Silabus Pelajaran 119 dari 156 · Cara browser memutuskan
Cara browser memutuskan

Mengklasifikasikan tracker

Kenapa ini penting Setiap pertahanan di bagian ini dimulai dengan sebuah keputusan: apakah situs ini pelacak? Blokir situs yang jujur dan halaman akan rusak; lewatkan satu pelacak dan kamu akan diikuti. Bagaimana browser membuat keputusan itu menjelaskan kekuatan sekaligus halaman yang terkadang rusak.

Bayangkan tiga cara seorang bouncer bisa memutuskan siapa yang boleh masuk ke klub. Satu punya daftar cetak orang yang suka bikin masalah. Satu mengikuti aturan praktis: "datang ke setiap klub di kota malam ini, memakai penyamaran". Satu sudah melihat ribuan malam dan belajar merasakannya. Browser menggunakan ketiganya.

Classifier: apa pun yang mengelompokkan item ke dalam grup, di sini "tracker" atau "bukan tracker". Ini bisa berupa list, sekumpulan aturan, atau model yang sudah dilatih.

1. List

Orang-orang menjaga daftar domain pelacakan yang diketahui dan aturan filter. Pemblokir iklan menggunakan daftar filter komunitas seperti EasyList dan EasyPrivacy, yang kamu parsing sebagian di Tahap 2. Perlindungan bawaan Firefox didasarkan pada daftar yang dikelola oleh Disconnect (diperiksa Oktober 2026). Daftar biasanya menyertakan entity map: domain mana yang dimiliki oleh satu pemilik, jadi situs konten milik perusahaan dan server gambarnya tidak dianggap sebagai pihak ketiga satu sama lain.

List itu presisi dan mudah dijelaskan ("diblokir karena ada di list X"). Tapi list hanya seakurat pembaruan terakhirnya, dan tracker bisa menghindarinya dengan domain baru, atau dengan bersembunyi di balik nama situs itu sendiri (CNAME cloaking, dari Tahap 1).

2. Heuristik

Heuristic: aturan praktis yang biasanya benar, seperti "pihak ketiga yang terlihat di banyak situs tidak terkait, mengatur ID acak yang panjang, kemungkinan besar sedang melacak".

Kamu menulis beberapa di Tahap 2: pihak ketiga di banyak situs, ID entropi tinggi (nilai yang terlalu acak untuk jadi pengaturan), respons seukuran piksel. Aturan bounce dari pelajaran terakhir juga merupakan heuristik. Heuristik menangkap pelacak yang belum dicantumkan siapa pun, tapi mereka membuat dua jenis kesalahan, dan setiap heuristik mengorbankan satu untuk yang lainnya.

False positive: situs jujur yang salah dianggap tracker (halaman rusak). False negative: tracker yang lolos (kamu diikuti).

Contohnya, cdn.example melayani perpustakaan ke setiap toko. "Di banyak situs" kata tracker, tapi tidak mengatur ID: heuristik yang mengabaikan ID akan merusak semua toko itu.

3. Pembelajaran mesin

Model

A bisa belajar dari fitur, seperti berapa banyak situs tingkat atas tempat sebuah domain muncul, seberapa sering ia melakukan redirect, dan apakah kamu pernah berinteraksi dengannya. WebKit telah menjelaskan Intelligent Tracking Prevention di Safari sebagai penggunaan model di perangkat jenis ini (dicek Oktober 2026). Dikerjakan di perangkat, statistik penjelajahanmu tidak akan pernah keluar dari sana.

Models bisa menggabungkan banyak sinyal lemah dan beradaptasi dengan trik baru. Tapi mereka lebih sulit dijelaskan, bisa salah dengan cara yang mengejutkan, dan butuh batasan ukuran serta kecepatan yang hati hati di dalam browser. Kamu akan melatih satu model kecil dalam Python murni di Tahap 7.

Bersebelahan

ListsHeuristicsPembelajaran mesin
Menangkap tracker baruTidak, sampai terdaftarOftenOften
DapatDijelaskanSangatCukupKurang
Kesalahan umumKedaluwarsaPositif palsu pada layanan bersamaKesalahan yang mengejutkan
dihindari olehDomain baru, cloakingTetap di bawah ambang batasTerlihat seperti situs biasa

Memutuskan, lalu bertindak

Klasifikasi itu cuma setengahnya saja. Mesin juga memilih response untuk setiap kelas: blokir permintaan, izinkan tapi hapus atau pisahkan cookies, hapus penyimpanan nanti, atau hanya laporkan saja. Respon yang lebih ringan untuk kasus yang tidak pasti menjaga agar kerusakan tetap rendah. Dalam praktiknya, kebanyakan mesin menggabungkan pendekatan: daftar untuk pemblokiran yang yakin, heuristik untuk aturan bounce dan penyimpanan, dan pengecualian per situs saat ada sesuatu yang rusak.

Kesalahpahaman umum

"Klasifikasi yang lebih pintar berarti tidak ada pelacakan." Setiap klasifikasi punya false negatives, dan beberapa pelacakan (analitik pihak pertama, login, fingerprinting) tidak terlihat seperti tracker terpisah sama sekali. Itulah mengapa klasifikasi dipasangkan dengan pertahanan yang bekerja tanpa itu, seperti partitioning.

Ringkasan

  • List itu presisi dan bisa dijelaskan tapi melewatkan tracker baru atau yang tersembunyi.
  • Heuristics menangkap pelacak yang tidak terdaftar tapi menukar false positives dengan false negatives.
  • Machine learning mempertimbangkan banyak sinyal; WebKit telah mendeskripsikan ITP Safari sebagai penggunaan model di perangkat (dicek Oktober 2026).
  • Mesin menggabungkan pendekatan dan memilih respons yang lebih halus saat tidak yakin.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.