フィンガープリンティングに勝つ
なぜ大切か フィンガープリンティングのスクリプトをブロックするのは、一覧がそれを知っているときだけ効きます。もっと深い防御は、特徴そのものを役に立たなくすることで、そうすれば動いたスクリプトでさえ、あなたを特定するものを何も知りません。このラボでは、それが実際にどれだけ役立つかを、ビットで測ります。
全員が同じレインコート
全員が同じ灰色のレインコートと帽子を着ている群衆を思い浮かべてください。ひとりを見つけるのは難しいのです。見えないからではなく、みな同じに見えるからです。それが 均一化 です。ブラウザが、その防御を使うほかの全員と同じ値を報告します。
指紋:ページがブラウザについて読める特徴(画面の大きさ、タイムゾーン、フォント、グラフィックカードなど)の集まりです。合わせると、Cookie なしでブラウザを見分けられます。
均一化:ブラウザが、同じ防御を使うほかのすべてのユーザーと同じ決まった値を報告する防御です。Tor Browser が最もよく知られた例で、Safari も明かすものを減らしています(2026 年 10 月確認)。
もうひとつの主な防御は ランダム化 です(Brave と Floati はファーブリングと呼びます)。特徴がサイトごとに違うよう、小さく変わる雑音を加えます。このラボでは均一化を試します。
ビットで測る
第 1 部で身元のビットに出会いました。1 ビットごとに群衆が半分になります。群衆の中のひとりについてそれを測る公平な方法です:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )+ 1 は、あなたを群衆の一員として数えます。5,000 人の群衆の誰もあなたに似ていなければ、それは log2(5001 / 1)、およそ 12.3 ビットで、唯一です。4,999 人があなたに似ていれば、log2(5001 / 5000)、ほぼ 0 ビットです。
計画
fingerprint_bits(crowd, fp):TRAIT_NAMESのすべての特徴でfpと等しい行を数え、それから式を使います。make_uniform(traits):UNIFORMのすべての特徴を置き換えた 写し を返します。dict(traits)が写しを作り、copy.update(UNIFORM)がそれらのキーを上書きします。uniform_filter(traits, page):それをBrowser(world, trait_filter=uniform_filter)に差し込めば、どのスクリプトも均一化された値を読みます。- 5,000 の合成ブラウザの中で、前と後の Sam(
recorded_fingerprints()[0])を測ります。
手順 4 の正直な細部をひとつ。「後」の数字では、群衆全体にも make_uniform を当てはめます。均一化があなたを隠すのは、同じ防御を使うほかの人々 の中でだけです。あなただけが灰色のレインコートを着ていれば、目立たなくなるどころか、もっと目立ちます。
数字が教えてくれること
いくつかのビットは取り除けますが、すべてではありません。Sam はまだ Linux のシステムと、あまりない種類のブラウザを報告していて、その 2 つの特徴だけで小さな集団が特定されます。それが均一化の本当の教訓です。ブラウザそのものも含め、すべて が同じときに最もよく働くのです。だから Tor Browser はすべてのユーザーを同じ種類のシステムの同じブラウザに見せ、ウィンドウの大きさをいくつかの標準の段階に丸めるのです(レターボックス)。
よくある誤解
「まれな値を偽れば隠れられる」。どの本物のブラウザも報告しないでっち上げの値や、組み合わせが合わないもの(Windows の上の Mac のグラフィックカード)は、あなたを より 唯一にしかねません。良い防御は、多くの本物のユーザーが共有する値を選び、それをまとめて変えます。
試してみよう 合格したら、UNIFORM から "timezone" を取り除き、もう一度コードを実行してください。after_bits が上がるのを見ましょう。ありふれて見える特徴ひとつにも、本物のビットの価値があります。
ほかの言語では
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()
}まとめ
- 均一化は、多くのユーザーに同一の値を報告させることで、あなたを隠します。
- ビットは、自分も群衆に数えて、log2((群衆 + 1) / (似た人 + 1)) で測ります。
- それが働くのは同じ防御を使う人々の中でだけで、残った特徴(ブラウザ、システム)はまだビットを漏らします。
- まれな、あるいは食い違う偽の値は、あなたをもっと目立たせかねません。
UNIFORM は残してください。fingerprint_bits(crowd, fp)(TRAIT_NAMES のすべての特徴で fp と等しい行を same として数え、log2((len(crowd) + 1) / (same + 1)) を返す)、make_uniform(traits)(すべての UNIFORM のキーを置き換えた新しい辞書。入力は変えない)、uniform_filter(traits, page)(make_uniform(traits) を返す)を書いてください。それから before_bits(crowd の中の Sam)、after_bits(すべての行が make_uniform を通った群衆の中の、均一化した Sam)、bits_removed を設定します。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。