跨设备追踪：无需登录即可关联会话

当一位用户上午用笔记本电脑、下午用手机访问你的网站时，大多数分析平台会把这看作两个完全独立的访客。我们的设备识别算法能够以概率化的方式关联这些会话——无需登录——方法是分析信号重叠并构建设备图。

跨设备难题

传统指纹识别会为每个浏览器实例生成一个唯一 ID。笔记本上的 Chrome 生成一个 ID；iPhone 上的 Safari 生成另一个。即便在同一台设备上，不同浏览器也会生成不同的指纹，因为它们有不同的 user agent、不同的特性支持以及不同的渲染特征。

但用户并不以浏览器为单位思考，而是以会话为单位思考。他们在午餐时用手机开始一笔购买，回到家后用笔记本完成它。他们在平板上研究一款产品，然后在台式机上下单。对于欺诈检测和个性化而言，识别出这些会话属于同一个人至关重要。

概率化信号匹配

我们的跨设备关联通过识别在同一网络下的设备之间共享、或由同一个人拥有的信号来实现。IP 地址和网络特征是最明显的共享信号——同一个 Wi-Fi 网络下的设备共享相同的公网 IP，往往还共享相同的 ISP 和 ASN。

但仅凭 IP 是不够的。许多用户共享同一个 IP（办公网络、大学校园、运营商级 NAT）。我们把 IP 匹配与时间分析（这些会话是否发生在相近的时间？）、行为相似度（它们是否访问相似的页面？）以及硬件相关性（这些设备是否与单一所有者相符——例如是一台 MacBook 加一部 iPhone，而不是两台 Windows 台式机？）结合起来。

设备图构建

每一条已确认或高概率的会话关联都会在设备图中生成一条边。该图把浏览器实例连接到设备节点，再把设备节点连接到人的节点。随着时间推移，会话不断累积，图也变得越来越准确。

图的构建采用保守策略：在创建关联前，我们要求多个相互印证的信号，并为每条边赋予置信度分数。仅凭共享 IP 的关联，其置信度可能为 0.3；而基于共享 IP + 时间相关性 + 一致的设备生态的关联，其置信度可能为 0.9。

欺诈检测应用

跨设备关联在欺诈检测方面尤其强大。一个在多台设备上创建账户的欺诈者，当这些设备共享网络特征时便可被识别出来。一张被盗的信用卡若被用在一台从未与持卡人设备图关联过的设备上，就会立即触发警报。

我们曾见过这样的欺诈团伙：单个操作者使用数十台虚拟机批量创建虚假账户。虽然每台虚拟机都有唯一的指纹，但它们全都共享相同的底层硬件特征和网络画像。我们的图分析把它们连接起来，从单个被检测到的账户出发，揭露整个团伙。

隐私保护设计

跨设备关联会引发合理的隐私担忧。我们的方案通过若干设计决策来缓解这些担忧。第一，关联是概率化的，而非确定性的——我们从不宣称对跨设备连接有绝对的确定性。第二，所有关联都发生在你自己的基础设施上的服务端，而非我们这边。第三，如果关联与你的使用场景无关，它可以被完全关闭。第四，可以通过你的隐私界面向用户提供关于已关联设备的透明信息。

准确率指标

在使用已知跨设备会话进行的受控测试中，我们的关联算法实现了 78% 的召回率（找出 78% 的真实跨设备配对）和 94% 的精确率（所识别关联中有 94% 是正确的）。这些数字反映了一个刻意偏向精确率而非召回率的权衡——我们宁可漏掉一条关联，也不愿制造一条错误的关联。