હજારોમાંથી 30% સૌથી મોટી સાઇટ્સ છુપી ઓળખ માટે સ્ક્રિપ્ટનો ઉપયોગ કરે છે

મોઝિલા, આયોવા યુનિવર્સિટી અને કેલિફોર્નિયા યુનિવર્સિટીના સંશોધકોની ટીમ પ્રકાશિત છુપાયેલા વપરાશકર્તા ઓળખ માટે વેબસાઇટ્સ પર કોડના ઉપયોગના અભ્યાસના પરિણામો. છુપાયેલ ઓળખ બ્રાઉઝરના સંચાલન વિશેના પરોક્ષ ડેટાના આધારે ઓળખકર્તાઓની પેઢીનો સંદર્ભ આપે છે, જેમ કે સ્ક્રીન રીઝોલ્યુશન, આધારભૂત MIME પ્રકારોની યાદી, હેડરમાં ચોક્કસ પરિમાણો (HTTP / 2 и HTTPS), ઇન્સ્ટોલ કરેલ વિશ્લેષણ પ્લગઈન્સ અને ફોન્ટ્સ, ચોક્કસ વેબ API ની ઉપલબ્ધતા, વિડીયો કાર્ડ માટે વિશિષ્ટ વિશેષતા WebGL નો ઉપયોગ કરીને રેન્ડરીંગ અને કેનવાસ, મેનીપ્યુલેશન CSS સાથે, ડિફૉલ્ટ મૂલ્યોને ધ્યાનમાં લેતા, સ્કેનિંગ નેટવર્ક પોર્ટ્સ, સાથે કામ કરવાની સુવિધાઓનું વિશ્લેષણ ઉંદર и કીબોર્ડ.

એલેક્સા રેટિંગ્સ અનુસાર 100 હજાર સૌથી વધુ લોકપ્રિય સાઇટ્સનો અભ્યાસ દર્શાવે છે કે તેમાંથી 9040 (10.18%) મુલાકાતીઓને ગુપ્ત રીતે ઓળખવા માટે કોડનો ઉપયોગ કરે છે. તદુપરાંત, જો આપણે હજારો સૌથી વધુ લોકપ્રિય સાઇટ્સને ધ્યાનમાં લઈએ, તો આવા કોડ 30.60% કેસોમાં (266 સાઇટ્સ) અને હજારમાથી દસ હજારમા રેન્કિંગમાં સ્થાનો કબજે કરતી સાઇટ્સમાં, 24.45% કેસોમાં (2010 સાઇટ્સ) મળી આવ્યા હતા. . છુપાયેલ ઓળખનો ઉપયોગ મુખ્યત્વે માટે બાહ્ય સેવાઓ દ્વારા પૂરી પાડવામાં આવતી સ્ક્રિપ્ટોમાં થાય છે છેતરપિંડી વિરોધી અને બૉટો, તેમજ જાહેરાત નેટવર્ક્સ અને વપરાશકર્તા મૂવમેન્ટ ટ્રૅકિંગ સિસ્ટમ્સનું સ્ક્રીનિંગ.

કોડને ઓળખવા માટે કે જે છુપાયેલ ઓળખ કરે છે, એક ટૂલકીટ વિકસાવવામાં આવી હતી FP-નિરીક્ષક, જેનો કોડ સૂચવ્યું MIT લાયસન્સ હેઠળ. ટૂલકિટ જાવાસ્ક્રિપ્ટ કોડના સ્થિર અને ગતિશીલ વિશ્લેષણ સાથે સંયોજનમાં મશીન લર્નિંગ તકનીકોનો ઉપયોગ કરે છે. એવો દાવો કરવામાં આવે છે કે મશીન લર્નિંગના ઉપયોગથી છુપાયેલા ઓળખ માટે કોડ ઓળખવાની ચોકસાઈમાં નોંધપાત્ર વધારો થયો છે અને 26% વધુ સમસ્યારૂપ સ્ક્રિપ્ટો ઓળખવામાં આવી છે.
મેન્યુઅલી નિર્દિષ્ટ હ્યુરિસ્ટિક્સની સરખામણીમાં.

ઘણી ઓળખાયેલ ઓળખ સ્ક્રિપ્ટો લાક્ષણિક બ્લોકીંગ યાદીઓમાં સમાવિષ્ટ ન હતી. ડિસ્કનેક્ટ કરો, એડસેફ,ડકડકગો, જસ્ટ્યુનો и ઇઝીપ્રાઇવસી.
મોકલ્યા પછી સૂચનાઓ EasyPrivacy બ્લોક લિસ્ટના ડેવલપર્સ હતા બનાવ્યું છુપાયેલ ઓળખ સ્ક્રિપ્ટો માટે એક અલગ વિભાગ. વધુમાં, FP-Inspector એ અમને ઓળખ માટે વેબ API નો ઉપયોગ કરવાની કેટલીક નવી રીતો ઓળખવાની મંજૂરી આપી જે અગાઉ વ્યવહારમાં મળી ન હતી.

ઉદાહરણ તરીકે, એવું જાણવા મળ્યું હતું કે કીબોર્ડ લેઆઉટ (getLayoutMap), કેશમાંના શેષ ડેટાનો ઉપયોગ માહિતીને ઓળખવા માટે કરવામાં આવ્યો હતો (પરફોર્મન્સ API નો ઉપયોગ કરીને, ડેટા ડિલિવરીમાં વિલંબનું વિશ્લેષણ કરવામાં આવે છે, જે તે નક્કી કરવાનું શક્ય બનાવે છે કે વપરાશકર્તાએ એક્સેસ કર્યું છે કે કેમ. ચોક્કસ ડોમેન છે કે નહીં, તેમજ પેજ અગાઉ ખોલવામાં આવ્યું હતું કે કેમ), બ્રાઉઝરમાં સેટ કરેલી પરવાનગીઓ (સૂચના, ભૌગોલિક સ્થાન અને કૅમેરા API ની ઍક્સેસ વિશેની માહિતી), વિશિષ્ટ પેરિફેરલ ઉપકરણો અને દુર્લભ સેન્સર્સની હાજરી (ગેમપેડ, વર્ચ્યુઅલ રિયાલિટી હેલ્મેટ, નિકટતા સેન્સર). વધુમાં, જ્યારે ચોક્કસ બ્રાઉઝર્સ માટે વિશિષ્ટ API ની હાજરી અને API વર્તણૂક (AudioWorklet, setTimeout, mozRTCSessionDescription), તેમજ સાઉન્ડ સિસ્ટમની વિશેષતાઓ નક્કી કરવા માટે AudioContext API ના ઉપયોગની હાજરીને ઓળખતી વખતે, તે રેકોર્ડ કરવામાં આવ્યું હતું.

અધ્યયનમાં છુપાયેલ ઓળખ સામે રક્ષણની પદ્ધતિઓનો ઉપયોગ કરવાના કિસ્સામાં સાઇટ્સની માનક કાર્યક્ષમતામાં વિક્ષેપના મુદ્દાની પણ તપાસ કરવામાં આવી હતી, જે નેટવર્ક વિનંતીઓને અવરોધિત કરવા અથવા API ની ઍક્સેસને પ્રતિબંધિત કરવા તરફ દોરી જાય છે. એફપી-ઇન્સ્પેક્ટર દ્વારા ઓળખવામાં આવેલી સ્ક્રિપ્ટ્સ માટે પસંદગીપૂર્વક API ને મર્યાદિત કરવાથી API કૉલ્સ પર વધુ કડક સામાન્ય પ્રતિબંધોનો ઉપયોગ કરીને બ્રેવ અને ટોર બ્રાઉઝર કરતાં ઓછા વિક્ષેપમાં પરિણમે છે, જે સંભવિત રીતે ડેટા લીકેજ તરફ દોરી જાય છે.

સોર્સ: opennet.ru