Chrome Privacy Sandbox : ce que cela change pour l'empreinte numérique d'appareil

Le Privacy Sandbox de Google est le changement le plus important pour l'empreinte numérique du navigateur depuis l'introduction de la Canvas API. Au cours des deux dernières années, Chrome a progressivement réduit les informations disponibles via les API de navigator, introduit les User-Agent Client Hints en remplacement de la chaîne user-agent et supprime entièrement les cookies tiers.

Pour les fournisseurs d'empreinte numérique d'appareil, c'est à la fois un défi et une opportunité. Le défi est évident : moins de signaux signifie moins de puissance d'identification. L'opportunité, c'est que les fournisseurs qui s'adaptent bénéficieront d'un avantage concurrentiel significatif sur ceux qui s'appuyaient sur les signaux désormais restreints.

Ce qui a changé

Le changement au plus fort impact est la réduction de la chaîne navigator.userAgent. Chrome renvoie désormais un user agent « réduit » qui omet la version de l'OS, le modèle d'appareil et la version complète du navigateur. À la place, ces informations sont disponibles via les User-Agent Client Hints — mais uniquement lorsqu'elles sont explicitement demandées via l'en-tête Accept-CH, et sous réserve des politiques de permissions.

Pour tracio.ai, le user agent n'a jamais été un signal très distinctif. Il apportait une capacité de distinction limitée à notre empreinte, et sa valeur déclinait à mesure que Chrome, Edge et Brave convergeaient vers des formats similaires. Notre architecture d'identification multi-niveaux catégorisait déjà les données du user agent comme un signal « de niveau session » : utile pour l'identification initiale, mais pas critique pour la persistance entre sessions.

Notre stratégie d'adaptation

La réponse de tracio.ai au Privacy Sandbox est triple. Premièrement, nous avons déplacé l'accent vers des signaux au niveau matériel que Chrome ne peut pas restreindre sans casser la compatibilité web : rendu de canvas, précision des shaders WebGL, caractéristiques du traitement audio et paramètres GPU. Ces signaux opèrent à un niveau situé sous les contrôles de confidentialité du navigateur : ils dépendent du matériel physique, pas de la configuration du navigateur.

Deuxièmement, nous avons investi dans la combinaison de signaux par ML. Lorsque les signaux individuels deviennent moins distinctifs, la combinaison de nombreux signaux peut toujours produire une empreinte hautement unique. Notre modèle piloté par IA apprend des corrélations entre signaux que la simple concaténation manque. Une combinaison spécifique de résolution d'écran + ratio de pixels de l'appareil + concurrence matérielle + renderer GPU + fréquence d'échantillonnage audio peut être presque aussi unique qu'une empreinte de canvas à elle seule.

Troisièmement, nous avons élargi notre catalogue de signaux au-delà des API traditionnelles du navigateur. Les requêtes de fonctionnalités CSS, les métriques de rendu des polices, les caractéristiques de timing du moteur JavaScript et le comportement de compilation de WebAssembly fournissent tous des signaux d'identification qui ne sont pas ciblés par les restrictions du Privacy Sandbox.

Impact sur la précision

Nous suivons notre précision d'identification à travers les versions de Chrome depuis la version 110. Voici nos chiffres :

Chrome 110 (avant réduction) : 99.7% de précision. Chrome 115 (réduction partielle de l'UA) : 99.6% de précision. Chrome 120 (réduction complète de l'UA) : 99.5% de précision. Chrome 125 (application des Client Hints) : 99.5% de précision.

La baisse de 0.2% se concentre principalement dans les scénarios inter-navigateurs de Safari mobile vers Chrome, où les signaux matériels diffèrent. Pour l'identification des visiteurs récurrents sur le même navigateur — notre cas d'usage principal —, la précision s'est maintenue à 99.5% durant tout le déploiement du Privacy Sandbox.

Ce qui vient ensuite

Google a annoncé son intention de restreindre des API supplémentaires, notamment en réduisant la précision de screen.width/height et en limitant l'énumération des extensions WebGL. Nous nous préparons à ces changements avec des sources de signaux alternatives et des modèles de ML améliorés.

L'enseignement fondamental est que la diversité du matériel est le socle de l'empreinte numérique d'appareil, et cette diversité matérielle ne va pas disparaître. Tant que des appareils différents restituent les pixels différemment, traitent l'audio différemment et exécutent le code différemment, l'identification des appareils restera réalisable avec une haute précision. Les signaux que nous utilisons peuvent changer, mais le principe sous-jacent — chaque appareil est unique — persiste.