我正在构建一个分析工具，我目前可以从他们的用户代理获取用户的 IP 地址、浏览器和操作系统。
我想知道是否有可能在不使用 cookie 或本地存储的情况下检测到同一用户？我不期待这里的代码示例；只是一个简单的提示，告诉你在哪里可以看得更远。
忘了提到如果它是同一台计算机/设备，它需要跨浏览器兼容。基本上我是在设备识别之后而不是真正的用户。
无需 cookie 或本地存储的用户识别
IT技术
javascript
php
http-headers
fingerprinting
2021-01-20 16:36:32
6个回答
介绍
如果我理解正确，您需要确定没有唯一标识符的用户，因此您想通过匹配随机数据来确定他们是谁。您无法可靠地存储用户的身份，因为：
- Cookie 可以删除
- IP地址可以更改
- 浏览器可以改变
- 浏览器缓存可能被删除
Java Applet 或 Com Object 本来是使用硬件信息散列的简单解决方案，但现在人们非常关注安全性，很难让人们在他们的系统上安装这些类型的程序。这让您无法使用 Cookie 和其他类似工具。
Cookie 和其他类似工具
您可能会考虑构建数据配置文件，然后使用概率测试来识别可能的用户。可以通过以下某种组合生成对此有用的配置文件：
- IP地址
- 真实IP地址
- 代理IP地址（用户经常重复使用同一个代理）
- 饼干
- HTTP Cookie
- 会话 Cookie
- 第三方饼干
- Flash Cookies（大多数人不知道如何删除这些）
- 网络错误（不太可靠，因为错误得到修复，但仍然有用）
- PDF错误
- 闪退
- Java错误
- 浏览器
- 点击跟踪（许多用户在每次访问时访问同一系列的页面）
- 浏览器指纹 - 已安装的插件（人们通常拥有不同的、有些独特的插件集）
- 缓存图像（人们有时会删除他们的 cookie 但保留缓存图像）
- 使用 Blob
- URL（浏览器历史记录或 cookie 可能在 URL 中包含唯一的用户 ID，例如https://stackoverflow.com/users/1226894或http://www.facebook.com/barackobama?fref=ts）
- 系统字体检测（这是一个鲜为人知但通常是唯一的键签名）
- HTML5 和 JavaScript
- HTML5 本地存储
- HTML5 地理定位 API 和反向地理编码
- 架构、操作系统语言、系统时间、屏幕分辨率等。
- 网络信息API
- 电池状态API
当然，我列出的项目只是可以唯一标识用户的几种可能方式。还有更多。
使用这组随机数据元素构建数据配置文件，下一步是什么？
下一步是开发一些模糊逻辑，或者更好的是，人工神经网络（使用模糊逻辑）。无论哪种情况，其想法都是训练您的系统，然后将其训练与贝叶斯推理相结合，以提高结果的准确性。
PHP的NeuralMesh库允许您生成人工神经网络。要实施贝叶斯推理，请查看以下链接：
这时候，你可能会想：
为什么对于一项看似简单的任务需要如此多的数学和逻辑？
基本上，因为这不是一项简单的任务。实际上，您要实现的是Pure Probability。例如，给定以下已知用户：
User1 = A + B + C + D + G + K
User2 = C + D + I + J + K + F
当您收到以下数据时：
B + C + E + G + F + K
您基本上要问的问题是：
接收到的数据（B + C + E + G + F + K）实际上是 User1 或 User2 的概率是多少？这两场比赛中哪一场最有可能？
为了有效地回答这个问题，您需要了解频率与概率格式以及为什么联合概率可能是更好的方法。这里的细节太多了（这就是我给你链接的原因），但一个很好的例子是医学诊断向导应用程序，它使用症状的组合来识别可能的疾病。
想一想包含您的数据配置文件（在上例中为 B + C + E + G + F + K）的一系列数据点为症状，而未知用户为疾病。通过识别疾病，您可以进一步确定合适的治疗方法（将此用户视为 User1）。
显然，我们已识别出超过 1 个症状的疾病更容易识别。事实上，我们能识别的症状越多，我们的诊断就越容易和准确。
还有其他选择吗？
当然。作为替代措施，您可以创建自己的简单评分算法，并基于完全匹配。这不如概率有效，但可能更容易实现。
例如，考虑这个简单的分数图表：
+-------------------------+--------+------------+ | 物业 | 重量 | 重要性 | +-------------------------+--------+------------+ | 真实IP地址| 60 | 5 | | 使用的代理IP地址| 40 | 4 | | HTTP Cookie | 80 | 8 | | 会话 Cookie | 80 | 6 | | 第 3 方 Cookie | 60 | 4 | | 快闪饼干 | 90 | 7 | | PDF 错误 | 20 | 1 | | 闪存错误 | 20 | 1 | | Java 错误 | 20 | 1 | | 常见页面 | 40 | 1 | | 浏览器指纹 | 35 | 2 | | 已安装的插件 | 25 | 1 | | 缓存图像| 40 | 3 | | 网址 | 60 | 4 | | 系统字体检测 | 70 | 4 | | 本地存储 | 90 | 8 | | 地理定位 | 70 | 6 | | AOLTR | 70 | 4 | | 网络信息API | 40 | 3 | | 电池状态API | 20 | 1 | +-------------------------+--------+------------+
对于您可以根据给定请求收集的每条信息，授予相关分数，然后在分数相同时使用重要性解决冲突。
概念证明
有关概念的简单证明，请查看Perceptron。感知器是一种RNA 模型，通常用于模式识别应用。甚至有一个旧的PHP 类可以完美地实现它，但您可能需要根据自己的目的修改它。
尽管是一个很棒的工具，感知器仍然可以返回多个结果（可能的匹配），因此使用分数和差异比较仍然有助于识别这些匹配中的最佳匹配。
假设
- 存储关于每个用户的所有可能信息（IP、cookies 等）
- 如果结果完全匹配，则将分数增加 1
- 如果结果不完全匹配，则将分数减 1
期待
- 生成 RNA 标签
- 生成模拟数据库的随机用户
- 生成单个未知用户
- 生成未知用户 RNA 和值
- 系统将合并 RNA 信息并教导感知器
- 训练感知器后，系统会有一组权重
- 您现在可以测试未知用户的模式，感知器将生成一个结果集。
- 存储所有正面匹配
- 首先按分数对匹配项进行排序，然后按差异排序（如上所述）
- 输出两个最接近的匹配，或者，如果没有找到匹配，则输出空结果
概念证明代码
$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);
}, $matchs), 0, 2));
} else {
echo "<br />No match Found ";
}
Possible Match D (0.7416|0.16853),C (0.5393|0.2809)
“D”的打印_r：
echo "<pre>";
print_r($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
)
如果 Debug = true 您将能够看到Input (Sensor & Desired), Initial Weights, Output (Sensor, Sum, Network), Error, Correction 和 Final Weights。
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| 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 到 x20 代表代码转换的特征。
// Get RNA Labels
$labels = array();
$n = 1;
foreach ( $features as $k => $v ) {
$labels[$k] = "x" . $n;
$n ++;
}
这是一个在线演示
使用的类：
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;
}
}
改进的感知器类
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
结论
在没有唯一标识符的情况下识别用户不是一项直接或简单的任务。它取决于收集足够数量的随机数据，您可以通过各种方法从用户那里收集到这些数据。
即使您选择不使用人工神经网络，我建议至少使用具有优先级和可能性的简单概率矩阵 - 我希望上面提供的代码和示例足以让您继续下去。
这种技术（在没有 cookie 的情况下检测相同的用户 - 甚至没有 ip 地址）称为浏览器指纹识别。基本上，您尽可能地抓取有关浏览器的信息 - 使用 javascript、flash 或 java（例如已安装的扩展程序、字体等）可以获得更好的结果。之后，您可以根据需要存储散列结果。
这不是万无一失的，但是：
83.6% 的浏览器拥有独特的指纹；在启用 Flash 或 Java 的用户中，94.2%。这不包括饼干！
更多信息：
上面提到的指纹可以工作，但仍然会受到影响。
一种方法是将 UID 添加到与用户的每次交互的 url 中。
http://someplace.com/12899823/user/profile
站点中的每个链接都使用此修饰符进行了调整。它类似于 ASP.Net 过去在页面之间使用 FORM 数据的工作方式。
你研究过Evercookie吗？它可能会也可能不会跨浏览器工作。从他们的网站摘录。
“如果用户在一个浏览器上获取 cookie 并切换到另一个浏览器，只要他们仍然拥有本地共享对象 cookie，cookie 就会在两个浏览器中复制。”
您可以使用缓存的 png 执行此操作，它会有些不可靠（不同的浏览器行为不同，如果用户清除缓存会失败），但这是一个选项。
1：建立一个数据库，以十六进制字符串的形式存储唯一的用户ID
2：创建一个 genUser.php（或任何语言）文件来生成用户 ID，将其存储在数据库中，然后根据该十六进制字符串的值（每个像素将是 4 个字节）创建一个真彩色 .png 并返回到浏览器。请务必设置内容类型和缓存标头。
3：在 HTML 或 JS 中创建一个像 <img id='user_id' src='genUser.php' />
4：将该图像绘制到画布上 ctx.drawImage(document.getElementById('user_id'), 0, 0);
5：使用 读取该图像的字节ctx.getImageData，并将整数转换为十六进制字符串。
6：这是您的唯一用户 ID，现在缓存在您的用户计算机上。