Chương trình học Bài 50 trên tổng số 156 · Xây một bộ chặn
Xây một bộ chặn

Đánh bại dấu vân tay

Vì sao điều này quan trọng Chặn một script lấy dấu vân tay chỉ hiệu quả nếu danh sách của bạn biết nó. Cách phòng thủ sâu hơn là làm cho chính các đặc điểm trở nên vô dụng, để ngay cả một script có chạy cũng không biết được gì làm bạn nổi bật. Bài thực hành này đo việc đó thật sự giúp được bao nhiêu, tính bằng bit.

Mọi người mặc cùng một chiếc áo mưa

Hãy hình dung một đám đông nơi ai cũng mặc cùng một chiếc áo mưa xám và đội cùng một chiếc mũ. Nhận ra một người thật khó, không phải vì bạn không nhìn thấy họ, mà vì tất cả trông giống nhau. Đó là đồng nhất hóa: trình duyệt báo cùng những giá trị như mọi người khác đang dùng cách phòng thủ đó.

Dấu vân tay: tập các đặc điểm một trang đọc được về trình duyệt của bạn (kích thước màn hình, múi giờ, phông chữ, card đồ họa và vân vân). Gộp lại chúng có thể nhận ra một trình duyệt mà không cần cookie nào.

Đồng nhất hóa (uniformity): một cách phòng thủ trong đó trình duyệt báo cùng những giá trị cố định như mọi người dùng khác của cùng cách phòng thủ. Tor Browser là ví dụ nổi tiếng nhất; Safari cũng giảm bớt những gì nó để lộ (kiểm tra vào tháng Mười 2026).

Cách phòng thủ chính còn lại là ngẫu nhiên hóa (Brave và Floati gọi nó là farbling): thêm nhiễu nhỏ, thay đổi để đặc điểm khác nhau trên mỗi trang. Bài thực hành này thử đồng nhất hóa.

Đo bằng bit

Ở Chặng 1 bạn đã gặp các bit nhận dạng: mỗi bit chia đôi đám đông. Đây là một cách công bằng để đo chúng cho một người trong một đám đông:

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

+ 1 tính bạn là một thành viên của đám đông. Nếu không ai trong một đám đông 5.000 người trông giống bạn, đó là log2(5001 / 1), khoảng 12.3 bit: duy nhất. Nếu 4.999 người trông giống bạn, đó là log2(5001 / 5000), gần 0 bit.

Kế hoạch

  1. fingerprint_bits(crowd, fp): đếm các hàng bằng fp ở mọi đặc điểm trong TRAIT_NAMES, rồi dùng công thức.
  2. make_uniform(traits): trả về một bản sao với mọi đặc điểm trong UNIFORM được thay thế. dict(traits) tạo một bản sao; copy.update(UNIFORM) ghi đè các khóa đó.
  3. uniform_filter(traits, page): cắm nó vào Browser(world, trait_filter=uniform_filter) và mọi script đọc các giá trị đồng nhất.
  4. Đo Sam (recorded_fingerprints()[0]) trong 5.000 trình duyệt tổng hợp, trước và sau.

Một chi tiết trung thực ở bước 4: với con số "sau", hãy áp dụng make_uniform cho cả đám đông nữa. Đồng nhất hóa chỉ giấu bạn giữa những người khác dùng cùng cách phòng thủ. Nếu chỉ mình bạn mặc áo mưa xám, bạn nổi bật hơn, không phải kém đi.

Các con số sẽ cho bạn biết gì

Bạn sẽ bớt được vài bit, nhưng không phải tất cả. Sam vẫn báo một hệ thống Linux và một trình duyệt ít phổ biến hơn, và chỉ riêng hai đặc điểm đó đã tách ra một nhóm nhỏ. Đó là bài học thật của đồng nhất hóa: nó hiệu quả nhất khi mọi thứ đều giống nhau, kể cả chính trình duyệt. Đó là lý do Tor Browser làm mọi người dùng trông như cùng một trình duyệt trên cùng một loại hệ thống, và vì sao nó làm tròn kích thước cửa sổ về vài bước chuẩn (letterboxing).

Một hiểu lầm phổ biến

"Giả một giá trị hiếm sẽ giấu được tôi." Một giá trị bịa ra mà không trình duyệt thật nào báo, hay một tổ hợp không ăn khớp với nhau (một card đồ họa Mac trên Windows), có thể làm bạn càng duy nhất. Các cách phòng thủ tốt chọn những giá trị nhiều người dùng thật cùng có, và thay đổi chúng cùng nhau.

Tự thử Sau khi bạn qua, bỏ "timezone" khỏi UNIFORM và chạy lại mã của bạn. Xem after_bits tăng lên: một đặc điểm trông bình thường cũng đáng giá những bit thật.

Trong các ngôn ngữ khác

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()
}

Tóm tắt

  • Đồng nhất hóa giấu bạn bằng cách khiến nhiều người dùng báo những giá trị giống hệt.
  • Đo bit theo log2((crowd + 1) / (look-alikes + 1)), tính cả bạn vào đám đông.
  • Nó chỉ hiệu quả giữa những người dùng cùng cách phòng thủ, và các đặc điểm còn lại (trình duyệt, hệ thống) vẫn rò rỉ bit.
  • Các giá trị giả hiếm hoặc không nhất quán có thể làm bạn càng nổi bật.
Đến lượt bạn

Giữ nguyên UNIFORM. Viết fingerprint_bits(crowd, fp) (đếm các hàng bằng fp ở mọi đặc điểm trong TRAIT_NAMES làm same, trả về log2((len(crowd) + 1) / (same + 1))), make_uniform(traits) (một dict mới với mọi khóa UNIFORM được thay thế; đầu vào không đổi) và uniform_filter(traits, page) (trả về make_uniform(traits)). Rồi đặt before_bits (Sam trong crowd), after_bits (Sam đồng nhất trong một đám đông mà mọi hàng đã đi qua make_uniform) và bits_removed.

Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này

Bài tập này sẽ sớm mở.

Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.