Müfredat 156 dersinden 50. · Bir engelleyici oluştur
Bir engelleyici oluştur

Parmak izi tespitini engelle

Neden önemli Bir parmak izi alma betiğini engellemek, listeniz bunu biliyorsa işe yarar. Daha derin bir savunma, özelliklerin kendisini işe yaramaz hale getirmektir, böylece çalışan bir betik bile sizi ayırt edecek hiçbir şey öğrenemez. Bu laboratuvar, bunun aslında ne kadar yardımcı olduğunu bit cinsinden ölçer.

Aynı yağmurluk içindeki herkes

Herkesin aynı gri yağmurluk ve şapka giydiği bir kalabalim hayal et. Bir kişiyi seçmek zor, çünkü onları göremediğin için değil, hepsi birbirine benzediği için. Bu uniformity: tarayıcı, savunmayı kullanarak herkesle aynı değerleri raporlar.

Fingerprint: bir sayfanın tarayıcın hakkında okuyabileceği özellikler kümesi (ekran boyutu, saat dilimi, yazı tipleri, grafik kartı ve benzerleri). Bunlar birlikte herhangi bir cookie olmadan bir tarayıcıyı tanıyabilir.

Uniformity: tarayıcının aynı savunmayı kullanan her diğer kullanıcı gibi aynı sabit değerleri raporladığı bir savunma türüdür. Tor Browser en bilinen örnektir; Safari de açığa çıkardıklarını azaltır (Ekim 2026'da kontrol edildi).

Diğer ana savunma randomisation (Brave ve Floati buna farbling diyor): özelliğin her sitede farklı olması için küçük, değişen gürültü ekle. Bu laboratuvar tekdüzeliği dener.

Bitlerle Ölçme

Bölüm 1'de kimlik parçalarıyla tanıştın: her parça kalabalığı yarıya indirir. İşte bir kalabalıktaki bir kişi için onları ölçmenin adil bir yolu:

bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )

+ 1 seni kalabalığın bir üyesi olarak sayar. Eğer 5.000 kişilik bir kalabalıkta hiç kimse sana benzemiyorsa, bu log2(5001 / 1), yaklaşık 12.3 bit: benzersiz demektir. Eğer 4.999 kişi sana benziyorsa, bu log2(5001 / 5000), neredeyse 0 bit demektir.

Plan

  1. fingerprint_bits(crowd, fp): TRAIT_NAMES içindeki her özellikte fp değerine eşit olan satırları say, sonra
  2. formülünü kullan.
  3. make_uniform(traits): UNIFORM içindeki her özelliğin değiştirildiği bir copy döndür. dict(traits) bir kopya oluşturur; copy.update(UNIFORM) bu anahtarların üzerine yazar.
  4. uniform_filter(traits, page): onu Browser(world, trait_filter=uniform_filter) içine yerleştir ve her script uniform değerlerini okusun.
  5. Sam (recorded_fingerprints()[0]) değerini 5,000 sentetik tarayıcıda, öncesi ve sonrası için ölç.

4. adımda dürüst bir detay: "sonra" sayısı için make_uniform tüm kalabalığa da uygula. Tekdüzelik seni sadece aynı savunmayı kullanan diğer insanlarınarasına gizler. Eğer gri yağmurluğu sadece sen giyersen, daha az değil, daha çok dikkat çekersin.

Sayıların sana ne söyleyeceği

Bazı parçaları çıkaracaksın ama hepsini değil. Sam hala bir Linux sistemi ve daha az yaygın bir tarayıcı raporluyor ve bu iki özellik bile küçük bir grubu ayırıyor. Bu, tekdüzeliğin gerçek dersidir: everything aynı olduğunda en iyi şekilde çalışır, tarayıcının kendisi dahil. Tor Browser'ın her kullanıcıyı aynı türdeki bir sistemde aynı tarayıcı gibi göstermesinin ve pencere boyutunu birkaç standart adıma yuvarlamasının (letterboxing) nedeni budur.

Yaygın bir yanılgı

"Nadir bir değer taklit etmek beni gizler." Hiçbir gerçek tarayıcının raporlamadığı uydurma bir değer veya birbirine uymayan bir karışım (Windows üzerinde bir Mac grafik kartı), seni more benzersiz yapabilir. İyi savunmalar birçok gerçek kullanıcının paylaştığı değerleri seçer ve bunları birlikte değiştirir.

Kendin dene Geçtikten sonra "timezone" ifadesini UNIFORM içinden kaldır ve kodunu tekrar çalıştır. after_bits yükselişini izle: sıradan görünen bir özellik gerçek bitlere değer.

Diğer dillerde

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()
}

Özet

  • Uniformity, birçok kullanıcının aynı değerleri raporlamasını sağlayarak seni gizler.
  • Bitleri log2((crowd + 1) / (look-alikes + 1)) olarak ölç, kendini de crowd içinde say.
  • Sadece aynı savunmayı kullanan kişiler arasında çalışır ve kalan özellikler (tarayıcı, sistem) hala bazı parçaları sızdırır.
  • Nadir veya tutarsız sahte değerler seni daha çok öne çıkarabilir.
Senin sıran

UNIFORM tut. fingerprint_bits(crowd, fp) (TRAIT_NAMES içindeki her özellikte fp'ye eşit satır sayısını same olarak yaz, log2((len(crowd) + 1) / (same + 1)) döndür), make_uniform(traits) (her UNIFORM anahtarının değiştirildiği yeni bir dict; girdi değişmeden kalır) ve uniform_filter(traits, page) (make_uniform(traits) döndürür) yaz. Sonra before_bits (crowd içindeki Sam), after_bits (her satırı make_uniform'den geçen bir kalabalık içindeki tekdüze Sam) ve bits_removed değerlerini ayarla.

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.