지문 채취 물리치기
왜 중요한가 지문 스크립트를 막는 건 목록이 그걸 알 때만 통해요. 더 깊은 방어는 특성 자체를 쓸모없게 만들어, 돌아가는 스크립트조차 여러분을 골라낼 무언가를 배우지 못하게 하는 거예요. 이 실습은 그게 실제로 얼마나 돕는지 비트로 재요.
모두 같은 비옷을 입은 군중
모두가 같은 회색 비옷과 모자를 쓴 군중을 떠올려 보세요. 한 사람을 알아보기 어려운 건 보이지 않아서가 아니라 모두 닮아서예요. 그게 균일화예요: 브라우저가 그 방어를 쓰는 다른 모두와 같은 값을 보고해요.
지문: 페이지가 브라우저에 대해 읽을 수 있는 특성의 집합(화면 크기, 시간대, 글꼴, 그래픽 카드 등). 함께 모이면 쿠키 없이도 브라우저를 알아볼 수 있어요.
균일화: 브라우저가 같은 방어를 쓰는 다른 모든 사용자와 같은 고정 값을 보고하는 방어. Tor Browser가 가장 잘 알려진 예이고, Safari도 드러내는 것을 줄여요(2026년 10월 확인).
다른 주요 방어는 무작위화예요(Brave와 Floati는 farbling이라고 불러요): 작고 바뀌는 잡음을 더해 특성이 사이트마다 달라지게 해요. 이 실습은 균일화를 시험해요.
비트로 재기
1구간에서 신원의 비트를 만났어요: 비트 하나마다 군중이 반으로 줄어요. 군중 속 한 사람에 대해 그걸 재는 공정한 방법이에요:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )+ 1은 여러분을 군중의 일원으로 세요. 5,000명 군중에서 아무도 여러분처럼 보이지 않으면 log2(5001 / 1), 약 12.3비트: 유일해요. 4,999명이 여러분처럼 보이면 log2(5001 / 5000), 거의 0비트예요.
계획
fingerprint_bits(crowd, fp):TRAIT_NAMES의 모든 특성에서fp와 같은 행을 세고, 공식을 써요.make_uniform(traits):UNIFORM의 모든 특성을 바꾼 복사본을 반환해요.dict(traits)가 복사본을 만들고,copy.update(UNIFORM)이 그 키들을 덮어써요.uniform_filter(traits, page):Browser(world, trait_filter=uniform_filter)에 꽂으면 모든 스크립트가 균일한 값을 읽어요.- 합성 브라우저 5,000개 속에서 Sam(
recorded_fingerprints()[0])을 전후로 재요.
4단계의 정직한 세부: "후" 숫자에는 군중 전체에도 make_uniform을 적용하세요. 균일화는 같은 방어를 쓰는 다른 사람들 사이에서만 여러분을 숨겨요. 여러분만 회색 비옷을 입으면 덜이 아니라 더 눈에 띄어요.
숫자가 알려 줄 것
여러 비트를 없애겠지만 전부는 아니에요. Sam은 여전히 Linux 시스템과 덜 흔한 브라우저를 보고하고, 그 두 특성만으로도 작은 무리를 골라내요. 그게 균일화의 진짜 교훈이에요: 브라우저 자체를 포함해 모든 것이 같을 때 가장 잘 작동해요. 그래서 Tor Browser는 모든 사용자를 같은 종류 시스템의 같은 브라우저처럼 보이게 하고, 창 크기를 몇 가지 표준 단계로 맞춰요(레터박싱).
흔한 오해
"드문 값을 꾸며 내면 숨겨진다." 어떤 진짜 브라우저도 보고하지 않는 지어낸 값이나, 서로 맞지 않는 조합(Windows 위의 Mac 그래픽 카드)은 여러분을 더 유일하게 만들 수 있어요. 좋은 방어는 많은 진짜 사용자가 공유하는 값을 고르고, 함께 바꿔요.
해 보기 통과한 뒤 UNIFORM에서 "timezone"을 빼고 코드를 다시 돌리세요. after_bits가 오르는 걸 보세요: 평범해 보이는 특성 하나도 진짜 비트만큼의 가치가 있어요.
다른 언어로
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()
}요약
- 균일화는 많은 사용자가 똑같은 값을 보고하게 해서 여러분을 숨겨요.
- 비트는 log2((군중 + 1) / (닮은 사람 + 1))로 재고, 자신을 군중에 넣어 세요.
- 같은 방어를 쓰는 사람들 사이에서만 통하고, 남은 특성(브라우저, 시스템)은 여전히 비트를 흘려요.
- 드물거나 앞뒤가 맞지 않는 가짜 값은 더 눈에 띄게 할 수 있어요.
UNIFORM은 그대로 두세요. fingerprint_bits(crowd, fp)(TRAIT_NAMES의 모든 특성에서 fp와 같은 행을 same으로 세고, log2((len(crowd) + 1) / (same + 1))을 반환), make_uniform(traits)(UNIFORM의 모든 키를 바꾼 새 dict, 입력은 그대로), uniform_filter(traits, page)(make_uniform(traits)를 반환)를 쓰세요. 그다음 before_bits(crowd 속 Sam), after_bits(모든 행이 make_uniform을 거친 군중 속 균일한 Sam), bits_removed를 설정하세요.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.