Программа курса Урок 119 из 156 · Как браузер принимает решение
Как браузер принимает решение

Классификация трекеров

Почему это важно Каждая защита в этом этапе начинается с решения: является ли этот сайт трекером? Заблокируешь честный сайт и страницы сломаются; пропустите трекер и за вами будут следить. То, как браузер принимает это решение, объясняет и его сильные стороны, и редкие поломки страниц.

Подумайте о трех способах, которыми охранник может решить, кого пускать в клуб. У одного есть распечатанный список известных нарушителей. Другой следует правилам: "появился в каждом клубе города сегодня, одет в маскировку". Третий наблюдал тысячи ночей и научился чувствовать ситуацию. Браузеры используют все три способа.

Classifier: всё, что сортирует элементы по группам, здесь "трекер" или "не трекер". Это может быть список, набор правил или обученная модель.

1. Списки

Люди ведут списки известных доменов отслеживания и правил фильтрации. Блокировщики рекламы используют общественные списки фильтров, такие как EasyList и EasyPrivacy, из которых вы извлекли часть в Leg 2. Встроенная защита Firefox основана на списках, поддерживаемых Disconnect (проверено в октябре 2026). Списки обычно включают карту сущностей: к какому владельцу относятся домены, чтобы собственный сайт компании и ее сервер изображений не считались сторонними друг для друга.

Списки точны и их легко объяснить ("заблокировано, потому что оно есть в списке X"). Но они актуальны только до последнего обновления, а трекер может обойти их с новым доменом или скрыться под собственным именем сайта (CNAME cloaking, из Leg 1).

2. Эвристики

Heuristic: эмпирическое правило, которое обычно верно, например "третья сторона, видимая на многих несвязанных сайтах и устанавливающая длинные случайные ID, вероятно, отслеживает".

Вы написали кое-что в Leg 2: сторонние ресурсы на многих сайтах, ID с высокой энтропией (значения слишком случайные для настроек), ответы размером в пиксель. Правило отскока из прошлого урока тоже является эвристикой. Эвристики находят трекеры, которые еще никто не указал, но они допускают два вида ошибок, и каждая эвристика жертвует одной ради другой.

Ложноположительный результат: честный сайт ошибочно назван трекером (страница ломается). Ложноотрицательный результат: трекер, который проскочил (за вами следят).

Например, cdn.example обслуживает библиотеку для каждого магазина. "На многих сайтах" говорит трекер, но он не устанавливает ID: эвристика, которая игнорирует ID, сломает все эти магазины.

3. Машинное обучение

Модель

A может обучаться на признаках, таких как количество сайтов верхнего уровня, под которыми появляется домен, частота его перенаправлений и факт вашего взаимодействия с ним. WebKit описал Intelligent Tracking Prevention в Safari как использование модели такого типа на устройстве (проверено в октябре 2026). Выполняемая на устройстве, ваша статистика просмотра никогда не покидает его.

Модели могут объединять много слабых сигналов и адаптироваться к новым приемам. Но их сложнее объяснить, они могут ошибаться неожиданными способами, и им нужны осторожные ограничения по размеру и скорости внутри браузера. Вы обучите маленькую модель на чистом Python в Leg 7.

Напротив

СпискиHeuristicsМашинное обучение
Ловит новые трекерыНет, пока не указаноOftenOften
ОбъяснимыйVeryFairlyLess
Типичные ошибкиУстарелоЛожноположительные результаты в общих сервисахУдивительные ошибки
Dodged byНовые домены, маскировкаОставаться ниже пороговВыглядят как обычные сайты

Принятие решения, затем действие

Классификация это только половина дела. Движки также выбирают response для каждого класса: блокировать запрос, разрешать его но удалять или разделять cookies, очищать хранилище позже или только сообщать о нем. Более мягкий ответ для сомнительных случаев сохраняет низкий уровень поломок. На практике большинство движков комбинируют подходы: список для уверенной блокировки, эвристики для правил отскока и хранения, и исключения для каждого сайта когда что-то ломается.

A распространенное заблуждение

"Более умный классификатор означает отсутствие отслеживания". У каждого классификатора есть ложноотрицательные результаты, и некоторые виды отслеживания (аналитика первой стороны, логины, фингерпринтинг) вообще не похожи на отдельный трекер. Вот почему классификация сочетается с защитами, которые работают без нее, такими как партиционирование.

Итог

  • Списки точны и объяснимы, но они пропускают новые или скрытые трекеры.
  • Эвристики находят неперечисленные трекеры, но обменивают ложные срабатывания на пропуски.
  • Машинное обучение взвешивает множество сигналов; WebKit описал ITP в Safari как использование модели на устройстве (проверено в октябре 2026).
  • Движки объединяют подходы и выбирают более мягкий ответ, когда они не уверены.

Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке

Это упражнение откроется скоро

Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.