Artikel

Ein Geräte-Fingerabdruck ist ein Score, keine ID

6 Min. Lesezeit

Die meisten Geräte-Fingerabdrücke enden in einer einzigen Zeichenkette. Man hasht alles, was der Browser preisgibt, nennt das Ergebnis Geräte-ID und schlägt es später nach. Das Problem: Handys werden in Serien gebaut. Zwei Exemplare desselben Modells mit derselben Systemversion, derselben Sprache und derselben Zeitzone liefern dieselbe Zeichenkette. Die ID sagt ein Gerät. Es sind zwei Menschen.

Ich habe eine kleine npm-Bibliothek veröffentlicht, die bei diesem Problem ansetzt: r-detect (Externe Website). Sie liefert keine ID. Sie vergleicht zwei Messungen und gibt einen Score von 0 bis 100 zurück, mit einer Liste, woher jeder Punkt stammt.

Wie oft Geräte Zwillinge sind

Die Standardgewichte stammen aus einem Feldeinsatz mit 1.217 Browsern über eine Woche, 91 % davon auf Android. In diesen Daten hatten 34 % der Browser mindestens einen anderen Browser, der in jedem Teil, den die Bibliothek liest, identisch war (Hinweise zur Bewertung (Externe Website)).

Einer von dreien ist zu viel, um es zu übergehen. Wenn ein übereinstimmender Fingerabdruck eine Registrierung blockiert oder ein Konto markiert, kann ein Drittel deiner Nutzer mit einem Fremden verwechselt werden, der dasselbe Handy gekauft hat.

Die erste Entwurfsregel ist deshalb eine Obergrenze. Gerätemerkmale allein erreichen das oberste Band nicht, egal wie viele davon übereinstimmen.

Zehn Teile, jeder mit eigenem Gewicht

collect() liest, was eine Seite ohne Berechtigungsabfrage sehen kann, und hasht es in zehn Teile: die Pixel einer festen WebGL-Szene, WebGL-Grenzwerte, die physische Bildschirmgröße, das Gerätemodell, die Systemversion, das GPU-Modell, den Dunkelmodus, Zeitzone und Gebietsschema-Format, die installierten Schriften und einige Audio- und Anzeigewerte (Signalreferenz (Externe Website)). Jeder Teil ist ein SHA-256-Digest. Ein Teil, den der Browser nicht preisgibt, wird weggelassen.

Die Teile sind nicht gleich viel wert. Jedes Gewicht ist ein Log-Likelihood-Verhältnis: wie oft der Teil auf demselben Gerät gleich bleibt, gegenüber der Häufigkeit, mit der zwei verschiedene Geräte ihn zufällig teilen. Zwei verschiedene Browser teilten sich ein model in weniger als 1 % der Paare, also trägt es 19 Punkte. Das Schriften-Ergebnis teilten sie sich in 66 % der Paare, also trägt fonts 2. Die zehn Gewichte ergeben zusammen 72.

Diese Summe ist die Obergrenze. Das Band strong beginnt bei 80.

Was ein Paar über 72 bringt

Zwei Dinge können zusätzlich zu den Geräteteilen Punkte bringen. Dasselbe Netzwerk bringt 20. Ein Akkustand, der um höchstens 2 Ladepunkte abweicht und höchstens 15 Minuten auseinander gemessen wurde, bringt 8.

import { compare } from 'r-detect/score';

const alone = compare(a.parts, b.parts);
// all ten parts equal: score 72, band 'similar'

const sameNet = compare(a.parts, b.parts, { context: { sameNetwork: true } });
// all ten parts equal, same network: score 92, band 'strong'

Die Namen der Bänder sind so gewählt, dass man sie wörtlich lesen kann. similar heißt, dass sich die beiden Messungen nicht unterscheiden lassen, was ein Gerät sein kann oder zwei Exemplare eines Modells. strong heißt, dass die Teile übereinstimmen und etwas außerhalb des Geräts sie stützt.

Jedes Ergebnis enthält außerdem reasons, eine Liste aus Zeilen der Form { code, points }, deren Summe immer den Score ergibt. Ein Paar, das in allem außer dem GPU-Bild übereinstimmt und im selben Netzwerk liegt, erreicht 74, und die Liste zeigt neben den Treffern eine Zeile mismatch.gpuPixels mit minus 10. Wenn jemand fragt, warum ein Konto markiert wurde, gibt es eine Antwort zum Nachlesen und keinen Hash, der nichts erklärt.

Eine Abweichung in einem stabilen Teil zieht Punkte ab, schließt das Paar aber nie aus. In den Felddaten wichen GPU-Bild, Bildschirm und Modell beim selben Browser in 481 Paaren kein einziges Mal ab. Ein Veto würde ich trotzdem nicht daraus machen. Ein Treiber-Update oder ein zweiter Monitor würde zu einem sicheren Fehlschlag.

Auch das Netzwerk ist ein schwaches Indiz

Ein gemeinsames Netzwerk sagt in einem Büro oder hinter dem Gateway eines Mobilfunkanbieters wenig. bestMatch() zählt, wie viele Kandidaten im Netzwerk der aktuellen Messung liegen. Bei mehr als drei zählt es das Netzwerk für keinen von ihnen mehr und meldet das.

Das Netzwerk selbst wird nie als Adresse gespeichert. sealReading() reduziert die Client-Adresse auf ihr IPv4-/24 oder IPv6-/48 und behält davon nur einen Digest mit Schlüssel. Dieser Digest bleibt ein personenbezogenes Datum. Mit dem Schlüssel lässt sich jedes IPv4-/24 schnell durchprobieren.

Erst versiegeln, dann speichern

Die Digests, die ein Browser sendet, sind einfache SHA-256-Werte über Eingaben mit wenigen möglichen Ausprägungen. Wer eine Messung sieht, kann die meisten davon zurückgewinnen, indem er die Möglichkeiten durchhasht: die Dunkelmodus-Einstellung, die Systemversion, die Bildschirmgröße. Dasselbe Gerät erzeugt außerdem auf jeder Website, die die Bibliothek nutzt, dieselben Digests (Hinweise zum Datenschutz (Externe Website)).

Deshalb hasht der Server-Einstieg jeden Teil erneut mit HMAC-SHA256 unter deinem eigenen Schlüssel, und du speicherst nur die versiegelte Form. Versiegeln macht die Daten nicht anonym. Gleiche Geräte ergeben weiterhin gleiche versiegelte Digests, und der Schlüssel schützt nichts, wenn er zusammen mit den Daten abfließt. Verwirf die unversiegelte Messung und halte Request-Bodys aus deinen Logs heraus.

import { parseReading, sealReading, bestMatch } from 'r-detect/server';

const reading = parseReading(body);          // null when the input is invalid
const sealed = await sealReading(reading, { key, ip: clientAddress, keyId: 'k1' });

const { best } = bestMatch(sealed, earlierSealedReadings);
// best.result: { score, band, coverage, reasons, ... }

Die Bibliothek stellt keine Netzwerkanfrage und schreibt in keinen Speicher. Sie hat keine Laufzeitabhängigkeiten. Das Senden und Aufbewahren der Messung ist dein Code.

Was sie nicht kann

Das ist Browser-Fingerprinting, und so sollte man es auch nennen. In manchen Rechtsordnungen ist dafür eine Offenlegung nötig und möglicherweise eine Einwilligung. Zu klären, was gilt, und die Nutzer zu informieren, ist Aufgabe dessen, der es einsetzt. Das ist keine Rechtsberatung.

Eine Messung kommt vom Client und kann deshalb gefälscht, kopiert oder erneut abgespielt werden. Auch der Akkustand kommt vom Client. Wo Clients feindselig sein können, würde ich weights.battery auf 0 setzen. Ein Treffer sollte nie ein Login-Faktor sein, nie ein Grund, einen Prüfschritt zu überspringen, und nie der einzige Grund für etwas, das sich nicht rückgängig machen lässt.

Die Datenlage ist schmal. Die Gewichte wurden an einer überwiegend aus Android-Geräten bestehenden Population gemessen und passen womöglich nicht zu einem Desktop- oder iOS-Publikum. Die Stabilität wurde bis zu 29 Stunden gemessen, nicht länger. model fehlt unter iOS und Firefox. Der Kollektor dieses Pakets erzeugte auf Desktop-Browser-Builds dieselben Digests wie der Kollektor aus dem Feldeinsatz, aber noch kein Handy hat dieses Paket ausgeführt. All das steht im README, zusammen mit einer Methode, Gewichte aus eigenen gelabelten Paaren zu lernen.

npm install r-detect

Das Paket liegt auf npm (Externe Website) als ESM mit Typen, und der Server-Einstieg braucht Node 20 oder neuer.

Wenn du bereits eine Fingerprint-ID speicherst, lohnt sich eine Zahl: wie viele deiner Nutzer ihre mit jemand anderem teilen. Wenn du das nie gezählt hast, beantwortet die ID eine Frage, die sie nicht beantworten kann.

Quellen

Artikel teilen