبشده مینویسد، پس متن پایدار است:
text, _ := json.Marshal(traits) // traits is a map[string]any
sum := sha256.Sum256(text)
label := hex.EncodeToString(sum[:8])خلاصه
- بسیاری از ویژگیهای کوچک با هم میتوانند یک مرورگر را مشخص کنند، اصلاً بدون کوکی.
- مرتبکردن کلیدها پیش از هشکردن برچسب را پایدار میکند.
- پاککردن کوکیها سام را پنهان نکرد؛ farbling کرد.
fingerprint(traits) را بنویسید که hash_text(json.dumps(traits, sort_keys=True)) را برمیگرداند، و join_by_fingerprint(records) که انگشتنگاری هر رکورد را به مجموعهٔ سایتها نگاشت میکند. سپس، برای seed=7 و 12 صفحهٔ اول سام: cookie_ids را برابر تعداد شناسههای کوکی متفاوت غیر None و fingerprints را برابر تعداد انگشتنگاریهای متفاوت قرار دهید، هر دو از practice_log(world, pages, read_traits=True, clear_every=3)؛ و farbled را برابر تعداد انگشتنگاریهای practice_log(world, pages, read_traits=True, farble=True) قرار دهید.
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.