Преодоление фингерпринтинга
Почему это важно Блокировка скрипта фингерпринтинга работает только если ваш list знает об этом. Более глубокая защита заключается в том, чтобы сделать сами признаки бесполезными, чтобы даже запущенный скрипт ничего не узнал, что выделяло бы вас. Эта лабораторная работа измеряет, насколько это реально помогает, в битах.
Все в одном дождевике
Представьте толпу, где все одеты в одинаковые серые плащи и шляпы. Заметить одного человека трудно не потому, что вы не можете его увидеть, а потому, что они все выглядят одинаково. Это uniformity: браузер сообщает те же значения, что и все остальные, использующие защиту.
Fingerprint: набор признаков, которые страница может узнать о вашем браузере (размер экрана, часовой пояс, шрифты, видеокарта и так далее). Вместе они могут распознать браузер без каких-либо cookie.
Uniformity: защита, при которой браузер сообщает те же фиксированные значения, что и каждый другой пользователь этой же защиты. Tor Browser является самым известным примером; Safari также сокращает то, что он раскрывает (проверено в октябре 2026).
Другая основная защита это randomisation (Brave и Floati называют это farbling): добавление небольшого меняющегося шума так чтобы признак отличался на каждом сайте. Эта лаборатория проверяет единообразие.
Измерение в битах
В Этапе 1 вы встретили части идентичности: каждый бит делит толпу пополам. Вот справедливый способ измерить их для одного человека в толпе:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )+ 1 считает вас членом толпы. Если никто из 5,000 человек в толпе не похож на вас, это log2(5001 / 1), около 12.3 бит: уникально. Если 4,999 человек похожи на вас, это log2(5001 / 5000), почти 0 бит.
План
fingerprint_bits(crowd, fp): посчитайте строки, равныеfpпо каждому признаку вTRAIT_NAMES, затем используйте формулу.make_uniform(traits): верните copy с каждым признаком вUNIFORMзамененным.dict(traits)делает копию;copy.update(UNIFORM)перезаписывает эти ключи.uniform_filter(traits, page): вставьте это вBrowser(world, trait_filter=uniform_filter)и каждый script будет читать uniform значения.- Измерьте Sam (
recorded_fingerprints()[0]) в 5,000 синтетических браузерах до и после.
Один честный нюанс в шаге 4: для числа "после" примените make_uniform ко всей толпе тоже. Одинаковость только прячет вас среди других людей, использующих ту же защиту. Если только вы носите серый дождевик, вы выделяетесь сильнее, а не меньше.
Что скажут цифры
Вы удалите несколько битов, но не все. Сэм по-прежнему сообщает о системе Linux и менее распространенном браузере, и эти два признака сами по себе выделяют небольшую группу. Это настоящий урок единообразия: оно работает лучше всего, когда everything одинаково, включая сам браузер. Вот почему Tor Browser делает каждого пользователя похожим на пользователя одного и того же браузера на одном и том же типе системы, и почему он округляет размер окна до нескольких стандартных шагов (letterboxing).
A распространенное заблуждение
"Подделка редкого значения скрывает меня." Выдуманное значение, которое не сообщает ни один реальный браузер, или комбинация, которая не подходит вместе (графическая карта Mac на Windows), может сделать вас более уникальным. Хорошие защиты выбирают значения, которые разделяют многие реальные пользователи, и меняют их вместе.
Попробуйте После прохождения удалите "timezone" из UNIFORM и запустите свой код снова. Смотрите как растет after_bits: одна обычная черта стоит реальных битов.
В других языках
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()
}Итог
- Однородность скрывает вас, заставляя многих пользователей сообщать идентичные значения.
- Измеряйте биты как log2((crowd + 1) / (look-alikes + 1)), учитывая себя в crowd.
- Это работает только среди людей, использующих одну и ту же защиту, и оставшиеся признаки (браузер, система) все равно выдают части данных.
- Редкие или непоследовательные фейковые значения могут выделить вас сильнее.
Сохраните UNIFORM. Напишите fingerprint_bits(crowd, fp) (считайте строки равные fp по каждому признаку в TRAIT_NAMES как same, верните log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (новый словарь с каждым ключом UNIFORM заменен; вход без изменений) и uniform_filter(traits, page) (возвращает make_uniform(traits)). Затем установите before_bits (Sam в crowd), after_bits (равномерный Sam в толпе где каждая строка прошла через make_uniform) и bits_removed.
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.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.