ฉันกำลังสร้างเครื่องมือวิเคราะห์และตอนนี้ฉันสามารถรับที่อยู่ IP ของผู้ใช้เบราว์เซอร์และระบบปฏิบัติการจากตัวแทนผู้ใช้ของพวกเขาได้
ฉันสงสัยว่ามีความเป็นไปได้ที่จะตรวจพบผู้ใช้คนเดียวกันโดยไม่ใช้คุกกี้หรือที่เก็บข้อมูลในเครื่องหรือไม่? ฉันไม่ได้คาดหวังตัวอย่างโค้ดที่นี่ เพียงคำใบ้ง่ายๆว่าจะดูที่ไหนเพิ่มเติม
ลืมบอกไปว่าต้องใช้งานข้ามเบราว์เซอร์ได้ถ้าเป็นคอมพิวเตอร์ / อุปกรณ์เครื่องเดียวกัน โดยทั่วไปแล้วฉันหลังจากการจดจำอุปกรณ์ไม่ใช่ผู้ใช้จริงๆ
คำตอบ:
บทนำ
ถ้าฉันเข้าใจคุณถูกต้องคุณต้องระบุผู้ใช้ที่คุณไม่มีรหัสประจำตัวดังนั้นคุณจึงต้องการทราบว่าพวกเขาเป็นใครโดยการจับคู่ข้อมูลแบบสุ่ม คุณไม่สามารถจัดเก็บข้อมูลประจำตัวของผู้ใช้ได้อย่างน่าเชื่อถือเนื่องจาก:
Java Applet หรือ Com Object น่าจะเป็นวิธีแก้ปัญหาที่ง่ายโดยใช้แฮชข้อมูลฮาร์ดแวร์ แต่ทุกวันนี้ผู้คนตระหนักถึงความปลอดภัยมากว่าจะยากที่จะให้ผู้ใช้ติดตั้งโปรแกรมประเภทนี้ในระบบของตน สิ่งนี้ทำให้คุณติดอยู่กับการใช้คุกกี้และเครื่องมืออื่น ๆ ที่คล้ายคลึงกัน
คุกกี้และเครื่องมืออื่น ๆ ที่คล้ายคลึงกัน
คุณอาจพิจารณาการสร้างข้อมูลโปรไฟล์แล้วใช้การทดสอบความน่าจะเป็นในการระบุผู้ใช้น่าจะเป็น โปรไฟล์ที่มีประโยชน์สำหรับสิ่งนี้สามารถสร้างขึ้นได้จากการรวมกันของสิ่งต่อไปนี้:
แน่นอนว่ารายการที่ฉันระบุไว้นั้นเป็นเพียงไม่กี่วิธีที่เป็นไปได้ที่ผู้ใช้สามารถระบุได้โดยไม่ซ้ำกัน ยังมีอีกมากมาย
ด้วยองค์ประกอบข้อมูลสุ่มชุดนี้ในการสร้างโปรไฟล์ข้อมูลมีอะไรต่อไป
ขั้นตอนต่อไปคือการพัฒนาFuzzy Logicหรือที่ดีกว่านั้นคือArtificial Neural Network (ซึ่งใช้ตรรกะคลุมเครือ) ไม่ว่าในกรณีใดแนวคิดคือการฝึกอบรมระบบของคุณจากนั้นรวมการฝึกอบรมกับการอนุมานแบบเบย์เพื่อเพิ่มความแม่นยำของผลลัพธ์ของคุณ
NeuralMeshห้องสมุดสำหรับ PHP ช่วยให้คุณสามารถสร้างโครงข่ายประสาทเทียม หากต้องการใช้ Bayesian Inference โปรดดูลิงก์ต่อไปนี้:
ณ จุดนี้คุณอาจคิดว่า:
ทำไมคณิตศาสตร์และลอจิกมากมายสำหรับงานที่ดูเหมือนง่าย?
โดยทั่วไปเพราะมันเป็นไม่ได้เป็นงานที่ง่าย สิ่งที่คุณพยายามจะบรรลุคือความน่าจะเป็นที่แท้จริง ตัวอย่างเช่นให้ผู้ใช้ที่รู้จักดังต่อไปนี้:
User1 = A + B + C + D + G + K
User2 = C + D + I + J + K + F
เมื่อคุณได้รับข้อมูลต่อไปนี้:
B + C + E + G + F + K
คำถามที่คุณถามเป็นหลักคือ:
ความน่าจะเป็นที่ข้อมูลที่ได้รับ (B + C + E + G + F + K) เป็น User1 หรือ User2 เป็นอย่างไร และสองแมตช์ใดที่น่าจะเป็นไปได้มากที่สุด ?
เพื่อให้ตอบคำถามนี้ได้อย่างมีประสิทธิภาพคุณต้องเข้าใจความถี่เทียบกับรูปแบบความน่าจะเป็นและสาเหตุที่ความน่าจะเป็นร่วมอาจเป็นแนวทางที่ดีกว่า รายละเอียดมีมากเกินไปที่จะเข้ามาที่นี่ (ซึ่งเป็นสาเหตุที่ฉันให้ลิงก์แก่คุณ) แต่ตัวอย่างที่ดีคือแอปพลิเคชันตัวช่วยสร้างการวินิจฉัยทางการแพทย์ซึ่งใช้การรวมกันของอาการเพื่อระบุโรคที่เป็นไปได้
คิดสักครู่ของชุดของจุดข้อมูลซึ่งประกอบด้วยข้อมูลโปรไฟล์ของคุณ (B + C + E + G + F + K ในตัวอย่างข้างต้น) เป็นอาการและไม่ทราบผู้ใช้งานเป็นโรค ด้วยการระบุโรคคุณสามารถระบุวิธีการรักษาที่เหมาะสมเพิ่มเติมได้ (ถือว่าผู้ใช้รายนี้เป็น User1)
เห็นได้ชัดว่าโรคที่เราระบุได้มากกว่า 1 อาการนั้นง่ายต่อการระบุ ในความเป็นจริงยิ่งเราสามารถระบุอาการได้มากขึ้นการวินิจฉัยของเราก็จะง่ายและแม่นยำมากขึ้นเท่านั้น
มีทางเลือกอื่นหรือไม่?
แน่นอน. อีกวิธีหนึ่งคือการวัดผลคุณอาจสร้างอัลกอริทึมการให้คะแนนอย่างง่ายของคุณเองและอิงตามการจับคู่ วิธีนี้ไม่มีประสิทธิภาพเท่ากับความน่าจะเป็น แต่อาจจะง่ายกว่าสำหรับคุณในการนำไปใช้
ตัวอย่างเช่นพิจารณาแผนภูมิคะแนนง่ายๆนี้:
+ ------------------------- + -------- + ------------ + | คุณสมบัติ | น้ำหนัก | ความสำคัญ | + ------------------------- + -------- + ------------ + | ที่อยู่ IP จริง | 60 | 5 | | ที่อยู่ IP ของพร็อกซีที่ใช้ | 40 | 4 | | คุกกี้ HTTP | 80 | 8 | | คุกกี้เซสชัน | 80 | 6 | | คุกกี้ของบุคคลที่สาม | 60 | 4 | | คุกกี้แฟลช | 90 | 7 | | PDF Bug | 20 | 1 | | แฟลชบั๊ก | 20 | 1 | | Java Bug | 20 | 1 | | หน้าเว็บบ่อย | 40 | 1 | | เบราว์เซอร์ลายนิ้วมือ | 35 | 2 | | ปลั๊กอินที่ติดตั้ง | 25 | 1 | | รูปภาพแคช | 40 | 3 | | URL | 60 | 4 | | การตรวจหาแบบอักษรของระบบ | 70 | 4 | | Localstorage | 90 | 8 | | ตำแหน่งทางภูมิศาสตร์ | 70 | 6 | | AOLTR | 70 | 4 | | API ข้อมูลเครือข่าย | 40 | 3 | | API สถานะแบตเตอรี่ | 20 | 1 | + ------------------------- + -------- + ------------ +
สำหรับข้อมูลแต่ละชิ้นที่คุณสามารถรวบรวมตามคำขอที่กำหนดให้ให้คะแนนที่เกี่ยวข้องจากนั้นใช้ความสำคัญเพื่อแก้ไขความขัดแย้งเมื่อคะแนนเท่ากัน
หลักฐานแนวคิด
สำหรับหลักฐานที่เรียบง่ายของแนวคิดโปรดดูที่Perceptron Perceptron เป็นRNA Modelที่ใช้โดยทั่วไปในแอพพลิเคชั่นจดจำรูปแบบ แม้จะมีคลาส PHPเก่าที่ใช้งานได้อย่างสมบูรณ์แบบ แต่คุณอาจต้องปรับเปลี่ยนตามวัตถุประสงค์ของคุณ
แม้จะเป็นเครื่องมือที่ยอดเยี่ยม แต่ Perceptron ยังคงสามารถส่งคืนผลลัพธ์ได้หลายรายการ (การจับคู่ที่เป็นไปได้) ดังนั้นการใช้การเปรียบเทียบคะแนนและความแตกต่างยังคงมีประโยชน์ในการระบุสิ่งที่ดีที่สุดของการแข่งขันเหล่านั้น
สมมติฐาน
ความคาดหวัง
รหัสสำหรับการพิสูจน์แนวคิด
$features = array(
'Real IP address' => .5,
'Used proxy IP address' => .4,
'HTTP Cookies' => .9,
'Session Cookies' => .6,
'3rd Party Cookies' => .6,
'Flash Cookies' => .7,
'PDF Bug' => .2,
'Flash Bug' => .2,
'Java Bug' => .2,
'Frequent Pages' => .3,
'Browsers Finger Print' => .3,
'Installed Plugins' => .2,
'URL' => .5,
'Cached PNG' => .4,
'System Fonts Detection' => .6,
'Localstorage' => .8,
'Geolocation' => .6,
'AOLTR' => .4,
'Network Information API' => .3,
'Battery Status API' => .2
);
// Get RNA Lables
$labels = array();
$n = 1;
foreach ($features as $k => $v) {
$labels[$k] = "x" . $n;
$n ++;
}
// Create Users
$users = array();
for($i = 0, $name = "A"; $i < 5; $i ++, $name ++) {
$users[] = new Profile($name, $features);
}
// Generate Unknown User
$unknown = new Profile("Unknown", $features);
// Generate Unknown RNA
$unknownRNA = array(
0 => array("o" => 1),
1 => array("o" => - 1)
);
// Create RNA Values
foreach ($unknown->data as $item => $point) {
$unknownRNA[0][$labels[$item]] = $point;
$unknownRNA[1][$labels[$item]] = (- 1 * $point);
}
// Start Perception Class
$perceptron = new Perceptron();
// Train Results
$trainResult = $perceptron->train($unknownRNA, 1, 1);
// Find matches
foreach ($users as $name => &$profile) {
// Use shorter labels
$data = array_combine($labels, $profile->data);
if ($perceptron->testCase($data, $trainResult) == true) {
$score = $diff = 0;
// Determing the score and diffrennce
foreach ($unknown->data as $item => $found) {
if ($unknown->data[$item] === $profile->data[$item]) {
if ($profile->data[$item] > 0) {
$score += $features[$item];
} else {
$diff += $features[$item];
}
}
}
// Ser score and diff
$profile->setScore($score, $diff);
$matchs[] = $profile;
}
}
// Sort bases on score and Output
if (count($matchs) > 1) {
usort($matchs, function ($a, $b) {
// If score is the same use diffrence
if ($a->score == $b->score) {
// Lower the diffrence the better
return $a->diff == $b->diff ? 0 : ($a->diff > $b->diff ? 1 : - 1);
}
// The higher the score the better
return $a->score > $b->score ? - 1 : 1;
});
echo "<br />Possible Match ", implode(",", array_slice(array_map(function ($v) {
return sprintf(" %s (%0.4f|%0.4f) ", $v->name, $v->score,$v->diff);
}, $matchs), 0, 2));
} else {
echo "<br />No match Found ";
}
Possible Match D (0.7416|0.16853),C (0.5393|0.2809)
Print_r จาก "D":
echo "<pre>";
print_r($matchs[0]);
Profile Object(
[name] => D
[data] => Array (
[Real IP address] => -1
[Used proxy IP address] => -1
[HTTP Cookies] => 1
[Session Cookies] => 1
[3rd Party Cookies] => 1
[Flash Cookies] => 1
[PDF Bug] => 1
[Flash Bug] => 1
[Java Bug] => -1
[Frequent Pages] => 1
[Browsers Finger Print] => -1
[Installed Plugins] => 1
[URL] => -1
[Cached PNG] => 1
[System Fonts Detection] => 1
[Localstorage] => -1
[Geolocation] => -1
[AOLTR] => 1
[Network Information API] => -1
[Battery Status API] => -1
)
[score] => 0.74157303370787
[diff] => 0.1685393258427
[base] => 8.9
)
หากตรวจแก้จุดบกพร่อง = true คุณจะสามารถที่จะเห็นการป้อนข้อมูล (เซนเซอร์และต้องการอยากมี) น้ำหนักเริ่มต้นขับ (เซนเซอร์, Sum, เครือข่าย), ข้อผิดพลาด, การแก้ไขและน้ำหนักชิงชนะเลิศ
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| o | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | x9 | x10 | x11 | x12 | x13 | x14 | x15 | x16 | x17 | x18 | x19 | x20 | Bias | Yin | Y | deltaW1 | deltaW2 | deltaW3 | deltaW4 | deltaW5 | deltaW6 | deltaW7 | deltaW8 | deltaW9 | deltaW10 | deltaW11 | deltaW12 | deltaW13 | deltaW14 | deltaW15 | deltaW16 | deltaW17 | deltaW18 | deltaW19 | deltaW20 | W1 | W2 | W3 | W4 | W5 | W6 | W7 | W8 | W9 | W10 | W11 | W12 | W13 | W14 | W15 | W16 | W17 | W18 | W19 | W20 | deltaBias |
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| 1 | 1 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 0 | -1 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 |
| -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | -1 | -1 | 1 | -19 | -1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 |
| -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- |
| 1 | 1 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 19 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 |
| -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | -1 | -1 | 1 | -19 | -1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | -1 | -1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | -1 | -1 | -1 | -1 | 1 | 1 | 1 |
| -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- |
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
x1 ถึง x20 แสดงถึงคุณสมบัติที่แปลงโดยรหัส
// Get RNA Labels
$labels = array();
$n = 1;
foreach ( $features as $k => $v ) {
$labels[$k] = "x" . $n;
$n ++;
}
นี่คือการสาธิตออนไลน์
คลาสที่ใช้:
class Profile {
public $name, $data = array(), $score, $diff, $base;
function __construct($name, array $importance) {
$values = array(-1, 1); // Perception values
$this->name = $name;
foreach ($importance as $item => $point) {
// Generate Random true/false for real Items
$this->data[$item] = $values[mt_rand(0, 1)];
}
$this->base = array_sum($importance);
}
public function setScore($score, $diff) {
$this->score = $score / $this->base;
$this->diff = $diff / $this->base;
}
}
คลาส Perceptron ดัดแปลง
class Perceptron {
private $w = array();
private $dw = array();
public $debug = false;
private function initialize($colums) {
// Initialize perceptron vars
for($i = 1; $i <= $colums; $i ++) {
// weighting vars
$this->w[$i] = 0;
$this->dw[$i] = 0;
}
}
function train($input, $alpha, $teta) {
$colums = count($input[0]) - 1;
$weightCache = array_fill(1, $colums, 0);
$checkpoints = array();
$keepTrainning = true;
// Initialize RNA vars
$this->initialize(count($input[0]) - 1);
$just_started = true;
$totalRun = 0;
$yin = 0;
// Trains RNA until it gets stable
while ($keepTrainning == true) {
// Sweeps each row of the input subject
foreach ($input as $row_counter => $row_data) {
// Finds out the number of columns the input has
$n_columns = count($row_data) - 1;
// Calculates Yin
$yin = 0;
for($i = 1; $i <= $n_columns; $i ++) {
$yin += $row_data["x" . $i] * $weightCache[$i];
}
// Calculates Real Output
$Y = ($yin <= 1) ? - 1 : 1;
// Sweeps columns ...
$checkpoints[$row_counter] = 0;
for($i = 1; $i <= $n_columns; $i ++) {
/** DELTAS **/
// Is it the first row?
if ($just_started == true) {
$this->dw[$i] = $weightCache[$i];
$just_started = false;
// Found desired output?
} elseif ($Y == $row_data["o"]) {
$this->dw[$i] = 0;
// Calculates Delta Ws
} else {
$this->dw[$i] = $row_data["x" . $i] * $row_data["o"];
}
/** WEIGHTS **/
// Calculate Weights
$this->w[$i] = $this->dw[$i] + $weightCache[$i];
$weightCache[$i] = $this->w[$i];
/** CHECK-POINT **/
$checkpoints[$row_counter] += $this->w[$i];
} // END - for
foreach ($this->w as $index => $w_item) {
$debug_w["W" . $index] = $w_item;
$debug_dw["deltaW" . $index] = $this->dw[$index];
}
// Special for script debugging
$debug_vars[] = array_merge($row_data, array(
"Bias" => 1,
"Yin" => $yin,
"Y" => $Y
), $debug_dw, $debug_w, array(
"deltaBias" => 1
));
} // END - foreach
// Special for script debugging
$empty_data_row = array();
for($i = 1; $i <= $n_columns; $i ++) {
$empty_data_row["x" . $i] = "--";
$empty_data_row["W" . $i] = "--";
$empty_data_row["deltaW" . $i] = "--";
}
$debug_vars[] = array_merge($empty_data_row, array(
"o" => "--",
"Bias" => "--",
"Yin" => "--",
"Y" => "--",
"deltaBias" => "--"
));
// Counts training times
$totalRun ++;
// Now checks if the RNA is stable already
$referer_value = end($checkpoints);
// if all rows match the desired output ...
$sum = array_sum($checkpoints);
$n_rows = count($checkpoints);
if ($totalRun > 1 && ($sum / $n_rows) == $referer_value) {
$keepTrainning = false;
}
} // END - while
// Prepares the final result
$result = array();
for($i = 1; $i <= $n_columns; $i ++) {
$result["w" . $i] = $this->w[$i];
}
$this->debug($this->print_html_table($debug_vars));
return $result;
} // END - train
function testCase($input, $results) {
// Sweeps input columns
$result = 0;
$i = 1;
foreach ($input as $column_value) {
// Calculates teste Y
$result += $results["w" . $i] * $column_value;
$i ++;
}
// Checks in each class the test fits
return ($result > 0) ? true : false;
} // END - test_class
// Returns the html code of a html table base on a hash array
function print_html_table($array) {
$html = "";
$inner_html = "";
$table_header_composed = false;
$table_header = array();
// Builds table contents
foreach ($array as $array_item) {
$inner_html .= "<tr>\n";
foreach ( $array_item as $array_col_label => $array_col ) {
$inner_html .= "<td>\n";
$inner_html .= $array_col;
$inner_html .= "</td>\n";
if ($table_header_composed == false) {
$table_header[] = $array_col_label;
}
}
$table_header_composed = true;
$inner_html .= "</tr>\n";
}
// Builds full table
$html = "<table border=1>\n";
$html .= "<tr>\n";
foreach ($table_header as $table_header_item) {
$html .= "<td>\n";
$html .= "<b>" . $table_header_item . "</b>";
$html .= "</td>\n";
}
$html .= "</tr>\n";
$html .= $inner_html . "</table>";
return $html;
} // END - print_html_table
// Debug function
function debug($message) {
if ($this->debug == true) {
echo "<b>DEBUG:</b> $message";
}
} // END - debug
} // END - class
สรุป
การระบุผู้ใช้โดยไม่มีตัวระบุเฉพาะไม่ใช่งานตรงไปตรงมาหรือเรียบง่าย ขึ้นอยู่กับการรวบรวมข้อมูลสุ่มในปริมาณที่เพียงพอซึ่งคุณสามารถรวบรวมจากผู้ใช้ด้วยวิธีการต่างๆ
แม้ว่าคุณจะเลือกที่จะไม่ใช้โครงข่ายประสาทเทียม แต่อย่างน้อยฉันขอแนะนำให้ใช้ Simple Probability Matrix ที่มีลำดับความสำคัญและความเป็นไปได้ - และฉันหวังว่าโค้ดและตัวอย่างที่ให้ไว้ข้างต้นจะเพียงพอสำหรับการดำเนินการต่อไป
Implement Bayesian inference using PHPทั้ง 3 ส่วน - Frequency vs Probability - Joint Probability -Input (Sensor & Desired), Initial Weights, Output (Sensor, Sum, Network), Error, Correction and Final Weights
เทคนิคนี้ (ในการตรวจสอบผู้ใช้เดียวกันโดยไม่ต้องคุกกี้ - หรือแม้กระทั่งไม่มีที่อยู่ IP) ที่เรียกว่าเบราว์เซอร์พิมพ์ลายนิ้วมือ โดยทั่วไปคุณจะรวบรวมข้อมูลเป็นข้อมูลเกี่ยวกับเบราว์เซอร์เท่าที่จะทำได้ - ผลลัพธ์ที่ดีขึ้นสามารถทำได้ด้วย javascript, แฟลชหรือ java (นามสกุลที่ติดตั้ง f.ex. แบบอักษร ฯลฯ ) หลังจากนั้นคุณสามารถจัดเก็บผลลัพธ์ที่แฮชได้หากต้องการ
มันไม่ผิด แต่:
83.6% ของเบราว์เซอร์ที่เห็นมีลายนิ้วมือที่เป็นเอกลักษณ์ ในกลุ่มที่เปิดใช้งาน Flash หรือ Java 94.2% นี่ไม่รวมคุกกี้!
ข้อมูลเพิ่มเติม:
การพิมพ์ลายนิ้วมือดังกล่าวข้างต้นใช้งานได้ แต่ยังคงมีอาการจุกเสียด
วิธีหนึ่งคือการเพิ่ม UID ลงใน url ของการโต้ตอบกับผู้ใช้แต่ละครั้ง
http://someplace.com/12899823/user/profile
โดยทุกลิงก์ในไซต์จะถูกปรับด้วยตัวปรับแต่งนี้ คล้ายกับวิธีที่ ASP.Net ใช้ในการทำงานโดยใช้ข้อมูล FORM ระหว่างเพจ
คุณเคยดูEvercookieหรือยัง? อาจใช้งานได้ในเบราว์เซอร์หรือไม่ก็ได้ สารสกัดจากไซต์ของพวกเขา
"หากผู้ใช้ทำอาหารบนเบราว์เซอร์หนึ่งและเปลี่ยนไปใช้เบราว์เซอร์อื่นตราบใดที่พวกเขายังมีคุกกี้ Local Shared Object คุกกี้จะสร้างซ้ำในเบราว์เซอร์ทั้งสอง"
คุณสามารถทำได้ด้วย png ที่แคชไว้มันจะค่อนข้างไม่น่าเชื่อถือ (เบราว์เซอร์ที่แตกต่างกันทำงานแตกต่างกันและจะล้มเหลวหากผู้ใช้ล้างแคช) แต่เป็นตัวเลือก
1: ตั้งค่าฐานข้อมูลที่เก็บ ID ผู้ใช้เฉพาะเป็นสตริงฐานสิบหก
2: สร้างไฟล์ genUser.php (หรือภาษาอะไรก็ได้) ที่สร้าง ID ผู้ใช้เก็บไว้ในฐานข้อมูลจากนั้นสร้างสีจริง. png จากค่าของสตริงฐานสิบหกนั้น (แต่ละพิกเซลจะเป็น 4 ไบต์) และส่งคืน ไปยังเบราว์เซอร์ อย่าลืมตั้งค่าประเภทเนื้อหาและส่วนหัวแคช
3: ใน HTML หรือ JS สร้างภาพเช่น <img id='user_id' src='genUser.php' />
4: วาดภาพนั้นลงบนผืนผ้าใบ ctx.drawImage(document.getElementById('user_id'), 0, 0);
5: อ่านไบต์ของรูปภาพนั้นโดยใช้ctx.getImageDataและแปลงจำนวนเต็มเป็นสตริงฐานสิบหก
6: นั่นคือรหัสผู้ใช้เฉพาะของคุณซึ่งตอนนี้แคชไว้ในคอมพิวเตอร์ผู้ใช้ของคุณ
I'm after device recognitionเป็นของแถมสำหรับสิ่งที่เขาต้องการและเขาอธิบายไว้ที่นี่: stackoverflow.com/questions/15966812/…
คุณสามารถทำได้ด้วย etags แม้ว่าฉันจะไม่แน่ใจว่ากฎหมายนี้ถูกฟ้องร้องหรือไม่
หากคุณเตือนผู้ใช้ของคุณอย่างถูกต้องหรือหากคุณมีบางอย่างเช่นเว็บไซต์อินทราเน็ตอาจใช้ได้
คุณอาจสร้างหยดเพื่อจัดเก็บตัวระบุอุปกรณ์ ...
ข้อเสียคือผู้ใช้ต้องดาวน์โหลด Blob ( คุณสามารถบังคับให้ดาวน์โหลดได้ ) เนื่องจากเบราว์เซอร์ไม่สามารถเข้าถึงระบบไฟล์เพื่อบันทึกไฟล์ได้โดยตรง
เอกสารอ้างอิง:
https://www.inkling.com/read/javascript-definitive-guide-david-flanagan-6th/chapter-22/blobs
จากสิ่งที่คุณพูด:
โดยทั่วไปแล้วฉันหลังจากการจดจำอุปกรณ์ไม่ใช่ผู้ใช้จริงๆ
วิธีที่ดีที่สุดคือส่งที่อยู่ mac ซึ่งเป็นรหัส NIC
คุณสามารถดูที่โพสต์นี้: ฉันจะรับ MAC และที่อยู่ IP ของไคลเอนต์ที่เชื่อมต่อใน PHP ได้อย่างไร
ไม่มีประสิทธิภาพ แต่อาจให้ผลลัพธ์ที่ต้องการคือการสำรวจ API ในฝั่งของคุณ มีกระบวนการเบื้องหลังในฝั่งไคลเอ็นต์ซึ่งส่งข้อมูลผู้ใช้เป็นช่วง ๆ คุณจะต้องมีตัวระบุผู้ใช้เพื่อส่งไปยัง API ของคุณ เมื่อคุณมีแล้วคุณสามารถส่งข้อมูลใด ๆ ที่เกี่ยวข้องกับตัวระบุเฉพาะนั้นได้
สิ่งนี้ขจัดความจำเป็นในการใช้คุกกี้และการจัดเก็บในตัวเครื่อง
ไม่อยากจะเชื่อเลยhttp://browserspy.dkยังไม่ได้กล่าวถึงที่นี่! ไซต์นี้อธิบายคุณลักษณะต่างๆมากมาย (ในแง่ของการจดจำรูปแบบ) ซึ่งสามารถใช้เพื่อสร้างตัวจำแนก
และสาเหตุสำหรับการประเมินคุณสมบัติฉันขอแนะนำให้สนับสนุน Vector Machines และlibsvmโดยเฉพาะ
ติดตามพวกเขาในระหว่างเซสชันหรือข้ามเซสชัน?
หากไซต์ของคุณเป็น HTTPS ทุกที่คุณสามารถใช้ TLS Session ID เพื่อติดตามเซสชันของผู้ใช้ได้
ซึ่งจะต้องให้ผู้ใช้ติดตั้งตัวระบุด้วยความเต็มใจ
เมื่อติดตั้งปลั๊กอินแล้วลายนิ้วมือของเบราว์เซอร์ (ที่เปิดใช้งานปลั๊กอิน) จะมีปลั๊กอินเฉพาะนี้ ในการส่งคืนข้อมูลไปยังเซิร์ฟเวอร์จำเป็นต้องใช้อัลกอริทึมในการตรวจจับปลั๊กอินบนฝั่งไคลเอ็นต์อย่างมีประสิทธิภาพมิฉะนั้นผู้ใช้ IE และ Firefox> = 28 จะต้องมีตารางการระบุที่ถูกต้องที่เป็นไปได้
สิ่งนี้ต้องใช้การลงทุนค่อนข้างสูงในเทคโนโลยีที่ผู้จำหน่ายเบราว์เซอร์อาจจะปิดตัวลง เมื่อคุณสามารถโน้มน้าวให้ผู้ใช้ของคุณติดตั้งปลั๊กอินได้อาจมีตัวเลือกเช่นติดตั้งพร็อกซีภายในเครื่องใช้ VPN หรือแพตช์ไดรเวอร์เครือข่าย
ผู้ใช้ที่ไม่ต้องการระบุตัวตน (หรือเครื่องของพวกเขา) มักจะหาทางป้องกัน
this will require the user to willingly install the identifier.อาจจะไม่ใช่ความหมายของโปสเตอร์ต้นฉบับ (OP)