Trackers classificeren
Waarom dit ertoe doet Elke verdediging in deze fase begint met een beslissing: is deze site een tracker? Blokkeer een eerlijke site en pagina's breken; mis een tracker en je wordt gevolgd. Hoe een browser die beslissing neemt verklaart zowel de sterktes als de incidentele kapotte pagina.
Denk aan drie manieren waarop een uitsmijter kan beslissen wie een club binnenkomt. Eén heeft een geprinte lijst van bekende probleemmakers. Eén volgt vuistregels: "verscheen vanavond in elke club in de stad, draagt een vermomming". Eén heeft duizenden nachten geobserveerd en een gevoel hiervoor ontwikkeld. Browsers gebruiken alle drie.
Classifier: alles wat items sorteert in groepen, hier "tracker" of "geen tracker". Het kan een lijst, een set regels of een getraind model zijn.
1. Lijsten
Mensen onderhouden lijsten van bekende trackingdomeinen en filterregels. Ad blockers gebruiken community filterlijsten zoals EasyList en EasyPrivacy, waarvan je in Etappe 2 een deel hebt geparsed. De ingebouwde bescherming van Firefox is gebaseerd op lijsten die worden bijgehouden door Disconnect (gecontroleerd in oktober 2026). Lijsten bevatten meestal een entity map: welke domeinen bij één eigenaar horen, zodat de eigen contentsite van een bedrijf en zijn imageseerver niet als derden naar elkaar worden behandeld.
Lijsten zijn precies en makkelijk uit te leggen ("geblokkeerd omdat het op lijst X staat"). Maar ze zijn alleen zo actueel als hun laatste update, en een tracker kan ze ontwijken met een nieuw domein, of door zich te verbergen onder de eigen naam van de site (CNAME cloaking, uit Etappe 1).
2. Heuristieken
Heuristic: een vuistregel die meestal klopt, zoals "een derde partij die op veel ongerelateerde sites te zien is en lange willekeurige ID's instelt, is waarschijnlijk aan het tracken".
Je schreef er wat in Etappe 2: third party op veel sites, high-entropy IDs (waarden die te willekeurig zijn om instellingen te zijn), pixel-sized responses. De bounce rule van de laatste les is ook een heuristiek. Heuristieken vangen trackers op die nog door niemand zijn vermeld, maar ze maken twee soorten fouten, en elke heuristiek ruilt de een in voor de ander.
False positive: een eerlijke site die onterecht als tracker wordt genoemd (een pagina breekt). False negative: een tracker die erdoorheen glipt (je wordt gevolgd).
Bijvoorbeeld, cdn.example dient een bibliotheek aan elke winkel. "Op veel sites" zegt tracker, maar het stelt geen ID in: een heuristiek die IDs negeert zou al die winkels breken.
3. Machine learning
HetA model kan leren van kenmerken, zoals onder hoeveel top-level sites een domein verschijnt, hoe vaak het doorverwijst, en of je er ooit mee communiceert. WebKit heeft Intelligent Tracking Prevention in Safari beschreven als het gebruik van een model van dit soort op het apparaat (gecontroleerd oktober 2026). Omdat het op het apparaat gebeurt, verlaten je browsestatistieken dit nooit.
Models kunnen veel zwakke signalen samenwegen en zich aanpassen aan nieuwe trucs. Maar ze zijn moeilijker uit te leggen, kunnen op verrassende manieren fout zitten en hebben zorgvuldige limieten nodig op grootte en snelheid binnen een browser. Je traint er een kleine in pure Python in Etappe 7.
Naast elkaar
| Lijsten | Heuristics | Machine learning | |
|---|---|---|---|
| Vangt nieuwe trackers op | Nee, totdat vermeld | Often | Often |
| Uitlegbaar | Very | Fairly | Less |
| Typische fouten | Verouderd | False positives op gedeelde services | Verrassende fouten |
| Dodged by | Nieuwe domeinen, cloaking | Onder de drempelwaarden blijven | Erkenbaar als gewone sites |
Beslissen, dan handelen
Classificeren is slechts de helft. Engines kiezen ook een response per klasse: blokkeer de aanvraag, sta deze toe maar verwijder of splits cookies, wis opslag later, of rapporteer het alleen. Een mildere response voor onzekere gevallen houdt de fouten laag. In de praktijk combineren de meeste engines benaderingen: een lijst voor zeker blokkeren, heuristieken voor bounce en opslagregels, en per-site uitzonderingen wanneer iets kapot gaat.
A veelvoorkomende misvatting
"Een slimmere classifier betekent geen tracking." Elke classifier heeft false negatives, en sommige tracking (first-party analytics, logins, fingerprinting) ziet er helemaal niet uit als een aparte tracker. Daarom wordt classificatie gecombineerd met verdedigingen die zonder het werken, zoals partitioning.
Samenvatting
- Lijsten zijn precies en uitlegbaar maar missen nieuwe of verborgen trackers.
- Heuristieken vangen niet vermelde trackers op maar ruilen valse positieven in voor valse negatieven.
- Machine learning weegt veel signalen; WebKit heeft beschreven dat Safari's ITP een model op het apparaat gebruikt (gecontroleerd oktober 2026).
- Engines combineren benaderingen en kiezen een mildere reactie bij onzekerheid.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.