Las matemáticas detrás de la coincidencia de dispositivos entre sesiones

El fingerprinting de dispositivos se enfrenta a un desafío fundamental: las señales cambian. Los navegadores se actualizan, los usuarios modifican ajustes, las fuentes se instalan y se eliminan. Una comparación estricta trataría cada señal cambiada como un dispositivo nuevo, destruyendo la precisión de identificación. Nuestro sistema de coincidencia entre sesiones resuelve esto usando técnicas con IA que cuantifican la similitud en lugar de exigir igualdad exacta.

El problema: la deriva de señales

Considera un dispositivo del que se tomó la huella digital ayer y que regresa hoy tras una actualización del navegador. La cadena de user agent ha cambiado. Ahora se admiten dos nuevas features CSS. Se añadió una extensión WebGL. El renderizado de canvas sigue siendo idéntico (misma GPU, mismo controlador). La huella digital de audio es idéntica. Los parámetros de WebGL son idénticos salvo por la nueva extensión.

Con la coincidencia exacta, este dispositivo no sería reconocido: la huella digital combinada ha cambiado. Pero intuitivamente sabemos que es el mismo dispositivo. Las señales de hardware son idénticas, y los cambios de software son consistentes con una actualización del navegador. Nuestro sistema de coincidencia entre sesiones formaliza esta intuición.

Comparación basada en conjuntos para las señales de features

Muchas señales de navegador se representan de forma natural como conjuntos: el conjunto de features CSS admitidas, el conjunto de fuentes disponibles, el conjunto de extensiones WebGL. Para estas señales, medimos el solapamiento usando métricas de similitud basadas en conjuntos. Para dos conjuntos A y B, calculamos la proporción de elementos compartidos respecto al total de elementos.

Un dispositivo con 45 features CSS ayer y 47 hoy (con 44 en común) tiene una puntuación de similitud alta. Esto basta para indicar el mismo dispositivo con una actualización del navegador. Un dispositivo completamente distinto podría compartir solo 30 features CSS, lo que da una puntuación de similitud mucho más baja. El umbral entre "mismo dispositivo" y "dispositivo distinto" se aprende a partir de datos etiquetados.

Generación eficiente de candidatos

Calcular la similitud entre cada par de dispositivos sería prohibitivamente costoso a escala. Nuestro sistema de generación de candidatos usa técnicas de indexación avanzadas que asignan los elementos similares al mismo bucket de búsqueda con alta probabilidad, permitiéndonos encontrar coincidencias potenciales en tiempo constante.

Este enfoque elimina el 99.9% de las comparaciones en la fase de generación de candidatos, haciendo el sistema eficiente incluso con miles de millones de perfiles de dispositivo.

Análisis con IA para señales complejas

Algunas señales no se descomponen limpiamente en conjuntos. Las huellas digitales de canvas, la salida del procesamiento de audio y los vectores de parámetros de WebGL son datos complejos donde no aplica la simple comparación de conjuntos. Para estas señales, usamos análisis con IA que asigna los perfiles de dispositivo a una representación en la que los dispositivos similares quedan cerca unos de otros.

El modelo de IA capta relaciones no evidentes entre señales. Por ejemplo, aprende que un cambio en la cadena del renderizador de WebGL de un modelo de GPU a una versión ligeramente mejorada del mismo modelo representa una mejora de GPU en la misma máquina, mientras que un cambio a un proveedor de GPU completamente distinto representa un dispositivo totalmente diferente.

Combinando las técnicas

Nuestro sistema de producción usa múltiples técnicas en cascada. Primero, la generación eficiente de candidatos identifica las coincidencias potenciales. Segundo, la comparación basada en conjuntos proporciona una medida precisa del solapamiento para las señales basadas en features. Tercero, el análisis con IA puntúa la similitud de las señales dependientes del hardware. La puntuación de confianza final es una combinación ponderada de todos los métodos, con pesos ajustados sobre datos etiquetados.

Esta arquitectura en cascada es a la vez precisa y eficiente. El tiempo total de coincidencia para un visitante que regresa es de menos de 5ms de media.