Cross-device-spårning: att länka sessioner utan inloggning

När en användare besöker din webbplats på sin laptop på morgonen och på sin telefon på eftermiddagen ser de flesta analysplattformar två helt separata besökare. Vår algoritm för enhetsidentifiering kan länka dessa sessioner probabilistiskt — utan att kräva inloggning — genom att analysera signalöverlapp och bygga enhetsgrafer.

Cross-device-problemet

Traditionell fingerprinting genererar ett unikt ID per webbläsarinstans. Chrome på en laptop ger ett ID; Safari på en iPhone ger ett annat. Även på samma enhet genererar olika webbläsare olika fingerprints eftersom de har olika user agents, olika funktionsstöd och olika renderingsegenskaper.

Men användare tänker inte i termer av webbläsare. De tänker i termer av sessioner. De påbörjar ett köp på telefonen under lunchen och slutför det på laptopen hemma. De undersöker en produkt på surfplattan och köper den på sin stationära dator. För bedrägeridetektering och personalisering är det avgörande att förstå att dessa sessioner tillhör samma person.

Probabilistisk signalmatchning

Vår cross-device-länkning fungerar genom att identifiera signaler som delas mellan enheter på samma nätverk eller ägs av samma person. IP-adress och nätverksegenskaper är de mest uppenbara delade signalerna — enheter på samma Wi-Fi-nätverk delar samma publika IP och ofta samma ISP och ASN.

Men IP ensamt räcker inte. Många användare delar samma IP (kontorsnätverk, universitetscampus, carrier-grade NAT). Vi kombinerar IP-matchning med temporal analys (sker sessionerna vid liknande tider?), beteendemässig likhet (besöker de liknande sidor?) och hårdvarukorrelation (är enheterna förenliga med en enda ägare — till exempel en MacBook och en iPhone snarare än två Windows-stationära datorer?).

Konstruktion av enhetsgraf

Varje bekräftad eller högsannolik länk mellan sessioner skapar en kant i en enhetsgraf. Grafen kopplar webbläsarinstanser till enhetsnoder och enhetsnoder till personnoder. Med tiden, allteftersom fler sessioner samlas, blir grafen allt mer exakt.

Grafkonstruktionen använder ett konservativt tillvägagångssätt: vi kräver flera bekräftande signaler innan vi skapar en länk, och vi tilldelar konfidenspoäng till varje kant. En länk baserad enbart på delat IP kan ha en konfidens på 0,3, medan en länk baserad på delat IP + temporal korrelation + konsekvent enhetsekosystem kan ha en konfidens på 0,9.

Tillämpningar inom bedrägeridetektering

Cross-device-länkning är särskilt kraftfull för bedrägeridetektering. En bedragare som skapar konton på flera enheter kan identifieras när dessa enheter delar nätverksegenskaper. Ett stulet kreditkort som används på en enhet som aldrig har varit associerad med kortinnehavarens enhetsgraf utlöser en omedelbar varning.

Vi har sett bedrägeriligor där en enda operatör använder dussintals virtuella maskiner för att skapa falska konton. Även om varje VM har ett unikt fingerprint delar de alla samma underliggande hårdvaruegenskaper och nätverksprofil. Vår grafanalys kopplar samman dem och avslöjar hela ligan från ett enda upptäckt konto.

Integritetsbevarande design

Cross-device-länkning väcker berättigade integritetsfrågor. Vårt tillvägagångssätt mildrar dessa genom flera designbeslut. För det första är länkningen probabilistisk, inte deterministisk — vi hävdar aldrig säkerhet om cross-device-kopplingar. För det andra sker all länkning server-side på din infrastruktur, inte vår. För det tredje kan länkning stängas av helt om den inte är relevant för ditt användningsfall. För det fjärde kan användare ges transparens om länkade enheter genom ditt integritetsgränssnitt.

Noggrannhetsmått

I kontrollerad testning med kända cross-device-sessioner når vår länkningsalgoritm 78 % recall (hittar 78 % av äkta cross-device-par) med 94 % precision (94 % av identifierade länkar är korrekta). Dessa siffror återspeglar en medveten avvägning till förmån för precision framför recall — vi missar hellre en länk än skapar en felaktig.