无需Cookie或本地存储的用户识别

2020/09/30 20:21 · php ·  · 0评论

我正在构建一个分析工具,目前可以从其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?我不期望在这里有代码示例。只是进一步了解的简单提示。

忘了提及,如果它是同一台计算机/设备,则需要与跨浏览器兼容。基本上我是在设备识别之后才真正不是用户。

介绍

如果我对您的理解正确,则需要确定一个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。您不能可靠地存储用户的身份,因为:

  • Cookies可以删除
  • IP地址可以更改
  • 浏览器可以更改
  • 浏览器缓存可能已删除

Java Applet或Com Object使用硬件信息的哈希本来是一种简单的解决方案,但是如今人们对安全性的认识如此之深,以至于很难让人在他们的系统上安装这类程序。这使您无法使用Cookie和其他类似工具。

Cookies和其他类似工具

您可能会考虑先建立一个数据配置文件,然后使用概率测试来识别一个可能的用户可以通过以下某种组合来生成对此有用的配置文件:

  1. IP地址

    • 真实IP地址
    • 代理IP地址(用户经常重复使用同一代理)
  2. 饼干

  3. Web错误(可靠性较差,因为错误已得到修复,但仍然有用)

    • PDF错误
    • Flash错误
    • Java错误
  4. 浏览器

    • 点击跟踪(许多用户每次访问都会访问相同系列的页面)
    • 浏览器指纹-已安装的插件(人们通常会使用多种多样且有些独特的插件集)
    • 缓存的图片(人们有时会删除其Cookie,但保留缓存的图片)
    • 使用斑点
    • 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/1226894http://www.facebook.com/barackobama?fref=ts
    • 系统字体检测(这是鲜为人知但通常唯一的密钥签名)
  5. HTML5和Javascript

    • HTML5 LocalStorage
    • HTML5地理位置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地识别用户的几种可能方式。还有更多。

使用这组随机数据元素从中构建数据配置文件,下一步是什么?

下一步是开发一些模糊逻辑,或者更好的是开发一个人工神经网络(使用模糊逻辑)。无论哪种情况,其想法都是先训练您的系统,然后将其训练与贝叶斯推理相结合,以提高结果的准确性。

人工神经网络

用于PHPNeuralMesh库允许您生成人工神经网络。要实现贝叶斯推理,请查看以下链接:

此时,您可能正在考虑:

为什么要为看似简单的任务花费那么多数学和逻辑?

基本上,因为这不是一个简单的任务实际上,您想要实现的是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

您实质上要问的问题是:

接收到的数据(B + C + E + G + F + K)实际上是User1还是User2的概率是多少?那两场比赛中哪一场有可能?

为了有效回答这个问题,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(这就是为什么我要给您提供链接),但是一个很好的例子是Medical Diagnosis Wizard Application,它使用多种症状组合来识别可能的疾病。

考虑一下一系列数据点,这些数据点将您的数据配置文件(在上面的示例中为B + C + E + G + F + K)作为症状,而将未知用户称为疾病通过确定疾病,您可以进一步确定适当的治疗方法(将该用户视为User1)。

显然,我们已经识别出多种症状疾病更容易识别。实际上,我们可以确定的症状越多,几乎可以肯定我们的诊断就越容易和准确。

还有其他选择吗?

当然。作为一种替代方法,您可以创建自己的简单评分算法,并将其基于完全匹​​配。这不像概率那样有效,但是对您来说可能更容易实现。

例如,考虑以下简单的得分表:

+ ------------------------- + -------- + ------------ +
| 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 Cookies | 80 | 8 |
| 会话Cookie | 80 | 6 |
| 第三方Cookie | 60 | 4 |
| Flash Cookies | 90 | 7 |
| PDF错误| 20 | 1 |
| Flash Bug | 20 | 1 |
| Java错误| 20 | 1 |
| 常用页面| 40 | 1 |
| 浏览器指纹| 35 | 2 |
| 已安装的插件| 25 | 1 |
| 缓存的图像| 40 | 3 |
| 网址| 60 | 4 |
| 系统字体检测| 70 | 4 |
| 本地存储| 90 | 8 |
| 地理位置| 70 | 6 |
| 奥特| 70 | 4 |
| 网络信息API | 40 | 3 |
| 电池状态API | 20 | 1 |
+ ------------------------- + -------- + ------------ +

对于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

对于概念的简单证明,请查看PerceptronPerceptron是一种通常用于模式识别应用程序RNA模型甚至还有一个旧的PHP类都可以完美地实现它,但是您可能需要出于自身目的对其进行修改。

尽管Perceptron是一个出色的工具,但它仍然可以返回多个结果(可能的匹配项),因此使用“得分和差异”比较仍然可以帮助您识别出最好的匹配项。

假设条件

  • 存储有关每个用户的所有可能信息(IP,Cookie等)
  • 如果结果完全匹配,则将分数提高1
  • 如果结果不完全匹配,则将分数降低1

期望

  1. 产生RNA标签
  2. 生成模拟数据库的随机用户
  3. 生成一个未知用户
  4. 生成未知的用户RNA和值
  5. 该系统将合并RNA信息并教授感知器
  6. 训练感知器后,系统将具有一组权重
  7. 现在,您可以测试未知用户的模式,并且Perceptron将产生结果集。
  8. 存储所有肯定的比赛
  9. 首先按照得分,然后按照差异对比赛进行排序(如上所述)
  10. 输出两个最接近的匹配项,或者,如果找不到匹配项,则输出空结果

概念验证代码

$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 ";
}

输出:

Possible Match D (0.7416|0.16853),C (0.5393|0.2809)

“ D”的Print_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(传感器和所需),初始权重,Output(传感器,总和,网络),错误,校正和最终权重

+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| 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至x20表示由代码转换的要素。

// 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

使用的班级:

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;
    }
}

改良感知器类

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

识别没有唯一标识符的用户不是一件简单而简单的任务。它取决于收集足够数量的随机数据,您可以通过多种方法从用户那里收集这些数据。

即使您选择不使用人工神经网络,我也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能为您提供足够的帮助。

这种技术(用于检测没有cookie或什至没有ip地址的相同用户)称为浏览器指纹识别基本上,您会尽可能地浏览有关浏览器的信息-使用javascript,flash或java(例如已安装的扩展名,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。

它不是万无一失的,但是:

所见浏览器的83.6%具有唯一的指纹;其中启用Flash或Java的用户占94.2%。这不包括cookie!

更多信息:

上面提到的指纹验证有效,但仍然会产生细菌。

一种方法是将UID添加到与用户每次互动的网址中。

http://someplace.com/12899823/user/profile

站点中的每个链接都使用此修饰符进行修改的地方。它类似于ASP.Net用于在页面之间使用FORM数据的方式。

您有看过Evercookie吗?它可能无法在所有浏览器上运行。他们网站的摘录。

“如果用户在一个浏览器上获得cookie并切换到另一浏览器,只要他们仍然具有本地共享对象cookie,该cookie就会在两个浏览器中重现。”

您可以使用已缓存的png来执行此操作,这在某种程度上是不可靠的(不同的浏览器的行为有所不同,并且如果用户清除其缓存将失败),但这是一个选择。

1:设置一个数据库,该数据库将唯一的用户标识存储为十六进制字符串

2:创建一个genUser.php(或任何语言)文件,该文件生成用户ID,将其存储在数据库中,然后从该十六进制字符串的值(每个像素为4个字节)中创建一个真彩色.png并返回到浏览器。确保设置内容类型和缓存头。

3:在HTML或JS中创建类似的图像 <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,然后将整数转换为十六进制字符串。

6:这是您的唯一用户ID,现在已缓存在用户计算机上。

您可以使用etags。尽管我不确定这是一堆法律诉讼案。

如果您适当地警告用户,或者您拥有类似Intranet网站的内容,那可能没问题。

您可能会创建一个Blob来存储设备标识符...

缺点是用户需要下载Blob(可以强制进行下载),因为浏览器无法访问文件系统来直接保存文件。

参考:

https://www.inkling.com/read/javascript-definitive-guide-david-flanagan-6th/chapter-22/blobs

根据您的意见:

基本上我是在设备识别之后才真正不是用户

最好的方法是发送作为NIC ID的mac地址。

您可以看一下这篇文章:
如何获取PHP中已连接客户端的MAC和IP地址?

效率低下,但可能会给您所需的结果,这将是轮询您这一边的API。在客户端有一个后台进程,该进程每隔一段时间发送一次用户数据。您需要一个用户标识符才能发送到您的API。一旦有了,您就可以发送与该唯一标识符关联的任何信息。

这消除了对cookie和本地存储的需求。

我不敢相信,http://browserspy.dk在这里仍然没有被提及!该网站描述了许多功能(就模式识别而言),可用于构建分类器。

当然,为了评估这些功能,我建议使用支持向量机,尤其是libsvm

在一个会话期间或跨会话跟踪它们?

如果您的站点是HTTPS Everywhere,则可以使用TLS会话ID来跟踪用户的会话

  1. 创建一个跨平台的虚拟(nsapi)插件,并在用户下载时(例如,登录后)为插件名称或版本生成唯一的名称。
  2. 提供插件安装程序/根据策略进行安装

这将要求用户自愿安装标识符。

安装插件后,任何(启用插件的)浏览器指纹都将包含此特定插件。要将信息返回给服务器,需要一种在客户端有效检测插件的算法,否则IE和Firefox> = 28用户将需要一个可能的有效标识表。

这需要对一项可能被浏览器供应商关闭的技术进行相对较高的投资。当您能够说服用户安装插件时,可能还有诸如安装本地代理,使用vpn或修补网络驱动程序之类的选项。

不想被识别的用户(或他们的机器)将始终找到防止其被识别的方法。

本文地址:http://php.askforanswer.com/wuxucookiehuobendicunchudeyonghushibie.html
文章标签: ,   ,   ,  
版权声明:本文为原创文章,版权归 admin 所有,欢迎分享本文,转载请保留出处!

文件下载

老薛主机终身7折优惠码boke112

上一篇:
下一篇:

评论已关闭!