Déjouer l'empreinte numérique
Pourquoi c'est important Bloquer un script d'empreinte ne marche que si ta liste le connaît. La défense plus profonde consiste à rendre les traits eux-mêmes inutiles, pour que même un script qui s'exécute n'apprenne rien qui te distingue. Ce labo mesure combien ça aide vraiment, en bits.
Tout le monde dans le même imperméable
Imagine une foule où tout le monde porte le même imperméable gris et le même chapeau. Repérer une personne est difficile, non pas parce que tu ne la vois pas, mais parce que tous se ressemblent. C'est l'uniformité : le navigateur annonce les mêmes valeurs que tous les autres utilisateurs de la défense.
Empreinte : l'ensemble des traits qu'une page peut lire sur ton navigateur (taille de l'écran, fuseau horaire, polices, carte graphique, etc.). Ensemble, ils peuvent reconnaître un navigateur sans aucun cookie.
Uniformité : une défense où le navigateur annonce les mêmes valeurs fixes que tous les autres utilisateurs de la même défense. Tor Browser en est l'exemple le plus connu ; Safari réduit aussi ce qu'il expose (vérifié en octobre 2026).
L'autre grande défense est l'aléatoire (Brave et Floati appellent ça le farbling) : ajouter un petit bruit changeant pour que le trait diffère sur chaque site. Ce labo essaie l'uniformité.
Mesurer en bits
À l'étape 1, tu as vu les bits d'identité : chaque bit divise la foule par deux. Voici une façon honnête de les mesurer pour une personne dans une foule :
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )Le + 1 te compte comme membre de la foule. Si personne dans une foule de 5 000 ne te ressemble, ça fait log2(5001 / 1), environ 12,3 bits : unique. Si 4 999 personnes te ressemblent, ça fait log2(5001 / 5000), presque 0 bit.
Le plan
fingerprint_bits(crowd, fp): compte les lignes égales àfpsur chaque trait deTRAIT_NAMES, puis utilise la formule.make_uniform(traits): renvoie une copie où chaque trait deUNIFORMest remplacé.dict(traits)fait une copie ;copy.update(UNIFORM)écrase ces clés.uniform_filter(traits, page): branche-la dansBrowser(world, trait_filter=uniform_filter)et chaque script lit les valeurs uniformes.- Mesure Sam (
recorded_fingerprints()[0]) parmi 5 000 navigateurs synthétiques, avant et après.
Un détail honnête à l'étape 4 : pour le chiffre « après », applique aussi make_uniform à toute la foule. L'uniformité ne te cache que parmi les autres personnes qui utilisent la même défense. Si tu es seul à porter l'imperméable gris, tu te distingues plus, pas moins.
Ce que les chiffres vont te dire
Tu vas retirer plusieurs bits, mais pas tous. Sam annonce encore un système Linux et un navigateur moins courant, et ces deux traits seuls isolent un petit groupe. C'est la vraie leçon de l'uniformité : elle marche le mieux quand tout est pareil, y compris le navigateur lui-même. C'est pourquoi Tor Browser fait ressembler chaque utilisateur au même navigateur sur le même type de système, et pourquoi il arrondit la taille de la fenêtre à quelques paliers standard (le letterboxing).
Une idée reçue
« Simuler une valeur rare me cache. » Une valeur inventée qu'aucun vrai navigateur n'annonce, ou un mélange incohérent (une carte graphique de Mac sous Windows), peut te rendre plus unique. Les bonnes défenses choisissent des valeurs que partagent beaucoup de vrais utilisateurs, et les changent ensemble.
Essaie Une fois réussi, retire "timezone" de UNIFORM et relance ton code. Regarde after_bits monter : un seul trait d'apparence ordinaire vaut de vrais bits.
Dans d'autres langages
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()
}Récap
- L'uniformité te cache en faisant annoncer des valeurs identiques à beaucoup d'utilisateurs.
- Mesure les bits avec log2((foule + 1) / (sosies + 1)), en te comptant dans la foule.
- Elle ne marche que parmi les gens qui utilisent la même défense, et les traits restants (navigateur, système) font encore fuir des bits.
- Des fausses valeurs rares ou incohérentes peuvent te faire davantage remarquer.
Garde UNIFORM. Écris fingerprint_bits(crowd, fp) (compte comme same les lignes égales à fp sur chaque trait de TRAIT_NAMES, renvoie log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (un nouveau dict où chaque clé de UNIFORM est remplacée ; l'entrée inchangée) et uniform_filter(traits, page) (renvoie make_uniform(traits)). Puis définis before_bits (Sam dans crowd), after_bits (Sam uniformisé dans une foule où chaque ligne est passée par make_uniform) et bits_removed.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.