Fingerprinting verslaan
Waarom dit ertoe doet Het blokkeren van een fingerprinting script werkt alleen als je lijst het weet. De diepere verdediging is om de kenmerken zelf nutteloos te maken, zodat zelfs een script dat draait niets leert dat jou uniek maakt. Deze lab meet hoeveel dat daadwerkelijk helpt, in bits.
Iedereen in dezelfde regenjas
Stel je een menigte voor waar iedereen dezelfde grijze regenjas en hoed draagt. Eén persoon spotten is moeilijk, niet omdat je hen niet kunt zien, maar omdat ze er allemaal hetzelfde uitzien. Dat is uniformity: de browser rapporteert dezelfde waarden als iedereen die de verdediging gebruikt.
Fingerprint: de set kenmerken die een pagina kan lezen over je browser (schermgrootte, tijdzone, lettertypen, videokaart enzovoort). Samen kunnen ze een browser herkennen zonder cookies.
Uniformity: een verdediging waarbij de browser dezelfde vaste waarden rapporteert als elke andere gebruiker van dezelfde verdediging. Tor Browser is het bestbekende voorbeeld; Safari vermindert ook wat het blootstelt (gecontroleerd oktober 2026).
De andere belangrijke verdediging is randomisation (Brave en Floati noemen het farbling): voeg kleine, veranderlijke ruis toe zodat het kenmerk op elke site verschilt. Dit lab probeert uniformiteit.
Meten in bits
In Etappe 1 heb je stukjes identiteit ontmoet: elk bit halveert de menigte. Hier is een eerlijke manier om ze te meten voor één persoon in een menigte:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )De + 1 ziet je als een lid van de menigte. Als niemand in een menigte van 5.000 op je lijkt, is dat log2(5001 / 1), ongeveer 12.3 bits: uniek. Als 4.999 mensen op je lijken, is het log2(5001 / 5000), bijna 0 bits.
Het plan
fingerprint_bits(crowd, fp): tel de rijen die gelijk zijn aanfpop elke eigenschap inTRAIT_NAMES, gebruik dan de formule.make_uniform(traits): return een copy met elke eigenschap inUNIFORMvervangen.dict(traits)maakt een kopie;copy.update(UNIFORM)overschrijft die keys.uniform_filter(traits, page): plug het inBrowser(world, trait_filter=uniform_filter)en elk script leest de uniforme waarden.- Meet Sam (
recorded_fingerprints()[0]) in 5,000 synthetische browsers, voor en na.
Eén eerlijk detail in stap 4: pas make_uniform ook toe op de hele menigte. Uniformiteit verbergt je alleen tussen andere mensen die dezelfde verdediging gebruiken. Als jij alleen de grijze regenjas draagt, valt je meer op, niet minder.
Wat de getallen je zullen vertellen
Je verwijdert verschillende bits, maar niet allemaal. Sam rapporteert nog steeds een Linux-systeem en een minder gebruikelijke browser, en die twee kenmerken alleen isoleren een kleine groep. Dat is de echte les van uniformiteit: het werkt het best wanneer everything hetzelfde is, inclusief de browser zelf. Dat is waarom Tor Browser elke gebruiker laat lijken op dezelfde browser op hetzelfde soort systeem, en waarom het de venstergrootte afrondt naar een paar standaard stappen (letterboxing).
A veelvoorkomende misvatting
"Een zeldzame waarde vervalsen verbergt mij." Een verzonnen waarde die geen enkele echte browser rapporteert, of een combinatie die niet samenpast (een Mac videokaart op Windows), kan je meer uniek maken. Goede verdedigingen kiezen waarden die veel echte gebruikers delen, en veranderen deze samen.
Probeer het Nadat je klaar bent, verwijder je "timezone" uit UNIFORM en voer je code opnieuw uit. Kijk hoe after_bits stijgt: één gewoon uitziende eigenschap is echt bits waard.
In andere talen
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()
}Samenvatting
- Uniformiteit verbergt je door ervoor te zorgen dat veel gebruikers identieke waarden rapporteren.
- Meetel bits als log2((crowd + 1) / (look-alikes + 1)), waarbij je jezelf meetelt in de crowd.
- Het werkt alleen tussen mensen die dezelfde verdediging gebruiken, en overgebleven kenmerken (browser, systeem) lekken nog steeds stukjes.
- Zeldzame of inconsistente valse waarden kunnen ervoor zorgen dat je meer opvalt.
Houd UNIFORM aan. Schrijf fingerprint_bits(crowd, fp) (tel rijen gelijk aan fp op elke eigenschap in TRAIT_NAMES als same, retourneer log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (een nieuwe dictionary met elke UNIFORM sleutel vervangen; de input onveranderd) en uniform_filter(traits, page) (retourneert make_uniform(traits)). Stel daarna before_bits (Sam in crowd), after_bits (uniforme Sam in een menigte waar elke rij door make_uniform ging) en bits_removed in.
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.