BrowserFM: 16.000 parameter untuk mengenali browser Anda

Sampai baru-baru ini, anonimitas peramban tampak hampir naif menurut standar saat ini. Pada awal tahun 2010-an, mengubah alamat IP Anda, menjalankan Tor, dan mengutak-atik peramban Anda sudah cukup untuk mengubah Anda menjadi pengguna baru bagi banyak sistem. Kemudian muncul Canvas, WebGL, AudioContext, WebRTC, Client Hints, WebAssembly, WebGPU, dan lusinan sumber sinyal lainnya, dan perangkat lunak anti-penipuan berhenti melihat satu parameter dan mulai melihat kombinasi dari beberapa parameter tersebut.

BrowserFM melangkah lebih jauh. Alih-alih sekadar sidik jari, ia berupaya membangun model lingkungan peramban pengguna, mengumpulkan hingga 16.000 atribut berbeda. Dan di sinilah segalanya menjadi sangat menarik—karena bagi afiliasi, pengguna multi-akun, pengiklan, pemburu bonus, atau siapa pun yang percaya bahwa "IP baru ditambah profil peramban baru sama dengan pengguna baru," aturan mainnya diam-diam berubah.

Apa itu BrowserFM?

FM di sini tidak ada hubungannya dengan radio: BrowserFM adalah singkatan dari Browser Future Model. Ide proyek ini cukup radikal: mengapa memilih beberapa lusin karakteristik browser yang "baik" ketika Anda dapat mengumpulkan hampir semua hal yang dapat diberitahukan browser tentang perangkat tersebut? Ini didasarkan pada apa yang disebut BOM Enumeration, atau Browser Object Model Enumeration: sistem ini menelusuri objek yang tersedia untuk browser dan mengekstrak karakteristik dari berbagai sumber—Jendela, Navigator, Layar, Kinerja, CSS, GPU, ukuran jendela, parameter tampilan, DPI, resolusi, API yang tersedia, fitur lingkungan perangkat lunak, dan puluhan lainnya. Secara total, ia mengumpulkan sekitar 16.000 atribut.

Banyak solusi tradisional mencari sejumlah kecil fitur yang paling informatif. BrowserFM beroperasi dengan filosofi yang berlawanan: jika browser menyediakan suatu parameter, mengapa tidak menggunakannya? Oleh karena itu, menganggap BrowserFM sebagai "sidik jari lain" bukanlah hal yang sepenuhnya akurat. Ini lebih seperti perangkat konstruksi yang dapat digunakan untuk merakit sejumlah besar sidik jari independen.

Satu cetakan berubah menjadi pohon.

Bayangkan sebuah sistem anti-penipuan yang mengambil 16.000 nilai dan hanya mengompresnya menjadi satu hash SHA-256. Perubahan DPI—hash baru. Perubahan ukuran jendela—hash baru lainnya. Pembaruan Chrome—hash baru lainnya. Sistem seperti itu akan sangat sensitif dan praktis tidak berguna untuk identifikasi jangka panjang. BrowserFM melakukan sesuatu yang lebih cerdas: semua parameter didistribusikan ke berbagai cabang—Jendela, Navigator, Layar, CSS, GPU, Kinerja, dan lainnya—dan setiap cabang menggambarkan bagian lingkungannya masing-masing.

Ini adalah perubahan mendasar. Sekarang, sistem anti-penipuan tidak hanya dapat membandingkan "apakah sidik jari A sama dengan sidik jari B?" tetapi juga mengajukan pertanyaan yang jauh lebih halus: "Bagian mana dari sidik jari A yang mirip dengan B, dan seberapa signifikan secara statistik kesamaan ini?" Ini memiliki konsekuensi langsung. Katakanlah seorang pengguna meningkatkan kartu grafis mereka, dan sidik jari klasik, yang sangat terkait dengan WebGL dan WebGPU, telah berubah secara signifikan. Mengapa membuang sisa data? BrowserFM memungkinkan kita untuk mengatakan, "Cabang GPU berbeda—oke, mari kita abaikan untuk sementara dan bandingkan semuanya." Jika Window, Navigator, Performance, CSS, dan sejumlah karakteristik lainnya masih cocok, sistem memiliki alasan untuk percaya bahwa itu adalah pengguna yang sama dengan perangkat keras yang diperbarui. Tidak perlu mencari kecocokan lengkap—mencocokkan bagian-bagian individual dari model sudah cukup.

Hashing Fuzzy: Mengapa Mengubah Beberapa Parameter Saja Tidak Cukup

Masalah utamanya bahkan bukan pada jumlah karakteristik. Tahukah Anda bahwa sistem menganalisis resolusi layar? Ubah saja. Tahukah Anda tentang konkurensi perangkat keras? Ubah saja. Dan terlebih lagi tentang agen pengguna. Jika sidik jari hanyalah hash sederhana dari sekumpulan parameter, mengubah data input saja sudah cukup untuk mendapatkan nilai output yang sama sekali berbeda. Tetapi BrowserFM mengandalkan ide hashing fuzzy—perbandingan fuzzy. Alih-alih membutuhkan kecocokan yang tepat, sistem mencari sidik jari yang serupa.

Dengan kata lain, sidik jari bukanlah kata sandi: sidik jari tidak perlu cocok bit demi bit. Sistem perlu memahami seberapa mirip dua lingkungan, dan model tersebut memungkinkan variabilitas yang signifikan dalam beberapa karakteristik. Oleh karena itu, mengubah beberapa parameter yang jelas tidak selalu berarti memutuskan koneksi dengan lingkungan lama. BrowserFM mengklaim akurasi identifikasi sekitar 99,7% dalam kondisi pengujian yang sesuai—dan itu jauh lebih mengesankan daripada angka "16.000" saja.

Sebuah contoh yang jelas. Percobaan pertama: 1920x1080, 96 DPI, Chrome, kartu grafis NVIDIA, 8 thread CPU, kumpulan font tertentu, dan metrik performa tertentu. Percobaan kedua: 1366x768, 120 DPI, Chrome yang sama, kartu grafis NVIDIA yang sama, 8 thread yang sama, font yang hampir sama, dan metrik performa yang serupa. Hanya dengan melihat tangkapan layar, kita melihat pengguna yang berbeda. Melihat keseluruhan model, hal itu jauh dari kepastian. Terlebih lagi, cabang-cabang tersebut memiliki bobot yang berbeda: parameter yang mudah diubah seharusnya tidak dinilai setinggi karakteristik yang sulit untuk dipalsukan secara konsisten. Dan di sinilah kita sampai pada bagian yang mungkin paling menarik dari BrowserFM.

Pengungkapan Kinerja: Komputer menunjukkan kecepatannya

Anda dapat mengganti string. Anda dapat mengubah nilai API JavaScript. Anda dapat memberi tahu situs web resolusi yang berbeda. Tetapi membuat komputer berkinerja andal seperti perangkat keras lainnya adalah tugas yang jauh lebih sulit. BrowserFM memberikan perhatian khusus pada bagian Kinerja: dalam pemeriksa demo, kategori ini saja mencakup puluhan metrik kinerja yang berbeda. Logikanya sederhana: jika dua perangkat mengklaim spesifikasi yang identik tetapi melakukan operasi yang sama secara fundamental berbeda, sinyal tambahan akan dihasilkan. Hal ini terutama terlihat dalam kasus virtualisasi dan lingkungan browser yang dirakit secara artifisial.

Anda bisa mengatakan, "Saya adalah komputer rumahan biasa." Tetapi Performance Fingerprinting mengajukan pertanyaan yang berbeda: "Apakah Anda benar-benar berfungsi seperti komputer rumahan biasa?" Oleh karena itu, cabang Performance berpotensi menerima bobot lebih besar daripada Window atau Navigator yang mudah dimodifikasi. Ini adalah pergeseran kunci dalam fingerprinting: anti-penipuan secara bertahap bergeser dari pertanyaan "Apa yang dilaporkan browser tentang dirinya sendiri?" ke pertanyaan "Bagaimana browser dan perangkat sebenarnya berperilaku?"

User-Agent baru tidak lagi berarti browser baru.

Jika rencana anonimisasi Anda masih sangat bergantung pada "memalsukan User-Agent," kami punya kabar buruk. User-Agent hanyalah salah satu sinyal di antara banyak sinyal lainnya, dan mesin peramban mengungkapkan dirinya melalui API yang sama sekali berbeda. Contoh klasiknya adalah sidik jari AudioContext: perbedaan dalam implementasi tumpukan audio dan mesin menciptakan karakteristik yang tidak dapat diubah secara konsisten dengan satu string User-Agent.

Sekarang tambahkan Canvas, WebGL, WebGPU, WebAssembly, CSS, Performance, font, Navigator, Screen—dan ribuan karakteristik yang kurang jelas. Ternyata sederhana: Anda dapat memberi tahu situs web bahwa Anda menggunakan browser yang berbeda, tetapi 15.999 parameter lainnya juga harus sesuai dengan Anda. Konsistensi adalah salah satu masalah utama dari fingerprinting modern.

Sistem yang "bersih" juga merupakan sebuah sidik jari.

Ada detail yang sering diremehkan. Katakanlah Anda memang telah menyiapkan mesin baru: instalasi Windows yang bersih, browser baru, alamat IP baru, dan tanpa cookie. Tampaknya seperti pengguna baru yang sempurna. Tetapi masalah tak terduga muncul: orang biasa hampir tidak pernah menggunakan komputer yang benar-benar bersih. Selama berbulan-bulan dan bertahun-tahun, sampah digital menumpuk di mesin—program, font, ekstensi, paket aplikasi perkantoran, editor grafis, aplikasi utilitas—dan semua ini secara bertahap mengubah lingkungan yang dilihat browser. Oleh karena itu, instalasi Windows yang benar-benar bersih itu sendiri dapat menjadi sinyal anti-penipuan yang menarik.

Font adalah biografi dari sistem tersebut.

Pengenalan sidik jari font sudah ada sejak lama, tetapi menjadi sangat berguna dalam sistem skala besar seperti BrowserFM. Kumpulan font yang tersedia secara tidak langsung mengungkapkan lokalisasi sistem, perangkat lunak yang terinstal, usia lingkungan, dan sifat penggunaan komputer. Microsoft Office membawa font-nya sendiri, aplikasi Adobe meninggalkan serangkaian artefak yang berbeda, dan paket bahasa adalah yang ketiga. Semua itu menambah sejarah unik dari kehidupan sistem tersebut.

Bayangkan seorang pengguna yang mengaku, "Saya hanyalah orang Amerika biasa yang telah menggunakan komputer Windows ini untuk waktu yang lama." Tetapi lingkungan pengguna terlihat seperti sistem yang diinstal dua puluh menit yang lalu—tanpa perangkat lunak khas pengguna dan dengan font lokal yang sama sekali berbeda. Setiap tanda individual tidak membuktikan apa pun, tetapi itulah cara kerja sidik jari di abad ke-21: sinyal lemah akan menghasilkan kesimpulan yang kuat.

VPS, server Windows, dan mesin virtual

Untuk beberapa skenario, akan lebih mudah menggunakan VPS atau server jarak jauh, menginstal browser, dan menggunakannya—dan dari perspektif jaringan, semuanya mungkin tampak sempurna. Tetapi jaringan hanyalah satu lapisan. Sistem seperti BrowserFM menganalisis karakteristik lingkungan itu sendiri: versi Windows server berbeda dari versi rumahan biasa, instalasi baru memiliki profil yang khas, dan lingkungan virtualisasi menambahkan serangkaian sinyal lain. Alamat IP residensial berkualitas tinggi, dengan sendirinya, tidak mengubah server menjadi laptop rumahan. Sederhananya: IP memberi tahu situs web dari mana Anda berasal, dan sidik jari mencoba memahami bagaimana Anda sampai di sana—dan anti-penipuan tertarik pada kedua jawaban tersebut.

Mesin virtual adalah cerita yang berbeda. VM dulunya merupakan alat yang hampir universal untuk memisahkan lingkungan; saat ini, virtualisasi itu sendiri menjadi bagian dari penilaian risiko. BrowserFM menarik di sini karena tidak mencoba menemukan satu flag ajaib seperti "isVirtualMachine = true," tetapi mengumpulkan banyak indikator tidak langsung: GPU, kinerja, font, layar, API yang tersedia, lingkungan perangkat lunak, perilaku browser, dan fitur sistem. Secara individual, setiap sinyal sepenuhnya sah, tetapi kombinasinya dapat menciptakan profil mesin virtual yang khas—dan ini jauh lebih sulit untuk diperbaiki dengan satu pengaturan.

Antidetect kini tidak mengumpulkan nilai, melainkan sebuah sistem.

Secara historis, tugas peramban anti-deteksi tampak seperti ini: mendapatkan sidik jari, memodifikasi sidik jari, membuat profil independen. Tetapi semakin banyak sumber informasi independen yang digabungkan oleh peramban, semakin sulit untuk mempertahankan konsistensi timbal baliknya. Katakanlah anti-deteksi mengubah GPU—bagus. Tetapi apakah kinerja GPU tersebut sesuai? Apakah WebGPU sesuai? Apakah jumlah inti CPU berkorelasi dengan kinerja? Apakah layar sesuai dengan perangkat yang diiklankan? Apakah set font kompatibel dengan sistem operasi dan lokal? Apakah versi peramban yang ditentukan mendukung serangkaian API tertentu? Menghasilkan nilai yang masuk akal saja tidak lagi cukup—kita perlu menghasilkan sistem nilai yang saling terkait yang masuk akal. Dan perbedaannya di sini sangat besar.

Analogi yang tepat adalah paspor. Nama: John Smith. Negara: AS. Tahun lahir: 1990. Semuanya tampak normal. Tetapi kemudian ternyata paspor tersebut diterbitkan di Prancis, nomornya dalam format Jerman, fotonya diambil tiga puluh tahun yang lalu, dan tanggal penerbitannya adalah besok. Setiap parameter secara individual masuk akal, tetapi jika digabungkan, semuanya menjadi tidak masuk akal. Hal yang sama terjadi dengan sidik jari peramban. Perangkat lunak anti-penipuan modern semakin kurang memperhatikan pertanyaan "dapatkah parameter ini dipalsukan?" - yang jauh lebih penting adalah: "dapatkah ribuan parameter dipalsukan dan tetap konsisten?" BrowserFM mengubah masalah ini menjadi prinsip arsitektur.

Bagaimana dengan ponsel pintar?

Tampaknya semuanya lebih sederhana di ponsel pintar: jangkauan model terbatas, jutaan orang memiliki iPhone dan ponsel Samsung yang identik, perangkat kerasnya seragam, yang berarti sidik jari seharusnya kurang unik. Belum tentu. Android sangat menarik: meskipun perangkat kerasnya seragam, peramban masih menerima sejumlah besar karakteristik dari lingkungan perangkat lunak dan perangkat keras. Gabungkan ini ke dalam model yang lebih besar, tambahkan metrik kinerja, dan jumlah kombinasi potensial meningkat secara dramatis. Oleh karena itu, teknologi seperti BrowserFM dapat menjembatani kesenjangan antara sidik jari peramban dan identifikasi, yang sebelumnya membutuhkan instalasi aplikasi. Ini adalah arah yang sangat menjanjikan untuk anti-penipuan seluler.

Mengapa BrowserFM bermanfaat bagi upaya anti-penipuan itu sendiri

Ada sisi teknologi yang biasanya tidak dipertimbangkan pengguna: penyimpanan data membutuhkan biaya. Hal ini terutama berlaku ketika Anda memiliki ratusan juta peristiwa harian, bukan hanya seribu pengunjung per bulan. Google, Amazon, jaringan periklanan, bank, pasar online, dan platform anti-penipuan utama menangani volume data yang sangat besar. Menurut arsitektur yang dinyatakan, representasi BrowserFM disimpan jauh lebih ringkas daripada JSON standar—sumber data mengklaim penghematan hingga sembilan kali lipat.

Bagi pengguna tunggal, ini adalah masalah kecil. Namun, untuk ratusan juta sidik jari, ini merupakan keuntungan infrastruktur. Dan seringkali, nasib suatu teknologi ditentukan bukan hanya oleh pertanyaan "seberapa baik fungsinya?" tetapi juga "berapa biaya untuk mengimplementasikannya pada 500 juta permintaan?" Jika sidik jari lebih akurat dan lebih murah untuk disimpan, insentif untuk mengimplementasikannya meningkat secara dramatis.

Model yang berkembang seiring dengan browser.

Dan satu lagi fitur yang kurang menguntungkan dari konsep ini: konsep ini tidak terikat pada API saat ini. Antarmuka browser baru telah muncul—dan sedang ditambahkan ke cabang yang sesuai. Cara baru untuk mendapatkan informasi GPU telah muncul—sinyal lain. API Performa baru—beberapa karakteristik lagi. Justru karena itulah nama Model Masa Depan tampak tepat: ini bukan sidik jari yang tetap, tetapi arsitektur yang dapat terus ditambahkan sumber informasi baru tanpa batas. Saat ini, ada 16.000 parameter. Besok, mungkin akan ada lebih banyak lagi.

Apa artinya ini bagi multi-akuntansi – dan ide utamanya?

Kesimpulannya memang tidak menyenangkan, tetapi bermanfaat: era memerangi identifikasi sidik jari dengan mengganti beberapa parameter populer akan segera berakhir. Sistem modern dapat menganalisis lingkungan jaringan, peramban, perangkat keras, kinerja, lingkungan perangkat lunak, riwayat perubahan, konsistensi karakteristik, dan perilaku pengguna secara bersamaan. BrowserFM terutama mencakup sebagian besar lapisan peramban dan perangkat keras/perangkat lunak. Oleh karena itu, pertanyaannya secara bertahap berubah. Sebelumnya, pertanyaannya adalah, "Apakah sidik jari saya telah berubah?" Sekarang, pertanyaan yang lebih akurat adalah, "Apakah lingkungan baru tersebut tampak seperti perangkat nyata yang independen?" Ini adalah pertanyaan yang sama sekali berbeda.

Hal ini sangat penting untuk diingat saat bekerja dengan pemeriksa sidik jari. Pengguna mengubah parameter, menyegarkan halaman, melihat "ID Sidik Jari berubah," dan dengan senang hati menyimpulkan bahwa situs tersebut sekarang menganggap mereka sebagai orang yang berbeda. Tetapi ini bisa menjadi rasa aman yang palsu. Hash lengkap memang berubah bahkan dengan sedikit perubahan pada data input, tetapi solusi anti-penipuan tidak harus menggunakannya sebagai satu-satunya pengidentifikasi. Solusi tersebut dapat menyimpan dan membandingkan profil GPU, Performa, Navigator, Layar, dan CSS secara terpisah dan mengevaluasi kesamaan antara profil lama dan baru. Pertanyaannya bukanlah apakah hash telah berubah—pertanyaannya adalah seberapa besar ruang fitur itu sendiri telah bergeser.

Dan ini membawa kita pada gagasan paling mendasar dari BrowserFM, yang lebih menarik daripada angka apa pun. Dalam beberapa tahun, "16.000" mungkin tampak sangat biasa—yang penting adalah hal lain: sidik jari peramban berhenti menjadi pengidentifikasi dan menjadi model perangkat. Dan sebuah model, pada dasarnya, dapat berubah. Seorang pengguna mungkin mengganti kartu grafisnya, memperbarui perambannya, mengubah resolusinya, mendapatkan monitor baru, atau menginstal Office. Komputer sungguhan terus berubah—dan solusi anti-penipuan yang baik seharusnya tidak kehilangan pengguna setelah setiap perubahan tersebut. Solusi tersebut harus memahami sifat perubahan: membedakan evolusi alami dari sistem hidup dari lingkungan yang dibuat terburu-buru yang hanya berpura-pura nyata.

Hal ini memunculkan pertanyaan baru yang jauh lebih menantang bagi siapa pun yang membangun profil independen. Sebelumnya, pertanyaannya adalah "bagaimana saya mendapatkan sidik jari baru?" Sekarang pertanyaannya adalah "bagaimana saya membangun lingkungan yang berperilaku seperti perangkat yang benar-benar berbeda dan tetap konsisten secara internal, berkembang seiring waktu seperti halnya komputer sungguhan?" Ini bukan sekadar perubahan antarmuka, tetapi tantangan rekayasa yang menyeluruh.