Chrome Privacy Sandbox: 디바이스 핑거프린팅에 미치는 영향
Chrome은 userAgent, Client Hints, 서드파티 쿠키를 제한하고 있습니다. tracio.ai가 이러한 제약 속에서도 99.5% 정확도를 유지하는 방법을 소개합니다.
Google의 Privacy Sandbox는 Canvas API가 도입된 이후 브라우저 핑거프린팅에 가장 큰 변화를 가져온 사건입니다. 지난 2년 동안 Chrome은 navigator API를 통해 제공되는 정보를 점진적으로 축소하고, user-agent 문자열을 대체하는 User-Agent Client Hints를 도입했으며, 서드파티 쿠키를 완전히 제거하고 있습니다.
디바이스 핑거프린팅 제공업체에게 이것은 도전이자 기회입니다. 도전은 명백합니다. 신호가 줄어들면 식별력도 낮아집니다. 기회는, 이에 적응하는 업체가 이제 제한된 신호에 의존하던 업체보다 상당한 경쟁 우위를 갖게 된다는 점입니다.
무엇이 바뀌었나
가장 영향이 큰 변화는 navigator.userAgent 문자열의 축소입니다. 이제 Chrome은 OS 버전, 디바이스 모델, 전체 브라우저 버전을 생략한 "축소된" user agent를 반환합니다. 대신 이 정보는 User-Agent Client Hints를 통해 제공되지만, Accept-CH 헤더로 명시적으로 요청한 경우에 한하며 권한 정책의 적용을 받습니다.
tracio.ai에게 user agent는 결코 식별력이 높은 신호가 아니었습니다. 우리 핑거프린트에서 차지하는 변별력은 제한적이었고, Chrome, Edge, Brave가 유사한 형식으로 수렴하면서 그 가치는 점점 낮아지고 있었습니다. 우리의 다층 식별 아키텍처는 이미 user-agent 데이터를 "세션 수준" 신호로 분류하고 있었습니다. 초기 식별에는 유용하지만 세션 간 지속성에는 결정적이지 않은 신호입니다.
우리의 적응 전략
Privacy Sandbox에 대한 tracio.ai의 대응은 세 갈래입니다. 첫째, 우리는 Chrome이 웹 호환성을 깨뜨리지 않고는 제한할 수 없는 하드웨어 수준 신호로 초점을 옮겼습니다. canvas 렌더링, WebGL 셰이더 정밀도, 오디오 처리 특성, GPU 파라미터가 그것입니다. 이러한 신호는 브라우저의 프라이버시 제어보다 아래 수준에서 동작합니다. 브라우저 설정이 아니라 물리적 하드웨어에 의존하기 때문입니다.
둘째, 우리는 ML 기반 신호 결합에 투자했습니다. 개별 신호의 변별력이 낮아져도, 여러 신호의 조합은 여전히 매우 고유한 핑거프린트를 만들어낼 수 있습니다. 우리의 AI 기반 모델은 단순 연결로는 놓치는 신호 간 상관관계를 학습합니다. 화면 해상도 + 디바이스 픽셀 비율 + 하드웨어 동시성 + GPU 렌더러 + 오디오 샘플레이트의 특정 조합은 canvas 핑거프린트 하나만큼이나 고유할 수 있습니다.
셋째, 우리는 전통적인 브라우저 API를 넘어 신호 카탈로그를 확장했습니다. CSS 기능 쿼리, 폰트 렌더링 메트릭, JavaScript 엔진 타이밍 특성, WebAssembly 컴파일 동작은 모두 Privacy Sandbox 제약의 대상이 아닌 식별 신호를 제공합니다.
정확도에 미친 영향
우리는 버전 110부터 Chrome 릴리스별로 식별 정확도를 추적해 왔습니다. 수치는 다음과 같습니다.
Chrome 110(축소 이전): 정확도 99.7%. Chrome 115(부분적 UA 축소): 정확도 99.6%. Chrome 120(전면적 UA 축소): 정확도 99.5%. Chrome 125(Client Hints 강제 적용): 정확도 99.5%.
0.2%의 하락은 주로 하드웨어 신호가 다른 모바일 Safari-to-Chrome 크로스 브라우저 시나리오에서 발생합니다. 우리의 핵심 사용 사례인 동일 브라우저 재방문자 식별의 경우, 정확도는 Privacy Sandbox 도입 기간 내내 99.5%를 유지했습니다.
다음은 무엇인가
Google은 screen.width/height의 정밀도를 낮추고 WebGL 확장 열거를 제한하는 것을 포함해 추가 API를 제한하겠다는 계획을 발표했습니다. 우리는 대체 신호원과 개선된 ML 모델로 이러한 변화에 대비하고 있습니다.
핵심 통찰은 하드웨어 다양성이 디바이스 핑거프린팅의 토대이며, 하드웨어 다양성은 사라지지 않는다는 것입니다. 서로 다른 디바이스가 픽셀을 다르게 렌더링하고, 오디오를 다르게 처리하며, 코드를 다르게 실행하는 한, 디바이스 식별은 높은 정확도로 계속 실현 가능합니다. 우리가 사용하는 신호는 바뀔 수 있지만, 그 밑바탕에 깔린 원리 — 모든 디바이스는 고유하다 — 는 변하지 않습니다.