الرياضيات الكامنة خلف مطابقة الأجهزة عبر الجلسات

تواجه بصمة الأجهزة تحديًا جوهريًا: الإشارات تتغيّر. تُحدَّث المتصفحات، ويعدّل المستخدمون الإعدادات، وتُثبَّت الخطوط وتُزال. المقارنة الصارمة ستعامل كل إشارة متغيّرة على أنها جهاز جديد، مُدمِّرةً بذلك دقة التعرّف. يحل نظامنا للمطابقة عبر الجلسات هذه المشكلة باستخدام تقنيات مدعومة بالذكاء الاصطناعي تقيس درجة التشابه بدلاً من اشتراط التطابق التام.

المشكلة: انحراف الإشارة

تأمّل جهازًا أُخذت بصمته أمس ويعود اليوم بعد تحديث المتصفح. تغيّرت سلسلة user agent. صار يدعم خاصيتَي CSS جديدتين. أُضيف امتداد WebGL. يبقى تصيير canvas مطابقًا (المعالج الرسومي نفسه، والمُشغِّل نفسه). بصمة الصوت مطابقة. ومعاملات WebGL مطابقة باستثناء الامتداد الجديد.

مع المطابقة الدقيقة، لن يُتعرَّف على هذا الجهاز — فالبصمة المجمّعة قد تغيّرت. لكننا حدسيًا نعلم أنه الجهاز نفسه. إشارات العتاد مطابقة، والتغيّرات البرمجية متسقة مع تحديث متصفح. يُضفي نظامنا للمطابقة عبر الجلسات طابعًا صوريًا على هذا الحدس.

المقارنة القائمة على المجموعات لإشارات السمات

تُمثَّل كثير من إشارات المتصفح طبيعيًا على هيئة مجموعات: مجموعة خصائص CSS المدعومة، ومجموعة الخطوط المتاحة، ومجموعة امتدادات WebGL. لهذه الإشارات، نقيس التداخل باستخدام مقاييس التشابه القائمة على المجموعات. لمجموعتين A وB، نحسب نسبة العناصر المشتركة إلى إجمالي العناصر.

جهاز فيه 45 خاصية CSS أمس و47 اليوم (مع 44 مشتركة) يحظى بدرجة تشابه عالية. وهذا كافٍ للدلالة على الجهاز نفسه مع تحديث للمتصفح. أما جهاز مختلف تمامًا فقد يشترك في 30 خاصية CSS فقط، ما يمنح درجة تشابه أدنى بكثير. تُتعلَّم العتبة الفاصلة بين «الجهاز نفسه» و«جهاز مختلف» من بيانات موسومة.

توليد المرشحين بكفاءة

حساب التشابه بين كل زوج من الأجهزة سيكون باهظ التكلفة على نطاق واسع. يستخدم نظامنا لتوليد المرشحين تقنيات فهرسة متقدمة تُسند العناصر المتشابهة إلى الحاوية ذاتها باحتمال عالٍ، ما يتيح لنا إيجاد المطابقات المحتملة في زمن ثابت.

يزيل هذا النهج 99.9% من المقارنات في مرحلة توليد المرشحين، فيبقى النظام كفؤًا حتى على مستوى مليارات ملفات الأجهزة.

التحليل المدعوم بالذكاء الاصطناعي للإشارات المعقّدة

بعض الإشارات لا تتفكّك بأناقة إلى مجموعات. فبصمات canvas، وخَرْج معالجة الصوت، ومتجهات معاملات WebGL بيانات معقّدة لا تنطبق عليها المقارنة البسيطة القائمة على المجموعات. لهذه الإشارات، نستخدم تحليلاً مدعومًا بالذكاء الاصطناعي يُسقِط ملفات الأجهزة في تمثيل تكون فيه الأجهزة المتشابهة قريبة بعضها من بعض.

يلتقط نموذج الذكاء الاصطناعي العلاقات غير البديهية بين الإشارات. فعلى سبيل المثال، يتعلّم أن تغيّر سلسلة مُصيِّر WebGL من طراز معالج رسومي إلى نسخة مُحدَّثة قليلاً من الطراز نفسه يمثّل ترقية للمعالج الرسومي على الجهاز ذاته، بينما يمثّل التغيّر إلى مورّد معالج رسومي مختلف تمامًا جهازًا مختلفًا كليًا.

الجمع بين التقنيات

يستخدم نظامنا الإنتاجي تقنيات متعددة في تعاقب. أولاً، يحدد توليد المرشحين الكفؤ المطابقات المحتملة. ثانيًا، توفّر المقارنة القائمة على المجموعات قياسًا دقيقًا للتداخل بالنسبة للإشارات المبنية على السمات. ثالثًا، يسجّل التحليل المدعوم بالذكاء الاصطناعي درجة تشابه الإشارات المعتمدة على العتاد. درجة الثقة النهائية هي تركيب موزون لجميع الطرائق، بأوزان مضبوطة على بيانات موسومة.

معمارية التعاقب هذه دقيقة وكفؤة معًا. إجمالي زمن المطابقة لزائر عائد أقل من 5 مللي ثانية وسطيًا.