Lawan fingerprinting
Kenapa ini penting Memblokir skrip fingerprinting hanya berhasil jika daftar kamu mengetahuinya. Pertahanan yang lebih dalam adalah membuat ciri khas itu sendiri tidak berguna, sehingga skrip yang berjalan pun tidak mempelajari apa pun yang bisa mengidentifikasi kamu. Lab ini mengukur seberapa besar bantuan sebenarnya, dalam satuan bit.
Semua orang pakai jas hujan yang sama
Bayangkan kerumunan di mana semua orang memakai jas hujan dan topi abu-abu yang sama. Menemukan satu orang itu sulit, bukan karena kamu tidak bisa melihat mereka, tapi karena mereka semua terlihat mirip. Itu adalah uniformity: browser melaporkan nilai yang sama dengan semua orang yang menggunakan pertahanan tersebut.
Fingerprint: kumpulan ciri yang bisa dibaca halaman web tentang browsermu (ukuran layar, zona waktu, font, kartu grafis dan lainnya). Semuanya bisa mengenali browser tanpa cookie apa pun.
Uniformity: sebuah pertahanan di mana browser melaporkan nilai tetap yang sama seperti pengguna pertahanan lainnya. Tor Browser adalah contoh yang paling dikenal; Safari juga mengurangi apa yang ia tampilkan (dicek Oktober 2026).
Pertahanan utama lainnya adalah randomisation (Brave dan Floati menyebutnya farbling): tambahkan noise kecil yang berubah agar trait berbeda di setiap situs. Lab ini mencoba keseragaman.
Mengukur dalam bit
Di Tahap 1 kamu bertemu potongan identitas: setiap bit membagi dua kerumunan. Ini cara adil untuk mengukurnya untuk satu orang dalam kerumunan:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )+ 1 menganggap kamu sebagai bagian dari kerumunan. Jika tidak ada orang dalam kerumunan 5.000 yang mirip denganmu, itu adalah log2(5001 / 1), sekitar 12.3 bits: unik. Jika 4.999 orang mirip denganmu, itu adalah log2(5001 / 5000), hampir 0 bits.
Rencananya
fingerprint_bits(crowd, fp): hitung baris yang sama denganfppada setiap trait diTRAIT_NAMES, lalu gunakan rumus.make_uniform(traits): kembalikan copy dengan setiap trait diUNIFORMdiganti.dict(traits)membuat salinan;copy.update(UNIFORM)menimpa kunci tersebut.uniform_filter(traits, page): masukkan keBrowser(world, trait_filter=uniform_filter)dan setiap script membaca nilai uniform.- Ukur Sam (
recorded_fingerprints()[0]) di 5,000 synthetic browsers, sebelum dan sesudah.
Satu detail jujur di langkah 4: untuk angka "setelah", terapkan make_uniform ke seluruh kerumunan juga. Keseragaman hanya menyembunyikanmu di antara orang lain yang menggunakan pertahanan yang sama. Jika kamu sendiri yang memakai jas hujan abu-abu, kamu akan lebih menonjol, bukan malah berkurang.
Apa yang akan dikatakan oleh angka-angka tersebut
Kamu akan menghapus beberapa bagian, tapi tidak semuanya. Sam masih melaporkan sistem Linux dan browser yang kurang umum, dan dua ciri itu saja sudah membedakan kelompok kecil. Itulah pelajaran sebenarnya tentang keseragaman: ini bekerja paling baik saat everything sama, termasuk browser itu sendiri. Itulah alasan mengapa Tor Browser membuat setiap pengguna terlihat seperti browser yang sama pada jenis sistem yang sama, dan mengapa itu membulatkan ukuran jendela ke beberapa langkah standar (letterboxing).
Kesalahpahaman umum
"Memalsukan nilai langka menyembunyikanku." Nilai buatan yang tidak dilaporkan oleh browser asli, atau campuran yang tidak cocok (kartu grafis Mac di Windows), bisa membuatmu more unik. Pertahanan yang bagus memilih nilai yang dimiliki banyak pengguna asli, dan mengubahnya bersamaan.
Coba sendiri Setelah kamu berhasil, hapus "timezone" dari UNIFORM dan jalankan kode kamu lagi. Lihat after_bits naik: satu sifat yang terlihat biasa bernilai bit asli.
Di bahasa lain
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()
}Ringkasan
- Uniformity menyembunyikanmu dengan membuat banyak pengguna melaporkan nilai yang identik.
- Ukur bit sebagai log2((crowd + 1) / (look-alikes + 1)), hitung dirimu di dalam crowd.
- Ini cuma berfungsi di antara orang yang pakai pertahanan yang sama, dan sisa sifat (browser, sistem) masih membocorkan sedikit bit.
- Nilai palsu yang jarang atau tidak konsisten bisa membuatmu lebih menonjol.
Simpan UNIFORM. Tulis fingerprint_bits(crowd, fp) (hitung baris yang sama dengan fp pada setiap trait di TRAIT_NAMES sebagai same, kembalikan log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (dict baru dengan setiap kunci UNIFORM diganti; input tidak berubah) dan uniform_filter(traits, page) (mengembalikan make_uniform(traits)). Lalu atur before_bits (Sam di crowd), after_bits (Sam seragam di kerumunan di mana setiap baris melewati make_uniform) dan bits_removed.
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.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.