क्रॉस-डिवाइस ट्रैकिंग: बिना लॉगिन के सेशन जोड़ना

जब कोई उपयोगकर्ता सुबह अपने लैपटॉप पर और दोपहर में अपने फोन पर आपकी साइट देखता है, तो अधिकांश analytics प्लेटफॉर्म दो पूरी तरह अलग visitors देखते हैं। हमारा device identification एल्गोरिदम signal overlap का विश्लेषण करके और device graphs बनाकर इन सेशनों को probabilistic ढंग से — बिना लॉगिन की आवश्यकता के — जोड़ सकता है।

क्रॉस-डिवाइस समस्या

पारंपरिक fingerprinting हर ब्राउज़र इंस्टेंस के लिए एक अलग ID बनाती है। लैपटॉप पर Chrome एक ID बनाता है; iPhone पर Safari दूसरा। एक ही डिवाइस पर भी अलग-अलग ब्राउज़र अलग-अलग fingerprint बनाते हैं, क्योंकि उनके user agent अलग होते हैं, feature support अलग होता है, और rendering की विशेषताएँ अलग होती हैं।

लेकिन उपयोगकर्ता ब्राउज़रों के रूप में नहीं सोचते। वे सेशनों के रूप में सोचते हैं। वे लंच के दौरान अपने फोन पर खरीद शुरू करते हैं और घर पर अपने लैपटॉप पर उसे पूरा करते हैं। वे अपने टैबलेट पर किसी उत्पाद पर शोध करते हैं और अपने डेस्कटॉप पर उसे खरीदते हैं। fraud detection और personalization के लिए यह समझना महत्वपूर्ण है कि ये सेशन एक ही व्यक्ति के हैं।

Probabilistic Signal Matching

हमारी क्रॉस-डिवाइस लिंकिंग उन signals की पहचान करके काम करती है जो एक ही नेटवर्क पर मौजूद डिवाइसों के बीच साझा होते हैं या एक ही व्यक्ति के स्वामित्व में होते हैं। IP address और नेटवर्क की विशेषताएँ सबसे स्पष्ट साझा signals हैं — एक ही Wi-Fi नेटवर्क पर मौजूद डिवाइस एक ही public IP साझा करते हैं और अक्सर एक ही ISP और ASN भी।

लेकिन अकेला IP पर्याप्त नहीं है। कई उपयोगकर्ता एक ही IP साझा करते हैं (ऑफिस नेटवर्क, यूनिवर्सिटी कैंपस, carrier-grade NAT)। हम IP matching को temporal analysis (क्या सेशन एक जैसे समय पर होते हैं?), behavioral similarity (क्या वे एक जैसे पेज देखते हैं?), और hardware correlation (क्या डिवाइस एकल स्वामी के अनुरूप हैं — उदाहरण के लिए, एक MacBook और एक iPhone, बजाय दो Windows डेस्कटॉप के?) के साथ जोड़ते हैं।

Device Graph का निर्माण

सेशनों के बीच हर पुष्ट या उच्च-संभावना वाला लिंक device graph में एक edge बनाता है। यह graph ब्राउज़र इंस्टेंसों को device nodes से, और device nodes को person nodes से जोड़ता है। समय के साथ, जैसे-जैसे अधिक सेशन जमा होते हैं, graph की सटीकता बढ़ती जाती है।

Graph के निर्माण में सतर्क दृष्टिकोण अपनाया जाता है: लिंक बनाने से पहले हम कई पुष्टि करने वाले signals की माँग करते हैं, और हर edge को confidence score देते हैं। अकेले साझा IP पर आधारित लिंक का confidence 0.3 हो सकता है, जबकि साझा IP + temporal correlation + सुसंगत device ecosystem पर आधारित लिंक का confidence 0.9 हो सकता है।

Fraud Detection में अनुप्रयोग

क्रॉस-डिवाइस लिंकिंग fraud detection के लिए विशेष रूप से शक्तिशाली है। जो fraudster कई डिवाइसों पर अकाउंट बनाता है, उसकी पहचान तब हो जाती है जब वे डिवाइस नेटवर्क विशेषताएँ साझा करते हैं। ऐसे डिवाइस पर उपयोग किया गया चोरी का credit card, जो कभी कार्डधारक के device graph से जुड़ा नहीं रहा, तुरंत अलर्ट ट्रिगर करता है।

हमने ऐसी fraud rings देखी हैं जहाँ एक ही ऑपरेटर दर्जनों virtual machines का उपयोग करके नकली अकाउंट बनाता है। हालाँकि हर VM का fingerprint अलग होता है, वे सभी एक ही अंतर्निहित hardware विशेषताएँ और नेटवर्क प्रोफ़ाइल साझा करते हैं। हमारा graph analysis उन्हें जोड़ता है, और एक ही पता चले अकाउंट से पूरी ring को उजागर कर देता है।

Privacy-संरक्षक डिज़ाइन

क्रॉस-डिवाइस लिंकिंग वाजिब privacy चिंताएँ उठाती है। हमारा दृष्टिकोण कई डिज़ाइन निर्णयों के माध्यम से इन्हें कम करता है। पहला, लिंकिंग probabilistic है, deterministic नहीं — हम क्रॉस-डिवाइस कनेक्शनों के बारे में कभी निश्चितता का दावा नहीं करते। दूसरा, सारी लिंकिंग आपके इंफ्रास्ट्रक्चर पर server-side होती है, हमारे यहाँ नहीं। तीसरा, यदि लिंकिंग आपके उपयोग-मामले के लिए प्रासंगिक नहीं है तो इसे पूरी तरह बंद किया जा सकता है। चौथा, आपके privacy इंटरफ़ेस के माध्यम से उपयोगकर्ताओं को जुड़े हुए डिवाइसों के बारे में पारदर्शिता दी जा सकती है।

सटीकता के मापदंड

ज्ञात क्रॉस-डिवाइस सेशनों के साथ नियंत्रित परीक्षण में, हमारा लिंकिंग एल्गोरिदम 78% recall (सच्चे क्रॉस-डिवाइस जोड़ों में से 78% ढूँढना) 94% precision (पहचाने गए लिंकों में से 94% सही होना) के साथ हासिल करता है। ये संख्याएँ recall के मुकाबले precision के पक्ष में किए गए एक जानबूझकर के tradeoff को दर्शाती हैं — हम गलत लिंक बनाने के बजाय किसी लिंक को चूक जाना पसंद करेंगे।