挫败指纹识别
为什么重要 拦截一个指纹识别脚本,只有在你的列表认识它时才有效。更深层的防御是让特征本身变得毫无用处,这样即使一个脚本运行了,它也了解不到任何能把你单独认出来的东西。这个实验以比特为单位,测量这实际上能帮多少忙。
每个人都穿同样的雨衣
想象一群人,每个人都穿着同样的灰色雨衣、戴着同样的帽子。要认出其中一个人很难,不是因为你看不到他们,而是因为他们看起来都一样。这就是统一化:浏览器报告的值,和其他所有使用这种防御的人都一样。
指纹:页面能读到的关于你浏览器的一组特征(屏幕尺寸、时区、字体、显卡等等)。它们合在一起,可以在没有任何 Cookie 的情况下认出一个浏览器。
统一化:一种防御,浏览器报告和同一种防御的其他每一个用户相同的固定值。Tor 浏览器是最著名的例子;Safari 也减少了它暴露的东西(2026 年 10 月核实)。
另一种主要的防御是随机化(Brave 和 Floati 称之为 farbling):加上微小的、不断变化的噪声,让特征在每个网站上都不同。这个实验尝试的是统一化。
以比特为单位进行测量
在第 1 阶段,你见过身份的比特:每一个比特都让人群减半。下面是为人群中的一个人测量它们的一种公平方式:
bits = log2( (crowd size + 1) / (people who look exactly like you + 1) )那个 + 1 把你也算作人群中的一员。如果在一个 5,000 人的人群中没有人看起来像你,那就是 log2(5001 / 1),约 12.3 比特:独一无二。如果有 4,999 个人看起来像你,那就是 log2(5001 / 5000),几乎是 0 比特。
计划
fingerprint_bits(crowd, fp):统计在TRAIT_NAMES中的每一个特征上都等于fp的行数,然后使用这个公式。make_uniform(traits):返回一个副本,其中UNIFORM中的每一个特征都被替换掉。dict(traits)会生成一个副本;copy.update(UNIFORM)会覆盖那些键。uniform_filter(traits, page):把它接到Browser(world, trait_filter=uniform_filter)上,每一个脚本读到的都会是统一的值。- 在 5,000 个合成浏览器中测量 Sam(
recorded_fingerprints()[0]),分别在之前和之后。
第 4 步里有一个诚实的细节:对于“之后”的那个数字,也要把 make_uniform 应用到整个人群上。统一化只能把你藏在其他使用同一种防御的人当中。如果只有你一个人穿着灰色雨衣,你反而会更显眼,而不是更不显眼。
数字会告诉你什么
你会去掉好几个比特,但不是全部。Sam 仍然报告了一个 Linux 系统和一个不太常见的浏览器,而仅凭这两个特征就能把一个小群体单独挑出来。这就是统一化真正的教训:当一切都一样时,它的效果最好,包括浏览器本身。这就是为什么 Tor 浏览器会让每一个用户看起来都像是同一种系统上的同一个浏览器,也是为什么它会把窗口大小取整到少数几个标准的尺寸(信箱模式)。
一个常见的误解
“伪造一个罕见的值就能把我藏起来。”一个没有任何真实浏览器会报告的编造值,或者一个互不相配的组合(Windows 上的一块 Mac 显卡),可能会让你变得更独特。好的防御会挑选许多真实用户共有的值,并把它们一起改变。
试一试 通过之后,从 UNIFORM 里去掉 "timezone",然后再运行一次你的代码。看着 after_bits 上升:一个看起来很普通的特征,也值不少比特。
用其他语言实现
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()
}回顾
- 统一化通过让许多用户报告完全相同的值来把你藏起来。
- 以 log2((人群 + 1) / (相像者 + 1)) 来衡量比特,把你自己也算进人群。
- 它只在使用同一种防御的人当中有效,而剩下的特征(浏览器、系统)仍然会泄露比特。
- 罕见的或者互不相配的伪造值可能会让你更显眼。
保留 UNIFORM。编写 fingerprint_bits(crowd, fp)(把在 TRAIT_NAMES 中每一个特征上都等于 fp 的行数记为 same,返回 log2((len(crowd) + 1) / (same + 1)))、make_uniform(traits)(一个新的字典,其中每一个 UNIFORM 键都被替换;输入保持不变)和 uniform_filter(traits, page)(返回 make_uniform(traits))。然后设置 before_bits(Sam 在 crowd 中)、after_bits(统一化后的 Sam,在一个每一行都经过了 make_uniform 的人群中)和 bits_removed。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。