Matematica din spatele potrivirii dispozitivelor între sesiuni

Amprentarea dispozitivelor se confruntă cu o provocare fundamentală: semnalele se schimbă. Browserele se actualizează, utilizatorii modifică setările, fonturile sunt instalate și eliminate. O comparație strictă ar trata fiecare semnal modificat ca pe un dispozitiv nou, distrugând acuratețea identificării. Sistemul nostru de potrivire între sesiuni rezolvă acest lucru folosind tehnici bazate pe AI care cuantifică similaritatea în loc să ceară egalitate exactă.

Problema: deriva semnalelor

Să luăm un dispozitiv care a fost amprentat ieri și revine astăzi după o actualizare de browser. Șirul user agent s-a schimbat. Două noi funcții CSS sunt acum acceptate. A fost adăugată o extensie WebGL. Randarea canvas rămâne identică (același GPU, același driver). Amprenta audio este identică. Parametrii WebGL sunt identici, cu excepția noii extensii.

Cu potrivirea exactă, acest dispozitiv nu ar fi recunoscut — amprenta combinată s-a schimbat. Dar, intuitiv, știm că este același dispozitiv. Semnalele hardware sunt identice, iar modificările software sunt consistente cu o actualizare de browser. Sistemul nostru de potrivire între sesiuni formalizează această intuiție.

Comparare bazată pe mulțimi pentru semnalele de tip funcție

Multe semnale de browser sunt reprezentate în mod natural ca mulțimi: mulțimea funcțiilor CSS acceptate, mulțimea fonturilor disponibile, mulțimea extensiilor WebGL. Pentru aceste semnale, măsurăm suprapunerea folosind metrici de similaritate bazate pe mulțimi. Pentru două mulțimi A și B, calculăm raportul dintre elementele comune și totalul elementelor.

Un dispozitiv cu 45 de funcții CSS ieri și 47 astăzi (cu 44 comune) are un scor de similaritate ridicat. Acest lucru este suficient pentru a indica același dispozitiv cu o actualizare de browser. Un dispozitiv complet diferit ar putea împărtăși doar 30 de funcții CSS, dând un scor de similaritate mult mai mic. Pragul dintre „același dispozitiv” și „dispozitiv diferit” este învățat din date etichetate.

Generare eficientă a candidaților

Calcularea similarității între fiecare pereche de dispozitive ar fi prohibitiv de costisitoare la scară. Sistemul nostru de generare a candidaților folosește tehnici avansate de indexare care mapează elementele similare în aceeași găleată de căutare cu probabilitate mare, permițându-ne să găsim potriviri potențiale în timp constant.

Această abordare elimină 99,9% din comparații în etapa de generare a candidaților, făcând sistemul eficient chiar și la miliarde de profiluri de dispozitive.

Analiză bazată pe AI pentru semnale complexe

Unele semnale nu se descompun ordonat în mulțimi. Amprentele canvas, rezultatul procesării audio și vectorii de parametri WebGL sunt date complexe pentru care compararea simplă pe mulțimi nu se aplică. Pentru aceste semnale, folosim analiză bazată pe AI care mapează profilurile dispozitivelor într-o reprezentare în care dispozitivele similare sunt apropiate.

Modelul AI surprinde relații neevidente între semnale. De exemplu, învață că o schimbare a șirului de randare WebGL de la un model de GPU la o versiune ușor îmbunătățită a aceluiași model reprezintă un upgrade de GPU pe aceeași mașină, în timp ce o schimbare către un producător de GPU complet diferit reprezintă un dispozitiv cu totul diferit.

Combinarea tehnicilor

Sistemul nostru de producție folosește mai multe tehnici într-o cascadă. Mai întâi, generarea eficientă a candidaților identifică potrivirile potențiale. În al doilea rând, compararea bazată pe mulțimi oferă o măsură precisă a suprapunerii pentru semnalele de tip funcție. În al treilea rând, analiza bazată pe AI evaluează similaritatea semnalelor dependente de hardware. Scorul final de încredere este o combinație ponderată a tuturor metodelor, cu ponderi calibrate pe date etichetate.

Această arhitectură în cascadă este atât precisă, cât și eficientă. Timpul total de potrivire pentru un vizitator care revine este sub 5 ms în medie.