Chrome Privacy Sandbox: wat het betekent voor device fingerprinting

Google's Privacy Sandbox is de belangrijkste verandering in browser-fingerprinting sinds de introductie van de Canvas API. In de afgelopen twee jaar heeft Chrome de informatie die via navigator-API's beschikbaar is stapsgewijs verminderd, User-Agent Client Hints geïntroduceerd als vervanging voor de user-agent-string, en verwijdert het third-party cookies volledig.

Voor aanbieders van device fingerprinting is dit zowel een uitdaging als een kans. De uitdaging is duidelijk: minder signalen betekent minder identificatiekracht. De kans is dat leveranciers die zich aanpassen een aanzienlijk concurrentievoordeel hebben ten opzichte van degenen die vertrouwden op de nu beperkte signalen.

Wat er is veranderd

De meest ingrijpende verandering is de inkorting van de navigator.userAgent-string. Chrome geeft nu een "ingekorte" user agent terug die de OS-versie, het apparaatmodel en de volledige browserversie weglaat. In plaats daarvan is deze informatie beschikbaar via User-Agent Client Hints — maar alleen wanneer die expliciet wordt opgevraagd via de Accept-CH-header, en onderworpen aan permissiebeleid.

Voor tracio.ai was de user agent nooit een sterk onderscheidend signaal. Het droeg beperkt bij aan de onderscheidbaarheid van onze fingerprint, en de waarde ervan nam af naarmate Chrome, Edge en Brave op vergelijkbare formaten convergeerden. Onze meerlaagse identificatiearchitectuur categoriseerde user-agent-data al als een signaal "op sessieniveau" — nuttig voor de eerste identificatie, maar niet cruciaal voor persistentie over sessies heen.

Onze aanpassingsstrategie

De reactie van tracio.ai op Privacy Sandbox bestaat uit drie delen. Ten eerste hebben we de focus verlegd naar signalen op hardwareniveau die Chrome niet kan beperken zonder de webcompatibiliteit te breken: canvas-rendering, WebGL-shaderprecisie, kenmerken van audioverwerking en GPU-parameters. Deze signalen werken op een niveau onder de privacybesturing van de browser — ze zijn afhankelijk van fysieke hardware, niet van browserconfiguratie.

Ten tweede hebben we geïnvesteerd in ML-gebaseerde signaalcombinatie. Wanneer individuele signalen minder onderscheidend worden, kan de combinatie van veel signalen nog steeds een zeer unieke fingerprint opleveren. Ons AI-aangedreven model leert signaalcorrelaties die eenvoudige aaneenschakeling mist. Een specifieke combinatie van schermresolutie + device pixel ratio + hardware concurrency + GPU-renderer + audio-samplerate kan bijna net zo uniek zijn als een canvas-fingerprint op zichzelf.

Ten derde hebben we onze signaalcatalogus uitgebreid voorbij de traditionele browser-API's. CSS feature queries, fontrenderingsmetrieken, timingkenmerken van de JavaScript-engine en compilatiegedrag van WebAssembly leveren allemaal identificatiesignalen die niet worden geraakt door de beperkingen van Privacy Sandbox.

Impact op nauwkeurigheid

We volgen onze identificatienauwkeurigheid over de verschillende Chrome-releases sinds versie 110. Hier zijn onze cijfers:

Chrome 110 (vóór de inkorting): 99,7% nauwkeurigheid. Chrome 115 (gedeeltelijke UA-inkorting): 99,6% nauwkeurigheid. Chrome 120 (volledige UA-inkorting): 99,5% nauwkeurigheid. Chrome 125 (handhaving van Client Hints): 99,5% nauwkeurigheid.

De daling van 0,2% zit vooral in cross-browser-scenario's van mobiel Safari naar Chrome, waar hardwaresignalen verschillen. Voor de identificatie van terugkerende bezoekers binnen dezelfde browser — onze kerntoepassing — is de nauwkeurigheid gedurende de hele uitrol van Privacy Sandbox op 99,5% gebleven.

Wat er hierna komt

Google heeft plannen aangekondigd om aanvullende API's te beperken, waaronder het verminderen van de precisie van screen.width/height en het beperken van de enumeratie van WebGL-extensies. We bereiden ons voor op deze veranderingen met alternatieve signaalbronnen en verbeterde ML-modellen.

Het fundamentele inzicht is dat hardwarediversiteit de basis is van device fingerprinting, en hardwarediversiteit verdwijnt niet. Zolang verschillende apparaten pixels anders renderen, audio anders verwerken en code anders uitvoeren, blijft device-identificatie haalbaar met hoge nauwkeurigheid. De signalen die we gebruiken kunnen veranderen, maar het onderliggende principe — elk apparaat is uniek — blijft bestaan.