Oturumlar Arası Cihaz Eşleştirmenin Ardındaki Matematik

Cihaz parmak izi çıkarma temel bir zorlukla karşı karşıyadır: sinyaller değişir. Tarayıcılar güncellenir, kullanıcılar ayarlarını değiştirir, fontlar yüklenir ve kaldırılır. Katı bir karşılaştırma, değişen her sinyali yeni bir cihaz olarak değerlendirir ve tanımlama doğruluğunu yok eder. Oturumlar arası eşleştirme sistemimiz bu sorunu, kesin eşitlik aramak yerine benzerliği ölçen yapay zekâ destekli teknikler kullanarak çözer.

Sorun: Sinyal Kayması

Dün parmak izi alınmış ve bugün bir tarayıcı güncellemesinin ardından geri dönen bir cihazı düşünün. User agent dizesi değişmiştir. Artık iki yeni CSS özelliği destekleniyordur. Bir WebGL uzantısı eklenmiştir. Canvas render çıktısı aynı kalır (aynı GPU, aynı sürücü). Ses parmak izi aynıdır. WebGL parametreleri, yeni uzantı dışında aynıdır.

Kesin eşleştirmeyle bu cihaz tanınmaz — birleşik parmak izi değişmiştir. Ama sezgisel olarak biliyoruz ki bu aynı cihazdır. Donanım sinyalleri aynıdır ve yazılım değişiklikleri bir tarayıcı güncellemesiyle tutarlıdır. Oturumlar arası eşleştirme sistemimiz bu sezgiyi biçimlendirir.

Öznitelik Sinyalleri İçin Küme Tabanlı Karşılaştırma

Birçok tarayıcı sinyali doğal olarak küme biçiminde temsil edilir: desteklenen CSS özelliklerinin kümesi, mevcut fontların kümesi, WebGL uzantılarının kümesi. Bu sinyaller için örtüşmeyi küme tabanlı benzerlik metrikleriyle ölçeriz. İki küme A ve B için, paylaşılan öğelerin toplam öğelere oranını hesaplarız.

Dün 45, bugün 47 CSS özelliğine sahip (44'ü ortak) bir cihaz yüksek bir benzerlik skoruna sahiptir. Bu, bir tarayıcı güncellemesiyle aynı cihaza işaret etmeye yeterlidir. Tamamen farklı bir cihaz yalnızca 30 CSS özelliği paylaşabilir ve bu çok daha düşük bir benzerlik skoru verir. "Aynı cihaz" ile "farklı cihaz" arasındaki eşik, etiketli verilerden öğrenilir.

Verimli Aday Üretimi

Her cihaz çifti arasında benzerlik hesaplamak, büyük ölçekte aşırı maliyetli olurdu. Aday üretim sistemimiz, benzer öğeleri yüksek olasılıkla aynı arama kutusuna eşleyen gelişmiş indeksleme teknikleri kullanır ve böylece olası eşleşmeleri sabit sürede bulmamızı sağlar.

Bu yaklaşım, aday üretimi aşamasında karşılaştırmaların %99,9'unu ortadan kaldırarak sistemi milyarlarca cihaz profilinde bile verimli kılar.

Karmaşık Sinyaller İçin Yapay Zekâ Destekli Analiz

Bazı sinyaller kümelere düzgünce ayrışmaz. Canvas parmak izleri, ses işleme çıktısı ve WebGL parametre vektörleri, basit küme karşılaştırmasının uygulanamadığı karmaşık verilerdir. Bu sinyaller için, cihaz profillerini benzer cihazların birbirine yakın olduğu bir temsile eşleyen yapay zekâ destekli analiz kullanırız.

Yapay zekâ modeli, sinyaller arasındaki bariz olmayan ilişkileri yakalar. Örneğin, WebGL renderer dizesindeki bir GPU modelinden aynı modelin biraz yükseltilmiş bir sürümüne geçişin, aynı makinede bir GPU yükseltmesini temsil ettiğini; tamamen farklı bir GPU üreticisine geçişin ise tümüyle farklı bir cihazı temsil ettiğini öğrenir.

Tekniklerin Birleştirilmesi

Üretim sistemimiz, bir kademe içinde birden fazla teknik kullanır. İlk olarak, verimli aday üretimi olası eşleşmeleri belirler. İkinci olarak, küme tabanlı karşılaştırma öznitelik temelli sinyaller için örtüşmenin kesin bir ölçüsünü sağlar. Üçüncü olarak, yapay zekâ destekli analiz donanıma bağlı sinyallerin benzerliğini puanlar. Nihai güven skoru, ağırlıkları etiketli verilerle ayarlanmış tüm yöntemlerin ağırlıklı bir birleşimidir.

Bu kademe mimarisi hem doğru hem de verimlidir. Geri dönen bir ziyaretçi için toplam eşleştirme süresi ortalama 5 ms'nin altındadır.