Programma Lezione 50 di 156 · Costruisci un blocker
Costruisci un blocker

Sconfiggi il fingerprinting

Perché è importante Bloccare uno script di fingerprinting funziona solo se il tuo elenco lo conosce. La difesa più profonda è rendere inutili le caratteristiche stesse, così che anche uno script che gira non scopra niente che ti distingua. Questo laboratorio misura quanto aiuta davvero, in bit.

Tutti con lo stesso impermeabile

Immagina una folla in cui tutti indossano lo stesso impermeabile grigio e lo stesso cappello. Riconoscere una persona è difficile, non perché non la vedi, ma perché si somigliano tutti. È l'uniformità: il browser riporta gli stessi valori di tutti gli altri che usano la difesa.

Impronta: l'insieme delle caratteristiche che una pagina può leggere sul tuo browser (dimensioni dello schermo, fuso orario, font, scheda grafica e così via). Insieme possono riconoscere un browser senza nessun cookie.

Uniformità: una difesa in cui il browser riporta gli stessi valori fissi di ogni altro utente della stessa difesa. Tor Browser è l'esempio più noto; anche Safari riduce ciò che espone (verificato a ottobre 2026).

L'altra difesa principale è la randomizzazione (Brave e Floati la chiamano farbling): aggiungere un piccolo rumore che cambia, così la caratteristica è diversa su ogni sito. Questo laboratorio prova l'uniformità.

Misurare in bit

Nella Tappa 1 hai incontrato i bit di identità: ogni bit dimezza la folla. Ecco un modo giusto per misurarli per una persona in una folla:

bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )

Il + 1 conta anche te come membro della folla. Se nessuno in una folla di 5.000 ti somiglia, è log2(5001 / 1), circa 12,3 bit: unico. Se 4.999 persone ti somigliano, è log2(5001 / 5000), quasi 0 bit.

Il piano

  1. fingerprint_bits(crowd, fp): conta le righe uguali a fp su ogni caratteristica in TRAIT_NAMES, poi usa la formula.
  2. make_uniform(traits): restituisci una copia con ogni caratteristica in UNIFORM sostituita. dict(traits) fa una copia; copy.update(UNIFORM) sovrascrive quelle chiavi.
  3. uniform_filter(traits, page): collegalo in Browser(world, trait_filter=uniform_filter) e ogni script legge i valori uniformi.
  4. Misura Sam (recorded_fingerprints()[0]) in 5.000 browser sintetici, prima e dopo.

Un dettaglio onesto nel passo 4: per il numero "dopo", applica make_uniform anche a tutta la folla. L'uniformità ti nasconde solo tra altre persone che usano la stessa difesa. Se sei l'unico a indossare l'impermeabile grigio, ti noti di più, non di meno.

Che cosa ti diranno i numeri

Toglierai diversi bit, ma non tutti. Sam riporta ancora un sistema Linux e un browser meno comune, e queste due caratteristiche da sole individuano un piccolo gruppo. È la vera lezione dell'uniformità: funziona meglio quando tutto è uguale, compreso il browser stesso. Ecco perché Tor Browser fa sembrare ogni utente lo stesso browser sullo stesso tipo di sistema, e perché arrotonda le dimensioni della finestra a pochi passi standard (letterboxing).

Un equivoco comune

"Falsificare un valore raro mi nasconde." Un valore inventato che nessun browser vero riporta, o un insieme che non sta in piedi (una scheda grafica Mac su Windows), può renderti più unico. Le buone difese scelgono valori condivisi da molti utenti veri, e li cambiano insieme.

Provalo Dopo aver superato l'esercizio, togli "timezone" da UNIFORM ed esegui di nuovo il tuo codice. Guarda after_bits salire: una caratteristica dall'aspetto normale vale bit veri.

In altri linguaggi

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()
}

Riepilogo

  • L'uniformità ti nasconde facendo riportare a molti utenti valori identici.
  • Misura i bit come log2((folla + 1) / (sosia + 1)), contando anche te nella folla.
  • Funziona solo tra persone che usano la stessa difesa, e le caratteristiche che restano (browser, sistema) fanno ancora trapelare bit.
  • Valori falsi rari o incoerenti possono farti notare di più.
Tocca a te

Tieni UNIFORM. Scrivi fingerprint_bits(crowd, fp) (conta come same le righe uguali a fp su ogni caratteristica in TRAIT_NAMES, restituisci log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (un nuovo dict con ogni chiave di UNIFORM sostituita; l'input resta invariato) e uniform_filter(traits, page) (restituisce make_uniform(traits)). Poi imposta before_bits (Sam in crowd), after_bits (Sam uniforme in una folla in cui ogni riga è passata per make_uniform) e bits_removed.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.