Farbling
为什么重要 指纹识别根本不需要存储,所以分区和清除存储都碰不到它。一种防御是让每一个浏览器都报告相同的值。另一种就是你在这里要搭建的:在最能识别身份的读数上加一点点噪声,每个网站都不同。每个网站仍然能正常工作,但两个互相对照笔记的网站,看到的是两台不同的设备。
想象你在每家去的商店里都戴着一副镜框略有不同的眼镜。一家店里的店员整个下午都能认出你,因为你在那里的镜框不会变。但如果两家店对比他们对你的描述,就对不上了。明天,你在每个地方都换上新的镜框。
Canvas 和音频读数:一个页面可以画一张隐藏的图片或者播放一段无声的音调,然后读回你的设备产生的确切数字。不同图形芯片和音频栈之间的细微差别,让这些数字成为一个很强的指纹(第 1 阶段测量过它们)。
Farbling:Brave 给“往这类读数上加入少量、按网站区分的噪声”起的名字。它是一种随机化;相反的做法是统一化,让每个人都报告相同的值。
会话密钥:浏览器每次启动时挑选的一个秘密随机值。把它混进噪声里,意味着明天的噪声和今天的不同。
Brave 默认会进行 farbling,它根据每个会话的秘密值和你所在的网站来生成噪声,而 Floati 的引擎也使用同一种随机化(2026 年 10 月核实)。
练习世界读取什么
练习世界里的页面可以从 page.traits 读取两个数字列表:canvas_pixels(24 个值)和 audio_samples(12 个值),每个值都在 0 到 255 之间。一个指纹脚本会把 Sam 的所有特征,包括这两个列表,哈希成一个 ID。
好噪声的三条规则
- 每个网站都不同。噪声必须取决于顶层网站,这样 ShopA 和 ShopB 会得到不同的读数和不同的指纹 ID。
- 在同一个网站和会话中保持稳定。同一个网站在每一次加载页面时都必须得到相同的噪声,否则它自己的功能(比如“这是你登录时用的那台设备吗?”)就会开始失灵。
- 很小。每个值最多只能变动 1。一家画图表的商店会检查它的像素和预期相差不超过 2;噪声比这更大,图表看起来就坏了。
可以重复的噪声:一个带种子的随机数生成器
Python 的 random 模块可以用一个种子来创建一个生成器。同一个种子总是给出同一串“随机”数字,这正是规则 2。用会话密钥和网站来构建种子,你就免费得到了规则 1:
import random
rng = random.Random("session-41|shopa.example") # the seed is any text you like
print([rng.choice([-1, 0, 1]) for _ in range(5)]) # e.g. [0, -1, 1, 1, 0]
rng = random.Random("session-41|shopa.example") # same seed again...
print([rng.choice([-1, 0, 1]) for _ in range(5)]) # ...same five numbersrng.choice(list) 会挑出一项。为了在加上噪声后让一个值保持在 0 到 255 之间,要对它进行截断:min(255, max(0, value))。max(0, v) 会把任何低于 0 的值抬到 0,而 min(255, ...) 会把任何高于 255 的值拉下来。
不要把页面的完整地址放进种子里。那样的话,同一家商店的每一个页面都会得到不同的噪声,违反了规则 2。也永远不要为此使用 Python 自带的 hash():每次 Python 启动时它都会变。
你怎么知道它奏效了
run_farbling(farble) 会在两个会话的每一个中把每家商店各加载两次,由你的函数来改变读数,然后报告:
"linked_pairs":指纹跟踪器能关联起来的商店对(希望为 0)"broken":图表出错的商店(希望没有)"unstable":在一个会话中两次加载读到不同值的商店(希望没有)"linked_sessions":跟踪器在下一个会话中再次认出的商店(希望没有)
一个诚实的局限
噪声只能挫败那些需要精确匹配的跟踪器。一个执着的脚本可能会尝试对读数求平均,或者通过取整把噪声去掉,这就是为什么真实的引擎还会限制某些读数能被读取的精度,并让其他特征保持统一(第 2 阶段的“挫败指纹识别”实验)。Farbling 只是其中一层,而不是整面墙。
试一试 如果你有 Brave,就在两个不同的网站上,或者在两个会话中,打开一个指纹测试页面,比较 canvas 的值:它们会变。在任何浏览器里,打开开发者工具,按 Ctrl+Shift+F(Mac 上是 Cmd+Option+F),在页面加载的每一个脚本里搜索 toDataURL 或 getImageData,这是脚本读回 canvas 的两种常见方式。
用其他语言实现
JavaScript 中的带种子噪声。JavaScript 的 Math.random 不能设置种子,所以引擎会使用一个自己的小生成器,用会话密钥和网站的哈希值作为种子:
function seededRandom(seed) { // mulberry32: tiny, repeatable, fine for noise
return () => {
seed |= 0; seed = (seed + 0x6D2B79F5) | 0;
let t = Math.imul(seed ^ (seed >>> 15), 1 | seed);
t = (t + Math.imul(t ^ (t >>> 7), 61 | t)) ^ t;
return ((t ^ (t >>> 14)) >>> 0) / 4294967296;
};
}
function farble(values, seed) {
const rnd = seededRandom(seed);
return values.map(v => Math.min(255, Math.max(0, v + Math.floor(rnd() * 3) - 1)));
}Rust,使用 rand crate 和一个种子:
use rand::{rngs::StdRng, Rng, SeedableRng};
fn farble(values: &[u8], seed: u64) -> Vec<u8> {
let mut rng = StdRng::seed_from_u64(seed);
values.iter().map(|&v| (v as i16 + rng.gen_range(-1..=1)).clamp(0, 255) as u8).collect()
}回顾
- Farbling 往识别身份的读数上加入微小的噪声,每个网站、每个会话都不同。
- 一个带种子的随机数生成器让噪声可以重复:用会话密钥和网站作为它的种子。
- 让它保持很小、很稳定,否则网站自己的功能就会坏掉。
- 它能挫败精确匹配的指纹识别;真实的引擎会把它和统一的值以及各种限制叠加使用。
编写 farble(values, top_site, session_key)。它返回一个和 values 长度相同的新列表,并且不修改 values。用 random.Random(session_key + "|" + top_site) 创建一个生成器,给每个值加上 rng.choice([-1, 0, 1]),并把每个结果截断到 0 到 255 之间。然后设置 report = run_farbling(farble) 并打印它。
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。