Takipçileri sınıflandırma
Neden önemli Bu aşamadaki her savunma bir kararla başlar: bu site bir tracker mı? Dürüst bir siteyi engellersen sayfalar bozulur; bir trackerı kaçırırsan takip edilirsin. Bir tarayıcının bu kararı nasıl verdiğini anlamak hem güçlü yanlarını hem de bazen bozulan sayfaları açıklar.
Bir kapı görevlisinin kulübe kimlerin gireceğine nasıl karar verebileceğine dair üç yol düşün. Birinin elinde bilinen sorun çıkaranların yazılı bir listesi var. Diğeri şu gibi genel kuralları izler: "bu gece şehirdeki her kulübe kılık değiştirerek geldi". Bir diğeri ise binlerce geceyi izleyip bu konuda bir hissiyat geliştirdi. Tarayıcılar üçünü de kullanır.
Classifier: öğeleri gruplara ayıran herhangi bir şey, burada "tracker" veya "not a tracker". Bir liste, bir kural seti veya eğitilmiş bir model olabilir.
1. Listeler
İnsanlar bilinen takip alan adlarının ve filtre kurallarının listelerini tutar. Reklam engelleyiciler, 2. Bölümde bir kısmını ayrıştırdığın EasyList ve EasyPrivacy gibi topluluk filtre listelerini kullanır. Firefox'un yerleşik koruması, Disconnect tarafından tutulan listelere dayanır (Ekim 2026'da kontrol edildi). Listeler genellikle bir entity map içerir: hangi alan adları bir sahibe aittir, böylece bir şirketin kendi içerik sitesi ve görsel sunucusu birbirine karşı üçüncü taraf olarak işlem görmez.
Listeler kesin ve açıklanması kolaydır ("liste X üzerinde olduğu için engellendi"). Ancak sadece son güncellemeleri kadar günceldir ve bir tracker yeni bir alan adı ile veya sitenin kendi adının altına gizlenerek (Bölüm 1'deki CNAME cloaking) bunlardan kaçabilir.
2. Heuristics
Heuristic: genellikle doğru olan bir başparmak kuralı, örneğin "birçok ilgisiz sitede görülen ve uzun rastgele ID'ler belirleyen üçüncü bir taraf muhtemelen takip ediyordur".
Bölüm 2'de bazı şeyler yazdın: birçok sitede üçüncü taraflar, yüksek entropili ID'ler (ayarlardan çok daha rastgele değerler), piksel boyutunda yanıtlar. Son dersteki bounce kuralı da bir sezgiseldir. Sezgisel yöntemler henüz kimsenin listelemediği takipçileri yakalar ama iki tür hata yaparlar ve her sezgisel yöntem birini diğeriyle takas eder.
Yanlış pozitif: takipçi olarak yanlış işaretlenen dürüst bir site (sayfa kırılıyor). Yanlış negatif: gözden kaçan bir takipçi (takip ediliyorsun).
Örneğin, cdn.example her dükkana bir kütüphane sunar. "Pek çok sitede" diyor tracker, ama hiçbir ID atamıyor: IDleri görmezden gelen bir sezgisel yaklaşım tüm o dükkanları bozar.
3. Makine öğrenmesi
A modeli, bir alan adının kaç üst düzey site altında göründüğü, ne sıklıkla yönlendirme yaptığı ve onunla hiç etkileşime girip girmediğiniz gibi özelliklerden öğrenebilir. WebKit, Safari'deki Akıllı Takip Engelleme özelliğini bu tür bir cihaz içi model olarak tanımladı (Ekim 2026'da kontrol edildi). Cihazda yapıldığında, tarama istatistikleriniz cihazdan asla çıkmaz.
Modeller birçok zayıf sinyali bir araya getirebilir ve yeni hilelere uyum sağlayabilir. Ancak onları açıklamak daha zordur, şaşırtıcı şekillerde yanılabilirler ve bir tarayıcı içinde boyut ve hız konusunda dikkatli sınırlara ihtiyaç duyarlar. Etap 7'de saf Python ile küçük bir tane eğiteceksin.
Yan yana
| Listeler | Heuristics | Makine öğrenmesi | |
|---|---|---|---|
| Yeni takipçileri yakalar | Hayır, listelenene kadar | Often | Often |
| Açıklanabilir | Çok | Oldukça | Az_ |
| Tipik hatalar | Güncel değil | Paylaşılan servislerdeki yanlış pozitifler | Şaşırtıcı hatalar |
| kaçınıldıby | Yeni alan adları, gizleme | Eşik değerlerin altında kalmak | Sıradan siteler gibi görünüyor |
Karar ver, sonra harekete geç
Sınıflandırmak işin sadece yarısı. Motorlar her sınıf için bir response seçer: isteği engelle, izin ver ama çerezleri temizle veya böl, daha sonra depolamayı boşalt veya sadece raporla. Belirsiz durumlar için daha hafif bir tepki, bozulmaları düşük tutar. Uygulamada çoğu motor yaklaşımları birleştirir: güvenli engelleme için bir liste, sıçrama ve depolama kuralları için heuristis ve bir şeyler bozulduğunda site başına istisnalar.
Yaygın bir yanılgı
"Daha akıllı bir sınıflandırıcı, takip edilmediğin anlamına gelir." Her sınıflandırıcının yanlış negatifleri vardır ve bazı takipler (birinci taraf analitiği, girişler, parmak izi alma) hiç ayrı bir takipçi gibi görünmez. Bu yüzden sınıflandırma, partitioning gibi onun olmadan çalışan savunmalarla eşleştirilir.
Özet
- Listeler kesin ve açıklanabilir ancak yeni veya gizlenmiş takipçileri kaçırır.
- Heuristics listelenmemiş takipçileri yakalar ama yanlış pozitifleri yanlış negatiflere karşı takas eder.
- Makine öğrenimi birçok sinyali ağırlıklandırır; WebKit, Safari'nin ITP'sini cihaz üzerinde bir model kullanacak şekilde tanımladı (Ekim 2026'da kontrol edildi).
- Motorlar yaklaşımları birleştirir ve emin olmadığında daha yumuşak bir tepki seçer.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.