Derrotar o fingerprinting
Por que isso importa Bloquear um script de fingerprinting só funciona se a sua lista o conhecer. A defesa mais profunda é tornar as próprias características inúteis, para que até um script que roda não descubra nada que destaque você. Este laboratório mede, em bits, o quanto isso realmente ajuda.
Todo mundo com a mesma capa de chuva
Imagine uma multidão em que todos usam a mesma capa de chuva cinza e o mesmo chapéu. Encontrar uma pessoa é difícil, não porque você não consegue vê-la, mas porque todos se parecem. Isso é a uniformidade: o navegador informa os mesmos valores que todos os outros que usam a defesa.
Fingerprint (impressão digital): o conjunto de características que uma página consegue ler sobre o seu navegador (tamanho da tela, fuso horário, fontes, placa de vídeo e assim por diante). Juntas, elas conseguem reconhecer um navegador sem nenhum cookie.
Uniformidade: uma defesa em que o navegador informa os mesmos valores fixos que todos os outros usuários da mesma defesa. O Tor Browser é o exemplo mais conhecido; o Safari também reduz o que expõe (verificado em outubro de 2026).
A outra defesa principal é a randomização (o Brave e o Floati chamam de farbling): adicionar um ruído pequeno e variável para que a característica seja diferente em cada site. Este laboratório testa a uniformidade.
Medindo em bits
Na Etapa 1 você conheceu os bits de identidade: cada bit divide a multidão pela metade. Aqui está um jeito justo de medi-los para uma pessoa numa multidão:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )O + 1 conta você como membro da multidão. Se ninguém numa multidão de 5.000 se parece com você, isso dá log2(5001 / 1), cerca de 12,3 bits: único. Se 4.999 pessoas se parecem com você, dá log2(5001 / 5000), quase 0 bits.
O plano
fingerprint_bits(crowd, fp): conte as linhas iguais afpem todas as características deTRAIT_NAMESe depois use a fórmula.make_uniform(traits): retorne uma cópia com todas as características deUNIFORMsubstituídas.dict(traits)faz uma cópia;copy.update(UNIFORM)sobrescreve essas chaves.uniform_filter(traits, page): conecte-a emBrowser(world, trait_filter=uniform_filter)e todo script vai ler os valores uniformes.- Meça Sam (
recorded_fingerprints()[0]) entre 5.000 navegadores sintéticos, antes e depois.
Um detalhe honesto no passo 4: para o número "depois", aplique make_uniform também à multidão inteira. A uniformidade só esconde você entre outras pessoas que usam a mesma defesa. Se só você usa a capa de chuva cinza, você se destaca mais, não menos.
O que os números vão dizer
Você vai remover vários bits, mas não todos. Sam ainda informa um sistema Linux e um navegador menos comum, e essas duas características sozinhas já destacam um grupo pequeno. Essa é a verdadeira lição da uniformidade: ela funciona melhor quando tudo é igual, incluindo o próprio navegador. É por isso que o Tor Browser faz todo usuário parecer o mesmo navegador no mesmo tipo de sistema, e por que ele arredonda o tamanho da janela para alguns tamanhos padrão (letterboxing).
Um equívoco comum
"Falsificar um valor raro me esconde." Um valor inventado que nenhum navegador real informa, ou uma combinação que não faz sentido (uma placa de vídeo de Mac no Windows), pode deixar você mais único. Boas defesas escolhem valores que muitos usuários reais compartilham, e os mudam juntos.
Experimente Depois de passar, remova "timezone" de UNIFORM e rode o seu código de novo. Veja after_bits subir: uma característica de aparência comum vale bits de verdade.
Em outras linguagens
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()
}Resumo
- A uniformidade esconde você fazendo muitos usuários informarem valores idênticos.
- Meça os bits como log2((multidão + 1) / (parecidos + 1)), contando você mesmo na multidão.
- Ela só funciona entre pessoas que usam a mesma defesa, e as características que sobram (navegador, sistema) ainda vazam bits.
- Valores falsos raros ou incoerentes podem fazer você se destacar mais.
Mantenha UNIFORM. Escreva fingerprint_bits(crowd, fp) (conte como same as linhas iguais a fp em todas as características de TRAIT_NAMES e retorne log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (um novo dict com todas as chaves de UNIFORM substituídas; a entrada sem mudanças) e uniform_filter(traits, page) (retorna make_uniform(traits)). Depois defina before_bits (Sam em crowd), after_bits (Sam uniforme numa multidão em que todas as linhas passaram por make_uniform) e bits_removed.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.