Programme Leçon 48 sur 156 · Construire un bloqueur
Construire un bloqueur

Détecter les traqueurs sans liste

Pourquoi c'est important Une liste ne connaît que les traqueurs que quelqu'un a déjà trouvés et notés. De nouveaux traqueurs apparaissent chaque semaine, et certains changent de nom exprès. Repérer un traqueur à son comportement attrape ceux dont aucune liste n'a encore entendu parler.

Repérer un voleur à l'étalage sans photo

Un vigile avec une liste de voleurs connus est utile. Mais un bon vigile observe aussi le comportement : quelqu'un qui visite chaque boutique de la rue et note qui entre. Pas besoin de son nom pour voir ce qu'il fait.

Les traqueurs ont aussi un comportement révélateur. Dans cette leçon, tu cherches trois indices dans le journal de requêtes d'un navigateur :

  1. Partout à la fois. Le même site tiers apparaît sur deux sites différents ou plus. C'est ce qui lui permet de relier tes visites.
  2. Un identifiant unique dans l'adresse. Une valeur de requête comme cid=df0641532d7f qui a l'air aléatoire : c'est une étiquette à ton nom.
  3. Un pixel. Une « image » de 100 octets ou moins, trop petite pour montrer quoi que ce soit. Son seul rôle est de faire envoyer une requête à ton navigateur.

Heuristique : une règle empirique qui a en général raison mais pas toujours, comme « des nuages noirs veulent dire pluie ». Les heuristiques peuvent attraper des choses nouvelles, et elles peuvent aussi être trompées.

Notre règle : un site est un traqueur si l'indice 1 est vrai et qu'au moins un des indices 2 ou 3 l'est aussi. Exiger l'indice 1 protège l'inoffensif cdn.example : il est sur toutes les boutiques, mais il n'envoie aucun identifiant et son logo est une vraie image de 2 Ko.

À quel point l'aléatoire est-il aléatoire ? L'entropie, en bref

Pour distinguer un identifiant d'un mot normal, on mesure à quel point ses caractères sont mélangés. aaaa n'est pas mélangé du tout. abcd utilise quatre caractères différents à parts égales.

Entropie de Shannon : un nombre qui dit à quel point quelque chose est imprévisible, en bits. Pour un texte : pour chaque caractère différent, prends sa part p du texte, et additionne -p * log2(p). Plus de variété donne plus de bits.

char_entropy("aaaa")   # 0.0  every character is the same
char_entropy("abab")   # 1.0  two characters, half each
char_entropy("abcd")   # 2.0  four characters, a quarter each

math.log2(p), c'est « combien de fois je divise 1 par deux pour obtenir p », donné comme un nombre négatif, d'où le signe moins. collections.Counter(text) compte chaque caractère pour toi. Tu retrouveras cette même formule, appliquée à des foules entières de navigateurs, dans le module suivant.

L'entropie seule ne suffit pas : trail-shoes est assez mélangé aussi. Donc looks_like_id exige aussi au moins 8 caractères, uniquement des lettres, des chiffres, - ou _, et au moins une lettre et un chiffre. Les mots échouent au test du chiffre ; les dates et les URL échouent au test des lettres ou des caractères.

Lire le journal

Chaque record de browser.log a ce dont tu as besoin :

  • site_of(record.url) et record.top_site : s'ils diffèrent, c'est tiers.
  • record.request.params : la requête sous forme de dict, déjà décodée.
  • record.response : None si bloquée ; sinon .header("Content-Type") et .size en octets.

Des limites honnêtes

Un traqueur présent sur un seul site de ton journal passe inaperçu, même s'il est sur des milliers de sites que tu n'as pas encore visités. Un traqueur qui cache ses identifiants dans un cookie et envoie une image de taille normale passe aussi. Et un script de statistiques premier qui envoie des identifiants à son propre site n'est pas du tout tiers. C'est pourquoi les vrais bloqueurs utilisent des listes et des heuristiques ensemble.

Essaie Ouvre DevTools (F12, ou Cmd+Option+I sur un Mac), va dans l'onglet Network (Réseau), filtre par Img, et charge un site d'actualités. Trie par Size (Taille). La colonne Size compte aussi les en-têtes de réponse, donc un pixel dont l'image ne fait que quelques dizaines d'octets apparaît quand même à quelques centaines. Toute image aussi minuscule, venant d'un autre site, est très probablement un pixel. Clique sur l'une d'elles et cherche dans sa chaîne de requête une longue valeur aléatoire.

Dans d'autres langages

JavaScript :

function charEntropy(text) {
  if (!text) return 0;
  const counts = {};
  for (const ch of text) counts[ch] = (counts[ch] || 0) + 1;
  let bits = 0;
  for (const n of Object.values(counts)) {
    const p = n / text.length;
    bits -= p * Math.log2(p);
  }
  return bits;
}

const looksLikeId = v => v.length >= 8 && /^[A-Za-z0-9_-]+$/.test(v)
  && /[0-9]/.test(v) && /[A-Za-z]/.test(v) && charEntropy(v) >= 2;

C# :

static double CharEntropy(string text) =>
    text.Length == 0 ? 0 :
    -text.GroupBy(c => c)
         .Select(g => (double)g.Count() / text.Length)
         .Sum(p => p * Math.Log2(p));

Récap

  • Le comportement trahit les traqueurs : présents sur beaucoup de sites, envoyant des identifiants aléatoires, chargeant des pixels.
  • L'entropie de Shannon mesure à quel point un texte est mélangé ; les identifiants aléatoires ont un score élevé.
  • Exiger « sur 2 sites ou plus » protège les aides inoffensives comme un CDN.
  • Les heuristiques attrapent de nouveaux traqueurs mais en ratent ; les vrais bloqueurs les combinent avec des listes.
À ton tour

Écris char_entropy(text) (l'entropie de Shannon en bits par caractère, 0.0 pour un texte vide), looks_like_id(value) (au moins 8 caractères, tous dans ID_CHARS, au moins un chiffre et une lettre, entropie d'au moins 2.0), is_pixel(record) (une réponse avec un Content-Type qui commence par image/ et une taille de 100 octets ou moins) et find_trackers(log), qui renvoie l'ensemble des sites qui apparaissent comme tiers sur au moins 2 sites principaux différents et qui ont envoyé une valeur de requête ressemblant à un identifiant ou reçu un pixel. N'utilise pas watched.reference.

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.