{ "version": 1, "updated": "2026-10-12", "papers": [ { "id": "p-393f6f0ba085", "title": "Bot Detection Methods Using Browser Fingerprinting", "titleFa": "روش‌های تشخیص ربات با استفاده از اثرانگشت مرورگر", "authors": [ "Amir Tohidi" ], "year": 2026, "venue": "Shahid Beheshti University; local seminar report", "domains": [ "intersection" ], "topics": [ "foundations", "detection" ], "kind": "local-report", "status": "local-context-reviewed", "sections": [ { "heading": { "en": "Existing seminar work", "fa": "کار سمینار موجود" }, "en": "This supplied 50-page narrative review is a useful outline for the thesis. It combines historical fingerprinting, bot taxonomy, contemporary detection and proposed research paths. It is secondary evidence, not a new independently evaluated detector.", "fa": "این مرور روایی ۵۰صفحه‌ای ارائه‌شده طرح اولیهٔ مناسبی برای تز است. تاریخ اثرانگشت، طبقه‌بندی بات، تشخیص معاصر و مسیرهای پژوهشی را کنار هم می‌گذارد. گزارش منبع ثانویه است و آشکارساز مستقلِ ارزیابی‌شدهٔ جدیدی معرفی نمی‌کند.", "pages": [ 1, 2, 5, 8 ] }, { "heading": { "en": "Question and labels", "fa": "پرسش و برچسب‌ها" }, "en": "The report asks which signals make spoofing costly, whether uniqueness is needed, how spatial/temporal inconsistency is extracted, and how behavior adds value. It recognizes that commercial detector labels may introduce circular evaluation. The atlas connects those questions to primary-source records and specific caveats.", "fa": "گزارش دربارهٔ هزینهٔ جعل، ضرورت یکتایی، استخراج ناسازگاری فضایی/زمانی و ارزش افزودهٔ رفتار پرسش می‌سازد. برچسب محصول تجاری را منشأ احتمالی ارزیابی حلقوی می‌داند. اطلس این پرسش‌ها را به پروندهٔ منابع اولیه و محدودیت‌های مشخص پیوند می‌دهد.", "pages": [ 7, 8 ] }, { "heading": { "en": "Fingerprint as evidence", "fa": "اثرانگشت به‌عنوان شاهد" }, "en": "Device configuration differences combine into a distinguishable browser profile. A fingerprint may support linking or environment checks, but neither a rare fingerprint nor a privacy-preserving modification proves malicious intent. Coarse implementation checks have a different purpose from persistent individual tracking.", "fa": "تفاوت پیکربندی دستگاه‌ها در کنار هم نمایهٔ متمایز مرورگر می‌سازد. اثرانگشت می‌تواند برای پیوند یا بررسی محیط مفید باشد، اما کمیابی یا تغییر حریم‌خصوصی‌محور، بدخواهی را ثابت نمی‌کند. آزمون درشت‌دانهٔ پیاده‌سازی هدفی متفاوت از رهگیری پایدار فرد دارد.", "pages": [ 8, 9, 40, 45 ] }, { "heading": { "en": "Comparative reading", "fa": "خواندن مقایسه‌ای" }, "en": "The synthesis distinguishes sample uniqueness, authentication error, browser-cluster assignment and bot evasion. GAN/DRL work demonstrates adaptation, whereas Browser Polygraph and FP-Inconsistent emphasize implementation consistency. Their metrics and populations should not be ranked as if they measured the same outcome.", "fa": "ترکیب گزارش یکتایی نمونه، خطای احراز هویت، تخصیص خوشهٔ مرورگر و فرار بات را جدا می‌کند. کار GAN/DRL تطبیق مهاجم را نشان می‌دهد؛ Browser Polygraph و FP-Inconsistent بر سازگاری پیاده‌سازی تمرکز دارند. معیارها و جمعیت‌های آن‌ها را نباید سنجش یک خروجی واحد دانست.", "pages": [ 40, 41, 43, 44 ] }, { "heading": { "en": "Graduated decisions", "fa": "تصمیم مرحله‌ای" }, "en": "The report proposes combining network, HTTP, browser environment, behavior and session context into an interpretable risk assessment. It recommends proportionate responses rather than immediate blocking from one signal. This is a design proposal requiring validation, especially on legitimate agents and users with changing environments.", "fa": "گزارش ترکیب شبکه، HTTP، محیط مرورگر، رفتار و زمینهٔ نشست را در ارزیابی خطر توضیح‌پذیر پیشنهاد می‌کند. پاسخ متناسب را به‌جای مسدودسازی فوری با یک نشانه توصیه می‌کند. این پیشنهاد طراحی نیازمند اعتبارسنجی، به‌ویژه روی عامل مشروع و کاربر با محیط متغیر است.", "pages": [ 45, 46 ] }, { "heading": { "en": "Five thesis directions", "fa": "پنج مسیر تز" }, "en": "The closing proposals cover minimal three-class features; cross-layer consistency graphs; privacy-conscious drift resistance; separating agent origin from action risk; and a consent-based adaptive benchmark. They specify disjoint agents/tasks/time, false alarms, latency, data cost and retraining cost as evaluation concerns.", "fa": "پیشنهادهای پایانی شامل کمینه‌ویژگی سه‌کلاسه، گراف سازگاری چندلایه، مقاومت به رانش با حفظ حریم خصوصی، تفکیک منشأ عامل از خطر عمل و بنچمارک تطبیقی رضایت‌محور است. عامل/تکلیف/زمان مستقل، هشدار کاذب، تأخیر، هزینهٔ داده و بازآموزی را معیار ارزیابی می‌داند.", "pages": [ 45, 46 ] } ], "findings": [ { "en": "The report’s main contribution is synthesis and a research outline, not new measured detector performance.", "fa": "دستاورد اصلی گزارش ترکیب دانش و طرح پژوهش است، نه عملکرد اندازه‌گیری‌شدهٔ آشکارساز جدید.", "pages": [ 45, 46 ] } ], "limitations": [ { "en": "Selected report sections reviewed; original papers remain the authority for quantitative claims.", "fa": "بخش‌های منتخب گزارش بررسی شده‌اند؛ مرجع اعداد، مقالهٔ اصلی است.", "pages": [ 8, 44 ] }, { "en": "Persian PDF extraction reorders some digits and drops words. Do not copy extracted numerical strings into the thesis without checking the rendered source.", "fa": "استخراج PDF فارسی ترتیب بعضی ارقام را عوض می‌کند و واژه حذف می‌کند. رشتهٔ عددی استخراج‌شده را بدون تطبیق با صفحهٔ منبع به تز منتقل نکن.", "pages": [ 2, 44, 50 ] } ], "figures": [], "keywords": [ "thesis", "consistency" ], "related": [ "p-c3831a18da8c", "p-79a8187df7aa", "new-fp-agent" ], "problem": { "en": "Organize the thesis background.", "fa": "سامان‌دهی پیشینهٔ تز." }, "idea": { "en": "Review browser fingerprinting and automation detection.", "fa": "مرور اثرانگشت مرورگر و تشخیص خودکارسازی." }, "result": { "en": "Local narrative review; not an independent detector evaluation.", "fa": "مرور روایی محلی؛ فاقد ارزیابی مستقل آشکارساز." }, "sourceUrl": "", "thesisUse": { "en": "Our synthesis: turn the narrative review into a claim-to-source table. Separate device uniqueness, fingerprint consistency, fingerprinting-script detection and human-versus-bot classification. Each requires its own labels, metrics and threat model.", "fa": "تحلیل ما: مرور روایی را به جدول ادعا و منبع تبدیل کن. یکتایی دستگاه، سازگاری اثرانگشت، تشخیص اسکریپت اثرانگشت‌گیر و طبقه‌بندی انسان/بات را جدا کن. هر یک برچسب، معیار و مدل تهدید مستقل دارد." }, "reviewScope": { "en": "Title, abstract, contents, introductory context pages 5–9, selected comparative synthesis pages 40–46 and final abstract reviewed. Other report sections were not fully audited; numerical claims must be verified against original papers.", "fa": "عنوان، چکیده، فهرست، زمینهٔ مقدمهٔ صفحات ۵–۹، ترکیب مقایسه‌ای منتخب صفحات ۴۰–۴۶ و چکیدهٔ پایانی بررسی شد. سایر بخش‌ها ممیزی کامل نشده‌اند؛ اعداد باید با مقالهٔ اصلی تطبیق داده شوند." }, "pdf": "papers/p-393f6f0ba085.pdf", "pages": 50, "sha256": "393f6f0ba085010ef955a48c1a27daf7dc1817dae317b08f231b3ea72a4d54df", "sourcePath": "amir_tohidi.pdf", "duplicates": [], "isNew": false }, { "id": "new-detecting-bot-detection", "title": "Detecting Bot Detection: Prevalence, Techniques, and Implications for Web Measurement Research", "titleFa": "تشخیص سازوکار تشخیص بات: مطالعهٔ اندازه‌گیری", "authors": [ "Ralf Gundelach", "Michael Mühlhäuser", "Dominik Herrmann" ], "year": 2026, "venue": "ARES 2026; arXiv 2606.14525", "domains": [ "bots", "intersection" ], "topics": [ "measurement", "detection", "evasion" ], "kind": "paper", "status": "full-text-reviewed", "sections": [ { "heading": { "en": "Review", "fa": "مرور" }, "en": "67/81 papers omit blocking.", "fa": "۶۷ از ۸۱ مقاله فاقد بحث مسدودسازی.", "pages": [ 8 ] }, { "heading": { "en": "Design", "fa": "طرح" }, "en": "10,000 sites; four configurations.", "fa": "۱۰هزار سایت؛ چهار پیکربندی.", "pages": [ 12, 13 ] }, { "heading": { "en": "Instrumentation", "fa": "پایش" }, "en": "132 properties; three confidence tiers.", "fa": "۱۳۲ ویژگی؛ سه سطح اطمینان.", "pages": [ 13, 14 ] }, { "heading": { "en": "Blocking", "fa": "مسدودسازی" }, "en": "Blocks: HTTP 403/429/503.", "fa": "مسدودسازی: HTTP 403/429/503.", "pages": [ 15 ] }, { "heading": { "en": "Attribution", "fa": "انتساب" }, "en": "Confirmed versus inferred blocks.", "fa": "مسدودسازی تأییدشده/استنباطی.", "pages": [ 16, 17 ] }, { "heading": { "en": "Reporting", "fa": "گزارش" }, "en": "Report versions, failures, infrastructure.", "fa": "گزارش نسخه، شکست، زیرساخت.", "pages": [ 20, 21 ] } ], "findings": [ { "en": "Chromium: headless 15.2%, headed 7.2% blocked.", "fa": "Chromium: مسدودسازی بدون پنجره ۱۵٫۲٪، با پنجره ۷٫۲٪.", "pages": [ 15 ] }, { "en": "Tier-one checks: 3,649/7,944 successful scans.", "fa": "بررسی سطح اول: ۳۶۴۹ از ۷۹۴۴ اسکن موفق.", "pages": [ 17 ] }, { "en": "Header changes: 590/784 requests return 2xx.", "fa": "تغییر هدر: ۵۹۰ از ۷۸۴ درخواست پاسخ 2xx گرفتند.", "pages": [ 16 ] } ], "limitations": [ { "en": "One data-center; detectable instrumentation.", "fa": "یک مرکز داده؛ پایش قابل‌تشخیص.", "pages": [ 14, 15 ] }, { "en": "Headed automation is not human.", "fa": "خودکارسازی پنجره‌دار انسان نیست.", "pages": [ 15, 20 ] } ], "figures": [ { "label": "Table 3", "page": 8, "caption": { "en": "Reporting gaps.", "fa": "نقص گزارش." }, "insight": { "en": "Missing evidence matters.", "fa": "نبود شواهد مهم است." }, "image": "figures/new-detecting-bot-detection-page-8-detail.webp" }, { "label": "Table 6", "page": 15, "caption": { "en": "Browser conditions.", "fa": "وضعیت مرورگر." }, "insight": { "en": "Use explicit denominators.", "fa": "مخرج را مشخص کن." }, "image": "figures/new-detecting-bot-detection-page-15-detail.webp" }, { "label": "Table 7", "page": 17, "caption": { "en": "Signals.", "fa": "سیگنال‌ها." }, "insight": { "en": "Presence differs from blocking.", "fa": "وجود سامانه با مسدودسازی متفاوت است." }, "image": "figures/new-detecting-bot-detection-page-17-detail.webp" } ], "keywords": [ "headless", "measurement", "webdriver" ], "related": [ "new-automated-traffic", "new-multilayer-agents", "new-fp-agent" ], "sourceUrl": "https://arxiv.org/abs/2606.14525", "problem": { "en": "Does automation bias web measurement?", "fa": "آیا خودکارسازی اندازه‌گیری وب را منحرف می‌کند؟" }, "idea": { "en": "Compare browser modes and instrument detection APIs.", "fa": "مقایسهٔ حالت مرورگر و پایش API تشخیص." }, "result": { "en": "Blocking depends on browser and request headers.", "fa": "مسدودسازی به مرورگر و هدر وابسته است." }, "thesisUse": { "en": "Our proposal: pre-register an evaluation matrix covering browser engine, headed mode, network location and request headers. Track unsuccessful visits rather than discarding them, and report API instrumentation side effects. Detection-system presence, observed challenge and confirmed bot rejection need distinct labels. A genuine human control group is required to estimate false positives. The paper’s roughly 82% attribution combines confirmed vendor evidence with inferred condition-dependent cases; it is not 82% vendor-confirmed blocking.", "fa": "پیشنهاد ما: ماتریس موتور مرورگر، حالت پنجره، محل شبکه و هدر را پیشاپیش تعریف کن. بازدیدهای ناموفق را حذف نکن و اثر جانبی ابزار پایش را گزارش بده. وجود سامانهٔ تشخیص، مشاهدهٔ چالش و رد تأییدشدهٔ بات برچسب‌های جدا لازم دارند. برای سنجش مثبت کاذب گروه کنترل انسانی واقعی ضروری است. انتساب حدود ۸۲درصدی مقاله ترکیب شاهد تأییدشدهٔ فروشنده و استنباط وابسته به وضعیت است؛ به معنای ۸۲درصد مسدودسازی تأییدشدهٔ فروشنده نیست." }, "metadataEvidence": "https://psi.uni-bamberg.de/de/forschung/bot-detection/", "pdf": "papers/new-detecting-bot-detection.pdf", "pages": 22, "sha256": "cfa2c772895c4b60c76d9f7ecdae5271b4a4c35e2319b8db4df66b01732c8112", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2606.14525", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-digital-identities", "title": "Digital identities in the 21st Century", "titleFa": "هویت‌های دیجیتال در قرن بیست‌ویکم", "year": 2026, "authors": [ "Hari Venugopalan" ], "venue": "PhD dissertation, University of California, Davis", "kind": "thesis", "domains": [ "intersection" ], "topics": [ "foundations", "detection", "privacy", "authentication" ], "status": "thesis-chapters-reviewed", "sourceUrl": "https://escholarship.org/uc/item/6cb7j7n0", "problem": { "en": "Separate security identity from tracking.", "fa": "جداسازی هویت امنیتی از ردیابی." }, "idea": { "en": "Context-dependent identity questions.", "fa": "پرسش‌های هویتی وابسته به زمینه." }, "result": { "en": "Chapter 5 reproduces FP-Inconsistent; no independent experiment.", "fa": "فصل پنجم بازنشر FP-Inconsistent است؛ آزمایش مستقل نیست." }, "sections": [ { "heading": { "en": "Reviewed scope", "fa": "دامنه مرور" }, "en": "Only Chapters 1,5,7 reviewed: pages13–18,133–165,223–225.", "fa": "فقط فصل‌های ۱،۵،۷: صفحات۱۳–۱۸،۱۳۳–۱۶۵،۲۲۳–۲۲۵ مرور شدند.", "pages": [ 13, 18, 133, 165, 223, 225 ] }, { "heading": { "en": "Framework", "fa": "چارچوب" }, "en": "Authorization differs from identification.", "fa": "مجوز از شناسایی متفاوت است.", "pages": [ 14, 15 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "507,080 requests;20 sellers;same published study.", "fa": "۵۰۷۰۸۰ درخواست؛۲۰ فروشنده؛همان مطالعه منتشرشده.", "pages": [ 142 ] }, { "heading": { "en": "Mechanism", "fa": "سازوکار" }, "en": "Spatial compatibility plus cookie/IP temporal rules.", "fa": "سازگاری مکانی و قواعد زمانی کوکی/IP.", "pages": [ 155, 156, 157, 158 ] }, { "heading": { "en": "Results", "fa": "نتایج" }, "en": "DataDome55.44→76.88%;BotD47.07→70.86%;student TNR96.84%.", "fa": "DataDome55.44→76.88٪؛BotD47.07→70.86٪؛TNR دانشجو96.84٪.", "pages": [ 160 ] }, { "heading": { "en": "Privacy", "fa": "حریم خصوصی" }, "en": "Tor false positives;Brave temporal exceptions;stable identifiers threaten privacy.", "fa": "مثبت کاذب Tor؛استثنای زمانی Brave؛شناسه پایدار تهدید خصوصی.", "pages": [ 161, 162, 163 ] } ], "findings": [ { "en": "Chapter5 extends identity framing, not dataset evidence.", "fa": "فصل۵ چارچوب هویت را توسعه می‌دهد، نه شواهد داده.", "pages": [ 133, 165 ] }, { "en": "2,206 student requests;300 privacy requests.", "fa": "۲۲۰۶ درخواست دانشجو؛۳۰۰ درخواست خصوصی.", "pages": [ 160, 161 ] }, { "en": "Security, privacy and accessibility jointly matter.", "fa": "امنیت،حریم خصوصی و دسترس‌پذیری مشترکاً مهم‌اند.", "pages": [ 225 ] } ], "limitations": [ { "en": "Other chapters unreviewed.", "fa": "فصل‌های دیگر مرور نشده.", "pages": [ 18 ] }, { "en": "Request split cannot establish unseen-provider generalization.", "fa": "تقسیم درخواست تعمیم فروشنده نادیده را ثابت نمی‌کند.", "pages": [ 159 ] }, { "en": "Algorithm ambiguities persist.", "fa": "ابهام الگوریتم باقی است.", "pages": [ 158 ] } ], "figures": [ { "label": "Figure 5.1", "page": 138, "caption": { "en": "Secret-path attribution.", "fa": "انتساب مسیر مخفی." }, "insight": { "en": "Source isolation.", "fa": "جداسازی منشأ." }, "image": "figures/new-digital-identities-page-138-detail.webp" }, { "label": "Table 5.5", "page": 160, "caption": { "en": "Spatial/temporal comparisons.", "fa": "مقایسه مکانی/زمانی." }, "insight": { "en": "Spatial dominates uplift.", "fa": "سود مکانی غالب است." }, "image": "figures/new-digital-identities-page-160-detail.webp" } ], "thesisUse": { "en": "Our thesis synthesis/proposal: structure the research around the minimum decision the website actually needs. First distinguish whether the actor is automated, whether it has permission, and whether events belong to the same actor; those questions imply different data and privacy budgets. A bot label alone should not justify blocking, because legitimate agents, accessibility tools and approved crawlers are automated too. Design an evaluation matrix crossing human/privacy-browser/authorized-agent/abusive-agent populations with spatial and temporal detector variants. Include friction and accessible fallback outcomes alongside error rates. Treat the dissertation chapter and FP-Inconsistent paper as one evidence family in a systematic review, avoiding double-counting. Use the framework as conceptual motivation; test its operational assumptions independently on matched real users and agents.", "fa": "تحلیل و پیشنهاد ما برای تز: پژوهش را حول کمینه تصمیم مورد نیاز سایت سازمان بده. ابتدا خودکار بودن، مجاز بودن و تعلق رویدادها به یک بازیگر را جدا کن؛ این پرسش‌ها داده و بودجه حریم خصوصی متفاوت می‌خواهند. برچسب بات به‌تنهایی دلیل مسدودسازی نیست، چون عامل مشروع، ابزار دسترس‌پذیری و خزنده مجاز هم خودکارند. ماتریس ارزیابی جمعیت انسان/مرورگر خصوصی/عامل مجاز/عامل سوءاستفاده را با نسخه مکانی و زمانی آشکارساز ترکیب کن. اصطکاک و نتیجه مسیر جایگزین دسترس‌پذیر را همراه خطا بسنج. در مرور نظام‌مند فصل تز و مقاله FP-Inconsistent را یک خانواده شواهد بشمار تا دوباره‌شماری نشود. چارچوب را انگیزه مفهومی بدان و فرض عملی آن را مستقلاً در انسان و عامل با وظیفه یکسان آزمون کن." }, "related": [ "p-79a8187df7aa", "p-00fcd1b4467c", "p-df0b0b0c4107" ], "keywords": [ "digital identities", "authorization", "FP-Inconsistent", "privacy", "accessibility" ], "pdf": "papers/new-digital-identities.pdf", "pages": 252, "sha256": "c7df0e425581aa43cfea4e931fe8b4f0e604eeea80e60a0487f6037474558907", "duplicates": [], "downloadUrl": "https://escholarship.org/content/qt6cb7j7n0/qt6cb7j7n0_noSplash_9f4276acacc3c79e2f01b5b3d250140c.pdf", "downloaded": "2026-10-12", "isNew": true }, { "year": 2026, "domains": [ "fingerprinting" ], "topics": [ "signals", "privacy", "measurement" ], "kind": "paper", "status": "metadata-only", "findings": [], "figures": [], "keywords": [ "drift", "privacy" ], "related": [], "id": "new-eadem-instability", "title": "Eadem, Sed Aliter: Investigating the Instability of Browser Fingerprinting", "titleFa": "همان، اما متفاوت: بررسی ناپایداری اثرانگشت مرورگر", "authors": [ "Xu Lin", "Shujiang Wu", "Jacob Eckfeldt", "Pengfei Sun", "Jason Polakis" ], "venue": "ACM IMC 2026; DOI 10.1145/3777912.3809154", "sourceUrl": "https://doi.org/10.1145/3777912.3809154", "problem": { "en": "Browser fingerprint instability; title-level scope.", "fa": "ناپایداری اثرانگشت؛ دامنه در حد عنوان." }, "idea": { "en": "Method not reviewed; full PDF unavailable.", "fa": "روش بررسی نشده؛ PDF کامل دریافت نشد." }, "result": { "en": "No experimental outcome extracted.", "fa": "نتیجهٔ آزمایشی استخراج نشده است." }, "sections": [ { "heading": { "en": "Verified metadata", "fa": "اطلاعات تأییدشده" }, "en": "Author publication page lists IMC 2026 and five authors. The linked publisher PDF returned HTTP 403 on 12 October 2026.", "fa": "صفحهٔ انتشارات نویسنده IMC 2026 و پنج نویسنده را ثبت کرده است. PDF پیوندشدهٔ ناشر در ۱۲ اکتبر ۲۰۲۶ پاسخ HTTP 403 داد.", "pages": [] } ], "limitations": [ { "en": "Bibliographic record only; no verified methods, numbers or figures.", "fa": "فقط پروندهٔ کتاب‌شناختی؛ روش، اعداد و شکل‌ها تأیید نشده‌اند.", "pages": [] } ], "thesisUse": { "en": "Our reading question: distinguish benign instability from intentional inconsistency. When this paper becomes accessible, inspect repeated-measurement controls and false alarms before using drift as a bot signal. This is a proposed question, not an extracted finding.", "fa": "پرسش پیشنهادی ما: ناپایداری طبیعی را از ناسازگاری عمدی جدا کن. پس از دسترسی به مقاله، کنترل اندازه‌گیری تکراری و هشدار کاذب را بررسی کن. این پرسش پیشنهادی است، نه یافتهٔ استخراج‌شده." }, "isNew": true }, { "id": "new-fp-agent", "title": "FP-Agent: Fingerprinting AI Browsing Agents", "titleFa": "FP-Agent: اثرانگشت عامل‌های مرورگر هوشمند", "authors": [ "Ethan Wang", "Zubair Shafiq", "Yash Vekaria" ], "year": 2026, "venue": "arXiv preprint", "domains": [ "intersection", "bots" ], "topics": [ "ai-agents", "behavior", "measurement" ], "kind": "paper", "status": "full-text-reviewed", "sections": [ { "heading": { "en": "Scope", "fa": "دامنه" }, "en": "Seven agents; three tasks.", "fa": "هفت عامل؛ سه تکلیف.", "pages": [ 3, 4 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "1,000 trials/agent; 546 human sessions.", "fa": "۱۰۰۰ اجرا/عامل؛ ۵۴۶ نشست انسانی.", "pages": [ 4, 5 ] }, { "heading": { "en": "Features", "fa": "ویژگی‌ها" }, "en": "418 browser, 50 behavioral features.", "fa": "۴۱۸ ویژگی مرورگر، ۵۰ رفتاری.", "pages": [ 4, 5, 22 ] }, { "heading": { "en": "Method", "fa": "روش" }, "en": "XGBoost; 80/20 split.", "fa": "XGBoost؛ تقسیم ۸۰/۲۰.", "pages": [ 5 ] }, { "heading": { "en": "Interactions", "fa": "تعامل" }, "en": "Typing, scrolling, pointer jumps differ.", "fa": "تایپ، اسکرول، پرش نشانگر متفاوت‌اند.", "pages": [ 7, 8, 9, 10 ] }, { "heading": { "en": "Generalization", "fa": "تعمیم" }, "en": "Unseen tasks weaken behavior-only detection.", "fa": "تکلیف نادیده تشخیص صرفاً رفتاری را تضعیف می‌کند.", "pages": [ 11, 12 ] } ], "findings": [ { "en": "Eight-class F1: browser .8223; behavior .9994; combined 1.0000.", "fa": "F1 هشت‌کلاسه: مرورگر ۰٫۸۲۲۳؛ رفتار ۰٫۹۹۹۴؛ ترکیب ۱.", "pages": [ 6 ] }, { "en": "Held-out combined F1: .9316–.9708.", "fa": "F1 ترکیبی تکلیف نادیده: ۰٫۹۳۱۶–۰٫۹۷۰۸.", "pages": [ 11 ] }, { "en": "Free Cloudflare blocked Manus only.", "fa": "Cloudflare رایگان فقط Manus را مسدود کرد.", "pages": [ 13 ] } ], "limitations": [ { "en": "Closed world; narrow human population; evolving agents.", "fa": "جهان بسته؛ جمعیت انسانی محدود؛ عامل‌های متغیر.", "pages": [ 11, 12 ] } ], "figures": [ { "label": "Table 2", "page": 6, "caption": { "en": "Ablation.", "fa": "حذف ویژگی." }, "insight": { "en": "Combination helps.", "fa": "ترکیب مؤثر است." }, "image": "figures/new-fp-agent-page-6-detail.webp" }, { "label": "Figure 2", "page": 8, "caption": { "en": "Typing.", "fa": "تایپ." }, "insight": { "en": "Input styles differ.", "fa": "شیوهٔ ورود متفاوت است." }, "image": "figures/new-fp-agent-page-8-detail.webp" }, { "label": "Figure 3", "page": 10, "caption": { "en": "Scrolling.", "fa": "اسکرول." }, "insight": { "en": "Task dependence matters.", "fa": "وابستگی به تکلیف مهم است." }, "image": "figures/new-fp-agent-page-10-detail.webp" }, { "label": "Table 4", "page": 11, "caption": { "en": "Unseen tasks.", "fa": "تکالیف نادیده." }, "insight": { "en": "Generalization drops.", "fa": "تعمیم کاهش می‌یابد." }, "image": "figures/new-fp-agent-page-11-detail.webp" }, { "label": "Figure 5", "page": 13, "caption": { "en": "Detection timing.", "fa": "زمان تشخیص." }, "insight": { "en": "Longer observation helps.", "fa": "مشاهدهٔ طولانی‌تر کمک می‌کند." }, "image": "figures/new-fp-agent-page-13-detail.webp" } ], "keywords": [ "ai-agents", "behavior", "SHAP", "XGBoost" ], "related": [ "new-minimal-agent", "new-multilayer-agents", "p-79a8187df7aa" ], "problem": { "en": "Can browsing agents be distinguished?", "fa": "عامل مرورگر قابل تمایز است؟" }, "idea": { "en": "Combine browser and interaction features.", "fa": "ترکیب ویژگی مرورگر و تعامل." }, "result": { "en": "Behavior separates agents better than browser identity.", "fa": "رفتار از هویت مرورگر متمایزکننده‌تر است." }, "sourceUrl": "https://arxiv.org/abs/2605.01247", "thesisUse": { "en": "Our proposal: evaluate browser consistency plus behavior with user-, device-, task- and agent-disjoint splits. Compare early-session latency and false alarms for keyboard-only and assistive-technology users. Treat automation detection separately from malicious intent. This requires new experiments; the paper does not establish deployment-wide reliability.", "fa": "پیشنهاد ما: سازگاری مرورگر را با رفتار ترکیب و جداسازی کاربر، دستگاه، تکلیف و عامل را در آزمون اعمال کن. تأخیر تصمیم و خطای کاربران فقط‌صفحه‌کلید یا ابزارهای کمکی را بسنج. تشخیص خودکارسازی را از نیت مخرب جدا کن. این پیشنهاد نیازمند آزمایش جدید است و مقاله قابلیت اعتماد عمومی استقرار را اثبات نمی‌کند." }, "pdf": "papers/new-fp-agent.pdf", "pages": 23, "sha256": "d24afde8c2a3c3a60ac826082aebe3c62c14b42f360d71abec4ad40f94f63a41", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2605.01247", "downloaded": "2026-10-11", "isNew": true }, { "id": "p-c97377f599d3", "title": "FingerprintJS: What Is It? (Local presentation)", "titleFa": "FingerprintJS چیست؟ (ارائه محلی)", "year": 2026, "authors": [], "venue": "Local Persian PowerPoint presentation; PDF metadata dated 2026-05-27", "kind": "local-report", "domains": [ "fingerprinting", "intersection" ], "topics": [ "signals", "detection", "authentication" ], "status": "full-presentation-reviewed", "sourceUrl": "", "problem": { "en": "The five-slide local presentation introduces FingerprintJS and commercial Fingerprint offerings. It is a learning aid, not a primary research article or verified product benchmark.", "fa": "ارائه محلی پنج‌اسلایدی FingerprintJS و محصولات تجاری Fingerprint را معرفی می‌کند. ابزار یادگیری است، نه مقاله پژوهشی اولیه یا بنچمارک تأییدشده محصول." }, "idea": { "en": "Summarize fingerprint signal families, distinguish the open-source library from Pro, and list fraud-related use cases. Product claims in the slides require version-specific verification.", "fa": "خانواده سیگنال اثر انگشت خلاصه، کتابخانه متن‌باز از Pro جدا و کاربردهای تقلب فهرست می‌شوند. ادعاهای محصول در اسلاید به بررسی ویژه نسخه نیاز دارند." }, "result": { "en": "No new measurements or labeled dataset are supplied. Statements such as guaranteed persistence, unblockability and Pro accuracy are presentation claims, not established experimental findings.", "fa": "اندازه‌گیری جدید یا داده برچسب‌خورده ارائه نمی‌شود. پایداری تضمینی، غیرقابل‌مسدودبودن و صحت Pro ادعای ارائه‌اند، نه یافته تجربی اثبات‌شده." }, "sections": [ { "heading": { "en": "Artifact and scope", "fa": "نوع اثر و دامنه" }, "en": "This is a five-page Persian presentation with PowerPoint metadata, introducing visitor identification. The year 2026 is the local artifact timestamp and should not be confused with the origin date of FingerprintJS.", "fa": "این ارائه فارسی پنج‌صفحه‌ای با فراداده PowerPoint، شناسایی بازدیدکننده را معرفی می‌کند. سال ۲۰۲۶ زمان اثر محلی است و نباید تاریخ پیدایش FingerprintJS تلقی شود.", "pages": [ 1, 5 ] }, { "heading": { "en": "Visitor identification", "fa": "شناسایی بازدیدکننده" }, "en": "The presentation contrasts environment-derived visitor identifiers with cookies. Its claims of unchanged identifiers after deletion and inability to block collection are overbroad: the slides contain no adversarial or longitudinal evaluation proving those guarantees.", "fa": "ارائه شناسه مبتنی بر محیط را با کوکی مقایسه می‌کند. ادعای ثابت‌ماندن پس از پاک‌سازی و ناممکن‌بودن مسدودسازی بیش از حد کلی است؛ اسلاید ارزیابی مهاجم یا طولی برای این تضمین‌ها ندارد.", "pages": [ 1 ] }, { "heading": { "en": "Signal families", "fa": "خانواده سیگنال" }, "en": "Listed inputs include platform, vendor, language, screen, hardware concurrency, storage support, canvas, audio and fonts. Network/TLS items are also listed, but the slides do not establish that every item is measured by the open-source client library itself.", "fa": "ورودی‌های فهرست‌شده شامل پلتفرم، سازنده، زبان، نمایشگر، هسته منطقی، پشتیبانی ذخیره‌سازی، canvas، صوت و فونت‌اند. شبکه و TLS هم آمده‌اند ولی اسلاید ثابت نمی‌کند همه موارد توسط خود کتابخانه متن‌باز کلاینت اندازه گرفته شوند.", "pages": [ 2 ] }, { "heading": { "en": "Open source versus Pro", "fa": "متن‌باز در برابر Pro" }, "en": "A comparison table attributes richer signals and service support to Pro. Accuracy, retention and service availability values are not accompanied by a dataset, version or measurement method, so they must be treated as unverified slide claims.", "fa": "جدول مقایسه، سیگنال غنی‌تر و خدمات را به Pro نسبت می‌دهد. صحت، نگهداری و دسترس‌پذیری سرویس، داده و نسخه و روش سنجش ندارند و باید ادعای تأییدنشده اسلاید محسوب شوند.", "pages": [ 3 ] }, { "heading": { "en": "Security applications", "fa": "کاربرد امنیتی" }, "en": "Use cases include account abuse, payments, content scraping, automation and trusted-device handling. These are product use-case categories, not proof that an identifier alone can distinguish humans, malicious bots and legitimate bots.", "fa": "کاربردها سوءاستفاده حساب، پرداخت، خزش محتوا، خودکارسازی و دستگاه مورداعتمادند. این‌ها دسته کاربرد محصول‌اند و ثابت نمی‌کنند شناسه به‌تنهایی انسان، بات مخرب و بات مشروع را متمایز می‌کند.", "pages": [ 4 ] }, { "heading": { "en": "References and thesis use", "fa": "منابع و کاربرد تز" }, "en": "The final slide points to open-source and Pro demos and product documentation. Thesis inference: use the deck to orient implementation choices, then cite official versioned documentation and independent papers for properties and security claims.", "fa": "اسلاید آخر به دموی متن‌باز و Pro و مستند محصول اشاره می‌کند. برداشت تز: ارائه را برای جهت‌گیری پیاده‌سازی استفاده کنید و برای خاصیت و ادعای امنیتی به مستند رسمی نسخه‌دار و مقاله مستقل استناد کنید.", "pages": [ 5 ] } ], "findings": [ { "en": "The deck separates open-source identification from commercial capabilities.", "fa": "ارائه شناسایی متن‌باز را از قابلیت تجاری جدا می‌کند.", "pages": [ 3 ] }, { "en": "Its accuracy table has no empirical denominator or benchmark.", "fa": "جدول صحت مخرج تجربی یا بنچمارک ندارد.", "pages": [ 3 ] }, { "en": "Its use cases include bot detection, but it does not evaluate a bot detector.", "fa": "کاربرد تشخیص بات آمده ولی آشکارساز بات ارزیابی نشده است.", "pages": [ 4 ] } ], "limitations": [ { "en": "Not a peer-reviewed research source and supplies no independent results.", "fa": "منبع پژوهشی داوری‌شده نیست و نتیجه مستقل ندارد.", "pages": [ 1, 3 ] }, { "en": "Signal availability and commercial feature claims need current version-specific confirmation.", "fa": "دسترس‌پذیری سیگنال و قابلیت تجاری به تأیید جاری ویژه نسخه نیاز دارد.", "pages": [ 2, 3 ] }, { "en": "Absolute persistence and unblockability claims should not be reused as guarantees.", "fa": "ادعای مطلق پایداری و غیرقابل‌مسدودبودن نباید به‌عنوان تضمین بازاستفاده شود.", "pages": [ 1 ] } ], "figures": [ { "label": "Slide 2", "page": 2, "caption": { "en": "Illustrative entropy-source list.", "fa": "فهرست نمونه منابع آنتروپی." }, "insight": { "en": "Separate browser-visible features from server-side commercial telemetry.", "fa": "ویژگی قابل‌مشاهده مرورگر را از تله‌متری تجاری سمت سرور جدا کنید." }, "image": "figures/p-c97377f599d3-page-2-detail.webp" }, { "label": "Slide 3", "page": 3, "caption": { "en": "Open-source versus Pro claims.", "fa": "ادعاهای متن‌باز در برابر Pro." }, "insight": { "en": "A presentation comparison without controlled evaluation.", "fa": "مقایسه ارائه‌ای بدون ارزیابی کنترل‌شده است." }, "image": "figures/p-c97377f599d3-page-3-detail.webp" } ], "thesisUse": { "en": "Our synthesis: an implementation-oriented introduction only; cite independent evidence for uniqueness, stability, replay resistance and bot-detection quality.", "fa": "تحلیل ما: تنها مقدمه پیاده‌سازی است؛ یکتایی، پایداری، مقاومت بازپخش و کیفیت تشخیص بات شاهد مستقل می‌خواهند." }, "related": [ "p-c17998dae976", "p-4e9a4185f215" ], "keywords": [ "FingerprintJS", "Fingerprint Pro", "visitor ID", "canvas", "audio", "product claims" ], "pdf": "papers/p-c97377f599d3.pdf", "pages": 5, "sha256": "c97377f599d3f8fb151186dc07f185fae7de102025b5188ea475fbe0cf13312d", "sourcePath": "ارائه\\2\\FingerprintJS.pdf", "duplicates": [], "isNew": false }, { "id": "new-mouse-sophistication", "title": "How Effective Is Mouse Dynamics Against Web Bots? A Study Across Different Sophistication Levels", "titleFa": "پویایی ماوس در برابر بات‌های وب با سطوح متفاوت پیچیدگی چقدر مؤثر است؟", "authors": [ "Oguzhan Salman", "Kemal Bicakci" ], "year": 2026, "venue": "IEEE Access 14:57895–57909", "domains": [ "bots" ], "topics": [ "behavior", "detection", "evasion" ], "kind": "paper", "status": "abstract-reviewed", "sections": [ { "heading": { "en": "Setup", "fa": "طرح" }, "en": "Publisher abstract describes two custom websites.", "fa": "چکیدهٔ ناشر دو وب‌سایت آزمایشی را توصیف می‌کند.", "pages": [] }, { "heading": { "en": "Layers", "fa": "لایه‌ها" }, "en": "Random Forest targets synthetic and cross-domain replay; DTW detects same-domain replay.", "fa": "جنگل تصادفی برای دادهٔ مصنوعی و بازپخش بین‌دامنه؛ DTW برای بازپخش هم‌دامنه.", "pages": [] } ], "findings": [], "limitations": [ { "en": "Full PDF not retrieved; detailed figures and metrics unreviewed.", "fa": "PDF کامل دریافت نشد؛ شکل‌ها و معیارهای تفصیلی بررسی نشده‌اند.", "pages": [] } ], "figures": [], "keywords": [ "DTW", "replay", "behavior" ], "related": [], "sourceUrl": "https://research.itu.edu.tr/en/publications/how-effective-is-mouse-dynamics-against-web-bots-a-study-across-d/", "problem": { "en": "Does mouse detection survive replay?", "fa": "آیا تشخیص ماوس در برابر بازپخش مقاوم است؟" }, "idea": { "en": "Combine supervised models, DTW and contextual clicks.", "fa": "ترکیب مدل نظارت‌شده، DTW و زمینهٔ کلیک." }, "result": { "en": "Defense effectiveness depends on replay context.", "fa": "اثربخشی دفاع به زمینهٔ بازپخش وابسته است." }, "thesisUse": { "en": "Our proposal: evaluate replay within and across task contexts as separate attacks. Compare historical matching to a simple context rule before adding a complex model; report legitimate repeated behavior as a source of false alarms.", "fa": "پیشنهاد ما: بازپخش در همان تکلیف و تکلیف متفاوت را دو حملهٔ جدا ارزیابی کن. تطبیق سابقه را پیش از مدل پیچیده با قاعدهٔ سادهٔ زمینه مقایسه کن؛ تکرار مشروع رفتار را هم به‌عنوان منشأ هشدار کاذب بسنج." }, "isNew": true }, { "id": "new-multilayer-agents", "title": "On the Internet, Nobody Knows You’re an LLM Bot: Unmasking Web Agents with Multi-Layer Fingerprinting", "titleFa": "در اینترنت کسی نمی‌داند بات LLM هستی: شناسایی عامل وب با اثرانگشت چندلایه", "year": 2026, "authors": [ "Iliana Fayolle", "Sihem Bouhenniche", "Samuel Pélissier", "Pierre Laperdrix", "Clémentine Maurice", "Walter Rudametkin" ], "venue": "arXiv preprint 2606.30119", "kind": "paper", "domains": [ "intersection" ], "topics": [ "ai-agents", "network", "signals", "detection", "evasion" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2606.30119", "problem": { "en": "Can defenses recognize web agents?", "fa": "آیا دفاع‌ها عامل وب را می‌شناسند؟" }, "idea": { "en": "Combine IP, TLS and browser fingerprints.", "fa": "ترکیب اثرانگشت IP، TLS و مرورگر." }, "result": { "en": "RF accuracy: all layers .993; browser .931.", "fa": "دقت RF: همه لایه‌ها .993؛ مرورگر .931." }, "sections": [ { "heading": { "en": "Setup", "fa": "چیدمان" }, "en": "Six agents; controlled honeysites.", "fa": "شش عامل؛ سایت‌های طعمه کنترل‌شده.", "pages": [ 4, 5 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "1,383 associated visits; classification 1,370.", "fa": "۱۳۸۳ بازدید پیوندشده؛ طبقه‌بندی ۱۳۷۰.", "pages": [ 6, 10 ] }, { "heading": { "en": "Defense", "fa": "دفاع" }, "en": "Some configurations passed all tested defenses.", "fa": "برخی تنظیم‌ها تمام دفاع‌های آزموده را گذراندند.", "pages": [ 7 ] }, { "heading": { "en": "Signals", "fa": "سیگنال" }, "en": "JA4 overlaps among local browsers.", "fa": "JA4 مرورگرهای محلی هم‌پوشان است.", "pages": [ 8, 9 ] }, { "heading": { "en": "Evaluation", "fa": "ارزیابی" }, "en": "80/20 split; ten seeds; TLS accuracy .454.", "fa": "تقسیم ۸۰/۲۰؛ ده‌بذر؛ دقت TLS=.454.", "pages": [ 10 ] }, { "heading": { "en": "Stealth", "fa": "پنهان‌سازی" }, "en": "Overrides sometimes increase inconsistencies.", "fa": "بازنویسی گاهی ناسازگاری را افزایش می‌دهد.", "pages": [ 7, 10 ] } ], "findings": [ { "en": "IP+TLS accuracy .806.", "fa": "دقت IP+TLS=.806.", "pages": [ 10 ] }, { "en": "Identification differs from blocking.", "fa": "شناسایی با مسدودسازی متفاوت است.", "pages": [ 12 ] }, { "en": "Local agents need browser signals.", "fa": "عامل محلی سیگنال مرورگر می‌خواهد.", "pages": [ 8, 9, 11 ] } ], "limitations": [ { "en": "Human baseline: two Linux machines, 40 visits.", "fa": "انسان مبنا: دو دستگاه لینوکس، ۴۰ بازدید.", "pages": [ 4, 17 ] }, { "en": "Unseen-agent generalization untested.", "fa": "تعمیم عامل نادیده آزموده‌نشده.", "pages": [ 10 ] }, { "en": "Defaults and versions change.", "fa": "پیش‌فرض و نسخه تغییر می‌کند.", "pages": [ 11, 12 ] } ], "figures": [ { "label": "Table 3", "page": 7, "caption": { "en": "Defense outcomes.", "fa": "نتیجه دفاع." }, "insight": { "en": "Configuration-specific.", "fa": "وابسته به تنظیم." }, "image": "figures/new-multilayer-agents-page-7-detail.webp" }, { "label": "Table 6", "page": 10, "caption": { "en": "Layer comparison.", "fa": "مقایسه لایه." }, "insight": { "en": "Fusion improves classification.", "fa": "ادغام طبقه‌بندی را بهتر می‌کند." }, "image": "figures/new-multilayer-agents-page-10-detail.webp" }, { "label": "Figure 2", "page": 11, "caption": { "en": "Confusion matrices.", "fa": "ماتریس سردرگمی." }, "insight": { "en": "Local overlap.", "fa": "هم‌پوشانی محلی." }, "image": "figures/new-multilayer-agents-page-11-detail.webp" } ], "thesisUse": { "en": "Thesis analysis/proposal: build a cost-aware sequential detector that starts with network features and requests browser or behavioral signals only when uncertain. Test it with many real human devices, privacy browsers and legitimate agents. Evaluate generalization by withholding agent families, infrastructure providers and future versions, rather than mixing repeated visits from the same configuration across train and test. Compare configuration identification with authorization and harmful-automation decisions, and report false positives on privacy-protected humans. Investigate whether a small consistency model plus behavior generalizes better than memorized environment signatures; that is a proposed experiment, not an outcome established here.", "fa": "تحلیل و پیشنهاد برای تز: آشکارساز ترتیبی هزینه‌محور بساز که از شبکه شروع کند و فقط در عدم قطعیت سیگنال مرورگر یا رفتار بخواهد. دستگاه‌های انسانی واقعی متعدد، مرورگر خصوصی و عامل مجاز را آزمون کن. خانواده عامل، ارائه‌دهنده زیرساخت و نسخه آینده را از آموزش کنار بگذار، به‌جای پخش بازدیدهای تکراری یک تنظیم در آموزش و آزمون. شناسایی تنظیم را با تصمیم مجازبودن و خودکارسازی زیان‌بار مقایسه و مثبت کاذب انسان محافظت‌شده را گزارش کن. بررسی کن آیا مدل کوچک سازگاری همراه رفتار از حفظ امضای محیط بهتر تعمیم می‌یابد؛ این آزمایش پیشنهادی است، نه نتیجه اثبات‌شده مقاله." }, "related": [ "new-minimal-agent", "new-fp-agent", "new-tls-ja4", "p-79a8187df7aa" ], "keywords": [ "JA4", "multi-layer fingerprinting", "web agents", "honeysites", "Random Forest", "stealth" ], "pdf": "papers/new-multilayer-agents.pdf", "pages": 23, "sha256": "5452268516eb98f9851340834d837eae41ee14493ca1c73aea20b5f791a4dc56", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2606.30119", "downloaded": "2026-10-11", "isNew": true }, { "id": "p-39806d2a9d31", "title": "OpenWPM: Web Privacy Measurement Platform (Local presentation)", "titleFa": "OpenWPM: پلتفرم اندازه‌گیری حریم خصوصی وب (ارائه محلی)", "year": 2026, "authors": [], "venue": "Local Persian PowerPoint presentation; PDF metadata dated 2026-05-27", "kind": "local-report", "domains": [ "fingerprinting" ], "topics": [ "measurement", "privacy", "signals" ], "status": "full-presentation-reviewed", "sourceUrl": "", "problem": { "en": "The local deck explains why robust full-browser crawling and coordinated instrumentation are useful for studying tracking. It is a tool introduction, not the original 2016 OpenWPM paper.", "fa": "ارائه محلی توضیح می‌دهد چرا خزش پایدار مرورگر کامل و ابزارگذاری هماهنگ برای مطالعه ردیابی مفید است. معرفی ابزار است، نه مقاله اصلی OpenWPM در ۲۰۱۶." }, "idea": { "en": "Coordinate browser managers, task scheduling, instrumentation and data aggregation while recovering from failures. Compare tracking observations across profiles and blocking configurations.", "fa": "مدیر مرورگر، زمان‌بندی وظیفه، ابزارگذاری و تجمیع داده با بازیابی خرابی هماهنگ می‌شوند. مشاهده ردیابی میان پروفایل و تنظیم مسدودسازی مقایسه می‌شود." }, "result": { "en": "The slides describe capabilities and cite historical measurement projects, but contain no new crawl or benchmark. Version-dependent architecture and installation details need to be checked before reproduction.", "fa": "اسلایدها قابلیت‌ها را شرح و پروژه تاریخی را نام می‌برند ولی خزش یا بنچمارک جدید ندارند. معماری و نصب وابسته به نسخه باید پیش از بازتولید بررسی شوند." }, "sections": [ { "heading": { "en": "Artifact and purpose", "fa": "نوع اثر و هدف" }, "en": "The eight-page Persian presentation introduces a research measurement tool and mentions its 2016 origin. The local PDF's 2026 metadata dates this presentation rather than the tool or the cited experiments.", "fa": "ارائه فارسی هشت‌صفحه‌ای ابزار اندازه‌گیری پژوهش را معرفی و پیدایش ۲۰۱۶ را ذکر می‌کند. فراداده ۲۰۲۶ تاریخ همین ارائه است، نه ابزار یا آزمایش‌های استنادشده.", "pages": [ 1, 7 ] }, { "heading": { "en": "Full-browser crawling", "fa": "خزش مرورگر کامل" }, "en": "The deck contrasts Firefox-based visits with lightweight browser simulation and single-site test automation. Recovery and process monitoring are emphasized because large crawls need isolation and repeatable failure handling.", "fa": "ارائه بازدید مبتنی بر Firefox را با شبیه‌سازی سبک مرورگر و آزمون تک‌سایت مقایسه می‌کند. بازیابی و پایش فرایند مهم‌اند چون خزش بزرگ ایزولاسیون و رسیدگی قابل‌تکرار به خرابی می‌خواهد.", "pages": [ 2 ] }, { "heading": { "en": "Manager architecture", "fa": "معماری مدیرها" }, "en": "TaskManager distributes work to independent browser managers that issue Selenium commands. Separate status queues and extension-data channels feed aggregation and storage; exact components depend on the OpenWPM release.", "fa": "TaskManager کار را میان مدیر مرورگر مستقل با فرمان Selenium توزیع می‌کند. صف وضعیت و کانال داده افزونه مجزا به تجمیع و ذخیره می‌رسند؛ جزئیات دقیق تابع نسخه OpenWPM است.", "pages": [ 3, 4 ] }, { "heading": { "en": "Tracking instrumentation", "fa": "ابزارگذاری ردیابی" }, "en": "The deck lists canvas, audio, WebRTC, battery and font-related observations, plus requests and cookies. Observing a sensitive API does not alone prove malicious tracking or classify a visitor as a bot; intent and dataflow require additional interpretation.", "fa": "ارائه مشاهده canvas، صوت، WebRTC، باتری و فونت و همچنین درخواست و کوکی را فهرست می‌کند. مشاهده API حساس به‌تنهایی ردیابی مخرب را ثابت یا بازدیدکننده را بات نمی‌کند؛ قصد و جریان داده تحلیل تکمیلی می‌خواهند.", "pages": [ 4, 5 ] }, { "heading": { "en": "Comparative measurement and storage", "fa": "اندازه‌گیری مقایسه‌ای و ذخیره" }, "en": "Crawls with different profiles or blocking extensions can support controlled comparisons of tracking exposure. The deck mentions local and cloud storage options and historical measurement volumes, which are illustrative prior-project claims rather than results produced by this PDF.", "fa": "خزش با پروفایل یا افزونه مسدودسازی متفاوت مقایسه کنترل‌شده مواجهه ردیابی را ممکن می‌کند. ارائه ذخیره محلی و ابری و حجم تاریخی را ذکر می‌کند؛ این‌ها ادعای پروژه قبلی‌اند، نه نتایج تولیدشده این PDF.", "pages": [ 5, 6, 7 ] }, { "heading": { "en": "Operational limits and thesis inference", "fa": "محدودیت عملیاتی و برداشت تز" }, "en": "The final slide warns about platform and browser-build constraints and describes a Conda setup. Thesis inference: use OpenWPM-like instrumentation to discover site behavior, but validate crawler-induced bias and anti-bot blocking with real user experiments before interpreting prevalence.", "fa": "اسلاید آخر محدودیت پلتفرم و ساخت مرورگر و نصب Conda را ذکر می‌کند. برداشت تز: برای کشف رفتار سایت از ابزارگذاری مشابه OpenWPM استفاده کنید، ولی سوگیری خزنده و مسدودسازی ضدبات را پیش از تفسیر شیوع با آزمایش کاربر واقعی بررسی کنید.", "pages": [ 8 ] } ], "findings": [ { "en": "The deck describes measurement infrastructure, not a bot classifier.", "fa": "ارائه زیرساخت اندازه‌گیری را شرح می‌دهد، نه طبقه‌بند بات.", "pages": [ 1, 4 ] }, { "en": "Status and collected-data channels are separated conceptually.", "fa": "کانال وضعیت و داده جمع‌آوری‌شده از نظر مفهومی جدا هستند.", "pages": [ 4 ] }, { "en": "Profile and blocker comparisons provide a method for controlled privacy studies.", "fa": "مقایسه پروفایل و مسدودکننده روش مطالعه کنترل‌شده حریم خصوصی می‌دهد.", "pages": [ 5, 6 ] } ], "limitations": [ { "en": "This presentation is not a substitute for the original paper or current tool documentation.", "fa": "این ارائه جایگزین مقاله اصلی یا مستند جاری ابزار نیست.", "pages": [ 1, 8 ] }, { "en": "No new performance, stability or tracking-detection experiment is provided.", "fa": "آزمایش جدید عملکرد، پایداری یا کشف ردیابی ندارد.", "pages": [ 2, 7 ] }, { "en": "Browser automation may be detected or see different content from human users.", "fa": "خودکارسازی مرورگر ممکن است شناسایی شود یا محتوای متفاوت از انسان ببیند.", "pages": [ 2 ] } ], "figures": [ { "label": "Slide 3", "page": 3, "caption": { "en": "OpenWPM technical architecture illustration.", "fa": "تصویر معماری فنی OpenWPM." }, "insight": { "en": "Use the diagram with the explanation on slide 4; verify against the intended release.", "fa": "نمودار با توضیح اسلاید ۴ خوانده و با نسخه موردنظر تطبیق داده شود." }, "image": "figures/p-39806d2a9d31-page-3-detail.webp" }, { "label": "Slide 7", "page": 7, "caption": { "en": "Historical example projects.", "fa": "پروژه‌های تاریخی نمونه." }, "insight": { "en": "Prior-study outcomes are not measurements of this deck.", "fa": "خروجی مطالعات پیشین، اندازه‌گیری همین ارائه نیست." }, "image": "figures/p-39806d2a9d31-page-7-detail.webp" } ], "thesisUse": { "en": "Our synthesis: an instrumentation and experimental-design reference; actual deployment should document browser version, profile, crawl success and challenge pages.", "fa": "تحلیل ما: مرجع ابزارگذاری و طراحی آزمایش است؛ استقرار واقعی باید نسخه مرورگر، پروفایل، موفقیت خزش و صفحات چالش را ثبت کند." }, "related": [ "p-1a38276283ca", "p-d5868dbb82a8", "p-98d2361f36b0" ], "keywords": [ "OpenWPM", "web measurement", "Firefox", "Selenium", "instrumentation", "crawl bias" ], "pdf": "papers/p-39806d2a9d31.pdf", "pages": 8, "sha256": "39806d2a9d3188acc8cff2602b826c70965a0048886b5cddc4c21a3dc04c2e27", "sourcePath": "ارائه\\2\\OpenWPM.pdf", "duplicates": [], "isNew": false }, { "id": "new-nguyen-thesis", "title": "Real-Time Tracking and Mitigation Against In-the-Wild Bot Attacks and Human-Driven Abuse on the Web", "titleFa": "ردیابی و مقابلهٔ بلادرنگ با حملات بات و سوءاستفادهٔ انسانی در وب", "authors": [ "Hoang Dai Nguyen" ], "year": 2026, "venue": "Louisiana State University, PhD dissertation", "domains": [ "intersection", "bots" ], "topics": [ "measurement", "defense", "authentication" ], "kind": "thesis", "status": "abstract-reviewed", "sections": [ { "heading": { "en": "Access status", "fa": "وضعیت دسترسی" }, "en": "Full text embargoed until 6 March 2027. Abstract only reviewed.", "fa": "متن کامل تا ۶ مارس ۲۰۲۷ محدود است. فقط چکیده بررسی شد.", "pages": [] }, { "heading": { "en": "Canvas", "fa": "Canvas" }, "en": "Abstract describes nine extensions and five browsers.", "fa": "چکیده: بررسی نه افزونه و پنج مرورگر.", "pages": [] }, { "heading": { "en": "Authentication", "fa": "احراز هویت" }, "en": "HWAM uses device-bound WebAuthn proofs.", "fa": "HWAM از گواه WebAuthn مقید به دستگاه استفاده می‌کند.", "pages": [] } ], "findings": [], "limitations": [ { "en": "Methods, figures and detailed evaluation unavailable.", "fa": "روش، شکل و ارزیابی تفصیلی در دسترس نیست.", "pages": [] } ], "figures": [], "keywords": [ "WebAuthn", "canvas", "CAPTCHA" ], "related": [], "sourceUrl": "https://repository.lsu.edu/gradschool_dissertations/7003/", "problem": { "en": "Measure abuse and strengthen defenses.", "fa": "اندازه‌گیری سوءاستفاده و تقویت دفاع." }, "idea": { "en": "CAPTCHA-farm measurement, canvas recovery and hardware-bound proof.", "fa": "اندازه‌گیری مزرعهٔ کپچا، بازیابی Canvas و گواه دستگاه." }, "result": { "en": "Abstract reports over 400,000 attacks.", "fa": "چکیده بیش از ۴۰۰هزار حمله گزارش می‌کند." }, "thesisUse": { "en": "Our proposal: track this dissertation as a follow-up source for device-bound challenges. Do not treat its abstract as verified evidence that an approach meets your false-positive, privacy or latency requirements. Compare the public constituent papers before selecting a thesis direction.", "fa": "پیشنهاد ما: این رساله را برای بررسی چالش مقید به دستگاه نگه دار. چکیده را اثبات برآورده‌کردن نیازهای خطای مثبت، حریم خصوصی یا تأخیر تز ندان. پیش از انتخاب مسیر، مقاله‌های عمومی تشکیل‌دهنده را بررسی کن." }, "isNew": true }, { "id": "new-minimal-agent", "title": "What Does It Take to Detect an AI Agent? Minimal Feature Sets for Behavioral Detection under Browser Automation", "titleFa": "تشخیص عامل هوش مصنوعی: کمینه ویژگی‌های رفتاری زیر خودکارسازی مرورگر", "year": 2026, "authors": [ "Vishisht Choudhary", "Lukas Schmidt", "Anne Zoë Kenntner", "Feras Skhab", "Michel Osswald", "Jens Ernstberger" ], "venue": "arXiv 2607.26935; manuscript states acceptance at North East AI Agents Day 2026 workshop", "kind": "paper", "domains": [ "intersection" ], "topics": [ "ai-agents", "behavior", "detection", "evasion" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2607.26935", "problem": { "en": "Distinguish humans, bots and agents.", "fa": "تفکیک انسان، بات و عامل." }, "idea": { "en": "Measure automation event artifacts.", "fa": "سنجش آثار رویدادی خودکارسازی." }, "result": { "en": "Two-feature GBM: macro-F1 .926, agent precision .994.", "fa": "GBM دوویژگی: macro-F1=.926، precision عامل=.994." }, "sections": [ { "heading": { "en": "Data", "fa": "داده" }, "en": "Balanced pool: 3,075; agents 1,025.", "fa": "مجموعه متوازن: ۳۰۷۵؛ عامل‌ها ۱۰۲۵.", "pages": [ 3, 4 ] }, { "heading": { "en": "Scope", "fa": "دامنه" }, "en": "Claude–Playwright; OS input excluded.", "fa": "Claude–Playwright؛ ورودی سیستم‌عامل مستثنا.", "pages": [ 5, 6, 11 ] }, { "heading": { "en": "Features", "fa": "ویژگی" }, "en": "Mouse rate plus teleport-click ratio.", "fa": "نرخ ماوس و نسبت پرش–کلیک.", "pages": [ 7, 13 ] }, { "heading": { "en": "Evasion", "fa": "دورزدن" }, "en": "2,299 sessions; zero observed misses.", "fa": "۲۲۹۹ نشست؛ خطای مشاهده‌شده صفر.", "pages": [ 6, 9 ] }, { "heading": { "en": "Selection", "fa": "انتخاب" }, "en": "9,401 subsets; test-based selection.", "fa": "۹۴۰۱ زیرمجموعه؛ انتخاب با آزمون.", "pages": [ 7, 8 ] }, { "heading": { "en": "Interpretation", "fa": "تفسیر" }, "en": "Pipeline artifacts, not cognition.", "fa": "آثار خط لوله، نه شناخت.", "pages": [ 10, 11 ] } ], "findings": [ { "en": "Five-feature GBM macro-F1 .991.", "fa": "macro-F1 پنج‌ویژگی .991.", "pages": [ 7 ] }, { "en": "Single-feature recall can conceal all-agent predictions.", "fa": "recall تک‌ویژگی پیش‌بینی همگانی عامل را پنهان می‌کند.", "pages": [ 7 ] }, { "en": "Trajectory replay preserves detection.", "fa": "بازپخش مسیر تشخیص را حفظ می‌کند.", "pages": [ 6, 17 ] } ], "limitations": [ { "en": "Synthetic bots; CAPTCHA humans.", "fa": "بات مصنوعی؛ انسان CAPTCHA.", "pages": [ 3, 4, 11 ] }, { "en": "Repeated-seed predictions are dependent.", "fa": "پیش‌بینی‌های بذر تکراری وابسته‌اند.", "pages": [ 9 ] }, { "en": "Fixed-binary baseline complicates two-feature claims.", "fa": "خط مبنای دودویی ثابت ادعای دوویژگی را پیچیده می‌کند.", "pages": [ 7 ] } ], "figures": [ { "label": "Table 5", "page": 7, "caption": { "en": "Subset results.", "fa": "نتایج زیرمجموعه." }, "insight": { "en": "Separate recall from precision.", "fa": "recall را از precision جدا کن." }, "image": "figures/new-minimal-agent-page-7-detail.webp" }, { "label": "Table 8", "page": 9, "caption": { "en": "Ten-seed evaluation.", "fa": "ارزیابی ده‌بذر." }, "insight": { "en": "Repeated sessions.", "fa": "نشست‌های تکراری." }, "image": "figures/new-minimal-agent-page-9-detail.webp" }, { "label": "Figure 7", "page": 16, "caption": { "en": "SAINT model.", "fa": "مدل SAINT." }, "insight": { "en": "Three classes.", "fa": "سه کلاس." }, "image": "figures/new-minimal-agent-page-16-detail.webp" } ], "thesisUse": { "en": "Thesis analysis/proposal: design a matched-task replication before adopting a small detector. Have humans and agents perform identical tasks on identical browsers and devices. Cross browser-driving methods with reasoning models so the experiment can distinguish input-pipeline effects from agent behavior. Use nested validation for feature selection, retain a final untouched test, and report feature count including fixed baseline and missingness columns. Also report independent sessions rather than summing repeated-seed predictions. Treat 'automation', 'agent identity' and 'authorized intent' as separate labels; an operational policy can allow a declared agent even when a detector recognizes it.", "fa": "تحلیل و پیشنهاد برای تز: پیش از پذیرش آشکارساز کوچک، بازآزمایی با وظیفه یکسان طراحی کن. انسان و عامل وظیفه یکسان را روی مرورگر و دستگاه یکسان انجام دهند. روش کنترل مرورگر را با مدل استدلال به‌صورت عاملی ترکیب کن تا اثر خط لوله ورودی از رفتار عامل جدا شود. برای انتخاب ویژگی اعتبارسنجی تودرتو و آزمون نهایی دست‌نخورده داشته باش؛ ویژگی ثابت خط مبنا و ستون مقدار مفقود را نیز در تعداد ویژگی بشمار. نشست مستقل را گزارش کن و پیش‌بینی بذرهای تکراری را جمعیت جدید فرض نکن. خودکارسازی، هویت عامل و قصد مجاز را برچسب‌های جدا قرار بده؛ سیاست می‌تواند عامل اعلام‌شده را حتی پس از تشخیص مجاز بداند." }, "related": [ "new-multilayer-agents", "new-fp-agent", "p-5f73ed0cc29a" ], "keywords": [ "mouse_event_rate", "teleport_click_ratio", "click_duration_std", "Playwright", "SAINT", "feature selection" ], "pdf": "papers/new-minimal-agent.pdf", "pages": 17, "sha256": "1b62434f37d32424e14099da8ca8fcf15458ce070e4f5fc75f657072e346e5e6", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2607.26935", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-tls-ja4", "title": "When Handshakes Tell the Truth: Detecting Web Bad Bots via TLS Fingerprints", "titleFa": "وقتی دست‌دهی حقیقت را می‌گوید: تشخیص بات مخرب با اثرانگشت TLS", "authors": [ "Ghalia Jarad", "Kemal Bıçakcı" ], "year": 2026, "venue": "arXiv preprint", "domains": [ "bots", "intersection" ], "topics": [ "network", "detection" ], "kind": "paper", "status": "full-text-reviewed", "sections": [ { "heading": { "en": "Signal", "fa": "سیگنال" }, "en": "JA4 describes TLS implementation choices.", "fa": "JA4 انتخاب‌های پیاده‌سازی TLS را توصیف می‌کند.", "pages": [ 2, 3 ] }, { "heading": { "en": "Threat model", "fa": "مدل تهدید" }, "en": "Targets non-browser stacks and shallow spoofing.", "fa": "هدف: پشتهٔ غیرمرورگر و جعل سطحی.", "pages": [ 3, 4 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "JA4DB: reported 227,404 records.", "fa": "JA4DB: تعداد اعلامی ۲۲۷۴۰۴.", "pages": [ 3 ] }, { "heading": { "en": "Labels", "fa": "برچسب" }, "en": "Application-derived labels; good crawlers excluded.", "fa": "برچسب نام برنامه؛ حذف خزندهٔ مجاز.", "pages": [ 3, 4 ] }, { "heading": { "en": "Training", "fa": "آموزش" }, "en": "500-tree boosters; random 80/20 split.", "fa": "تقویت‌کنندهٔ ۵۰۰درختی؛ تقسیم تصادفی ۸۰/۲۰.", "pages": [ 4 ] }, { "heading": { "en": "Evaluation", "fa": "ارزیابی" }, "en": "Test tables contain 39,080 examples.", "fa": "جدول آزمون شامل ۳۹۰۸۰ نمونه است.", "pages": [ 5, 6 ] } ], "findings": [ { "en": "CatBoost: accuracy .9863; precision .9670; recall .9800.", "fa": "CatBoost: صحت ۰٫۹۸۶۳؛ دقت ۰٫۹۶۷۰؛ بازخوانی ۰٫۹۸.", "pages": [ 5, 6 ] }, { "en": "336 false positives; 201 false negatives.", "fa": "۳۳۶ مثبت کاذب؛ ۲۰۱ منفی کاذب.", "pages": [ 6 ] } ], "limitations": [ { "en": "Real-browser automation shares human TLS fingerprints.", "fa": "خودکارسازی مرورگر واقعی اثر TLS انسانی دارد.", "pages": [ 3, 4 ] }, { "en": "Label heuristics and TLS mimicry limit claims.", "fa": "برچسب ابتکاری و تقلید TLS دامنهٔ ادعا را محدود می‌کنند.", "pages": [ 4, 6 ] } ], "figures": [ { "label": "Table 1", "page": 4, "caption": { "en": "Threat boundaries.", "fa": "مرز تهدید." }, "insight": { "en": "Browser emulation remains.", "fa": "تقلید مرورگر باقی می‌ماند." }, "image": "figures/new-tls-ja4-page-4-detail.webp" }, { "label": "Figure 1", "page": 5, "caption": { "en": "JA4 fields.", "fa": "اجزای JA4." }, "insight": { "en": "Implementation signal.", "fa": "سیگنال پیاده‌سازی." }, "image": "figures/new-tls-ja4-page-5-detail.webp" }, { "label": "Figures 2–4; Tables 4–5", "page": 6, "caption": { "en": "Performance.", "fa": "عملکرد." }, "insight": { "en": "Dataset-dependent.", "fa": "وابسته به داده." }, "image": "figures/new-tls-ja4-page-6-detail.webp" } ], "keywords": [ "JA4", "TLS", "leakage", "CatBoost" ], "related": [ "new-multilayer-agents", "new-fp-agent" ], "problem": { "en": "Detect bots without interaction telemetry.", "fa": "تشخیص بات بدون ثبت تعامل." }, "idea": { "en": "Classify JA4 handshake features.", "fa": "طبقه‌بندی ویژگی دست‌دهی JA4." }, "result": { "en": "CatBoost F1 .9734 on repository-derived labels.", "fa": "F1 مدل CatBoost روی برچسب مخزن: ۰٫۹۷۳۴." }, "sourceUrl": "https://arxiv.org/abs/2602.09606", "thesisUse": { "en": "Our methodological caution: application metadata helps create labels and is also listed among candidate features; a leakage-free TLS-only ablation is essential. The stated total differs from the summed class counts, and the test size does not match a simple 20% split of those counts. Audit preprocessing before adopting headline numbers. Test distinct JA4 families, later time periods, full-browser agents and spoofed handshakes.", "fa": "هشدار روش‌شناختی ما: نام برنامه در ساخت برچسب نقش دارد و در ویژگی‌های پیشنهادی نیز آمده؛ حذف آن و ارزیابی صرفاً TLS برای جلوگیری از نشت ضروری است. تعداد کل با جمع گروه‌ها و اندازهٔ آزمون با تقسیم سادهٔ ۲۰درصدی سازگار نیست؛ پیش‌پردازش را پیش از اتکا به اعداد بررسی کن. خانواده‌های مستقل JA4، زمان آینده، عامل‌های مرورگر واقعی و دست‌دهی جعلی را بیازما." }, "pdf": "papers/new-tls-ja4.pdf", "pages": 7, "sha256": "c5d9658bf7ecdad544ef1095d773e3d1d7ce0f8132ccf754aae05b3c1b61fe71", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2602.09606", "downloaded": "2026-10-11", "isNew": true }, { "year": 2026, "domains": [ "fingerprinting" ], "topics": [ "signals", "privacy", "measurement" ], "kind": "paper", "status": "metadata-only", "findings": [], "figures": [], "keywords": [ "drift", "privacy" ], "related": [], "id": "new-when-tracking-learns", "title": "When Tracking Learns: Learning-Based Browser Fingerprinting Under Anti-Fingerprinting Defenses", "titleFa": "وقتی رهگیری یاد می‌گیرد: اثرانگشت مرورگر مبتنی بر یادگیری در حضور دفاع‌های ضداثرانگشت", "authors": [ "Xu Lin" ], "venue": "CCS 2026; announced to appear November 2026", "sourceUrl": "https://www.xlin.online/", "problem": { "en": "Learning-based fingerprinting under defenses; title only.", "fa": "اثرانگشت مبتنی بر یادگیری در حضور دفاع؛ فقط عنوان." }, "idea": { "en": "Public method not available on author page.", "fa": "روش عمومی در صفحهٔ نویسنده در دسترس نیست." }, "result": { "en": "Announced future publication; results unreviewed.", "fa": "انتشار آتی اعلام‌شده؛ نتایج بررسی نشده‌اند." }, "sections": [ { "heading": { "en": "Publication status", "fa": "وضعیت انتشار" }, "en": "Author page announces CCS November 2026 and lists Xu Lin. As of 12 October, no PDF is linked for this entry.", "fa": "صفحهٔ نویسنده CCS نوامبر ۲۰۲۶ و Xu Lin را ثبت کرده است. تا ۱۲ اکتبر PDF این مورد پیوند نشده است.", "pages": [] } ], "limitations": [ { "en": "Listed for follow-up, not evidence of detector performance.", "fa": "برای پیگیری ثبت شده، نه شاهد عملکرد آشکارساز.", "pages": [] } ], "thesisUse": { "en": "Our follow-up: compare adaptation to defensive randomization with the cost of persistent tracking. Do not infer model architecture or efficacy from this title. Revisit the published paper and document version and access date.", "fa": "پیگیری پیشنهادی ما: سازگاری با تصادفی‌سازی دفاعی را با هزینهٔ رهگیری پایدار مقایسه کن. معماری یا اثربخشی مدل را از عنوان استنباط نکن. نسخهٔ منتشرشده و تاریخ دسترسی را ثبت کن." }, "isNew": true }, { "id": "p-fccc1b4673c3", "title": "Balancing Security and Privacy: Web Bot Detection, Privacy Challenges, and Regulatory Compliance under the GDPR and AI Act", "titleFa": "توازن امنیت و حریم خصوصی: تشخیص بات وب و چالش‌های انطباق با GDPR و قانون هوش مصنوعی", "year": 2025, "authors": [ "Javier Martínez Llamas", "Koen Vranckaert", "Davy Preuveneers", "Wouter Joosen" ], "venue": "Open Research Europe 5:76; version 1; two approved peer reviews", "kind": "survey", "domains": [ "bots", "intersection" ], "topics": [ "detection", "signals", "network", "behavior", "privacy", "evasion" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.12688/openreseurope.19347.1", "problem": { "en": "Better bot detection often requires collecting more revealing user data, creating security/privacy and governance conflicts. The review connects detection signals, evasive bots, PETs and European regulatory considerations.", "fa": "تشخیص قوی‌تر بات غالباً داده افشاگر بیشتری از کاربر می‌خواهد و تعارض امنیت، حریم خصوصی و حکمرانی می‌سازد. مرور، سیگنال تشخیص، بات گریزان، فناوری حافظ حریم خصوصی و ملاحظات مقررات اروپا را به هم وصل می‌کند." }, "idea": { "en": "Organize methods by data source—network traffic, browser/device/TLS fingerprints and behavioral biometrics—then map evasion and privacy safeguards to each. Technical PETs are considered alongside organizational and legal measures.", "fa": "روش‌ها برحسب منبع داده شامل ترافیک شبکه، اثر انگشت مرورگر/دستگاه/TLS و بیومتریک رفتاری دسته‌بندی می‌شوند و فرار و محافظت حریم خصوصی به آن‌ها نگاشت می‌شود. فناوری PET در کنار اقدام سازمانی و قانونی بررسی می‌شود." }, "result": { "en": "This is a narrative review and regulatory analysis, not a newly benchmarked bot classifier. It argues that data minimization and cryptographic/statistical PETs can help, but do not by themselves demonstrate complete legal compliance.", "fa": "این مرور روایی و تحلیل مقررات است، نه طبقه‌بند جدید دارای بنچمارک. کمینه‌سازی داده و PET رمزنگاری و آماری را مفید می‌داند، اما آن‌ها به‌تنهایی انطباق کامل قانونی را اثبات نمی‌کنند." }, "sections": [ { "heading": { "en": "Publication and scope", "fa": "انتشار و دامنه" }, "en": "The article was first published on March 24, 2025; the supplied copy carries a March 2026 update stamp and appended peer review. Its output is a taxonomy and synthesis, so percentages quoted from other reports are secondary context rather than a new dataset measured by these authors.", "fa": "مقاله نخست ۲۴ مارس ۲۰۲۵ منتشر شده؛ نسخه محلی مهر به‌روزرسانی مارس ۲۰۲۶ و داوری پیوست دارد. خروجی رده‌بندی و ترکیب دانش است؛ درصدهای نقل‌شده از گزارش دیگر زمینه ثانویه‌اند، نه داده جدید اندازه‌گرفته‌شده نویسندگان.", "pages": [ 1, 2, 7 ] }, { "heading": { "en": "Network-based bot methods", "fa": "روش بات مبتنی بر شبکه" }, "en": "IP, headers, request rates, navigation patterns and session aggregates support rules, probabilistic models and ML. These features are often available server-side, but shared IPs and legitimate automation complicate the interpretation of abnormal traffic.", "fa": "IP، هدر، نرخ درخواست، الگوی پیمایش و تجمیع نشست مبنای قاعده، مدل احتمالی و یادگیری ماشین‌اند. این ویژگی‌ها غالباً سمت سرور موجودند ولی IP مشترک و خودکارسازی مشروع تفسیر ترافیک غیرعادی را دشوار می‌کنند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Fingerprints and behavioral data", "fa": "اثر انگشت و داده رفتاری" }, "en": "Browser and device attributes support early screening, while TLS handshake details reveal software-stack characteristics. Mouse, scrolling and typing add interaction evidence but can also support cross-session identification; a browser identifier is not necessarily unique or a human-presence proof.", "fa": "ویژگی مرورگر و دستگاه غربال اولیه را ممکن می‌کنند و جزئیات handshake TLS خصوصیات پشته نرم‌افزار را آشکار می‌کند. ماوس، اسکرول و تایپ شاهد تعامل می‌افزایند ولی برای شناسایی میان نشست‌ها هم مفیدند؛ شناسه مرورگر لزوماً یکتا یا اثبات حضور انسان نیست.", "pages": [ 4, 5, 6 ] }, { "heading": { "en": "Adversarial adaptation", "fa": "سازگاری مهاجم" }, "en": "The review distinguishes benign and malicious bots and levels of sophistication. Residential proxies, fingerprint manipulation and learned behavioral mimicry undermine simple rate, identity and behavior tests, motivating evaluation against adaptive adversaries rather than fixed synthetic bots alone.", "fa": "مرور بات مفید و مخرب و سطح پیچیدگی را جدا می‌کند. پراکسی مسکونی، دست‌کاری اثر انگشت و تقلید رفتاری آموخته‌شده، آزمون ساده نرخ و هویت و رفتار را تضعیف می‌کنند و ارزیابی مهاجم سازگار را به‌جای بات مصنوعی ثابت ضروری می‌سازند.", "pages": [ 7, 8 ] }, { "heading": { "en": "GDPR and decisions: historical analysis", "fa": "GDPR و تصمیم: تحلیل تاریخی منبع" }, "en": "The article discusses identifiability, lawful bases, special-category biometric considerations and significant automated decisions. It emphasizes purpose and processing context; these are the paper's legal interpretations and should be checked against current authoritative guidance before being used as deployment advice.", "fa": "مقاله شناسایی‌پذیری، مبنای قانونی، ملاحظات داده بیومتریک ویژه و تصمیم خودکار دارای اثر مهم را بررسی می‌کند. هدف و زمینه پردازش مهم‌اند؛ این‌ها تفسیر حقوقی منبع هستند و پیش از تبدیل به توصیه استقرار باید با راهنمای معتبر جاری بررسی شوند.", "pages": [ 9, 10, 11 ] }, { "heading": { "en": "AI Act and intellectual property", "fa": "قانون هوش مصنوعی و مالکیت فکری" }, "en": "AI-related obligations depend on the use case and risk classification, with special discussion of critical infrastructure and oversight. The article also examines intellectual-property issues around models and training; using AI for bot detection is not presented as a universal automatic high-risk classification.", "fa": "الزام هوش مصنوعی تابع کاربرد و رده ریسک است و زیرساخت حیاتی و نظارت جدا بحث می‌شوند. مقاله مالکیت فکری مدل و آموزش را نیز بررسی می‌کند؛ استفاده از AI برای تشخیص بات به‌طور جهانی و خودکار پرخطر معرفی نشده است.", "pages": [ 12, 13, 14, 15 ] }, { "heading": { "en": "PET mechanisms and trade-offs", "fa": "سازوکار PET و مبادله‌ها" }, "en": "The review discusses coarse or hashed data, differential privacy, homomorphic encryption and secure multiparty computation. Coarsening can hide rare attacks, DP adds utility costs, HE increases computation and MPC introduces communication and trust assumptions; hashing a low-entropy domain is not automatic anonymization.", "fa": "مرور درشت‌سازی یا هش داده، حریم خصوصی تفاضلی، رمزنگاری همومورفیک و محاسبات امن چندجانبه را بحث می‌کند. درشت‌سازی حمله نادر را پنهان، DP سودمندی را کم، HE محاسبه را زیاد و MPC ارتباط و فرض اعتماد می‌افزاید؛ هش دامنه کم‌آنتروپی خودکار ناشناس‌سازی نیست.", "pages": [ 15, 16, 17 ] }, { "heading": { "en": "Governance and thesis synthesis", "fa": "حکمرانی و برداشت تز" }, "en": "Documentation, transparent purposes, auditing and human oversight complement PETs. Thesis inference: compare detection quality, response latency and privacy leakage jointly, and distinguish technical guarantees from legal conformity or the moral acceptability of a deployment.", "fa": "مستندسازی، هدف شفاف، ممیزی و نظارت انسانی مکمل PET هستند. برداشت تز: کیفیت تشخیص، تأخیر پاسخ و نشت حریم خصوصی را مشترک مقایسه کنید و تضمین فنی را از انطباق قانونی یا مقبولیت اخلاقی استقرار جدا بدانید.", "pages": [ 17 ] } ], "findings": [ { "en": "The taxonomy is data-centric rather than simply rule-based versus ML.", "fa": "رده‌بندی داده‌محور است، نه صرفاً قاعده در برابر یادگیری ماشین.", "pages": [ 3 ] }, { "en": "Fingerprints and behavioral biometrics are dual-use security and tracking signals.", "fa": "اثر انگشت و بیومتریک رفتاری سیگنال دوکاربردی امنیت و ردیابی‌اند.", "pages": [ 4, 5 ] }, { "en": "PET mechanisms protect different stages and require explicit threat assumptions.", "fa": "سازوکارهای PET مراحل متفاوت را محافظت می‌کنند و فرض تهدید صریح می‌خواهند.", "pages": [ 15, 16, 17 ] }, { "en": "Technical privacy safeguards alone do not establish organizational or regulatory compliance.", "fa": "محافظ فنی حریم خصوصی به‌تنهایی انطباق سازمانی و مقرراتی را اثبات نمی‌کند.", "pages": [ 17 ] } ], "limitations": [ { "en": "No new controlled benchmark quantifies the combined privacy/detection trade-off.", "fa": "بنچمارک کنترل‌شده جدید برای مبادله مشترک حریم خصوصی و تشخیص ارائه نشده است.", "pages": [ 17 ] }, { "en": "Commercial implementations and feature processing are often undisclosed.", "fa": "پیاده‌سازی تجاری و پردازش ویژگی غالباً افشانشده‌اند.", "pages": [ 5 ] }, { "en": "Legal analysis belongs to the paper's publication context and requires current verification for operational advice.", "fa": "تحلیل حقوقی متعلق به زمینه انتشار است و برای توصیه عملیاتی به بررسی جاری نیاز دارد.", "pages": [ 9, 14 ] }, { "en": "The PET examples are conceptual rather than implemented protocols or benchmarked bot detectors. In particular, the illustrative division of screen dimensions and strings is not itself a secure secret-sharing construction.", "pages": [ 16, 17 ], "fa": "مثال‌های PET مفهومی‌اند و پروتکل پیاده‌سازی‌شده یا آشکارساز بات بنچمارک‌شده نیستند. به‌ویژه تقسیم نمایشی ابعاد صفحه و رشته‌ها به‌خودی‌خود ساختار امن اشتراک راز نیست." } ], "figures": [ { "label": "Table 1", "page": 6, "caption": { "en": "Illustrative fingerprint attributes collected by bot defense.", "fa": "ویژگی نمونه اثر انگشت در دفاع بات." }, "insight": { "en": "Examples describe possible collection, not feature importance or new benchmark results.", "fa": "مثال‌ها جمع‌آوری ممکن را نشان می‌دهند، نه اهمیت ویژگی یا نتیجه بنچمارک جدید." }, "image": "figures/p-fccc1b4673c3-page-6-detail.webp" } ], "thesisUse": { "en": "Our synthesis: a strong organizing source for a privacy-aware bot-detection thesis, with separate empirical evaluation needed for every proposed PET/detector combination.", "fa": "تحلیل ما: منبع سامان‌دهی مناسب تز تشخیص بات حافظ حریم خصوصی است و هر ترکیب پیشنهادی PET و آشکارساز ارزیابی تجربی مستقل می‌خواهد." }, "related": [ "p-7c3b9df46660", "p-52bae580e935" ], "keywords": [ "bot detection", "PETs", "GDPR", "AI Act", "behavioral biometrics", "homomorphic encryption", "differential privacy" ], "reviewScope": { "en": "All substantive article sections read; bibliography and appended peer-review reports excluded. Legal statements summarize the article, not a current-law verification.", "fa": "تمام بخش‌های اصلی بررسی شد؛ منابع و گزارش داوری پیوست مستثناست. گزارهٔ حقوقی خلاصهٔ مقاله است، نه راستی‌آزمایی قانون جاری." }, "pdf": "papers/p-fccc1b4673c3.pdf", "pages": 24, "sha256": "fccc1b4673c39d97834370ffb1279fc7117084b4cffeb77c338d8df10adde88c", "sourcePath": "مقالات\\Balancing Web Bot Detection, Privacy, and EU Regulatory Compliance\\53bd845a-4be2-4f15-9f8a-48606e96e78b_19347_-_davy_preuveneers.pdf", "duplicates": [], "isNew": false }, { "id": "new-beyond-crawl", "title": "Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions", "titleFa": "فراتر از خزش: آشکارسازی اثرانگشت‌گیری مرورگر در تعامل واقعی کاربران", "year": 2025, "authors": [ "Meenatchi Sundaram Muthu Selva Annamalai", "Emiliano De Cristofaro", "Igor Bilogrevic" ], "venue": "The Web Conference (WWW) 2025; local arXiv v1", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "measurement", "detection", "behavior", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2502.01608", "problem": { "en": "Crawlers miss interaction-triggered fingerprinting.", "fa": "خزنده اثرانگشت‌گیری تعاملی را نمی‌بیند." }, "idea": { "en": "Compare human browsing and matched crawling.", "fa": "مقایسهٔ مرور انسانی و خزش همسان." }, "result": { "en": "Crawling missed 211/471 fingerprinting sites (45%); fine-tuned FP-Fed AUPRC 0.98 at ε=1.", "fa": "خزش ۲۱۱/۴۷۱ سایت اثرانگشت‌گیر را ازدست‌داد (۴۵٪)؛ FP-Fed تنظیم‌شده: AUPRC=۰٫۹۸ در ε=۱." }, "sections": [ { "heading": { "en": "Participants", "fa": "مشارکت‌کنندگان" }, "en": "30 participants; ten weeks.", "fa": "۳۰ نفر؛ ده هفته.", "pages": [ 3, 4 ] }, { "heading": { "en": "Coverage", "fa": "پوشش" }, "en": "14,895 assigned-site URLs.", "fa": "۱۴۸۹۵ نشانی سایت‌های تعیین‌شده.", "pages": [ 4, 5 ] }, { "heading": { "en": "Comparison", "fa": "مقایسه" }, "en": "Same URLs; crawler skips consent.", "fa": "نشانی همسان؛ خزنده رضایت‌نمی‌دهد.", "pages": [ 5, 6 ] }, { "heading": { "en": "Signals", "fa": "سیگنال‌ها" }, "en": "API statistics; candidate vectors.", "fa": "آمار API؛ بردارهای پیشنهادی.", "pages": [ 7 ] }, { "heading": { "en": "Learning", "fa": "یادگیری" }, "en": "Pretraining; simulated federated fine-tuning.", "fa": "پیش‌آموزش؛ تنظیم فدرال شبیه‌سازی‌شده.", "pages": [ 8, 9 ] }, { "heading": { "en": "Target", "fa": "هدف" }, "en": "Fingerprinting scripts, not bots.", "fa": "اسکریپت اثرانگشت‌گیری، نه بات.", "pages": [ 1, 8 ] } ], "findings": [ { "en": "Humans exposed 695 fingerprinting scripts.", "fa": "انسان‌ها ۶۹۵ اسکریپت اثرانگشت‌گیری دیدند.", "pages": [ 5 ] }, { "en": "Authentication/content gates affect coverage.", "fa": "دروازهٔ احراز/محتوا پوشش را تغییرمی‌دهد.", "pages": [ 6 ] }, { "en": "Bot checks affect measurement.", "fa": "آزمون بات بر اندازه‌گیری اثرمی‌گذارد.", "pages": [ 6 ] } ], "limitations": [ { "en": "No iframe instrumentation.", "fa": "ابزارگذاری iframe نداشت.", "pages": [ 10 ] }, { "en": "Convenience sample; assigned sites.", "fa": "نمونهٔ دردسترس؛ سایت‌های تعیین‌شده.", "pages": [ 10, 12 ] } ], "figures": [ { "label": "Table 2", "page": 6, "caption": { "en": "Missed-site categories.", "fa": "دسته‌های سایت ازدست‌رفته." }, "insight": { "en": "Multiple causes.", "fa": "علت‌های گوناگون." }, "image": "figures/new-beyond-crawl-page-6-detail.webp" }, { "label": "Table 4", "page": 10, "caption": { "en": "Detection results.", "fa": "نتایج تشخیص." }, "insight": { "en": "Simulated clients.", "fa": "کارخواه شبیه‌سازی‌شده." }, "image": "figures/new-beyond-crawl-page-10-detail.webp" } ], "thesisUse": { "en": "Original thesis proposal: evaluate bot detectors with matched human and automated sessions across consent, CAPTCHA, and authentication-page states, separating crawler artifacts from malicious automation indicators.", "fa": "پیشنهاد ما برای تز: تشخیص بات را در نشست انسانی و خودکار همسان، با وضعیت‌های رضایت، کپچا و صفحهٔ احراز هویت ارزیابی کنید؛ آثار خود خزنده را از نشانهٔ خودکارسازی مخرب جدا کنید." }, "related": [ "new-fp-fed", "p-39806d2a9d31", "p-aaef6086b148" ], "keywords": [ "real-user measurement", "crawler bias", "FP-Fed", "fingerprinting scripts", "interaction" ], "reviewScope": { "en": "All substantive main-paper sections and appendices read; bibliography excluded.", "fa": "تمام بخش‌های اصلی و پیوست‌ها بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/new-beyond-crawl.pdf", "pages": 12, "sha256": "53c289c72777b01c0684500dfed9f65604b7d341215eb1149f3a75b74fc6ad7b", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2502.01608", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-double-edged-shield", "title": "Double-Edged Shield: On the Fingerprintability of Customized Ad Blockers", "titleFa": "سپر دولبه: قابلیت اثرانگشت‌گیری از مسدودکننده‌های تبلیغ سفارشی", "year": 2025, "authors": [ "Saiid El Hajj Chehade", "Ben Stock", "Carmela Troncoso" ], "venue": "USENIX Security 2025", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "measurement", "signals", "defense", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity25/presentation/el-hajj-chehade", "problem": { "en": "Customization reveals users.", "fa": "سفارشی‌سازی کاربران را آشکار می‌کند." }, "idea": { "en": "Probe filter differences.", "fa": "تفاوت فیلترها را بیازمایید." }, "result": { "en": "CSS probes: 24.9% unique among 18,494 AdGuard users; 19.54% among 5,890 uBlock users.", "fa": "کاوش CSS: از ۱۸۴۹۴ کاربر AdGuard، ۲۴٫۹٪ یکتا؛ از ۵۸۹۰ کاربر uBlock، ۱۹٫۵۴٪." }, "sections": [ { "heading": { "en": "Scope", "fa": "دامنه" }, "en": "Visited-page adversary.", "fa": "مهاجم صفحهٔ بازدیدشده.", "pages": [ 3, 4 ] }, { "heading": { "en": "Inputs", "fa": "ورودی‌ها" }, "en": "Subscription equivalence sets.", "fa": "مجموعه‌های هم‌ارز اشتراک.", "pages": [ 5, 6 ] }, { "heading": { "en": "Mechanism", "fa": "سازوکار" }, "en": "CSS animation, lazy-loading, containers.", "fa": "انیمیشن CSS، بارگذاری‌تنبل، کانتینر.", "pages": [ 4, 5 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "Forum configurations; biased sample.", "fa": "پیکربندی انجمن؛ نمونهٔ سوگیر.", "pages": [ 7, 8 ] }, { "heading": { "en": "Evaluation", "fa": "ارزیابی" }, "en": "Entropy and anonymity sets.", "fa": "آنتروپی و مجموعه‌های ناشناس.", "pages": [ 8, 9, 10 ] }, { "heading": { "en": "Defense", "fa": "دفاع" }, "en": "Uniformity costs functionality/performance.", "fa": "یکسان‌سازی هزینهٔ کارکرد/کارایی دارد.", "pages": [ 12, 13 ] } ], "findings": [ { "en": "CSS tests 69/87 AdGuard lists.", "fa": "CSS: آزمون ۶۹/۸۷ فهرست AdGuard.", "pages": [ 2, 10 ] }, { "en": "63/68 uBlock lists.", "fa": "۶۳/۶۸ فهرست uBlock.", "pages": [ 2, 10 ] }, { "en": "Rule stability exceeds subscription evidence.", "fa": "ثبات قواعد، نه اثبات ثبات اشتراک.", "pages": [ 11 ] } ], "limitations": [ { "en": "Forum users are unrepresentative.", "fa": "کاربران انجمن نمایندهٔ همگان نیستند.", "pages": [ 13, 14 ] }, { "en": "Rule syntax misses semantic equivalence.", "fa": "نحو قواعد، هم‌ارزی معنایی را نمی‌گیرد.", "pages": [ 14 ] } ], "figures": [ { "label": "Table 4", "page": 10, "caption": { "en": "Uniqueness estimates.", "fa": "برآورد یکتایی." }, "insight": { "en": "Population-specific.", "fa": "وابسته‌به‌جمعیت." }, "image": "figures/new-double-edged-shield-page-10-detail.webp" }, { "label": "Figure 5", "page": 13, "caption": { "en": "Mitigation tradeoffs.", "fa": "مصالحهٔ دفاع." }, "insight": { "en": "Added rules cost.", "fa": "قواعد اضافی هزینه‌دارند." }, "image": "figures/new-double-edged-shield-page-13-detail.webp" } ], "thesisUse": { "en": "Original thesis proposal: evaluate bot-detector false positives separately on customized privacy configurations; test whether consistency checks punish legitimate defense choices.", "fa": "پیشنهاد ما برای تز: مثبت کاذب تشخیص بات را روی پیکربندی‌های سفارشی حریم خصوصی جداگانه بسنجید؛ بررسی کنید آیا آزمون سازگاری، انتخاب دفاعی مشروع را تنبیه می‌کند." }, "related": [ "p-c17998dae976", "p-52bae580e935" ], "keywords": [ "ad blocking", "CSS", "filter lists", "anonymity set", "entropy" ], "reviewScope": { "en": "All substantive main-paper sections and appendices read; bibliography excluded.", "fa": "تمام بخش‌های اصلی و پیوست‌ها بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/new-double-edged-shield.pdf", "pages": 21, "sha256": "082d8ea84000046a029011677db497ee0cfb5874b207176fb0357e3a86fa3f65", "duplicates": [], "downloadUrl": "https://www.usenix.org/system/files/usenixsecurity25-el-hajj-chehade.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-see-thesis", "title": "Emerging Threats to Online Security: Securing Systems Against Unauthorized Automation and Web Bots", "titleFa": "تهدیدهای نوظهور امنیت آنلاین: مقابله با خودکارسازی غیرمجاز و بات‌های وب", "year": 2025, "authors": [ "Richard August See" ], "venue": "Universität Hamburg, doctoral dissertation", "kind": "thesis", "domains": [ "bots", "intersection" ], "topics": [ "detection", "behavior", "evasion", "network" ], "status": "thesis-chapters-reviewed", "sourceUrl": "https://ediss.sub.uni-hamburg.de/handle/ediss/11820", "problem": { "en": "Scalable, unobtrusive bot defense.", "fa": "دفاع مقیاس‌پذیر و بی‌مزاحمت." }, "idea": { "en": "Behavioral detection, binary analysis, protocol diversification.", "fa": "تشخیص رفتاری، تحلیل باینری، تنوع پروتکل." }, "result": { "en": "Evidence varies across three detection modalities.", "fa": "شواهد در سه نوع تشخیص متفاوت‌اند." }, "sections": [ { "heading": { "en": "Scope", "fa": "دامنه" }, "en": "Read Chapter 3, Chapter 6, abstract/contents; appendices unreviewed.", "fa": "فصل‌های ۳ و۶، چکیده/فهرست خوانده‌شد؛ پیوست‌ها بررسی‌نشده.", "pages": [ 4, 8, 9, 10, 31, 54, 87, 91 ] }, { "heading": { "en": "Mouse", "fa": "ماوس" }, "en": "322/163 participants across sites; advanced-bot accuracy 0.966.", "fa": "۳۲۲/۱۶۳ شرکت‌کننده در دو سایت؛ دقت بات پیشرفته ۰٫۹۶۶.", "pages": [ 35, 37 ] }, { "heading": { "en": "Latency", "fa": "تأخیر" }, "en": "50 events: accuracy 0.933, about 1.66 seconds.", "fa": "۵۰ رخداد: دقت ۰٫۹۳۳، حدود ۱٫۶۶ثانیه.", "pages": [ 36, 37 ] }, { "heading": { "en": "Keystrokes", "fa": "کلیدها" }, "en": "32K balanced sentences; LSTM timing-only accuracy approximately 0.98.", "fa": "۳۲هزار جملهٔ متوازن؛ دقت زمان‌بندی LSTM حدود ۰٫۹۸.", "pages": [ 43, 44 ] }, { "heading": { "en": "BOTracle", "fa": "BOTracle" }, "en": "Heuristics→SGAN→traversal DGCNN; proxy labels.", "fa": "قواعد→SGAN→DGCNN پیمایش؛ برچسب جانشین.", "pages": [ 47, 50 ] }, { "heading": { "en": "Evaluation", "fa": "ارزیابی" }, "en": "DGCNN accuracy 0.9845; precision 0.9791.", "fa": "دقت DGCNN برابر ۰٫۹۸۴۵؛ precision برابر ۰٫۹۷۹۱.", "pages": [ 51 ] } ], "findings": [ { "en": "Privacy and realistic attacks remain unresolved.", "fa": "حریم خصوصی و حملهٔ واقعی همچنان چالش‌اند.", "pages": [ 38, 45, 52, 53, 88 ] } ], "limitations": [ { "en": "Partial dissertation review; synthetic/proxy ground truth.", "fa": "بررسی جزئی رساله؛ حقیقت مبنای مصنوعی/جانشین.", "pages": [ 38, 50 ] } ], "figures": [ { "label": "Table 3.3", "page": 37, "caption": { "en": "Advanced mouse bots.", "fa": "بات پیشرفتهٔ ماوس." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-see-thesis-page-37-detail.webp" }, { "label": "Table 3.11", "page": 51, "caption": { "en": "Detector comparison.", "fa": "مقایسهٔ آشکارسازها." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-see-thesis-page-51-detail.webp" } ], "thesisUse": { "en": "Our synthesis: structure an MSc study around three separate decisions: browser identity consistency, session automation, and coordinated campaigns. Compare fingerprint-only, behavior-only, and fusion models using held-out users and unseen generators. Treat the thesis's proxy labels as a study design limitation; independently validate VPN users and assistive inputs. A promising original question is whether cross-session consistency improves low-FPR detection without preserving stable user identifiers.", "fa": "تحلیل ما: مطالعهٔ ارشد را حول سه تصمیم مستقل بچینید: سازگاری هویت مرورگر، خودکارسازی نشست و کارزار هماهنگ. مدل صرفاً اثرانگشت، صرفاً رفتار و ترکیبی را با کاربران کنارگذاشته‌شده و مولدهای ندیده مقایسه کنید. برچسب جانشین رساله محدودیت طراحی است؛ کاربران VPN و ورودی‌های کمکی را مستقل اعتبارسنجی کنید. پرسش پیشنهادی اصیل: آیا سازگاری میان‌نشستی بدون نگهداری شناسهٔ پایدار کاربر، تشخیص در مثبت کاذب کم را بهتر می‌کند؟" }, "related": [ "new-becaptcha-mouse", "new-fp-scanner", "new-automated-traffic" ], "keywords": [ "keystroke dynamics", "mouse dynamics", "BOTracle", "proxy labels" ], "reviewScope": { "physicalPages": [ 4, 8, 9, 10, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 87, 88, 89, 90, 91 ], "chapters": [ "3 (complete)", "6 (complete)" ], "excluded": "Chapters 1–2 and 4–5, publication appendices not fully reviewed." }, "contentPolicy": "Combined bilingual source-derived summary below 200 words; original thesis synthesis separate.", "pdf": "papers/new-see-thesis.pdf", "pages": 206, "sha256": "05f258ed5b38238c601e2e83ed311c68ed679ca4e1583430f705c6a1ae675552", "duplicates": [], "downloadUrl": "https://ediss.sub.uni-hamburg.de/bitstream/ediss/11820/1/see_diss_published.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "p-79a8187df7aa", "title": "FP-Inconsistent: Measurement and Analysis of Fingerprint Inconsistencies in Evasive Bot Traffic", "titleFa": "FP-Inconsistent: اندازه‌گیری و تحلیل ناسازگاری اثرانگشت در ترافیک بات فراری", "year": 2025, "authors": [ "Hari Venugopalan", "Shaoor Munir", "Shuaib Ahmed", "Tangbaihe Wang", "Samuel T. King", "Zubair Shafiq" ], "venue": "ACM IMC 2025", "domains": [ "intersection" ], "topics": [ "detection", "measurement", "signals", "evasion", "privacy" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3730567.3732919", "problem": { "en": "Can inconsistent spoofed attributes reveal bots missed by commercial anti-bot services?", "fa": "آیا ناسازگاری ویژگی‌های جعل‌شده بات‌های فراری از خدمات تجاری را آشکار می‌کند؟" }, "idea": { "en": "Purchase independently attributable bot traffic and rank excessive attribute-pair configurations, then manually vet spatial rules and add cookie/IP temporal checks.", "fa": "ترافیک بات با منشأ مستقل خریداری می‌شود؛ ترکیب‌های بیش‌ازحد ویژگی‌های جفتی رتبه‌بندی و قواعد مکانی دستی تأیید می‌شوند؛ بررسی زمانی کوکی و IP نیز اضافه می‌شود." }, "result": { "en": "On 507,080 requests, detection rises from 55.44% to 76.88% for DataDome and from 47.07% to 70.86% for BotD; 96.84% true-negative rate on 2,206 student requests.", "fa": "در ۵۰۷٬۰۸۰ درخواست، تشخیص DataDome از ۵۵٫۴۴٪ به ۷۶٫۸۸٪ و BotD از ۴۷٫۰۷٪ به ۷۰٫۸۶٪ می‌رسد؛ نرخ منفی درست در ۲٬۲۰۶ درخواست دانشجویان ۹۶٫۸۴٪ است." }, "sections": [ { "heading": { "en": "Threat and independent bot labels", "fa": "تهدید و برچسب مستقل بات" }, "en": "The focus is impression fraud, where bots need not exhibit obviously malicious actions. Each of 20 purchased traffic services receives a secret URL path, providing source attribution without relying on detector decisions as ground truth. Secret random paths distinguish traffic purchased from individual services from incidental crawlers discovering a registered domain. They establish provenance from purchased traffic rather than independently auditing whether every service-delivered visit is automated; the seller's 'organic' marketing is not a human-identity guarantee.", "fa": "تمرکز بر تقلب نمایش تبلیغ است که در آن بات لزوماً عمل آشکارا مخرب ندارد. به هریک از ۲۰ فروشنده ترافیک مسیر URL مخفی داده می‌شود؛ منشأ ترافیک مستقل از تصمیم آشکارساز مشخص می‌ماند. مسیر تصادفی مخفی ترافیک هر فروشنده را از خزنده اتفاقیِ دامنه ثبت‌شده جدا می‌کند. این روش منشأ ترافیک خریداری‌شده را مشخص می‌کند، نه ممیزی مستقل خودکار بودن تک‌تک بازدیدها؛ ادعای تبلیغاتی «ارگانیک» تضمین هویت انسانی نیست.", "pages": [ 1, 3, 4 ] }, { "heading": { "en": "Collection and service comparison", "fa": "جمع‌آوری و مقایسه خدمات" }, "en": "During September–November 2023 the honey site captures 507,080 requests and over 30 FingerprintJS attributes, with DataDome and BotD decisions. Use Tables 1 and 5 for overall rates: DataDome detects 55.44% and BotD 47.07%; the abstract and some prose swap service/rate labels.", "fa": "در سپتامبر تا نوامبر ۲۰۲۳ سایت طعمه ۵۰۷٬۰۸۰ درخواست و بیش از ۳۰ ویژگی FingerprintJS را همراه تصمیم دو خدمت ثبت می‌کند. نرخ کلی را از جدول‌های ۱ و ۵ بگیرید: DataDome برابر ۵۵٫۴۴٪ و BotD برابر ۴۷٫۰۷٪ را تشخیص می‌دهد؛ چکیده و برخی متن‌ها نام خدمات و نرخ‌ها را جابه‌جا کرده‌اند.", "pages": [ 4, 5, 11 ] }, { "heading": { "en": "Features associated with evasion", "fa": "ویژگی‌های مرتبط با فرار" }, "en": "Two surrogate classifiers reproduce detected-versus-evaded decisions using fingerprint attributes, with a 90/10 request split; this is separate from the later 80/20 inconsistency-rule evaluation. BotD surrogate train/test accuracy is 97.8%/97.71%, while DataDome is 82.09%/81.66%, indicating a larger unexplained decision component for DataDome. SHAP ranks Vendor Flavors and Plugins highly for both, with screen frame, hardware concurrency and forced colors for DataDome and touch support, vendor and contrast for BotD. The paper calls these models random forests implemented with XGBoost; preserve that description rather than silently inferring a precise tree configuration, and interpret SHAP as association with black-box decisions, not causal bypass proof.", "fa": "دو مدل جانشین تصمیم تشخیص/فرار را از ویژگی اثرانگشت با تقسیم ۹۰/۱۰ درخواست بازتولید می‌کنند؛ این از ارزیابی ۸۰/۲۰ قواعد ناسازگاری جداست. دقت آموزش/آزمون BotD برابر ۹۷٫۸٪/۹۷٫۷۱٪ و DataDome برابر ۸۲٫۰۹٪/۸۱٫۶۶٪ است؛ سهم توضیح‌نداده تصمیم DataDome بزرگ‌تر است. SHAP برای هر دو Vendor Flavors و Plugins و برای DataDome چارچوب صفحه، هسته و رنگ اجباری و برای BotD لمس، سازنده و کنتراست را مهم می‌داند. مقاله مدل را random forest با XGBoost می‌نامد؛ تنظیم دقیق درخت را حدس نزن و SHAP را ارتباط با تصمیم جعبه‌سیاه بدان، نه اثبات علّی عبور.", "pages": [ 5, 6 ] }, { "heading": { "en": "Spatial inconsistency discovery", "fa": "کشف ناسازگاری مکانی" }, "en": "Attribute-pair search is limited by four groups: screen/display, device hardware/OS, browser identity and location. For each pair, the prose prioritizes a value paired with unusually many distinct counterpart values, then manually vets impossible combinations and removes merely rare valid cases. Claimed iPhones produce 83 resolutions rather than the paper's cited 12, with 42 resolutions among DataDome-evasive iPhone requests and nine implausible entries in the ten most evasive resolutions. Algorithm 1 is inconsistent with the prose: it filters rows labeled non-bot and sorts in increasing rather than descending combination count, so a reproduction must resolve those specification ambiguities instead of treating the pseudocode as unambiguous executable design.", "fa": "جست‌وجوی جفت ویژگی به چهار گروه نمایش، سخت‌افزار/سیستم‌عامل، هویت مرورگر و موقعیت محدود است. متن مقداری را که با تعداد غیرعادی مقادیر ویژگی دیگر همراه است در اولویت می‌گذارد و ترکیب ناممکن را دستی تأیید و نادر معتبر را حذف می‌کند. آیفون ادعایی ۸۳ وضوح به‌جای ۱۲ وضوح مرجع مقاله دارد؛ ۴۲ مورد میان درخواست فراری DataDome و نه مورد نامعتبر در ده وضوح با بیشترین فرار دیده می‌شود. Algorithm 1 با متن ناسازگار است: رکورد برچسب غیر‌بات را فیلتر و تعداد ترکیب را صعودی، نه نزولی، مرتب می‌کند؛ بازتولید باید این ابهام را حل کند، نه شبه‌کد را بی‌ابهام بداند.", "pages": [ 7, 9, 10 ] }, { "heading": { "en": "Temporal analysis and results", "fa": "تحلیل زمانی و نتایج" }, "en": "A first-party random cookie links historical observations, and a new CPU-count or memory value for the same cookie triggers a temporal rule; IP-linked increases in observed UTC offsets likewise trigger timezone rules. Such identifiers approximate continuity, not immutable physical device identity: cookie reuse/transfer, NAT, VPNs, travel and privacy randomization can violate the assumptions. Table 5 gives DataDome detection 55.44% baseline, 76.04% spatial, 56.53% temporal and 76.88% combined; BotD is 47.07%, 70.33%, 48.09% and 70.86%. Combined absolute gains are 21.44 and 23.79 percentage points, while the headline 48.11%/44.95% figures are relative reductions in previously missed requests.", "fa": "کوکی تصادفی شخص اول مشاهدات تاریخی را پیوند می‌دهد و مقدار جدید هسته یا حافظه برای همان کوکی قاعده زمانی را فعال می‌کند؛ افزایش UTC offset مشاهده‌شده برای IP نیز قاعده منطقه زمانی دارد. شناسه تقریب پیوستگی است، نه هویت فیزیکی تغییرناپذیر؛ انتقال کوکی، NAT، VPN، سفر و تصادفی‌سازی خصوصی می‌تواند فرض را نقض کند. جدول ۵ تشخیص DataDome را مبنا ۵۵٫۴۴٪، مکانی ۷۶٫۰۴٪، زمانی ۵۶٫۵۳٪ و ترکیبی ۷۶٫۸۸٪ و BotD را ۴۷٫۰۷٪، ۷۰٫۳۳٪، ۴۸٫۰۹٪ و ۷۰٫۸۶٪ می‌دهد. سود مطلق ترکیبی ۲۱٫۴۴/۲۳٫۷۹ واحد درصد است؛ اعداد ۴۸٫۱۱٪/۴۴٫۹۵٪ کاهش نسبی درخواست ازدست‌رفته‌اند.", "pages": [ 8, 10, 11 ] }, { "heading": { "en": "Privacy and generalization", "fa": "حریم خصوصی و تعمیم" }, "en": "An 80/20 request split gives only small detection losses but does not establish unseen-vendor or future-time generalization. On 2,206 student requests TNR is 96.84%; all tested Tor requests are false positives, and Brave changes can trigger temporal inconsistencies when cookies persist.", "fa": "تقسیم درخواست به ۸۰/۲۰ افت کمی می‌دهد اما تعمیم به فروشنده جدید یا زمان آینده را ثابت نمی‌کند. در ۲٬۲۰۶ درخواست دانشجو نرخ منفی درست ۹۶٫۸۴٪ است؛ همه درخواست‌های آزمایشی Tor مثبت کاذب می‌شوند و تغییرات Brave با کوکی ماندگار می‌تواند ناسازگاری زمانی ایجاد کند.", "pages": [ 10, 11, 12 ] }, { "heading": { "en": "Provider heterogeneity and association checks", "fa": "ناهمگنی فروشنده و بررسی ارتباط" }, "en": "Service request counts range from S1's 121,500 to S20's 382, so aggregate rates are traffic-weighted rather than an equal average over sellers. Services S15/S18/S19 contribute 7,132 requests with 100% BotD evasion, and 99.91% support Chrome PDF Viewer; the three lowest-evasion services contribute 39,620 requests with only 5.11% evasion. DataDome's high-evasion comparison uses 52,746 requests with 79.15% evasion versus 51,110 with 4.12%; fewer than eight reported cores occurs in 84.7% versus 38.16%. Differences reveal opportunities for consistency checks, but altering a correlated field was not tested as a controlled causal intervention.", "fa": "تعداد درخواست فروشنده از ۱۲۱۵۰۰ برای S1 تا ۳۸۲ برای S20 است؛ نرخ کل وزن ترافیک دارد، نه میانگین برابر فروشنده‌ها. S15/S18/S19 مجموعاً ۷۱۳۲ درخواست با فرار صددرصد BotD دارند و ۹۹٫۹۱٪ Chrome PDF Viewer را پشتیبانی می‌کنند؛ سه فروشنده کم‌فرار ۳۹۶۲۰ درخواست با فرار ۵٫۱۱٪ دارند. مقایسه DataDome دارای ۵۲۷۴۶ درخواست با فرار ۷۹٫۱۵٪ در برابر ۵۱۱۱۰ با ۴٫۱۲٪ است؛ هسته کمتر از هشت در ۸۴٫۷٪ در برابر ۳۸٫۱۶٪ رخ می‌دهد. این تفاوت فرصت بررسی سازگاری است، اما تغییر میدان هم‌بسته به‌صورت مداخله علّی کنترل‌شده آزموده نشده است.", "pages": [ 4, 5, 6 ] }, { "heading": { "en": "False positives and privacy counterexamples", "fa": "مثبت کاذب و مثال نقض حریم خصوصی" }, "en": "Student traffic gives TNR 96.84%, equivalently FPR 3.16%, on 2,206 requests rather than 2,206 independent people. The separate 300-request privacy experiment spans Safari, Brave, Tor and Chrome extensions across macOS, Linux, iOS and Android. Tor is always flagged by IP-versus-timezone mismatch; Brave can trigger CPU/memory temporal rules when randomization coexists with persistent cookies, despite the paper's broader wording that Brave is not detected. CAPTCHA fallback may reduce blocking but still creates friction and is a mitigation proposal, not proof that privacy false positives are absent.", "fa": "ترافیک دانشجو TNR برابر ۹۶٫۸۴٪، معادل FPR=۳٫۱۶٪، در ۲۲۰۶ درخواست دارد، نه ۲۲۰۶ فرد مستقل. آزمون جداگانه ۳۰۰ درخواست مرورگر خصوصی Safari، Brave، Tor و افزونه Chrome را روی macOS، Linux، iOS و Android پوشش می‌دهد. Tor همیشه با اختلاف IP/زمان پرچم می‌خورد و Brave با تصادفی‌سازی هسته/حافظه و کوکی پایدار قواعد زمانی را فعال می‌کند، با وجود عبارت کلی مقاله مبنی بر تشخیص‌ندادن Brave. CAPTCHA ممکن است مسدودسازی را کم کند ولی اصطکاک می‌سازد و پیشنهاد دفاع است، نه اثبات نبود مثبت کاذب خصوصی.", "pages": [ 11, 12 ] }, { "heading": { "en": "Reproduction and thesis extension", "fa": "بازتولید و توسعه تز" }, "en": "Thesis synthesis: derive rules on training-only requests and test them on unseen sellers, dates and a matched human cohort with VPNs/privacy browsers. Separate spatial device-compatibility rules from temporal identity rules, recording which rule produces each decision so false positives can be audited. Measure request-weighted and provider-weighted detection separately and maintain versioned reference configurations instead of treating historical device constraints as permanent. Deleting cookies defeats the studied continuity check, while adding persistent hardware identifiers could improve continuity at a privacy cost; that trade-off needs explicit measurement.", "fa": "تحلیل برای تز: قواعد را فقط از آموزش استخراج و با فروشنده، تاریخ و گروه انسانی نادیده شامل VPN/مرورگر خصوصی آزمون کن. قواعد سازگاری مکانی دستگاه را از قواعد هویت زمانی جدا و قاعده تصمیم‌ساز را ثبت کن تا مثبت کاذب ممیزی شود. تشخیص با وزن درخواست و فروشنده را جدا بسنج و مرجع تنظیم نسخه‌دار داشته باش، نه فرض دائمی محدودیت تاریخی دستگاه. حذف کوکی پیوستگی مطالعه‌شده را می‌شکند و شناسه سخت‌افزاری پایدار می‌تواند با هزینه حریم خصوصی آن را بهتر کند؛ این مصالحه باید اندازه‌گیری شود.", "pages": [ 10, 11, 12, 13 ] } ], "figures": [ { "label": "Figure 7", "page": 7, "caption": { "en": "iPhone resolution combinations", "fa": "ترکیب وضوح آیفون" }, "insight": { "en": "Nine of the ten most evasive claimed-iPhone resolutions are absent from the cited real-device set. This motivates cross-field rules; a historical reference set needs version-aware maintenance.", "fa": "نه وضوح از ده وضوح آیفون با بیشترین فرار در مجموعه دستگاه مرجع وجود ندارد؛ انگیزه قاعده بین‌ویژگی است، ولی مرجع تاریخی نگهداری نسخه‌دار می‌خواهد." }, "image": "figures/p-79a8187df7aa-page-7-detail.webp" }, { "label": "Figure 10", "page": 9, "caption": { "en": "Changing platform values under one cookie", "fa": "تغییر پلتفرم با کوکی یکسان" }, "insight": { "en": "One frequently observed cookie appears with Win32, MacIntel, iPhone and other platform strings. This supports suspicious mutation but cookie equality alone is not proof of immutable physical-device identity.", "fa": "یک کوکی پرتکرار با Win32، MacIntel، iPhone و platform دیگر ظاهر می‌شود؛ تغییر مشکوک است اما کوکی مساوی هویت فیزیکی ثابت را اثبات نمی‌کند." }, "image": "figures/p-79a8187df7aa-page-9-detail.webp" }, { "label": "Table 5", "page": 11, "caption": { "en": "Detection before and after spatial/temporal checks", "fa": "تشخیص پیش و پس از بررسی مکانی و زمانی" }, "insight": { "en": "Spatial/temporal/combined rates are 76.04/56.53/76.88% DataDome and 70.33/48.09/70.86% BotD. Read absolute gains separately from relative reduction in missed bots.", "fa": "نرخ مکانی/زمانی/ترکیبی DataDome برابر ۷۶٫۰۴/۵۶٫۵۳/۷۶٫۸۸٪ و BotD برابر ۷۰٫۳۳/۴۸٫۰۹/۷۰٫۸۶٪ است؛ سود مطلق را از کاهش نسبی بات ازدست‌رفته جدا بخوان." }, "image": "figures/p-79a8187df7aa-page-11-detail.webp" } ], "limitations": [ { "en": "The benign validation population is a small university sample; 3.16% false-positive requests is significant in deployment.", "fa": "جمعیت عادی نمونه کوچک دانشگاهی است؛ ۳٫۱۶٪ درخواست مثبت کاذب برای استقرار قابل توجه است.", "pages": [ 11 ] }, { "en": "Tor and some privacy configurations violate the rules without malicious intent.", "fa": "Tor و برخی تنظیمات حریم خصوصی بدون قصد مخرب قواعد را نقض می‌کنند.", "pages": [ 11, 12 ] }, { "en": "Coherent spoofing and cookie deletion can bypass spatial or temporal assumptions; rules require manual vetting.", "fa": "جعل هماهنگ و حذف کوکی می‌تواند فرض‌های مکانی یا زمانی را دور بزند؛ قواعد بازبینی دستی می‌خواهند.", "pages": [ 10, 12 ] }, { "en": "Algorithm 1 conflicts with the surrounding prose on label filtering and sort order; Table 4 also prints an impossible 360.01% entry. Do not reproduce those values or steps without resolving source ambiguities.", "fa": "Algorithm 1 در فیلتر برچسب و جهت مرتب‌سازی با متن اختلاف دارد؛ جدول ۴ مقدار ناممکن ۳۶۰٫۰۱٪ چاپ می‌کند. بازتولید باید ابهام منبع را حل کند.", "pages": [ 10, 11 ] } ], "findings": [ { "en": "Spatial rules account for most uplift: DataDome 55.44→76.04%, BotD 47.07→70.33%; temporal-only reaches just 56.53%/48.09%.", "fa": "قواعد مکانی سهم اصلی سود دارند: DataDome از ۵۵٫۴۴ به ۷۶٫۰۴٪ و BotD از ۴۷٫۰۷ به ۷۰٫۳۳٪؛ زمانی تنها ۵۶٫۵۳٪/۴۸٫۰۹٪ است.", "pages": [ 11 ] }, { "en": "The 80/20 request rule evaluation loses .23 percentage points DataDome and .42 BotD, without holding out sellers or future dates.", "fa": "آزمون قواعد ۸۰/۲۰ درخواست .23 واحد درصد DataDome و .42 BotD افت دارد، بدون کنارگذاشتن فروشنده یا تاریخ آینده.", "pages": [ 10 ] }, { "en": "Student FPR is 3.16% per request; all tested Tor traffic and some persistent-cookie Brave changes demonstrate privacy false positives.", "fa": "FPR دانشجو ۳٫۱۶٪ به‌ازای درخواست است؛ همه ترافیک Tor آزموده و برخی تغییر Brave با کوکی پایدار مثبت کاذب خصوصی‌اند.", "pages": [ 11, 12 ] } ], "thesisUse": { "en": "Our synthesis: a strong thesis baseline is spatial rules plus learned feature relations, tested on unseen bot vendors, chronological splits and diverse privacy browsers. Compare risk scoring and challenge policies against hard blocking, with explicitly measured false positives.", "fa": "تحلیل ما برای تز: مبنای مناسب، قواعد مکانی همراه روابط آموخته‌شده ویژگی‌ها و آزمون روی فروشنده دیده‌نشده، تقسیم زمانی و مرورگرهای حریم خصوصی متنوع است. امتیاز ریسک و سیاست چالش را با مسدودسازی مستقیم و مثبت کاذب اندازه‌گیری‌شده مقایسه کنید." }, "related": [ "p-00fcd1b4467c", "p-df0b0b0c4107" ], "keywords": [ "spatial inconsistency", "temporal inconsistency", "honey site", "impression fraud" ], "pdf": "papers/p-79a8187df7aa.pdf", "pages": 16, "sha256": "79a8187df7aab0cf09e9c2881b0056aad94f20ce2dc5bf65cd64f937f6338d45", "sourcePath": "سمینار\\2025 FP-Inconsistent Measurement and Analysis of Fingerprint.pdf", "duplicates": [ "مقالات\\Browser fingerprinting\\2025 FP-Inconsistent Measurement and Analysis of Fingerprint.pdf" ], "isNew": false }, { "id": "p-da4fb50e5256", "title": "A Browser Fingerprint Authentication Scheme Based on the Browser Cache Side-Channel Technology", "titleFa": "طرح احراز هویت با اثرانگشت مبتنی بر کانال جانبی کش مرورگر", "year": 2024, "authors": [ "Yiming Yan", "Haiyong Zhao", "Haipeng Qu" ], "venue": "Electronics 13, 2728", "domains": [ "fingerprinting" ], "topics": [ "authentication", "hardware", "signals" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.3390/electronics13142728", "problem": { "en": "Can cache-timing signals make browser authentication harder to spoof than directly reported software attributes?", "fa": "آیا سیگنال زمان‌بندی کش می‌تواند جعل احراز هویت مرورگر را از ویژگی‌های نرم‌افزاری گزارش‌شده دشوارتر کند؟" }, "idea": { "en": "Build a signal from CPU-cache Prime+Probe timing, compare registration/login data through FFT correlations, and classify with KNN.", "fa": "ساخت سیگنال از زمان‌بندی Prime+Probe کش پردازنده، مقایسه ثبت‌نام و ورود با همبستگی FFT و طبقه‌بندی KNN." }, "result": { "en": "Across 15 attacker–victim device pairings, K=3 averages recall 96.17%, false acceptance 4.67% and false rejection 3.83%; only 11 devices were studied.", "fa": "در ۱۵ جفت دستگاه مهاجم–قربانی، K=3 میانگین recall برابر ۹۶٫۱۷٪، پذیرش اشتباه ۴٫۶۷٪ و رد اشتباه ۳٫۸۳٪ دارد؛ فقط ۱۱ دستگاه مطالعه شده‌اند." }, "sections": [ { "heading": { "en": "Problem, cache meaning and threat model", "fa": "مسئله، معنای کش و مدل تهدید" }, "en": "The cache is CPU cache observed through a browser-side timing side channel, not HTTP response caching. The proposed extra authentication factor targets copied browser fingerprints and phishing/MITM scenarios, assuming a trusted verifier. This work does not evaluate a bot classifier.", "fa": "کش مورد نظر کش پردازنده است که با کانال جانبی زمان‌بندی از مرورگر دیده می‌شود، نه کش پاسخ HTTP. عامل کمکی احراز هویت برای اثرانگشت کپی‌شده و فیشینگ/میانی طراحی شده و به سرور معتبر فرض می‌کند. مقاله طبقه‌بند بات را ارزیابی نمی‌کند.", "pages": [ 1, 2, 3, 4 ] }, { "heading": { "en": "Cache signal collection", "fa": "جمع‌آوری سیگنال کش" }, "en": "Prime+Probe measurements produce an N×M timing matrix affected by cache contention and hardware. Browser JavaScript collects the traces without asking the user to type a biometric gesture. Noise, concurrent workloads and timer behavior are therefore central concerns for deployment.", "fa": "اندازه‌گیری Prime+Probe ماتریس زمان N×M می‌سازد که از رقابت کش و سخت‌افزار اثر می‌گیرد. جاوااسکریپت مرورگر ردها را بدون ژست زیست‌سنجی تایپی جمع می‌کند. بنابراین نویز، بار هم‌زمان و رفتار تایمر برای استقرار مهم‌اند.", "pages": [ 3, 4, 5, 6 ] }, { "heading": { "en": "Fingerprint and comparison pipeline", "fa": "خط لوله ساخت و مقایسه" }, "en": "Column means are normalized, encoded and padded to power-of-two length before Fourier processing. Registration uses reference traces A1/A2 and login supplies B; correlations are converted into comparison features. KNN uses Manhattan distance and majority voting, with floor(K/2)+1 reference samples per registered user.", "fa": "میانگین ستون‌ها نرمال، کدگذاری و تا طول توان دو پر می‌شود و سپس پردازش فوریه انجام می‌گیرد. ثبت‌نام ردهای مرجع A1/A2 و ورود رد B را می‌دهد؛ همبستگی به ویژگی مقایسه تبدیل می‌شود. KNN فاصله منهتن و رأی اکثریت دارد و برای هر کاربر floor(K/2)+1 نمونه مرجع می‌خواهد.", "pages": [ 5, 6, 7, 8 ] }, { "heading": { "en": "Timing-based relay check", "fa": "آزمون رله مبتنی بر زمان" }, "en": "The server uses send/receive times and a client-reported end time to estimate collection duration: (Treceive−Tsend)−2(Treceive−Tend). A threshold Δ is intended to expose extra relay delay. The argument relies on stable, sufficiently symmetric timing and should not be read as a cryptographic origin-binding proof.", "fa": "سرور با زمان ارسال/دریافت و زمان پایان گزارش‌شده کلاینت، مدت جمع‌آوری را با (Treceive−Tsend)−2(Treceive−Tend) تخمین می‌زند. آستانه Δ قرار است تأخیر اضافه رله را آشکار کند. این استدلال به زمان‌بندی پایدار و نسبتاً متقارن وابسته است و اثبات اتصال رمزنگاری به مبدأ نیست.", "pages": [ 8, 9, 10, 11 ] }, { "heading": { "en": "Device uniqueness and stability experiments", "fa": "آزمایش یکتایی و پایداری" }, "en": "The study uses 11 Windows/Intel devices with differing CPU and memory configurations and 300 login measurements per device for the uniqueness experiment. Stability is shown for one Windows 10 machine with 50 measurements per observation period. The text is inconsistent about two-month versus three-month observation spacing, so a precise longitudinal duration is not reliable.", "fa": "مطالعه ۱۱ دستگاه ویندوز/اینتل با CPU و حافظه متفاوت و در آزمایش یکتایی ۳۰۰ ورود برای هر دستگاه دارد. پایداری برای یک دستگاه ویندوز ۱۰ و ۵۰ اندازه‌گیری در هر دوره نشان داده شده است. متن فاصله دوماهه و سه‌ماهه را ناسازگار بیان می‌کند؛ مدت دقیق مشاهده طولی قابل اتکا نیست.", "pages": [ 11, 12 ] }, { "heading": { "en": "Authentication errors and threshold trade-off", "fa": "خطاهای احراز هویت و مصالحه آستانه" }, "en": "Table 4 averages results over 15 device-pair groups. K=3 yields recall 96.17%, FAR 4.67% and FRR 3.83%, while K=2 yields recall 91.58%, FAR 0% and FRR 8.42%. One K=3 pairing reaches FAR 24%, showing that average acceptance errors can hide poor separation for particular devices.", "fa": "جدول ۴ نتایج ۱۵ گروه جفت دستگاه را میانگین می‌گیرد. K=3 دارای recall برابر ۹۶٫۱۷٪، FAR برابر ۴٫۶۷٪ و FRR برابر ۳٫۸۳٪ است؛ K=2 به‌ترتیب ۹۱٫۵۸٪، صفر و ۸٫۴۲٪ دارد. یک جفت در K=3 به FAR برابر ۲۴٪ می‌رسد؛ میانگین می‌تواند جداسازی ضعیف دستگاه خاص را پنهان کند.", "pages": [ 13, 14 ] }, { "heading": { "en": "Interpretation and comparison caveats", "fa": "تفسیر و احتیاط در مقایسه" }, "en": "The 95.33% attacker recognition summary corresponds to one minus the average FAR, not a large independent attacker population. Table 5 compares incompatible tasks and describes FP-Inspector as authentication despite its script-detection purpose. The claim that lack of conventional PII eliminates privacy risk is also too strong: a persistent linked device signal can itself enable tracking.", "fa": "خلاصه شناسایی مهاجم ۹۵٫۳۳٪ برابر یک منهای میانگین FAR است، نه جمعیت بزرگ مهاجمان مستقل. جدول ۵ وظایف ناهمگون را مقایسه می‌کند و FP-Inspector را احراز هویت می‌نامد، در حالی که هدف آن تشخیص اسکریپت است. نبود داده شناسایی متعارف نیز خطر حریم خصوصی را حذف نمی‌کند؛ سیگنال پایدار دستگاه می‌تواند ابزار ردیابی شود.", "pages": [ 14, 15, 16 ] } ], "figures": [ { "label": "Figure 4", "page": 6, "caption": { "en": "Cache signal processing pipeline.", "fa": "خط لوله پردازش سیگنال کش." }, "insight": { "en": "Raw timing becomes a comparative authentication feature rather than an exact browser identifier.", "fa": "زمان خام به ویژگی مقایسه احراز هویت تبدیل می‌شود." }, "image": "figures/p-da4fb50e5256-page-6-detail.webp" }, { "label": "Figure 8", "page": 12, "caption": { "en": "Device comparison experiment.", "fa": "آزمایش مقایسه دستگاه‌ها." }, "insight": { "en": "Separation is demonstrated on a small 11-device environment.", "fa": "جداسازی در محیط کوچک ۱۱ دستگاهی نشان داده می‌شود." }, "image": "figures/p-da4fb50e5256-page-12-detail.webp" }, { "label": "Figure 9", "page": 12, "caption": { "en": "Stability measurements.", "fa": "اندازه‌گیری پایداری." }, "insight": { "en": "One-device longitudinal behavior cannot establish population-wide stability.", "fa": "مشاهده طولی یک دستگاه پایداری کل جمعیت را اثبات نمی‌کند." }, "image": "figures/p-da4fb50e5256-page-12-detail.webp" }, { "label": "Table 4", "page": 14, "caption": { "en": "FAR/FRR across device pairings and K.", "fa": "FAR/FRR جفت دستگاه‌ها و مقادیر K." }, "insight": { "en": "K=2 and K=3 expose an explicit security–usability trade-off; one pair has FAR 24%.", "fa": "K=2 و K=3 مصالحه امنیت و استفاده‌پذیری را نشان می‌دهند؛ FAR یک جفت ۲۴٪ است." }, "image": "figures/p-da4fb50e5256-page-14-detail.webp" } ], "limitations": [ { "en": "Only 11 Windows/Intel devices and limited longitudinal coverage were tested.", "fa": "فقط ۱۱ دستگاه ویندوز/اینتل و پوشش طولی محدود آزموده شده‌اند.", "pages": [ 11, 12, 13, 14 ] }, { "en": "Relay resistance rests on timing assumptions; realistic asymmetric or variable networks are not broadly validated.", "fa": "مقاومت رله بر فرض زمان‌بندی استوار است؛ شبکه نامتقارن یا متغیر به‌طور گسترده اعتبارسنجی نشده است.", "pages": [ 8, 9, 10, 11 ] }, { "en": "Comparative metrics in Table 5 mix authentication and script detection, and privacy claims require independent scrutiny.", "fa": "جدول ۵ معیار احراز هویت و تشخیص اسکریپت را مخلوط می‌کند و ادعای حریم خصوصی نیازمند بررسی مستقل است.", "pages": [ 15, 16 ] } ], "findings": [ { "en": "Column means are normalized, encoded and padded to power-of-two length before Fourier processing. Registration uses reference traces A1/A2 and login supplies B; correlations are converted into comparison features. KNN uses Manhattan distance and majority voting, with floor(K/2)+1 reference samples per registered user.", "fa": "میانگین ستون‌ها نرمال، کدگذاری و تا طول توان دو پر می‌شود و سپس پردازش فوریه انجام می‌گیرد. ثبت‌نام ردهای مرجع A1/A2 و ورود رد B را می‌دهد؛ همبستگی به ویژگی مقایسه تبدیل می‌شود. KNN فاصله منهتن و رأی اکثریت دارد و برای هر کاربر floor(K/2)+1 نمونه مرجع می‌خواهد.", "pages": [ 5, 6, 7, 8 ] }, { "en": "The server uses send/receive times and a client-reported end time to estimate collection duration: (Treceive−Tsend)−2(Treceive−Tend). A threshold Δ is intended to expose extra relay delay. The argument relies on stable, sufficiently symmetric timing and should not be read as a cryptographic origin-binding proof.", "fa": "سرور با زمان ارسال/دریافت و زمان پایان گزارش‌شده کلاینت، مدت جمع‌آوری را با (Treceive−Tsend)−2(Treceive−Tend) تخمین می‌زند. آستانه Δ قرار است تأخیر اضافه رله را آشکار کند. این استدلال به زمان‌بندی پایدار و نسبتاً متقارن وابسته است و اثبات اتصال رمزنگاری به مبدأ نیست.", "pages": [ 8, 9, 10, 11 ] }, { "en": "The study uses 11 Windows/Intel devices with differing CPU and memory configurations and 300 login measurements per device for the uniqueness experiment. Stability is shown for one Windows 10 machine with 50 measurements per observation period. The text is inconsistent about two-month versus three-month observation spacing, so a precise longitudinal duration is not reliable.", "fa": "مطالعه ۱۱ دستگاه ویندوز/اینتل با CPU و حافظه متفاوت و در آزمایش یکتایی ۳۰۰ ورود برای هر دستگاه دارد. پایداری برای یک دستگاه ویندوز ۱۰ و ۵۰ اندازه‌گیری در هر دوره نشان داده شده است. متن فاصله دوماهه و سه‌ماهه را ناسازگار بیان می‌کند؛ مدت دقیق مشاهده طولی قابل اتکا نیست.", "pages": [ 11, 12 ] } ], "thesisUse": { "en": "Thesis analysis: consider cache timing only as an experimental complementary signal. Test CPU/load/browser changes and privacy protection before claiming bot-detection value, compare per-device FAR/FRR, and distinguish device recognition from human recognition.", "fa": "تحلیل برای تز: زمان کش را فقط سیگنال مکمل آزمایشی در نظر بگیر. پیش از ادعای ارزش تشخیص بات، تغییر CPU، بار، مرورگر و دفاع حریم خصوصی را آزمون کن، FAR/FRR هر دستگاه را گزارش کن و شناخت دستگاه را از شناخت انسان جدا نگه دار." }, "related": [ "p-898786a7be50", "p-d5868dbb82a8" ], "keywords": [ "Prime+Probe", "cache side channel", "FFT", "KNN", "FAR", "FRR" ], "pdf": "papers/p-da4fb50e5256.pdf", "pages": 17, "sha256": "da4fb50e5256e75666da71fe300a8f66369456c6ffb476908dd963ad7f97397f", "sourcePath": "سمینار\\electronics-13-02728-v2.pdf", "duplicates": [ "مقالات\\New folder\\electronics-13-02728-v2.pdf" ], "isNew": false }, { "id": "p-c4ddb5c0f795", "title": "Beyond Browsing: API-Based Web Agents", "titleFa": "فراتر از مرور: عامل‌های وب مبتنی بر API", "year": 2024, "authors": [ "Yueqi Song", "Frank F. Xu", "Shuyan Zhou", "Graham Neubig" ], "venue": "arXiv preprint 2410.16464", "domains": [ "adjacent" ], "topics": [ "ai-agents", "network", "behavior", "measurement" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2410.16464", "problem": { "en": "Can web agents complete tasks more reliably by using documented APIs instead of only manipulating the browser interface?", "fa": "آیا عامل وب با API مستند به‌جای صرفاً رابط مرورگر وظایف را قابل‌اعتمادتر انجام می‌دهد؟" }, "idea": { "en": "Compare browser-only, API-only and hybrid GPT-4o agents; the hybrid uses APIs first and browser navigation for fallback and verification.", "fa": "مقایسه عامل GPT-4o صرفاً مرورگر، صرفاً API و ترکیبی؛ ترکیبی ابتدا API و سپس مرورگر برای مسیر جایگزین و تأیید دارد." }, "result": { "en": "On 812 WebArena tasks, browser/API/hybrid success is 14.8%/29.2%/35.8%; this evaluates task completion, not anti-bot evasion.", "fa": "در ۸۱۲ وظیفه WebArena، موفقیت مرورگر/API/ترکیبی ۱۴٫۸٪/۲۹٫۲٪/۳۵٫۸٪ است؛ این سنجش انجام وظیفه است، نه دورزدن ضدبات." }, "sections": [ { "heading": { "en": "Adjacent research, not fingerprint detection", "fa": "پژوهش مجاور، نه تشخیص اثرانگشت" }, "en": "The anonymous arXiv filename actually contains a web-agent paper. It does not measure browser fingerprint uniqueness or anti-bot detection rates. Its relevance is that modern automated users can move between browser and direct API channels, changing what a browser-only detector can observe.", "fa": "فایل با نام شماره arXiv در واقع مقاله عامل وب است. یکتایی اثرانگشت یا نرخ تشخیص ضدبات را اندازه‌گیری نمی‌کند. ارتباط آن این است که کاربر خودکار مدرن بین مرورگر و API مستقیم جابه‌جا می‌شود و مشاهده‌پذیری آشکارساز صرفاً مرورگر تغییر می‌کند.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Agent interface and action space", "fa": "رابط عامل و فضای عمل" }, "en": "The implementation uses OpenHands/CodeAct-style executable code in Jupyter for requests and Playwright/BrowserGym for browser actions. All three modes use GPT-4o, while API modes receive documentation and access credentials for benchmark sites. This is authorized task automation in a controlled environment, not a malicious bot threat model.", "fa": "پیاده‌سازی از کد اجرایی سبک OpenHands/CodeAct در Jupyter برای درخواست و Playwright/BrowserGym برای مرورگر استفاده می‌کند. هر سه حالت GPT-4o دارند و حالت API مستندات و اعتبار دسترسی سایت آزمایش را می‌گیرد. این خودکارسازی مجاز محیط کنترل‌شده است، نه مدل تهدید بات مخرب.", "pages": [ 3, 4, 5, 6, 7, 18, 19, 20, 21, 22, 23 ] }, { "heading": { "en": "Documentation and API coverage", "fa": "مستندات و پوشش API" }, "en": "Small API sets are shown in full; sets above 100 use a concise index followed by detailed documentation retrieval. The environment provides 988 GitLab, 53 map, 556 shopping/admin and 31 Reddit APIs. The authors add 13 Reddit APIs to an original 18, so success partly depends on supplied integration and task coverage rather than reasoning alone.", "fa": "مجموعه API کوچک کامل نشان داده می‌شود؛ بالای صد مورد فهرست کوتاه و بازیابی مستندات تفصیلی دارد. محیط ۹۸۸ API گیت‌لب، ۵۳ نقشه، ۵۵۶ خرید/مدیریت و ۳۱ ردیت می‌دهد. نویسندگان ۱۳ API به ۱۸ مورد ردیت افزوده‌اند؛ موفقیت به یکپارچه‌سازی و پوشش وظیفه وابسته است، نه صرفاً استدلال.", "pages": [ 5, 6, 7, 8 ] }, { "heading": { "en": "Hybrid policy and benchmark", "fa": "سیاست ترکیبی و معیار" }, "en": "The hybrid prompt instructs API use first, browser fallback if no useful API exists, and browser verification after API actions. WebArena contains 812 tasks: 180 GitLab, 109 map, 187 shopping, 182 admin, 106 Reddit and 48 multi-site. These are functional evaluations on simulated sites rather than representative open-web bot traffic.", "fa": "پرامپت ترکیبی ابتدا API، در نبود API مفید مرورگر و پس از عمل API تأیید مرورگری را می‌خواهد. WebArena شامل ۸۱۲ وظیفه است: ۱۸۰ گیت‌لب، ۱۰۹ نقشه، ۱۸۷ خرید، ۱۸۲ مدیریت، ۱۰۶ ردیت و ۴۸ چندسایتی. این ارزیابی کارکرد در سایت شبیه‌سازی‌شده است، نه ترافیک نماینده بات وب آزاد.", "pages": [ 7, 8, 9, 17, 18, 19, 20, 21, 22, 23 ] }, { "heading": { "en": "Success and complementarity", "fa": "موفقیت و مکمل‌بودن" }, "en": "Overall success is 14.8% browser, 29.2% API and 35.8% hybrid, an absolute 21-point hybrid gain over browsing. API is not uniformly better: shopping-admin API success 20.3% is below browsing 22.0%. Hybrid succeeds on 25/116 tasks solvable only by browsing, 25/65 only by APIs and 241/631 classified hybrid, demonstrating that both channels remain useful.", "fa": "موفقیت کلی مرورگر ۱۴٫۸٪، API برابر ۲۹٫۲٪ و ترکیبی ۳۵٫۸٪ است؛ سود ترکیبی نسبت به مرورگر ۲۱ واحد درصد است. API همیشه بهتر نیست: مدیریت خرید API برابر ۲۰٫۳٪ و مرورگر ۲۲٪ است. ترکیبی در ۲۵/۱۱۶ وظیفه صرفاً مرورگر، ۲۵/۶۵ صرفاً API و ۲۴۱/۶۳۱ ترکیبی موفق است و هر دو مسیر ارزش دارند.", "pages": [ 9, 10 ] }, { "heading": { "en": "Cost, steps and failure sources", "fa": "هزینه، گام و منبع شکست" }, "en": "Average steps are 8.4, 7.8 and 8.9 for browsing, API and hybrid. Reported historical per-task model costs are $0.1, $1.2 and $1.5, with long API documentation contributing overhead; these are experiment-time estimates, not current prices. Failures include missing APIs, selecting wrong endpoints, complex parameter handling and misunderstanding task conditions.", "fa": "میانگین گام مرورگر، API و ترکیبی ۸٫۴، ۷٫۸ و ۸٫۹ است. هزینه تاریخی مدل برای هر وظیفه ۰٫۱، ۱٫۲ و ۱٫۵ دلار گزارش شده و مستندات طولانی هزینه می‌افزاید؛ این قیمت امروز نیست. نبود API، انتخاب endpoint اشتباه، پارامتر پیچیده و فهم نادرست شرط وظیفه منبع شکست‌اند.", "pages": [ 10, 11, 12, 13, 24 ] }, { "heading": { "en": "Implications for observing automation", "fa": "پیامد برای مشاهده خودکارسازی" }, "en": "The paper shows capability improvement without claiming stealth or human-like interaction. API access may remove mouse trajectories and rendering activity entirely, while hybrid runs leave sparse browser verification events. These implications are thesis synthesis: they motivate multi-channel observation and authorized-automation labels, not proof that existing anti-bot systems are defeated.", "fa": "مقاله بهبود توانایی را نشان می‌دهد و ادعای پنهان‌کاری یا تعامل انسان‌مانند ندارد. API ممکن است مسیر ماوس و رندر را کاملاً حذف کند و ترکیبی فقط رویداد کم‌تعداد تأیید مرورگر بگذارد. این پیامد تحلیل تز است: انگیزه مشاهده چندکاناله و برچسب خودکارسازی مجاز است، نه اثبات شکست ضدبات موجود.", "pages": [ 1, 2, 3, 11, 12, 13 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "Overview of browsing, API and hybrid agents.", "fa": "نمای عامل مرورگر، API و ترکیبی." }, "insight": { "en": "Automation can operate on more than the rendered browser surface.", "fa": "خودکارسازی می‌تواند فراتر از سطح رندر مرورگر عمل کند." }, "image": "figures/p-c4ddb5c0f795-page-2-detail.webp" }, { "label": "Figure 2", "page": 3, "caption": { "en": "Task-solving example across interfaces.", "fa": "نمونه حل وظیفه با رابط‌های متفاوت." }, "insight": { "en": "Equivalent user outcomes can produce different observable traces.", "fa": "خروجی کاربر یکسان می‌تواند رد قابل مشاهده متفاوت داشته باشد." }, "image": "figures/p-c4ddb5c0f795-page-3-detail.webp" }, { "label": "Table 2", "page": 9, "caption": { "en": "Success by WebArena website.", "fa": "موفقیت نسبت به سایت WebArena." }, "insight": { "en": "API gains are task-dependent; shopping admin is a counterexample to uniform superiority.", "fa": "سود API وابسته به وظیفه است؛ مدیریت خرید مثال نقض برتری همگانی است." }, "image": "figures/p-c4ddb5c0f795-page-9-detail.webp" }, { "label": "Table 5", "page": 10, "caption": { "en": "Average steps and historical model cost.", "fa": "گام متوسط و هزینه تاریخی مدل." }, "insight": { "en": "More success does not imply lower model cost.", "fa": "موفقیت بیشتر الزاماً هزینه مدل کمتر نیست." }, "image": "figures/p-c4ddb5c0f795-page-10-detail.webp" } ], "limitations": [ { "en": "Results use simulated WebArena sites, supplied API docs and credentials, and a particular model setup.", "fa": "نتایج سایت شبیه‌سازی‌شده WebArena، مستندات و اعتبار داده‌شده و تنظیم مدل مشخص دارد.", "pages": [ 7, 8, 9 ] }, { "en": "API availability was extended for Reddit; general open-web transfer needs separate evaluation.", "fa": "پوشش API ردیت گسترش داده شده و تعمیم به وب آزاد نیازمند ارزیابی جداست.", "pages": [ 6, 7, 8 ] }, { "en": "No fingerprint spoofing, bot-detection or production anti-bot evasion was evaluated.", "fa": "جعل اثرانگشت، تشخیص بات یا دورزدن ضدبات عملیاتی ارزیابی نشده است.", "pages": [ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13 ] } ], "findings": [ { "en": "Small API sets are shown in full; sets above 100 use a concise index followed by detailed documentation retrieval. The environment provides 988 GitLab, 53 map, 556 shopping/admin and 31 Reddit APIs. The authors add 13 Reddit APIs to an original 18, so success partly depends on supplied integration and task coverage rather than reasoning alone.", "fa": "مجموعه API کوچک کامل نشان داده می‌شود؛ بالای صد مورد فهرست کوتاه و بازیابی مستندات تفصیلی دارد. محیط ۹۸۸ API گیت‌لب، ۵۳ نقشه، ۵۵۶ خرید/مدیریت و ۳۱ ردیت می‌دهد. نویسندگان ۱۳ API به ۱۸ مورد ردیت افزوده‌اند؛ موفقیت به یکپارچه‌سازی و پوشش وظیفه وابسته است، نه صرفاً استدلال.", "pages": [ 5, 6, 7, 8 ] }, { "en": "The hybrid prompt instructs API use first, browser fallback if no useful API exists, and browser verification after API actions. WebArena contains 812 tasks: 180 GitLab, 109 map, 187 shopping, 182 admin, 106 Reddit and 48 multi-site. These are functional evaluations on simulated sites rather than representative open-web bot traffic.", "fa": "پرامپت ترکیبی ابتدا API، در نبود API مفید مرورگر و پس از عمل API تأیید مرورگری را می‌خواهد. WebArena شامل ۸۱۲ وظیفه است: ۱۸۰ گیت‌لب، ۱۰۹ نقشه، ۱۸۷ خرید، ۱۸۲ مدیریت، ۱۰۶ ردیت و ۴۸ چندسایتی. این ارزیابی کارکرد در سایت شبیه‌سازی‌شده است، نه ترافیک نماینده بات وب آزاد.", "pages": [ 7, 8, 9, 17, 18, 19, 20, 21, 22, 23 ] }, { "en": "Overall success is 14.8% browser, 29.2% API and 35.8% hybrid, an absolute 21-point hybrid gain over browsing. API is not uniformly better: shopping-admin API success 20.3% is below browsing 22.0%. Hybrid succeeds on 25/116 tasks solvable only by browsing, 25/65 only by APIs and 241/631 classified hybrid, demonstrating that both channels remain useful.", "fa": "موفقیت کلی مرورگر ۱۴٫۸٪، API برابر ۲۹٫۲٪ و ترکیبی ۳۵٫۸٪ است؛ سود ترکیبی نسبت به مرورگر ۲۱ واحد درصد است. API همیشه بهتر نیست: مدیریت خرید API برابر ۲۰٫۳٪ و مرورگر ۲۲٪ است. ترکیبی در ۲۵/۱۱۶ وظیفه صرفاً مرورگر، ۲۵/۶۵ صرفاً API و ۲۴۱/۶۳۱ ترکیبی موفق است و هر دو مسیر ارزش دارند.", "pages": [ 9, 10 ] } ], "thesisUse": { "en": "Thesis analysis: include authorized browser agents, API agents and hybrid agents as distinct automation populations. Compare browser-only and combined browser/network signals, and keep harmful intent separate from automation so useful agents are not automatically labeled abusive.", "fa": "تحلیل برای تز: عامل مرورگر مجاز، عامل API و عامل ترکیبی را جمعیت خودکارسازی جدا قرار بده. سیگنال صرفاً مرورگر را با ترکیب مرورگر/شبکه مقایسه کن و نیت زیان‌بار را از خودکارسازی جدا نگه دار تا عامل مفید خودکار برچسب سوءاستفاده نگیرد." }, "related": [ "p-b2d483606620", "p-5f73ed0cc29a" ], "keywords": [ "web agent", "API", "hybrid agent", "WebArena", "GPT-4o" ], "pdf": "papers/p-c4ddb5c0f795.pdf", "pages": 24, "sha256": "c4ddb5c0f79514401fe73bd10a150633da9fa429fef63001df8d1ef972d45f42", "sourcePath": "مقالات\\2410.16464v1.pdf", "duplicates": [], "isNew": false }, { "id": "p-df0b0b0c4107", "title": "Browser Polygraph: Efficient Deployment of Coarse-Grained Browser Fingerprints for Web-Scale Detection of Fraud Browsers", "titleFa": "دروغ‌سنج مرورگر: استقرار اثرانگشت کم‌جزئیات برای تشخیص مرورگر تقلبی در مقیاس وب", "year": 2024, "authors": [ "Faezeh Kalantari", "Mehrnoosh Zaeifi", "Yeganeh Safaei", "Marzieh Bitaab", "Adam Oest", "Gianluca Stringhini", "Yan Shoshitaishvili", "Adam Doupé" ], "venue": "ACM IMC 2024", "domains": [ "intersection" ], "topics": [ "detection", "authentication", "privacy", "signals" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3646547.3688455", "problem": { "en": "Can inexpensive browser-class signals reveal a spoofed user-agent under production latency and size constraints?", "fa": "آیا نشانه ارزان کلاس مرورگر، عامل کاربر جعلی را با محدودیت زمان و حجم عملیاتی آشکار می‌کند؟" }, "idea": { "en": "Count properties on JavaScript prototypes, cluster the resulting coarse features and compare their cluster to the claimed browser identity.", "fa": "تعداد ویژگی‌های نمونه‌اولیه جاوااسکریپت شمرده و بردار کم‌جزئیات خوشه‌بندی می‌شود؛ خوشه با هویت ادعایی مرورگر مقایسه می‌شود." }, "result": { "en": "28 features, 6 ms average extraction and 1 KB data; 897 of 205k sessions flagged, with 2% ATO tags versus 0.43% overall.", "fa": "۲۸ ویژگی، میانگین استخراج ۶ میلی‌ثانیه و داده ۱ کیلوبایت؛ از ۲۰۵ هزار نشست ۸۹۷ مورد پرچم می‌خورند و ۲٪ برچسب تصاحب حساب دارند، در برابر ۰٫۴۳٪ کل." }, "sections": [ { "heading": { "en": "Threat model", "fa": "مدل تهدید" }, "en": "Attackers hold stolen credentials/cookies and victim fingerprint information, then configure anti-detect browsers. The method targets browsers with inconsistent implementation or unchanged engine after user-agent edits; complete environment replicas are outside its effective scope. Category 1 has no matching legitimate implementation, Category 2 retains one legitimate implementation despite user-agent changes, Category 3 switches the actual engine with the claimed browser, and Category 4 uses a genuine browser in a recreated victim environment. Detection of the first two is the explicit scope, so a low risk score for Categories 3/4 is not evidence of human or authorized activity.", "fa": "مهاجم اعتبارنامه یا کوکی و اثرانگشت قربانی را دارد و مرورگر ضدتشخیص را تنظیم می‌کند. روش مرورگر با پیاده‌سازی ناسازگار یا موتور ثابت پس از تغییر عامل کاربر را هدف می‌گیرد؛ بازسازی کامل محیط از دامنه مؤثر آن بیرون است. دسته اول پیاده‌سازی مشروع مطابق ندارد، دسته دوم پس از تغییر user-agent موتور قبلی را نگه می‌دارد، دسته سوم موتور واقعی را با مرورگر ادعایی عوض می‌کند و دسته چهارم مرورگر واقعی را در محیط بازسازی‌شده قربانی دارد. هدف دو دسته نخست است؛ ریسک پایین دسته سوم/چهارم شاهد انسانی یا مجاز بودن نیست.", "pages": [ 3, 4 ] }, { "heading": { "en": "Feature selection", "fa": "انتخاب ویژگی" }, "en": "Object.getOwnPropertyNames(prototype).length records the shape of a JavaScript interface through a property count, rather than retaining each property's value. The authors enumerate 1,006 MDN prototypes, rank count variation across browser versions and retain 200 candidates, then add 313 presence/absence BrowserPrint signals for 513 candidates. Production analysis reduces this to 22 counts and six presence bits; examples include Element, SVGElement, Document, IntersectionObserver and webkitDisplayingFullscreen presence. Firefox settings, the DuckDuckGo extension and Brave affect some counts; influenced features are removed and Tor's divergent Firefox-like instance is excluded, so privacy robustness is partly feature selection/exclusion rather than universal compatibility.", "fa": "Object.getOwnPropertyNames(prototype).length شکل رابط جاوااسکریپت را با تعداد ویژگی می‌گیرد، نه مقدار تک‌تک آنها. از ۱۰۰۶ prototype مرجع MDN، تغییر شمارش بین نسخه‌ها رتبه‌بندی و ۲۰۰ نامزد انتخاب و ۳۱۳ بیت وجود BrowserPrint اضافه می‌شود؛ مجموع ۵۱۳ است. تحلیل واقعی آن را به ۲۲ شمارش و شش بیت کاهش می‌دهد؛ نمونه Element، SVGElement، Document، IntersectionObserver و وجود webkitDisplayingFullscreen است. تنظیم Firefox، افزونه DuckDuckGo و Brave بعضی شمارش‌ها را تغییر می‌دهند؛ ویژگی متأثر حذف و نمونه متفاوت Tor کنار گذاشته می‌شود، پس سازگاری خصوصی بخشی نتیجه حذف/انتخاب است نه پوشش جهانی.", "pages": [ 5, 6, 7, 16 ] }, { "heading": { "en": "Model and risk score", "fa": "مدل و امتیاز ریسک" }, "en": "StandardScaler rescales count features; binary presence features already have a suitable range, and Isolation Forest filters presumed outliers before seven PCA components retaining over 98.5% variance. K-means selects 11 clusters using elbow/relative-WCSS analysis; 99.6% accuracy means a user-agent instance agrees with the majority cluster assigned to that user-agent, not correct fraud labels. Sparse old-browser cases covering under 2% of traffic receive manually corrected cluster mappings from legitimate browser tests. Risk is the minimum distance to user-agents in the predicted cluster: 20 across vendors and floor(abs(version difference)/4) within a vendor, so nearby versions intentionally have low or zero risk.", "fa": "StandardScaler شمارش‌ها را مقیاس می‌کند؛ بیت وجود بازه مناسب دارد و Isolation Forest پیش از هفت مؤلفه PCA با حفظ بیش از ۹۸٫۵٪ واریانس نقاط نامتعارف را پالایش می‌کند. k-means با elbow/تغییر WCSS یازده خوشه می‌گیرد؛ دقت ۹۹٫۶٪ توافق نمونه user-agent با خوشه اکثریت همان user-agent است، نه برچسب صحیح تقلب. نگاشت نسخه قدیمی کم‌نمونه در کمتر از ۲٪ ترافیک با آزمایش مرورگر مشروع دستی اصلاح می‌شود. ریسک کمترین فاصله به user-agentهای خوشه پیش‌بینی است: بین سازنده ۲۰ و در سازنده floor(abs(اختلاف نسخه)/4)، پس نسخه نزدیک عمداً ریسک کم یا صفر دارد.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Real-world evaluation", "fa": "ارزیابی واقعی" }, "en": "205k logged-in sessions from March to mid-July 2023 contain 113 browser releases. Of 897 flagged sessions, 2% have FinOrg ATO tags within 72 hours; risk above four gives 5.83%, versus 0.43% overall, demonstrating risk enrichment rather than complete ATO detection or 99.6% fraud accuracy.", "fa": "۲۰۵ هزار نشست واردشده از مارس تا نیمه ژوئیه ۲۰۲۳ شامل ۱۱۳ نسخه مرورگر است. از ۸۹۷ نشست پرچم‌خورده، ۲٪ تا ۷۲ ساعت برچسب تصاحب حساب FinOrg دارند؛ ریسک بالای چهار این سهم را به ۵٫۸۳٪ می‌رساند در برابر ۰٫۴۳٪ کل؛ این غنی‌سازی ریسک است، نه تشخیص کامل تقلب یا دقت تقلب ۹۹٫۶٪.", "pages": [ 9, 10 ] }, { "heading": { "en": "Controlled browsers and drift", "fa": "مرورگر کنترل‌شده و رانش" }, "en": "Controlled recalls are 12/16 GoLogin, 7/9 Incogniton, 16/19 Octo and 6/9 Sphere profiles. New legitimate versions remain well clustered for roughly 3.5 months; late-October Firefox/Chrome changes trigger retraining, so this interval is observed rather than a universal schedule. Sphere's missed profiles often claim older Chrome versions sharing its actual coarse cluster, demonstrating resolution limits rather than failure to execute the test. Drift is checked shortly after releases: a different cluster from the nearest prior version or accuracy below 98% triggers retraining; Chrome 119 drops to 97.22% and Firefox 119 changes cluster despite 98.57% accuracy.", "fa": "بازیابی کنترل‌شده برای GoLogin برابر ۱۲/۱۶، Incogniton برابر ۷/۹، Octo برابر ۱۶/۱۹ و Sphere برابر ۶/۹ پروفایل است. نسخه‌های عادی جدید تقریباً ۳٫۵ ماه درست خوشه‌بندی می‌شوند؛ تغییر Firefox و Chrome در اواخر اکتبر بازآموزی را فعال می‌کند و این فاصله مشاهده‌شده است نه برنامه عمومی. پروفایل ازدست‌رفته Sphere اغلب Chrome قدیمی در خوشه واقعی مشترک را ادعا می‌کند؛ این محدودیت تفکیک است، نه اجرا نشدن آزمون. رانش پس از انتشار با تغییر خوشه نسبت به نزدیک‌ترین نسخه قبلی یا دقت کمتر از ۹۸٪ بازآموزی را فعال می‌کند؛ Chrome119 به ۹۷٫۲۲٪ افت و Firefox119 با دقت ۹۸٫۵۷٪ خوشه عوض می‌کند.", "pages": [ 10, 11 ] }, { "heading": { "en": "Efficiency and privacy", "fa": "کارایی و حریم خصوصی" }, "en": "Average extraction is 6 ms with 1 KB data, compared with larger fine-grained libraries in the same reported setup. Only 0.3% of 205k fingerprints are unique and 95.6% lie in anonymity sets larger than 50; this supports reduced identifying power but is not a formal proof of untrackability.", "fa": "میانگین استخراج ۶ میلی‌ثانیه و حجم داده ۱ کیلوبایت است و در آزمایش گزارش‌شده از کتابخانه‌های پرجزئیات کوچک‌تر است. تنها ۰٫۳٪ از ۲۰۵ هزار اثرانگشت یکتاست و ۹۵٫۶٪ در گروه ناشناسی بزرگ‌تر از ۵۰ قرار دارد؛ این کاهش قدرت شناسایی را پشتیبانی می‌کند اما اثبات رسمی عدم ردیابی نیست.", "pages": [ 4, 11, 12, 15 ] }, { "heading": { "en": "Operational decisions and risk enrichment", "fa": "تصمیم عملیاتی و غنی‌سازی ریسک" }, "en": "The FinOrg script is deployed in a purchase flow with logged-in sessions and anonymized SessionID, reducing unsolicited crawler traffic but limiting representativeness for an open website. Internal Untrusted_IP/Untrusted_Cookie/ATO tags are used for evaluation, not as clustering inputs, and ATO attribution concerns activity within 72 hours. All-user rates are 51%/49%/.43%; among the 897 flagged sessions they are 78%/75%/2%, and risk>1 gives 93%/89%/3.89%. Higher-risk groups enrich suspicious sessions, but 98% of all flagged sessions lack an ATO tag, so the evidence supports a risk signal rather than an independently validated complete ATO classifier.", "fa": "اسکریپت FinOrg در جریان خرید با نشست واردشده و SessionID ناشناس مستقر است؛ خزنده اتفاقی کمتر ولی نمایندگی سایت آزاد محدود می‌شود. برچسب داخلی Untrusted_IP/Untrusted_Cookie/ATO برای ارزیابی است، نه ورودی خوشه، و ATO فعالیت تا ۷۲ ساعت را می‌گیرد. نرخ کل ۵۱٪/۴۹٪/.43٪ و در ۸۹۷ نشست پرچم‌خورده ۷۸٪/۷۵٪/۲٪ و برای risk>1 برابر ۹۳٪/۸۹٪/۳٫۸۹٪ است. ریسک بیشتر نشست مشکوک را غنی می‌کند، ولی ۹۸٪ کل پرچم‌خورده برچسب ATO ندارد؛ شاهد سیگنال ریسک است، نه طبقه‌بند کامل مستقل ATO.", "pages": [ 6, 9, 10 ] }, { "heading": { "en": "Latency, size and privacy measurement", "fa": "اندازه‌گیری تأخیر، حجم و حریم خصوصی" }, "en": "The production requirements are under 100 ms and about one kilobyte, motivating interface counts instead of full per-user fingerprint data. Five-visit average extraction measurements report 6 ms/1 KB Polygraph versus 51 ms/23 KB FingerprintJS, 37 ms/10 KB ClientJS and approximately 1.5 s/60 KB AmIUnique; storage comparisons concern pre-hash data, not the tiny final hash alone. The 205K dataset has .3% unique fingerprints and 95.6% in anonymity sets above 50, so a shared browser-family signature is often sufficient for detecting a lie without uniquely identifying the person. Those empirical anonymity sets do not prove unlinkability when combined with accounts, IPs or rare populations.", "fa": "نیاز عملی کمتر از صد میلی‌ثانیه و حدود یک کیلوبایت است و شمارش رابط را به‌جای داده کامل هر فرد توجیه می‌کند. میانگین پنج بازدید ۶ms/۱KB برای Polygraph، ۵۱ms/۲۳KB برای FingerprintJS، ۳۷ms/۱۰KB برای ClientJS و حدود ۱٫۵s/۶۰KB برای AmIUnique است؛ مقایسه حجم داده پیش از هش است، نه فقط هش نهایی کوچک. در داده 205K یکتایی .3٪ و ۹۵٫۶٪ مجموعه ناشناسی بالای پنجاه دارد؛ امضای مشترک خانواده مرورگر اغلب برای کشف دروغ کافی است. این مجموعه تجربی عدم پیوندپذیری همراه حساب، IP یا جمعیت نادر را اثبات نمی‌کند.", "pages": [ 3, 4, 11, 12 ] }, { "heading": { "en": "Reproduction caveats and thesis study", "fa": "احتیاط بازتولید و مطالعه تز" }, "en": "The paper reports an Isolation Forest threshold of .002% alongside 172 removed rows, numbers not reconciled by a simple fraction of 205K; preserve this as a specification caveat rather than guessing the implementation. No conventional held-out fraud-label train/test split supports the 99.6% clustering headline, and user-agent majority labels themselves can include spoofed traffic. Thesis synthesis: test engine/claimed-UA mismatch on matched legitimate and anti-detect browsers, include extensions/privacy settings as false-positive controls, and hold out new releases. Measure coarse fingerprint cost and risk enrichment separately from fraud recall; stronger attackers reproducing the true interface counts remain an explicit limit.", "fa": "مقاله آستانه Isolation Forest را .002٪ همراه ۱۷۲ ردیف حذف‌شده می‌دهد که با کسر ساده از 205K سازگار نیست؛ این ابهام پیاده‌سازی را حفظ کن و حدس نزن. دقت خوشه ۹۹٫۶٪ پشتوانه تقسیم معمول آموزش/آزمون برچسب تقلب ندارد و برچسب اکثریت user-agent خود می‌تواند ترافیک جعل‌شده داشته باشد. تحلیل برای تز: اختلاف موتور/user-agent را در مرورگر مشروع و ضدتشخیص مشابه با کنترل افزونه/تنظیم خصوصی و نسخه جدید کنارگذاشته‌شده بسنج. هزینه و غنی‌سازی ریسک را از recall تقلب جدا کن؛ بازتولید واقعی شمارش رابط توسط مهاجم قوی محدودیت صریح است.", "pages": [ 7, 8, 12, 13 ] } ], "figures": [ { "label": "Table 2", "page": 4, "caption": { "en": "Extraction time and storage comparison", "fa": "مقایسه زمان استخراج و ذخیره" }, "insight": { "en": "Compare pre-hash data and extraction time, averaged over five visits. The result supports production constraints; it is not an equal-task accuracy comparison with user-identification libraries.", "fa": "داده پیش از هش و زمان استخراج با میانگین پنج بازدید مقایسه می‌شود؛ نتیجه محدودیت عملی را پشتیبانی می‌کند، نه مقایسه دقت وظیفه یکسان با کتابخانه شناسایی فرد." }, "image": "figures/p-df0b0b0c4107-page-4-detail.webp" }, { "label": "Table 4", "page": 10, "caption": { "en": "Security-tag enrichment in flagged sessions", "fa": "افزایش سهم برچسب امنیتی در نشست پرچم‌خورده" }, "insight": { "en": "2% versus .43% ATO-tag rates show enrichment, while 98% of the flagged group lacks an ATO tag. Untrusted IP/cookie are separate signals and do not independently prove compromise.", "fa": "نرخ ATO دو درصد در برابر .43٪ غنی‌سازی را نشان می‌دهد؛ ۹۸٪ گروه پرچم‌خورده ATO ندارد. IP/کوکی ناآشنا سیگنال جداست، نه اثبات مستقل تصاحب." }, "image": "figures/p-df0b0b0c4107-page-10-detail.webp" }, { "label": "Table 5", "page": 11, "caption": { "en": "Controlled anti-detect browser profiles", "fa": "پروفایل مرورگر ضدتشخیص کنترل‌شده" }, "insight": { "en": "Small profile denominators matter: 12/16 GoLogin, 7/9 Incogniton, 16/19 Octo, 6/9 Sphere. Misses can reflect claimed and actual browsers sharing one coarse cluster.", "fa": "مخرج کوچک مهم است: ۱۲/۱۶ GoLogin، ۷/۹ Incogniton، ۱۶/۱۹ Octo، ۶/۹ Sphere؛ اشتراک خوشه مرورگر ادعایی و واقعی می‌تواند خطا بسازد." }, "image": "figures/p-df0b0b0c4107-page-11-detail.webp" }, { "label": "Figure 5", "page": 11, "caption": { "en": "Anonymity-set distribution", "fa": "توزیع گروه ناشناسی" }, "insight": { "en": "The population supports coarse privacy analysis, not guaranteed anonymity.", "fa": "جمعیت مطالعه تحلیل حریم خصوصی کم‌جزئیات را پشتیبانی می‌کند، نه ناشناسی تضمینی." }, "image": "figures/p-df0b0b0c4107-page-11-detail.webp" } ], "limitations": [ { "en": "FinOrg labels and a single portal limit independently validated fraud accuracy.", "fa": "برچسب FinOrg و یک درگاه، دقت تقلب مستقل را محدود می‌کند.", "pages": [ 9, 10 ] }, { "en": "Fully coherent spoofing, category 3/4 browsers and unmodeled mobile engines are not covered.", "fa": "جعل کاملاً هماهنگ، مرورگر دسته ۳/۴ و موتور موبایل مدل‌نشده پوشش ندارد.", "pages": [ 3, 12 ] }, { "en": "User-agent randomization and browser settings can produce false alerts; feature curation has manual work.", "fa": "تصادفی‌سازی عامل کاربر و تنظیمات ممکن است هشدار کاذب بسازد؛ پالایش ویژگی دستی است.", "pages": [ 6, 12, 13 ] } ], "findings": [ { "en": "The 99.6% metric is consistency with majority user-agent cluster assignment, not fraud detection accuracy.", "fa": "معیار ۹۹٫۶٪ سازگاری با نگاشت خوشه اکثریت user-agent است، نه دقت تشخیص تقلب.", "pages": [ 8 ] }, { "en": "Among 897 flagged sessions, ATO-tag rate is 2% versus .43% overall; risk>4 increases it to 5.83%.", "fa": "در ۸۹۷ نشست پرچم‌خورده نرخ برچسب ATO دو درصد در برابر .43٪ کل است؛ risk>4 آن را به ۵٫۸۳٪ می‌رساند.", "pages": [ 9, 10 ] }, { "en": "Controlled profile recalls are 12/16,7/9,16/19,6/9; coarse clusters inherently miss spoofing within the same version family.", "fa": "recall پروفایل کنترل‌شده ۱۲/۱۶،۷/۹،۱۶/۱۹،۶/۹ است؛ جعل در خانواده نسخه همان خوشه ذاتاً ممکن است جا بماند.", "pages": [ 10, 11 ] }, { "en": "Drift checks trigger on changed release cluster or <98% accuracy; observed model lifetime is around 3.5 months, not a guaranteed duration.", "fa": "رانش با تغییر خوشه نسخه یا دقت زیر ۹۸٪ فعال می‌شود؛ عمر مشاهده‌شده مدل حدود ۳٫۵ ماه است، نه مدت تضمینی.", "pages": [ 9, 11 ] } ], "thesisUse": { "en": "Our synthesis: build a lightweight consistency baseline under a measured latency budget, then compare it with detailed fingerprint and behavior models. Report risk enrichment, bot recall, calibration and privacy separately; include drift and privacy-browser validation.", "fa": "تحلیل ما برای تز: مبنای سبک سازگاری را با بودجه زمانی اندازه‌گیری‌شده بسازید و با مدل پرجزئیات اثرانگشت و رفتار مقایسه کنید. غنی‌سازی ریسک، بازیابی بات، کالیبراسیون و حریم خصوصی جدا گزارش شوند؛ رانش و مرورگرهای حریم خصوصی نیز آزمون شوند." }, "related": [ "p-79a8187df7aa", "p-00fcd1b4467c", "p-4e9a4185f215" ], "keywords": [ "coarse-grained fingerprint", "prototype", "concept drift", "risk-based authentication" ], "pdf": "papers/p-df0b0b0c4107.pdf", "pages": 23, "sha256": "df0b0b0c41072c7cf77194184df6fdf8d92549bbf132ab19a4ebbfae6e4f8ee0", "sourcePath": "سمینار\\browser-polygraph-imc2024.pdf", "duplicates": [ "مقالات\\Browser fingerprinting\\2024 Browser Polygraph Efficient Deployment of Coarse-Grained Browser Fingerprints for Web-Scale Detection of Fraud Browsers (IMC).pdf", "مقالات\\New folder\\2011 Fingerprinting information in JavaScript implementations.pdf", "مقالات\\New folder\\browser-polygraph-imc2024.pdf" ], "isNew": false }, { "id": "p-a363c8c3f5e7", "title": "DeepFPD: Browser Fingerprinting Detection via Deep Learning with Multi-Modal Learning and Attention", "titleFa": "DeepFPD: تشخیص اثرانگشت‌گیری مرورگر با یادگیری عمیق چندوجهی و توجه", "year": 2024, "authors": [ "Weizhong Qiang", "Kunlun Ren", "Yueming Wu", "Deqing Zou", "Hai Jin" ], "venue": "IEEE Transactions on Reliability", "domains": [ "fingerprinting" ], "topics": [ "detection", "privacy" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "How can fingerprinting JavaScript be detected from code without relying on brittle hand-written API rules?", "fa": "چگونه می‌توان جاوااسکریپت اثرانگشت‌گیر را از روی کد، بدون تکیه بر قواعد دستی شکننده، شناسایی کرد؟" }, "idea": { "en": "Fuse token sequences, AST relationships and control-flow graphs with attention to classify scripts.", "fa": "ادغام توالی توکن، روابط درخت نحو و گراف جریان کنترل با سازوکار توجه برای طبقه‌بندی اسکریپت‌ها." }, "result": { "en": "Training cross-validation F1 is 97.6%, but a separate 2,082-script test produces 65.6% F1; this detects collectors, not bots.", "fa": "F1 اعتبارسنجی آموزش ۹۷٫۶٪ است، اما آزمون مستقل ۲۰۸۲ اسکریپتی F1 برابر ۶۵٫۶٪ دارد؛ هدف، شناسایی جمع‌آورنده‌هاست، نه بات‌ها." }, "sections": [ { "heading": { "en": "Task and threat boundary", "fa": "مسئله و مرز تهدید" }, "en": "The positive class is a script implementing browser fingerprinting, not an automated visitor. The authors seek semantic code patterns beyond isolated API presence because the same APIs support legitimate page functions. This distinction is essential when comparing it with anti-bot classifiers.", "fa": "کلاس مثبت اسکریپتی است که اثرانگشت‌گیری مرورگر انجام می‌دهد، نه بازدیدکننده خودکار. هدف یافتن الگوهای معنایی فراتر از حضور یک API است، چون همان APIها کاربرد مشروع دارند. بنابراین مقایسه مستقیم آن با طبقه‌بند بات معتبر نیست.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Three code representations", "fa": "سه نمایش کد" }, "en": "Tokens encode lexical behavior, API-related parent–leaf AST tuples encode syntax, and control-flow graphs encode possible execution structure. Rare tokens occurring fewer than 50 times are removed with exceptions for JavaScript APIs. The CFG is pruned while preserving paths, and node features use a 256-dimensional binary TF-IDF representation.", "fa": "توکن‌ها رفتار واژگانی، جفت‌های والد–برگ مرتبط با API در AST ساختار نحو و CFG مسیرهای ممکن اجرا را نمایش می‌دهند. توکن‌های با کمتر از ۵۰ تکرار، به‌جز APIهای جاوااسکریپت، حذف می‌شوند. هرس CFG مسیرها را حفظ می‌کند و ویژگی گره‌ها نمایش دودویی TF-IDF با ۲۵۶ بعد است.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Learning and fusion", "fa": "یادگیری و ادغام" }, "en": "LSTMs process tokens and AST tuples, while a gated graph neural network processes CFGs. Attention emphasizes useful elements before multimodal fusion. Global attention performed better than the tested multihead alternative; attention is not automatically beneficial under every configuration.", "fa": "LSTM توکن‌ها و جفت‌های AST را پردازش می‌کند و شبکه عصبی گراف دروازه‌دار CFG را می‌خواند. توجه پیش از ادغام چندوجهی عناصر مفید را برجسته می‌کند. توجه سراسری از گزینه چندسر آزموده‌شده بهتر بود؛ هر تنظیم توجه الزاماً سودمند نیست.", "pages": [ 4, 5, 6, 7 ] }, { "heading": { "en": "Training and independent test data", "fa": "داده آموزش و آزمون مستقل" }, "en": "An OpenWPM crawl of Alexa top-10K produced 65,203 scripts. Filtering and manual labeling left 229 positives and 9,534 negatives; adding 1,043 deduplicated positives from FP-Inspector yielded 10,806 training scripts. A separate randomly crawled test set has only 62 positives against 2,020 negatives, labeled by two reviewers.", "fa": "خزش OpenWPM از ده‌هزار سایت الکسا ۶۵۲۰۳ اسکریپت داد. پس از پالایش و برچسب‌گذاری، ۲۲۹ مثبت و ۹۵۳۴ منفی باقی ماند؛ افزودن ۱۰۴۳ مثبت بدون تکرار از FP-Inspector مجموعه آموزش را به ۱۰۸۰۶ رساند. آزمون مستقل فقط ۶۲ مثبت و ۲۰۲۰ منفی دارد که دو ارزیاب بررسی کرده‌اند.", "pages": [ 6, 7 ] }, { "heading": { "en": "Accuracy and generalization gap", "fa": "دقت و شکاف تعمیم" }, "en": "Ten-fold training evaluation reports 99.4% accuracy, 99.0% precision, 96.2% recall and 97.6% F1. On the separate test, these become 98.0%, 66.7%, 64.5% and 65.6%. The large accuracy remains possible because negatives dominate; the test misses about 35.5% of positive scripts.", "fa": "ارزیابی ده‌بخشی آموزش دقت ۹۹٫۴٪، precision برابر ۹۹٪، recall برابر ۹۶٫۲٪ و F1 برابر ۹۷٫۶٪ دارد. در آزمون مستقل این اعداد ۹۸٪، ۶۶٫۷٪، ۶۴٫۵٪ و ۶۵٫۶٪ می‌شوند. غلبه منفی‌ها دقت کلی را بالا نگه می‌دارد، در حالی که حدود ۳۵٫۵٪ مثبت‌ها از دست می‌روند.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Comparators and ablations", "fa": "مقایسه‌ها و حذف مؤلفه" }, "en": "The FP-Inspector comparator is a reimplemented static component, not the original combined static–dynamic detector. Table IV gives comparator F1 89.3% on training and 46.9% on test, so DeepFPD improves by 8.3 and 18.7 percentage points. Multimodal test F1 improves over tokens, AST and CFG alone by 16.5, 17.5 and 43 points in the reported ablation.", "fa": "مقایسه FP-Inspector با بازپیاده‌سازی بخش ایستای آن انجام شده، نه آشکارساز ترکیبی اصلی. جدول IV برای آن F1 آموزش ۸۹٫۳٪ و آزمون ۴۶٫۹٪ می‌دهد؛ بهبود DeepFPD به‌ترتیب ۸٫۳ و ۱۸٫۷ واحد درصد است. در حذف مؤلفه، ادغام چندوجهی نسبت به توکن، AST و CFG تنها ۱۶٫۵، ۱۷٫۵ و ۴۳ واحد F1 بهتر است.", "pages": [ 7, 8, 9, 10 ] }, { "heading": { "en": "Operational costs and boundaries", "fa": "هزینه اجرا و حدود روش" }, "en": "Table V reports approximately 0.312 seconds per file for representation and classification, including 0.161 seconds for AST extraction and 0.111 for classification. Experiments use a Quadro RTX 5000 environment; this is not a browser real-time latency guarantee. Obfuscation remains a limitation because no comprehensive deobfuscation stage is included.", "fa": "جدول V حدود ۰٫۳۱۲ ثانیه برای نمایش و طبقه‌بندی هر فایل گزارش می‌کند؛ ۰٫۱۶۱ ثانیه استخراج AST و ۰٫۱۱۱ ثانیه طبقه‌بندی است. محیط آزمایش Quadro RTX 5000 دارد و این عدد تضمین تأخیر بلادرنگ مرورگر نیست. نبود مرحله جامع رفع مبهم‌سازی، کدهای مبهم را به محدودیت روش تبدیل می‌کند.", "pages": [ 10, 11 ] } ], "figures": [ { "label": "Figure 2", "page": 4, "caption": { "en": "Multimodal detection pipeline.", "fa": "خط لوله تشخیص چندوجهی." }, "insight": { "en": "Different code views complement one another before a single script label.", "fa": "نمایش‌های کد پیش از برچسب نهایی مکمل یکدیگرند." }, "image": "figures/p-a363c8c3f5e7-page-4-detail.webp" }, { "label": "Figure 5", "page": 7, "caption": { "en": "Fusion and attention ablation.", "fa": "حذف مؤلفه ادغام و توجه." }, "insight": { "en": "Test-set improvement is more informative than training accuracy.", "fa": "بهبود آزمون از دقت آموزش آموزنده‌تر است." }, "image": "figures/p-a363c8c3f5e7-page-7-detail.webp" }, { "label": "Table IV", "page": 9, "caption": { "en": "Comparison with static FP-Inspector.", "fa": "مقایسه با FP-Inspector ایستا." }, "insight": { "en": "The comparator is a component reimplementation; avoid claiming superiority over the original hybrid system.", "fa": "مقایسه با یک مؤلفه بازپیاده‌سازی‌شده است؛ برتری بر سامانه ترکیبی اصلی اثبات نشده است." }, "image": "figures/p-a363c8c3f5e7-page-9-detail.webp" }, { "label": "Table V", "page": 10, "caption": { "en": "Runtime by pipeline stage.", "fa": "زمان مراحل خط لوله." }, "insight": { "en": "Representation extraction is a substantial part of inference cost.", "fa": "استخراج نمایش سهم قابل توجهی از هزینه است." }, "image": "figures/p-a363c8c3f5e7-page-10-detail.webp" } ], "limitations": [ { "en": "The independent test has only 62 positive scripts, so uncertainty and distribution shift matter.", "fa": "آزمون مستقل فقط ۶۲ اسکریپت مثبت دارد؛ عدم قطعیت و تغییر توزیع مهم‌اند.", "pages": [ 7, 8, 9 ] }, { "en": "Static code inspection cannot establish malicious intent or automatically identify automated visitors.", "fa": "بررسی ایستای کد نیت مخرب یا خودکار بودن بازدیدکننده را اثبات نمی‌کند.", "pages": [ 1, 2, 3 ] }, { "en": "Reported comparative gains concern a static FP-Inspector reimplementation and should not be generalized to its full hybrid detector.", "fa": "بهبود مقایسه مربوط به بازپیاده‌سازی ایستای FP-Inspector است و نباید به آشکارساز ترکیبی کامل تعمیم یابد.", "pages": [ 8, 9 ] } ], "findings": [ { "en": "LSTMs process tokens and AST tuples, while a gated graph neural network processes CFGs. Attention emphasizes useful elements before multimodal fusion. Global attention performed better than the tested multihead alternative; attention is not automatically beneficial under every configuration.", "fa": "LSTM توکن‌ها و جفت‌های AST را پردازش می‌کند و شبکه عصبی گراف دروازه‌دار CFG را می‌خواند. توجه پیش از ادغام چندوجهی عناصر مفید را برجسته می‌کند. توجه سراسری از گزینه چندسر آزموده‌شده بهتر بود؛ هر تنظیم توجه الزاماً سودمند نیست.", "pages": [ 4, 5, 6, 7 ] }, { "en": "An OpenWPM crawl of Alexa top-10K produced 65,203 scripts. Filtering and manual labeling left 229 positives and 9,534 negatives; adding 1,043 deduplicated positives from FP-Inspector yielded 10,806 training scripts. A separate randomly crawled test set has only 62 positives against 2,020 negatives, labeled by two reviewers.", "fa": "خزش OpenWPM از ده‌هزار سایت الکسا ۶۵۲۰۳ اسکریپت داد. پس از پالایش و برچسب‌گذاری، ۲۲۹ مثبت و ۹۵۳۴ منفی باقی ماند؛ افزودن ۱۰۴۳ مثبت بدون تکرار از FP-Inspector مجموعه آموزش را به ۱۰۸۰۶ رساند. آزمون مستقل فقط ۶۲ مثبت و ۲۰۲۰ منفی دارد که دو ارزیاب بررسی کرده‌اند.", "pages": [ 6, 7 ] }, { "en": "Ten-fold training evaluation reports 99.4% accuracy, 99.0% precision, 96.2% recall and 97.6% F1. On the separate test, these become 98.0%, 66.7%, 64.5% and 65.6%. The large accuracy remains possible because negatives dominate; the test misses about 35.5% of positive scripts.", "fa": "ارزیابی ده‌بخشی آموزش دقت ۹۹٫۴٪، precision برابر ۹۹٪، recall برابر ۹۶٫۲٪ و F1 برابر ۹۷٫۶٪ دارد. در آزمون مستقل این اعداد ۹۸٪، ۶۶٫۷٪، ۶۴٫۵٪ و ۶۵٫۶٪ می‌شوند. غلبه منفی‌ها دقت کلی را بالا نگه می‌دارد، در حالی که حدود ۳۵٫۵٪ مثبت‌ها از دست می‌روند.", "pages": [ 7, 8, 9 ] } ], "thesisUse": { "en": "Thesis analysis: use DeepFPD to inventory which fingerprint collectors a site deploys, then separately study whether their collected signals improve bot detection. Hold out providers and later crawl dates, report positive-class precision/recall, and compare the full hybrid FP-Inspector when possible.", "fa": "تحلیل برای تز: از DeepFPD برای فهرست‌کردن جمع‌آورنده‌های اثرانگشت سایت استفاده کن و جداگانه بسنج که سیگنال‌های آنها تشخیص بات را بهبود می‌دهند یا نه. ارائه‌دهنده‌ها و تاریخ‌های جدید را از آموزش کنار بگذار، precision/recall کلاس مثبت را گزارش کن و در صورت امکان FP-Inspector ترکیبی کامل را مقایسه کن." }, "related": [ "p-d5868dbb82a8", "p-acfcc6135bdb" ], "keywords": [ "AST", "CFG", "multimodal learning", "attention", "script detection" ], "pdf": "papers/p-a363c8c3f5e7.pdf", "pages": 13, "sha256": "a363c8c3f5e7112fb2b637a5caacd0f44c85d2a6e557817408b82e266cc1562b", "sourcePath": "مقالات\\Browser fingerprinting\\2024 DeepFPD Browser Fingerprinting Detection via Deep Learning With Multimodal Learning and Attention (TR).pdf", "duplicates": [], "isNew": false }, { "id": "p-acfcc6135bdb", "title": "Detecting and Analyzing Mouse Tracking in the Wild", "titleFa": "تشخیص و تحلیل ردیابی ماوس در وب واقعی", "year": 2024, "authors": [ "Marcel Urpí-Bricollé", "Ismael Castell-Uroz", "Pere Barlet-Ros" ], "venue": "Manuscript; venue not stated in local PDF", "domains": [ "fingerprinting" ], "topics": [ "behavior", "measurement", "detection", "privacy" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "How frequently do popular sites collect pointer behavior and export it, beyond merely using mouse events for page functionality?", "fa": "سایت‌های محبوب چقدر رفتار اشاره‌گر را جمع و ارسال می‌کنند، فراتر از استفاده رویداد ماوس برای کارکرد صفحه؟" }, "idea": { "en": "Use AST-based static analysis to follow mouse/scroll values toward external transmissions, with manual verification of promising scripts.", "fa": "استفاده از تحلیل ایستای AST برای دنبال‌کردن مقدار ماوس/اسکرول تا ارسال بیرونی و تأیید دستی اسکریپت‌های محتمل." }, "result": { "en": "The top-80K crawl yields a manually confirmed lower-bound estimate around 1.2% of sites; the 36% candidate-site proportion is not confirmed tracking prevalence.", "fa": "خزش هشتاد‌هزار سایت تخمین حداقل تأییدشده دستی حدود ۱٫۲٪ می‌دهد؛ سهم ۳۶٪ سایت‌های کاندید نرخ ردیابی تأییدشده نیست." }, "sections": [ { "heading": { "en": "What counts as tracking", "fa": "تعریف ردیابی" }, "en": "Mouse events are common in interactive interfaces and their presence is insufficient evidence of tracking. The method looks for collection of pointer/scroll information linked to export to an external endpoint. Such export still does not itself prove unique identification, malicious intent or bot detection; usage can include analytics and user-experience measurement.", "fa": "رویداد ماوس در رابط تعاملی معمول است و حضور آن ردیابی را اثبات نمی‌کند. روش پیوند جمع‌آوری اطلاعات اشاره‌گر/اسکرول با ارسال به مقصد بیرونی را می‌جوید. حتی ارسال نیز به‌تنهایی شناسایی یکتا، نیت مخرب یا تشخیص بات را ثابت نمی‌کند و می‌تواند تحلیل استفاده‌پذیری باشد.", "pages": [ 1, 2 ] }, { "heading": { "en": "Crawl and resource mapping", "fa": "خزش و نگاشت منابع" }, "en": "The collection covers Tranco top-80K sites and roughly 300,000 JavaScript files. Online Resource Mapper associates loaded resources with the sites using them, allowing script-level discoveries to be projected to domain prevalence. A collector shared by many sites is therefore counted separately from the number of distinct collector scripts.", "fa": "جمع‌آوری هشتاد‌هزار سایت برتر Tranco و حدود سیصد‌هزار فایل جاوااسکریپت را پوشش می‌دهد. Online Resource Mapper منابع بارگذاری‌شده را به سایت مصرف‌کننده پیوند می‌دهد تا کشف اسکریپت به شیوع دامنه نگاشت شود. تعداد اسکریپت متمایز و سایت استفاده‌کننده جدا محاسبه می‌شوند.", "pages": [ 2, 3 ] }, { "heading": { "en": "AST and data-flow-style checks", "fa": "AST و بررسی جریان داده" }, "en": "Esprima converts JavaScript into ASTs and the search begins from pointer/scroll-related APIs. The analyzer follows variables and function uses toward external POST, XHR or supported library send operations. This goes beyond keyword matching, but uses bounded local traversal rather than a fully sound interprocedural analysis.", "fa": "Esprima جاوااسکریپت را به AST تبدیل می‌کند و جست‌وجو از API ماوس/اسکرول شروع می‌شود. تحلیل‌گر متغیر و استفاده تابع را تا POST بیرونی، XHR یا ارسال کتابخانه پشتیبانی‌شده دنبال می‌کند. این از کلیدواژه فراتر است، اما پیمایش محلی محدود دارد و تحلیل بین‌رویه‌ای کامل نیست.", "pages": [ 2, 3 ] }, { "heading": { "en": "Search bounds and coverage", "fa": "حدود جست‌وجو و پوشش" }, "en": "The implementation limits recursive function depth to two and searches approximately 50 nodes backward and 250 forward when resolving uses. These constraints reduce noise and computational cost but can miss distant or deeply indirect exports. Unmodeled transport patterns such as GET or custom headers and some obfuscation remain coverage risks.", "fa": "پیاده‌سازی عمق بازگشتی تابع را به دو محدود و برای حل استفاده حدود ۵۰ گره عقب و ۲۵۰ گره جلو را جست‌وجو می‌کند. این محدودیت هزینه و نویز را کم می‌کند ولی ارسال دور یا غیرمستقیم عمیق را از دست می‌دهد. الگوی انتقال مدل‌نشده مانند GET، header سفارشی و برخی مبهم‌سازی‌ها شکاف پوشش‌اند.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Candidate versus confirmed prevalence", "fa": "شیوع کاندید در برابر تأییدشده" }, "en": "Static analysis marks 599 suspicious scripts used on 28,854 domains, about 36% of the 80K list. A keyword-assisted shortlist of 60 scripts receives manual inspection, yielding more than 900 sites with confirmed mouse tracking, around 1.2%. The narrower manual result is a lower bound; replacing it with 36% would overstate confirmed prevalence.", "fa": "تحلیل ایستا ۵۹۹ اسکریپت مشکوک در ۲۸۸۵۴ دامنه، حدود ۳۶٪ فهرست هشتاد‌هزار را علامت می‌زند. فهرست کوتاه ۶۰ اسکریپت با کمک کلیدواژه دستی بررسی و بیش از ۹۰۰ سایت، حدود ۱٫۲٪، تأیید می‌شود. نتیجه محدود دستی حداقل است؛ جایگزینی با ۳۶٪ شیوع تأییدشده را بیش‌برآورد می‌کند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Vendors, runtime use and DNT", "fa": "ارائه‌دهنده، اجرا و DNT" }, "en": "Examples include an Alibaba collector on 198 domains and Admicro on 125. A BBC example shows that code presence can differ from active collection when the deployed configuration disables it. Only one of the 60 inspected scripts is reported to read and respect Do Not Track, so observed privacy handling is rare within that reviewed subset.", "fa": "نمونه‌ها جمع‌آورنده علی‌بابا در ۱۹۸ دامنه و Admicro در ۱۲۵ دامنه‌اند. مثال BBC نشان می‌دهد حضور کد با جمع‌آوری فعال فرق دارد، چون تنظیم مستقر آن را غیرفعال می‌کند. فقط یکی از ۶۰ اسکریپت بررسی‌شده خواندن و رعایت Do Not Track دارد؛ این رعایت در زیرمجموعه بررسی‌شده نادر است.", "pages": [ 4, 5 ] }, { "heading": { "en": "Scope and bibliographic caution", "fa": "دامنه نتیجه و احتیاط کتاب‌شناختی" }, "en": "The findings establish prevalence of exported pointer telemetry rather than effectiveness of behavioral authentication. No human/bot classifier accuracy or identity-linking accuracy is measured. The local filename says 2023, while PDF creation metadata is January 2024 and no venue is printed; this record uses 2024 as a provisional manuscript year pending publication verification.", "fa": "یافته‌ها شیوع تله‌متری اشاره‌گر ارسالی را نشان می‌دهند، نه کارایی احراز هویت رفتاری. دقت طبقه‌بند انسان/بات یا پیوند هویت اندازه‌گیری نشده است. نام فایل محلی ۲۰۲۳ ولی زمان ساخت PDF ژانویه ۲۰۲۴ است و محل انتشار چاپ نشده؛ سال ۲۰۲۴ این رکورد موقت و نیازمند تأیید انتشار است.", "pages": [ 1, 5, 6 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "AST representation for script analysis.", "fa": "نمایش AST برای تحلیل اسکریپت." }, "insight": { "en": "Structural analysis distinguishes simple event presence from linked behavior.", "fa": "تحلیل ساختار حضور رویداد را از رفتار مرتبط جدا می‌کند." }, "image": "figures/p-acfcc6135bdb-page-2-detail.webp" }, { "label": "Figure 2", "page": 3, "caption": { "en": "Collection and detection workflow.", "fa": "جریان جمع‌آوری و تشخیص." }, "insight": { "en": "Resource-to-domain mapping is needed before computing site prevalence.", "fa": "نگاشت منبع به دامنه پیش از نرخ شیوع لازم است." }, "image": "figures/p-acfcc6135bdb-page-3-detail.webp" }, { "label": "Figure 3", "page": 4, "caption": { "en": "A real-world tracking code example.", "fa": "مثال کد ردیابی واقعی." }, "insight": { "en": "Follow the collected values to transmission rather than assuming every mouse listener tracks.", "fa": "مقدار جمع‌شده را تا ارسال دنبال کن؛ هر شنونده ماوس ردیاب نیست." }, "image": "figures/p-acfcc6135bdb-page-4-detail.webp" }, { "label": "Table 1", "page": 4, "caption": { "en": "Observed mouse tracking vendors.", "fa": "ارائه‌دهنده‌های مشاهده‌شده ردیابی ماوس." }, "insight": { "en": "Vendor reuse explains how a small script list appears across many domains.", "fa": "استفاده مشترک توضیح می‌دهد فهرست کوچک اسکریپت چگونه در دامنه‌های بسیار ظاهر می‌شود." }, "image": "figures/p-acfcc6135bdb-page-4-detail.webp" } ], "limitations": [ { "en": "Bounded static traversal and limited send-operation models can miss some collectors.", "fa": "پیمایش ایستای محدود و مدل ناقص ارسال بعضی جمع‌آورنده‌ها را از دست می‌دهد.", "pages": [ 3, 4, 5 ] }, { "en": "Manual confirmation covers a selected 60-script subset; neither 36% nor 1.2% is a universal complete prevalence estimate.", "fa": "تأیید دستی زیرمجموعه انتخابی ۶۰ اسکریپت است؛ ۳۶٪ یا ۱٫۲٪ تخمین کامل جهانی نیست.", "pages": [ 3, 4 ] }, { "en": "Exported telemetry is not proof of fingerprint uniqueness or anti-bot intent; publication year needs verification.", "fa": "تله‌متری ارسالی اثبات یکتایی اثرانگشت یا هدف ضدبات نیست و سال انتشار باید تأیید شود.", "pages": [ 1, 4, 5, 6 ] } ], "findings": [ { "en": "Esprima converts JavaScript into ASTs and the search begins from pointer/scroll-related APIs. The analyzer follows variables and function uses toward external POST, XHR or supported library send operations. This goes beyond keyword matching, but uses bounded local traversal rather than a fully sound interprocedural analysis.", "fa": "Esprima جاوااسکریپت را به AST تبدیل می‌کند و جست‌وجو از API ماوس/اسکرول شروع می‌شود. تحلیل‌گر متغیر و استفاده تابع را تا POST بیرونی، XHR یا ارسال کتابخانه پشتیبانی‌شده دنبال می‌کند. این از کلیدواژه فراتر است، اما پیمایش محلی محدود دارد و تحلیل بین‌رویه‌ای کامل نیست.", "pages": [ 2, 3 ] }, { "en": "The implementation limits recursive function depth to two and searches approximately 50 nodes backward and 250 forward when resolving uses. These constraints reduce noise and computational cost but can miss distant or deeply indirect exports. Unmodeled transport patterns such as GET or custom headers and some obfuscation remain coverage risks.", "fa": "پیاده‌سازی عمق بازگشتی تابع را به دو محدود و برای حل استفاده حدود ۵۰ گره عقب و ۲۵۰ گره جلو را جست‌وجو می‌کند. این محدودیت هزینه و نویز را کم می‌کند ولی ارسال دور یا غیرمستقیم عمیق را از دست می‌دهد. الگوی انتقال مدل‌نشده مانند GET، header سفارشی و برخی مبهم‌سازی‌ها شکاف پوشش‌اند.", "pages": [ 3, 4, 5 ] }, { "en": "Static analysis marks 599 suspicious scripts used on 28,854 domains, about 36% of the 80K list. A keyword-assisted shortlist of 60 scripts receives manual inspection, yielding more than 900 sites with confirmed mouse tracking, around 1.2%. The narrower manual result is a lower bound; replacing it with 36% would overstate confirmed prevalence.", "fa": "تحلیل ایستا ۵۹۹ اسکریپت مشکوک در ۲۸۸۵۴ دامنه، حدود ۳۶٪ فهرست هشتاد‌هزار را علامت می‌زند. فهرست کوتاه ۶۰ اسکریپت با کمک کلیدواژه دستی بررسی و بیش از ۹۰۰ سایت، حدود ۱٫۲٪، تأیید می‌شود. نتیجه محدود دستی حداقل است؛ جایگزینی با ۳۶٪ شیوع تأییدشده را بیش‌برآورد می‌کند.", "pages": [ 3, 4 ] } ], "thesisUse": { "en": "Thesis analysis: use the detector to locate sites that already collect behavior, then independently test which derived mouse features distinguish humans from automation. Record runtime activation and external destinations, and separate collection prevalence, identity recognition and bot-detection performance.", "fa": "تحلیل برای تز: با آشکارساز سایت‌های جمع‌آورنده رفتار را پیدا کن، سپس مستقلاً بسنج کدام ویژگی مشتق ماوس انسان را از خودکارسازی جدا می‌کند. فعال‌بودن اجرا و مقصد بیرونی را ثبت کن و شیوع جمع‌آوری، شناسایی هویت و کارایی تشخیص بات را جدا نگه دار." }, "related": [ "p-5f73ed0cc29a", "p-d5868dbb82a8" ], "keywords": [ "mouse tracking", "AST", "Esprima", "telemetry", "DNT", "Tranco" ], "pdf": "papers/p-acfcc6135bdb.pdf", "pages": 6, "sha256": "acfcc6135bdb0e9c742530c7845b265906d0f57930e7296f5c4111371f8a81b9", "sourcePath": "مقالات\\Browser fingerprinting\\2023 Detecting and analyzing mouse tracking in the wild.pdf", "duplicates": [], "isNew": false }, { "id": "new-fp-fed", "title": "FP-Fed: Privacy-Preserving Federated Detection of Browser Fingerprinting", "titleFa": "FP-Fed: تشخیص فدرال اثرانگشت‌گیری مرورگر با حفظ حریم خصوصی", "year": 2024, "authors": [ "Meenatchi Sundaram Muthu Selva Annamalai", "Igor Bilogrevic", "Emiliano De Cristofaro" ], "venue": "NDSS 2024", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "detection", "privacy", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.14722/ndss.2024.24360", "problem": { "en": "Detect fingerprinting scripts privately.", "fa": "تشخیص خصوصی اسکریپت‌های اثرانگشت‌گیری." }, "idea": { "en": "Participant-level DP federated learning.", "fa": "یادگیری فدرال با DP سطح‌مشارکت‌کننده." }, "result": { "en": "Simulated million participants: AUPRC 0.86 (ε=1), 0.94 (ε=10); centralized 0.97.", "fa": "یک‌میلیون مشارکت‌کنندهٔ شبیه‌سازی‌شده: AUPRC=۰٫۸۶ در ε=۱، ۰٫۹۴ در ε=۱۰؛ متمرکز ۰٫۹۷." }, "sections": [ { "heading": { "en": "Target", "fa": "هدف" }, "en": "Scripts, not bots.", "fa": "اسکریپت‌ها، نه بات‌ها.", "pages": [ 1, 2 ] }, { "heading": { "en": "Threat", "fa": "تهدید" }, "en": "Central-DP trusts server.", "fa": "DP مرکزی؛ اعتمادبه‌سرور.", "pages": [ 5, 6 ] }, { "heading": { "en": "Inputs", "fa": "ورودی" }, "en": "149 selected runtime features.", "fa": "۱۴۹ ویژگی منتخب زمان‌اجرا.", "pages": [ 11 ] }, { "heading": { "en": "Method", "fa": "روش" }, "en": "Clipping, noise, private normalization.", "fa": "برش، نویز، نرمال‌سازی خصوصی.", "pages": [ 6, 7 ] }, { "heading": { "en": "Dataset", "fa": "داده" }, "en": "181,633 scripts; 752 heuristic positives.", "fa": "۱۸۱۶۳۳ اسکریپت؛ ۷۵۲ مثبت ابتکاری.", "pages": [ 7, 8 ] }, { "heading": { "en": "Prototype", "fa": "نمونه" }, "en": "Extension; small performance impact.", "fa": "افزونه؛ افت کارایی اندک.", "pages": [ 12, 13 ] } ], "findings": [ { "en": "Counts and custom features complement.", "fa": "شمارش و ویژگی سفارشی مکمل‌اند.", "pages": [ 11 ] }, { "en": "Large client pools improve utility.", "fa": "جمعیت بزرگ‌تر سودمندی می‌افزاید.", "pages": [ 9 ] }, { "en": "Privacy budget changes detection.", "fa": "بودجهٔ حریم خصوصی تشخیص را تغییرمی‌دهد.", "pages": [ 9, 15 ] } ], "limitations": [ { "en": "No malicious-server protection.", "fa": "حفاظتی دربرابر سرور مخرب ندارد.", "pages": [ 13 ] }, { "en": "Heuristic labels miss techniques.", "fa": "برچسب ابتکاری برخی روش‌ها را نمی‌گیرد.", "pages": [ 13 ] } ], "figures": [ { "label": "Figure 1", "page": 5, "caption": { "en": "Federated pipeline.", "fa": "خط لولهٔ فدرال." }, "insight": { "en": "Trust matters.", "fa": "اعتماد مهم‌است." }, "image": "figures/new-fp-fed-page-5-detail.webp" }, { "label": "Table IV", "page": 15, "caption": { "en": "Privacy/utility results.", "fa": "نتایج حریم‌خصوصی/سودمندی." }, "insight": { "en": "AUPRC, not accuracy.", "fa": "AUPRC، نه accuracy." }, "image": "figures/new-fp-fed-page-15-detail.webp" } ], "thesisUse": { "en": "Original thesis proposal: reuse the federated architecture only after defining bot-specific labels and testing poisoning, server trust, and privacy costs; script-detection performance does not establish bot-detection performance.", "fa": "پیشنهاد ما برای تز: معماری فدرال را پس از تعیین برچسب مخصوص بات و ارزیابی مسموم‌سازی، اعتماد به سرور و هزینهٔ حریم خصوصی بازاستفاده کنید؛ عملکرد تشخیص اسکریپت اثبات عملکرد تشخیص بات نیست." }, "related": [ "new-beyond-crawl", "p-1a38276283ca" ], "keywords": [ "DP-FL", "DP-FedNorm", "AUPRC", "runtime instrumentation", "script detection" ], "reviewScope": { "en": "All substantive main-paper sections read; bibliography excluded.", "fa": "تمام بخش‌های اصلی بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/new-fp-fed.pdf", "pages": 17, "sha256": "8f1a58920cae9b2fa8b40aeb7bf98b7829301d62b1ee4bc78b724a0f4cd3de8a", "duplicates": [], "downloadUrl": "https://www.ndss-symposium.org/wp-content/uploads/2024-360-paper.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "p-98d2361f36b0", "title": "Smudged Fingerprints: Characterizing and Improving the Performance of Web Application Fingerprinting", "titleFa": "اثر انگشت مخدوش: تحلیل و بهبود شناسایی نرم‌افزارهای وب", "year": 2024, "authors": [ "Brian Kondracki", "Nick Nikiforakis" ], "venue": "USENIX Security", "kind": "paper", "domains": [ "adjacent" ], "topics": [ "web-app-fingerprinting", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity24/presentation/kondracki", "problem": { "en": "Scanners try to identify the type and release of server-side web applications, but real deployments differ from default installations. This is web application fingerprinting, not browser/user fingerprinting or a primary bot detector.", "fa": "اسکنر نوع و نسخه نرم‌افزار وب سمت سرور را شناسایی می‌کند، اما استقرار واقعی با نصب پیش‌فرض فرق دارد. این شناسایی نرم‌افزار وب است، نه اثر انگشت مرورگر و کاربر یا آشکارساز اصلی بات." }, "idea": { "en": "WASABO automates controlled deployments and compares six fingerprinting tools, then applies scanner-agnostic request transformations to repair real-world performance.", "fa": "WASABO استقرار کنترل‌شده را خودکار و شش ابزار شناسایی را مقایسه می‌کند؛ سپس تبدیل مستقل از اسکنر روی درخواست اعمال می‌کند تا عملکرد واقعی بهبود یابد." }, "result": { "en": "Across 1,360 releases of five applications, 94.8% are correctly labeled by at least one tool under ideal conditions, often with ambiguous version sets. Real-world performance drops 20–80%; combined middleware improves application-type accuracy by an average 5.8 percentage points and a maximum 22.9 points.", "fa": "از ۱٬۳۶۰ نسخه پنج برنامه، ۹۴٫۸٪ در شرایط ایده‌آل دست‌کم توسط یک ابزار درست برچسب می‌خورند و اغلب مجموعه نسخه مبهم است. عملکرد واقعی ۲۰ تا ۸۰٪ افت دارد؛ middleware ترکیبی صحت نوع برنامه را به‌طور میانگین ۵٫۸ واحد درصد و حداکثر ۲۲٫۹ واحد بهبود می‌دهد." }, "sections": [ { "heading": { "en": "Target and motivation", "fa": "هدف و انگیزه" }, "en": "The identity being inferred is the application at a network endpoint, such as WordPress or phpMyAdmin. Attackers and defenders use release information to reason about vulnerability exposure; a correct version set can still be operationally misleading when it contains many possibilities.", "fa": "هویت استنتاج‌شده برنامه مستقر در نقطه شبکه، مانند WordPress یا phpMyAdmin، است. مهاجم و مدافع نسخه را برای آسیب‌پذیری استفاده می‌کنند؛ مجموعه نسخه دارای جواب درست نیز اگر بسیار مبهم باشد عملیاتی گمراه‌کننده است.", "pages": [ 2, 3 ] }, { "heading": { "en": "Fingerprinting evidence", "fa": "شواهد شناسایی" }, "en": "Static-resource hashes and dynamic-content patterns are the main technique families. Deployment changes such as resource rewriting, subdirectory placement and bot-blocking pages can invalidate expected observations without changing the underlying application.", "fa": "هش منبع ایستا و الگوی محتوای پویا خانواده‌های اصلی‌اند. بازنویسی منبع، نصب در زیرپوشه و صفحه مسدودسازی بات می‌تواند مشاهده موردانتظار را بدون تغییر نرم‌افزار پایه نامعتبر کند.", "pages": [ 3, 4, 11, 12 ] }, { "heading": { "en": "WASABO architecture", "fa": "معماری WASABO" }, "en": "Docker images, source trees, installation scripts, test cases and a network middleware module automate reproducible release testing. mitmproxy-based interception changes requests and responses without requiring each scanner to be modified.", "fa": "تصویر Docker، کد منبع، اسکریپت نصب، آزمون و ماژول middleware شبکه، آزمون نسخه قابل‌تکرار را خودکار می‌کنند. رهگیری مبتنی بر mitmproxy درخواست و پاسخ را بدون نیاز به تغییر هر اسکنر تبدیل می‌کند.", "pages": [ 5, 6 ] }, { "heading": { "en": "Laboratory evaluation", "fa": "ارزیابی آزمایشگاهی" }, "en": "Six tools are audited against 1,360 releases of WordPress, Drupal, Joomla, MediaWiki and phpMyAdmin. Application-type prediction, version prediction and collisions are examined separately, avoiding an accuracy-only assessment of scanners returning multiple releases.", "fa": "شش ابزار روی ۱٬۳۶۰ نسخه WordPress، Drupal، Joomla، MediaWiki و phpMyAdmin بررسی می‌شوند. پیش‌بینی نوع، پیش‌بینی نسخه و برخورد جدا سنجیده می‌شوند تا ابزار دارای چند پاسخ تنها با صحت ارزیابی نشود.", "pages": [ 4, 5, 7, 8, 9 ] }, { "heading": { "en": "Ambiguity and security impact", "fa": "ابهام و پیامد امنیتی" }, "en": "At least one tool correctly labels 94.8% of default releases, but many predictions include multiple widely separated versions. WhatWeb aggressive mode includes the right WordPress version for all releases yet over 75% involve multiple-version collisions, so inclusion of truth is weaker than an exact release identification.", "fa": "دست‌کم یک ابزار ۹۴٫۸٪ نسخه پیش‌فرض را درست برچسب می‌زند ولی بسیاری پاسخ‌ها چند نسخه با فاصله زیاد دارند. حالت تهاجمی WhatWeb نسخه درست WordPress را برای همه شامل می‌شود ولی بیش از ۷۵٪ برخورد چندنسخه‌ای دارند؛ وجود جواب درست ضعیف‌تر از تشخیص دقیق نسخه است.", "pages": [ 9, 10, 14 ] }, { "heading": { "en": "Real-world transformations and results", "fa": "تبدیل‌ها و نتایج واقعی" }, "en": "Middleware breaks caches, resolves application subdirectories and uses a real browser for scanner GET traffic to reduce bot-blocking interference. Combined modules yield an average 5.8-point and maximum 22.9-point application-type accuracy improvement; these gains should not be restated as bot-detection or exact-version accuracy.", "fa": "middleware کش را می‌شکند، زیرپوشه برنامه را پیدا می‌کند و برای ترافیک GET اسکنر از مرورگر واقعی استفاده می‌کند تا مزاحمت ضدبات کاهش یابد. ترکیب ماژول‌ها بهبود میانگین ۵٫۸ و حداکثر ۲۲٫۹ واحد درصد در صحت نوع برنامه دارد؛ این اعداد صحت تشخیص بات یا نسخه دقیق نیستند.", "pages": [ 11, 12, 13 ] }, { "heading": { "en": "Limitations and adjacent thesis use", "fa": "محدودیت و کاربرد مجاور برای تز" }, "en": "Each application needs manual compatibility work, and live deployment ground truth differs from laboratory release labels. Thesis inference: use this paper as evidence that bot defenses distort automated measurement and that ideal-condition evaluations need real-world checks, while keeping it outside the browser-fingerprint core literature.", "fa": "هر برنامه به کار دستی سازگاری نیاز دارد و حقیقت مبنای استقرار زنده با برچسب نسخه آزمایشگاهی متفاوت است. برداشت تز: مقاله شاهد اثر ضدبات بر اندازه‌گیری خودکار و نیاز به آزمون واقعی است؛ آن را بیرون از هسته ادبیات اثر انگشت مرورگر نگه دارید.", "pages": [ 14, 17 ] }, { "heading": { "en": "Live ground truth and heterogeneous middleware effects", "fa": "حقیقت مبنای زنده و آثار متفاوت middleware" }, "en": "The live dataset contains 726 sites: 231 WordPress, 231 Joomla, 169 Drupal and 95 MediaWiki, assembled from vendor showcases and first-hand confirmations; exact deployed versions are unknown. Default-mode scans evaluate application type only, unlike controlled release experiments. Table 4 reports VersionInferrer/WordPress rising from 39.39% to 62.34% (+22.94 percentage points, +58.24% relative), while Wappalyzer/Drupal falls from 73.96% to 71.60%, so middleware is not uniformly beneficial.", "fa": "دادهٔ زنده ۷۲۶ سایت دارد: ۲۳۱ WordPress، ۲۳۱ Joomla، ۱۶۹ Drupal و ۹۵ MediaWiki؛ منابع نمایشگاه فروشنده و تأیید مستقیم‌اند و نسخهٔ دقیق نصب‌شده معلوم نیست. اسکن پیش‌فرض فقط نوع برنامه را می‌سنجد، برخلاف آزمایش کنترل‌شدهٔ نسخه. جدول ۴ نشان می‌دهد VersionInferrer/WordPress از ۳۹٫۳۹٪ به ۶۲٫۳۴٪ می‌رود (۲۲٫۹۴ واحد درصد و ۵۸٫۲۴٪ نسبی)، اما Wappalyzer/Drupal از ۷۳٫۹۶٪ به ۷۱٫۶۰٪ افت می‌کند؛ middleware همواره مفید نیست.", "pages": [ 11, 12, 13 ] } ], "findings": [ { "en": "The target is server software and release, not a browser or human identity.", "fa": "هدف نرم‌افزار و نسخه سمت سرور است، نه هویت مرورگر یا انسان.", "pages": [ 2, 3 ] }, { "en": "A correct candidate in a large version set does not establish exact release identification.", "fa": "وجود نامزد درست در مجموعه بزرگ، تشخیص دقیق نسخه نیست.", "pages": [ 9, 10 ] }, { "en": "Default-installation accuracy overestimates live-deployment performance.", "fa": "صحت نصب پیش‌فرض عملکرد استقرار زنده را بیش‌برآورد می‌کند.", "pages": [ 12 ] }, { "en": "Bot-detection pages are one cause of scanner measurement failure.", "fa": "صفحه تشخیص بات یکی از علل شکست اندازه‌گیری اسکنر است.", "pages": [ 12 ] }, { "en": "The release corpus comprises 558 WordPress, 304 Drupal, 141 Joomla, 165 MediaWiki and 192 phpMyAdmin versions. Across the selected severe-CVE analysis (mean CVSS 7.7), 82 predictions associate vulnerable releases with non-vulnerable versions.", "fa": "مجموعه شامل ۵۵۸ نسخهٔ WordPress، ۳۰۴ Drupal، ۱۴۱ Joomla، ۱۶۵ MediaWiki و ۱۹۲ phpMyAdmin است. در تحلیل CVEهای شدید انتخاب‌شده (میانگین CVSS برابر ۷٫۷)، ۸۲ پیش‌بینی نسخهٔ آسیب‌پذیر را با نسخهٔ بی‌آسیب پیوند می‌دهد.", "pages": [ 10, 17 ] }, { "en": "VersionInferrer fails on default MediaWiki because it appends file paths to a redirected homepage path. Cache breaking can remove Drupal's X-Drupal-Dynamic-Cache header, and a real-browser wrapper still encounters Cloudflare blocks.", "fa": "VersionInferrer روی MediaWiki پیش‌فرض شکست می‌خورد چون مسیر فایل را به مسیر صفحهٔ اصلی تغییرمسیر‌یافته می‌افزاید. شکستن کش ممکن است سرآیند X-Drupal-Dynamic-Cache را حذف کند و پوشش مرورگر واقعی نیز همچنان با مسدودسازی Cloudflare مواجه است.", "pages": [ 8, 12 ] } ], "limitations": [ { "en": "Compatibility across application releases still requires manual engineering.", "fa": "سازگاری میان نسخه‌های برنامه همچنان مهندسی دستی می‌خواهد.", "pages": [ 14 ] }, { "en": "The audited application and tool set does not represent every web technology.", "fa": "مجموعه برنامه و ابزار بررسی‌شده نماینده همه فناوری‌های وب نیست.", "pages": [ 4, 5 ] }, { "en": "The middleware improves observations without solving every version collision.", "fa": "middleware مشاهده را بهبود می‌دهد ولی همه برخورد نسخه را حل نمی‌کند.", "pages": [ 13 ] }, { "en": "More normalization may improve robustness while increasing release collisions; this tradeoff is proposed future work. The 20–80% drop is not a universal bound: Table 4 includes live accuracies slightly above lab for MediaWiki dynamic tools.", "fa": "نرمال‌سازی بیشتر ممکن است استحکام را بهتر و برخورد نسخه را بیشتر کند؛ بررسی این مصالحه کار آینده است. افت ۲۰–۸۰٪ کران همگانی نیست؛ جدول ۴ برای ابزارهای پویای MediaWiki دقت زندهٔ اندکی بالاتر از آزمایشگاه دارد.", "pages": [ 13 ] } ], "figures": [ { "label": "Figure 1", "page": 5, "caption": { "en": "WASABO release-testing architecture.", "fa": "معماری آزمون نسخه WASABO." }, "insight": { "en": "Useful model for separating deployment, scanner and transformation modules.", "fa": "الگوی مفید تفکیک استقرار، اسکنر و تبدیل است." }, "image": "figures/p-98d2361f36b0-page-5-detail.webp" }, { "label": "Figure 4", "page": 10, "caption": { "en": "Number of versions returned per fingerprinting attempt.", "fa": "تعداد نسخه بازگردانده‌شده برای هر تلاش شناسایی." }, "insight": { "en": "Exposes ambiguity hidden by correctness-in-set metrics.", "fa": "ابهام پنهان در معیار وجود پاسخ درست را آشکار می‌کند." }, "image": "figures/p-98d2361f36b0-page-10-detail.webp" }, { "label": "Table 4", "page": 13, "caption": { "en": "Lab and live application-type accuracy with middleware.", "fa": "صحت نوع برنامه در آزمایشگاه و وب زنده با middleware." }, "insight": { "en": "Distinguish percentage-point change from relative improvement factor.", "fa": "تغییر واحد درصد را از ضریب بهبود نسبی جدا کنید." }, "image": "figures/p-98d2361f36b0-page-13-detail.webp" }, { "label": "Figure 3", "page": 9, "caption": { "en": "Temporal range of candidate-version sets.", "fa": "دامنهٔ زمانی مجموعهٔ نسخه‌های نامزد." }, "insight": { "en": "WhatWeb's WordPress 3.7.36 result spans 2,758 days, showing why truth-in-set is insufficient.", "fa": "نتیجهٔ WordPress 3.7.36 در WhatWeb دامنهٔ ۲۷۵۸روزه دارد؛ وجود پاسخ درست در مجموعه کافی نیست." }, "image": "figures/p-98d2361f36b0-page-9-detail.webp" } ], "thesisUse": { "en": "Our synthesis: adjacent methodological evidence about automated measurement bias caused by anti-bot infrastructure, not evidence that client fingerprints classify bots.", "fa": "تحلیل ما: شاهد روش‌شناختی مجاور درباره سوگیری اندازه‌گیری خودکار ناشی از زیرساخت ضدبات است، نه شاهد تشخیص بات با اثر انگشت کلاینت." }, "related": [ "p-39806d2a9d31" ], "keywords": [ "web application fingerprinting", "WASABO", "version collision", "middleware", "static content" ], "reviewScope": { "en": "All substantive main sections, ethical appendix and release/CVE tables read; bibliography excluded.", "fa": "تمام بخش‌های اصلی، پیوست اخلاقی و جدول‌های نسخه/CVE خوانده شد؛ منابع مستثناست." }, "pdf": "papers/p-98d2361f36b0.pdf", "pages": 17, "sha256": "98d2361f36b050ca7869a2bd9c6b9c7bf1ebe4ee78a50047caa4adf9f6c988cd", "sourcePath": "مقالات\\Browser fingerprinting\\2024 Smudged Fingerprints Characterizing and Improving the Performance of Web Application Fingerprinting (USENIX Security).pdf", "duplicates": [], "isNew": false }, { "id": "p-123029f87999", "title": "Stop, Don’t Click Here Anymore: Boosting Website Fingerprinting By Considering Sets of Subpages", "titleFa": "توقف؛ دیگر اینجا کلیک نکن: تقویت شناسایی وب‌سایت با مجموعه زیرصفحه‌ها", "year": 2024, "authors": [ "Asya Mitseva", "Andriy Panchenko" ], "venue": "USENIX Security", "kind": "paper", "domains": [ "adjacent" ], "topics": [ "website-fingerprinting", "network", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity24/presentation/mitseva", "problem": { "en": "Encrypted-traffic website fingerprinting usually treats page loads in isolation, losing evidence from successive subpage visits. Its target is the visited website behind Tor, not the identity of the browser or whether a visitor is a bot.", "fa": "شناسایی وب‌سایت از ترافیک رمز‌شده معمولاً بارگذاری هر صفحه را جدا می‌گیرد و شواهد بازدید متوالی زیرصفحه را از دست می‌دهد. هدف، وب‌سایت بازدیدشده پشت Tor است، نه هویت مرورگر یا بات‌بودن بازدیدکننده." }, "idea": { "en": "Combine webpage predictions with voting, learn entire page sets through attention-based multiple-instance learning, and explore an HMM that models visit order.", "fa": "پیش‌بینی صفحات با رأی‌گیری ترکیب می‌شود، کل مجموعه با یادگیری چندنمونه‌ای مبتنی بر توجه یاد گرفته می‌شود و HMM برای ترتیب بازدید بررسی می‌شود." }, "result": { "en": "Set-aware attacks achieve F1=1 for over half of monitored websites in the evaluated open-world setting, while tested defenses vary greatly in resistance. Near-perfect closed-world results are conditional on the collected website universe and separable page visits.", "fa": "حملات مجموعه‌محور در محیط جهان‌باز ارزیابی‌شده برای بیش از نیمی از وب‌سایت‌های پایش‌شده F1 برابر ۱ دارند و مقاومت دفاع‌ها بسیار متفاوت است. نتایج نزدیک به کامل جهان‌بسته به جهان سایت جمع‌آوری‌شده و جداسازی بازدید صفحه وابسته‌اند." }, "sections": [ { "heading": { "en": "Passive observer and task", "fa": "ناظر منفعل و وظیفه" }, "en": "The attacker observes timing, direction and volume on the client-to-Tor-entry link without decrypting content. The output is a visited website class; closed-world and open-world evaluations have fundamentally different background populations.", "fa": "مهاجم زمان، جهت و حجم را روی پیوند کلاینت تا ورودی Tor بدون رمزگشایی محتوا می‌بیند. خروجی کلاس وب‌سایت بازدیدشده است؛ جهان‌بسته و جهان‌باز جمعیت پس‌زمینه اساساً متفاوت دارند.", "pages": [ 2, 3 ] }, { "heading": { "en": "Set and order models", "fa": "مدل مجموعه و ترتیب" }, "en": "Six voting strategies combine per-page class probabilities, including confidence-weighted means. The MIL model learns weighted page-set representations, while HMM variants add visit-order evidence using clusters, sitemap transitions and generated browsing sessions.", "fa": "شش راهبرد رأی‌گیری احتمال کلاس هر صفحه را ترکیب می‌کنند؛ میانگین وزن‌دهی‌شده بر اساس اطمینان نیز هست. مدل MIL نمایش وزن‌دار مجموعه را می‌آموزد و HMM با خوشه، گذار نقشه سایت و نشست تولیدشده، ترتیب را اضافه می‌کند.", "pages": [ 5, 6, 7 ] }, { "heading": { "en": "Inputs and feature extraction", "fa": "ورودی و استخراج ویژگی" }, "en": "The MIL input uses packet-direction sequences of +1 and −1, padded or truncated to 5,000 entries. A DF-inspired CNN extracts trace representations, and learned normalized attention weights aggregate distinct page traces in each bag.", "fa": "ورودی MIL دنباله جهت بسته با ۱+ و ۱− است که تا ۵٬۰۰۰ خانه پر یا کوتاه می‌شود. CNN الهام‌گرفته از DF نمایش رد را استخراج و وزن توجه نرمال‌شده، رد صفحات متفاوت هر کیسه را جمع می‌کند.", "pages": [ 5, 6 ] }, { "heading": { "en": "Dataset and baselines", "fa": "داده و مبناها" }, "en": "Foreground Alexa and Tranco samples each contain 100 websites with index and 90 non-index pages; background sampling uses 5,000 websites excluding monitored ones and nine pages per site. Alexa collection uses Tor Browser 7.5.6 and Tranco validation 12.5.3, comparing CUMUL, k-FP, DF and Var-CNN with 10-fold validation.", "fa": "نمونه پیش‌زمینه Alexa و Tranco هرکدام ۱۰۰ وب‌سایت با صفحه اصلی و ۹۰ زیرصفحه دارند؛ پس‌زمینه از ۵٬۰۰۰ سایت خارج از هدف و نه صفحه هر سایت است. گردآوری Alexa با Tor Browser 7.5.6 و اعتبارسنجی Tranco با 12.5.3 انجام شده و CUMUL، k-FP، DF و Var-CNN با اعتبارسنجی ده‌بخشی مقایسه می‌شوند.", "pages": [ 7, 8 ] }, { "heading": { "en": "Results across browsing sets", "fa": "نتایج مجموعه بازدید" }, "en": "Aggregation becomes more effective as users visit several pages from one website, including pages absent from training. The paper reports F1=1 for more than 60% of targets in its open-world analysis; that does not imply perfect recognition for all Tor traffic or arbitrary websites.", "fa": "تجمیع با بازدید چند صفحه یک وب‌سایت، حتی صفحات خارج از آموزش، مؤثرتر می‌شود. مقاله در تحلیل جهان‌باز خود F1 برابر ۱ را برای بیش از ۶۰٪ هدف‌ها گزارش می‌کند؛ این نتیجه تشخیص کامل تمام ترافیک Tor یا سایت دلخواه نیست.", "pages": [ 10, 11, 12, 14 ] }, { "heading": { "en": "Defenses and noise pages", "fa": "دفاع و صفحات مزاحم" }, "en": "Table 3 compares multiple defenses over sets of one to nine pages; Tamaraw remains below roughly 20% while some other defenses lose much of their protection. Mixing noise pages reduces accuracy, especially when nearly half a nine-page bag belongs to other sites, so realistic grouping matters.", "fa": "جدول ۳ چند دفاع را روی مجموعه یک تا نه صفحه مقایسه می‌کند؛ Tamaraw زیر حدود ۲۰٪ می‌ماند ولی برخی دفاع‌های دیگر بیشتر محافظت خود را از دست می‌دهند. صفحات مزاحم صحت را کاهش می‌دهند، به‌ویژه وقتی تقریباً نصف کیسه نه‌صفحه‌ای از سایت دیگر باشد؛ گروه‌بندی واقعی مهم است.", "pages": [ 13, 14 ] }, { "heading": { "en": "Limits and thesis relation", "fa": "محدودیت و ارتباط با تز" }, "en": "The main assumption is that an observer can separate consecutive visits and identify which belong to a website, a challenge under concurrent tabs and background traffic. Thesis inference: keep this as adjacent traffic-analysis literature and transfer only the general lesson that sequence aggregation can change privacy risk.", "fa": "فرض اصلی جداسازی بازدیدهای متوالی و تشخیص تعلق آن‌هاست؛ زیر تب هم‌زمان و ترافیک پس‌زمینه چالش‌برانگیز است. برداشت تز: این را ادبیات مجاور تحلیل ترافیک نگه دارید و تنها درس عمومیِ تغییر ریسک حریم خصوصی با تجمیع توالی را منتقل کنید.", "pages": [ 13, 14 ] }, { "en": "The evaluation separates known-page trace splits from unknown-page splits; recognizing unseen subpages is the harder setting. Feature replacement improves CUMUL and k-FP whereas page clustering adds little. In a nine-page set containing five target pages and four unrelated pages, accuracy falls to 68.8% for MIL and 80.8% for the selected best voting method, while Gini-weighted mean voting reaches 97.0%; arbitrary multi-tab browsing remains future work.", "fa": "ارزیابی، تقسیم ردهای صفحهٔ شناخته‌شده را از تقسیم صفحات ندیده جدا می‌کند؛ شناسایی زیرصفحهٔ ندیده دشوارتر است. جایگزینی ویژگی CUMUL و k-FP را بهتر می‌کند، اما خوشه‌بندی صفحات سود اندکی دارد. در مجموعهٔ نه‌صفحه‌ای شامل پنج صفحهٔ هدف و چهار صفحهٔ نامرتبط، صحت MIL به ۶۸٫۸٪ و روش رأی‌گیری منتخب به ۸۰٫۸٪ می‌رسد، درحالی‌که میانگین وزن‌دار Gini به ۹۷٫۰٪ می‌رسد؛ مرور دلخواه چندتب هنوز کار آینده است.", "heading": { "fa": "تعمیم و تاب‌آوری صفحات مختلط", "en": "Generalization and mixed-page robustness" }, "pages": [ 8, 9, 10, 14 ] } ], "findings": [ { "en": "Website class inference over encrypted Tor traffic is distinct from browser fingerprinting.", "fa": "استنتاج کلاس وب‌سایت از ترافیک رمز‌شده Tor با اثر انگشت مرورگر متفاوت است.", "pages": [ 2, 3 ] }, { "en": "Successive-page aggregation improves over isolated-page classification in the evaluated datasets.", "fa": "تجمیع صفحات متوالی در داده ارزیابی‌شده از طبقه‌بندی صفحه منفرد بهتر است.", "pages": [ 10, 12 ] }, { "en": "Defense effectiveness depends on the page-set size and defense mechanism.", "fa": "اثربخشی دفاع به اندازه مجموعه صفحه و سازوکار دفاع وابسته است.", "pages": [ 13 ] }, { "en": "Noise pages and grouping assumptions materially change achieved accuracy.", "fa": "صفحات مزاحم و فرض گروه‌بندی صحت حاصل را واقعاً تغییر می‌دهند.", "pages": [ 14 ] } ], "limitations": [ { "en": "Consecutive-page segregation is assumed rather than universally solved.", "fa": "جداسازی صفحات متوالی فرض شده و به‌طور عمومی حل نشده است.", "pages": [ 13 ] }, { "en": "CAPTCHA, error, authentication and Tor-blocked loads are excluded.", "fa": "بارگذاری دارای CAPTCHA، خطا، ورود و مسدودسازی Tor حذف شده است.", "pages": [ 7 ] }, { "en": "Controlled collected traffic and foreground/background lists limit real-world generalization.", "fa": "ترافیک کنترل‌شده و فهرست پیش‌زمینه و پس‌زمینه تعمیم واقعی را محدود می‌کنند.", "pages": [ 7, 14 ] } ], "figures": [ { "label": "Figure 1", "page": 6, "caption": { "en": "Feature extractor and MIL bag-weight learner.", "fa": "استخراج ویژگی و یادگیرنده وزن کیسه MIL." }, "insight": { "en": "Explains set-level learning rather than a browser-feature collector.", "fa": "یادگیری سطح مجموعه را نشان می‌دهد، نه جمع‌آوری ویژگی مرورگر." }, "image": "figures/p-123029f87999-page-6-detail.webp" }, { "label": "Figure 7", "page": 12, "caption": { "en": "Per-website F1 under different visit-set sizes.", "fa": "F1 هر وب‌سایت برای اندازه مجموعه متفاوت." }, "insight": { "en": "Perfect scores are per-target under evaluated open-world conditions.", "fa": "امتیاز کامل برای هر هدف در شرایط جهان‌باز ارزیابی‌شده است." }, "image": "figures/p-123029f87999-page-12-detail.webp" }, { "label": "Table 3", "page": 13, "caption": { "en": "Attack accuracy against defenses by number of pages.", "fa": "صحت حمله در برابر دفاع برحسب تعداد صفحه." }, "insight": { "en": "Strong and weak defenses must be distinguished; no universal defeat is shown.", "fa": "دفاع قوی و ضعیف متمایزند؛ شکست جهانی نشان داده نشده است." }, "image": "figures/p-123029f87999-page-13-detail.webp" } ], "thesisUse": { "en": "Our synthesis: an adjacent source for cumulative information leakage and sequence-aware evaluation, not a bot-detection fingerprinting method.", "fa": "تحلیل ما: منبع مجاور برای نشت تجمعی اطلاعات و ارزیابی توالی‌محور است، نه روش اثر انگشت برای تشخیص بات." }, "related": [], "keywords": [ "website fingerprinting", "Tor", "multiple instance learning", "voting", "open world", "traffic analysis" ], "reviewScope": { "fa": "تمام بخش‌های اصلی مقاله بررسی شد؛ منابع و پیوست تکمیلی مستثناست.", "en": "All substantive main-paper sections read; bibliography and supplementary appendices excluded." }, "pdf": "papers/p-123029f87999.pdf", "pages": 19, "sha256": "123029f87999cea71f97534b125a3f5182e2f0ab755c9fb6202312706c1e5dba", "sourcePath": "مقالات\\Browser fingerprinting\\2024 Stop Dont Click Here Anymore Boosting Website Fingerprinting By Considering Sets of Subpages (USENIX Security).pdf", "duplicates": [], "isNew": false }, { "id": "p-1a38276283ca", "title": "Automatic Discovery of Emerging Browser Fingerprinting Techniques", "titleFa": "کشف خودکار تکنیک‌های نوظهور اثر انگشت مرورگر", "year": 2023, "authors": [ "Junhua Su", "Alexandros Kapravelos" ], "venue": "ACM Web Conference (WWW)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "measurement", "detection", "signals", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3543507.3583333", "problem": { "en": "A fixed list of known browser APIs misses emerging fingerprinting techniques. The problem is discovering APIs used by fingerprinting scripts, not classifying visitors as bots.", "fa": "فهرست ثابت APIهای شناخته‌شده، روش‌های نوظهور اثر انگشت را از دست می‌دهد. مسئله کشف APIهای مورداستفاده در اسکریپت اثر انگشت است، نه طبقه‌بندی بازدیدکننده به بات." }, "idea": { "en": "BFAD combines execution locality in VisibleV8 traces with JStap static dataflow to storage/transmission sinks. Character offsets associate dynamic calls with static graph nodes.", "fa": "BFAD مجاورت اجرای API در ردهای VisibleV8 را با جریان داده ایستای JStap به مقصد ذخیره یا انتقال ترکیب می‌کند. موقعیت نویسه‌ای، فراخوانی پویا را به گره گراف ایستا وصل می‌کند." }, "result": { "en": "Starting from 35 fingerprinting and 17 sink APIs, two crawls discover 249 fingerprinting APIs, including 18 additional APIs eleven months later. Of the total, 176 were absent from the compared discovery systems; this is not 176 previously unknown attacks.", "fa": "با شروع از ۳۵ API اثر انگشت و ۱۷ API مقصد، دو خزش ۲۴۹ API اثر انگشت کشف می‌کنند که ۱۸ مورد در خزش یازده ماه بعد اضافه شده‌اند. از کل، ۱۷۶ مورد در سامانه‌های مقایسه‌شده نبودند؛ این عدد به معنی ۱۷۶ حمله کاملاً ناشناخته نیست." }, "sections": [ { "heading": { "en": "Scope and distinction", "fa": "دامنه و تمایز" }, "en": "Browser evolution introduces APIs with dual legitimate and tracking uses. BFAD detects API involvement in fingerprinting behavior; discussions of bot-related APIs describe possible uses, without measuring human-versus-bot classification accuracy.", "fa": "تکامل مرورگر APIهایی با کاربرد مشروع و ردیابی هم‌زمان ایجاد می‌کند. BFAD مشارکت API در رفتار اثر انگشت را کشف می‌کند؛ بحث API مرتبط با بات، کاربرد ممکن را توضیح می‌دهد و صحت طبقه‌بندی انسان و بات را اندازه نمی‌گیرد.", "pages": [ 1, 2, 11 ] }, { "heading": { "en": "Locality and seeds", "fa": "مجاورت و بذرها" }, "en": "Known fingerprinting APIs locate likely collection regions in each execution trace. Neighbor weights depend on consecutive seed runs and distance, so the neighborhood expands when several known collection calls appear together.", "fa": "APIهای شناخته‌شده، ناحیه احتمالی جمع‌آوری را در رد اجرا مشخص می‌کنند. وزن همسایه تابع طول اجرای متوالی بذرها و فاصله است؛ وقتی چند فراخوانی شناخته‌شده کنار هم‌اند، همسایگی گسترده‌تر می‌شود.", "pages": [ 3, 4 ] }, { "heading": { "en": "Dataflow filtering", "fa": "فیلتر جریان داده" }, "en": "Proximity alone is insufficient because UI setup may be adjacent to fingerprint collection. Static dataflow verifies direct or transformed flows into sinks; dynamic and static representations are matched by character offsets in the same captured script.", "fa": "مجاورت به‌تنهایی کافی نیست زیرا تنظیم رابط کاربری ممکن است کنار جمع‌آوری اثر انگشت باشد. جریان داده ایستا مسیر مستقیم یا تبدیل‌شده تا مقصد را بررسی می‌کند؛ دو نمایش با موقعیت نویسه‌ای در همان اسکریپت ضبط‌شده تطبیق می‌یابند.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Crawl and candidate verification", "fa": "خزش و بررسی نامزدها" }, "en": "The October 2021 Alexa top-10K crawl successfully visits 8,446 domains and collects 474,659 scripts. Locality yields 369 API candidates, dataflow confirms 323, and manual verification retains 297 participants: 231 fingerprinting APIs plus 66 assisting APIs.", "fa": "خزش اکتبر ۲۰۲۱ از ده‌هزار سایت برتر Alexa، در ۸٬۴۴۶ دامنه موفق است و ۴۷۴٬۶۵۹ اسکریپت جمع می‌کند. مجاورت ۳۶۹ نامزد، جریان داده ۳۲۳ مورد و بررسی دستی ۲۹۷ مشارکت‌کننده را نگه می‌دارد: ۲۳۱ API اثر انگشت و ۶۶ API کمکی.", "pages": [ 5 ] }, { "heading": { "en": "Direct, indirect and longitudinal results", "fa": "نتایج مستقیم، غیرمستقیم و طولی" }, "en": "The first result has 90 direct and 141 indirect fingerprinting APIs, separating returned identifying values from enabling operations. Repeating the pipeline eleven months later adds 18 fingerprinting APIs; across both runs 176/249 are absent from comparison systems, while the paper separately claims 24 unknown to the wider community.", "fa": "نتیجه نخست ۹۰ API مستقیم و ۱۴۱ API غیرمستقیم دارد و مقادیر شناسایی‌کننده را از عملیات توانمندساز جدا می‌کند. تکرار یازده ماه بعد ۱۸ API اضافه می‌کند؛ در دو اجرا ۱۷۶ مورد از ۲۴۹ مورد در سامانه‌های مقایسه‌شده نیستند و مقاله جداگانه ۲۴ مورد ناشناخته برای جامعه را ادعا می‌کند.", "pages": [ 2, 5, 6, 8 ] }, { "heading": { "en": "Discovered technique families", "fa": "خانواده‌های روش کشف‌شده" }, "en": "Case studies cover window properties, permissions, service workers, history, performance and observer interfaces. Some properties reveal browser configuration, while others expose interaction or cache/history state; not every listed API is independently high-entropy or stable.", "fa": "نمونه‌ها ویژگی پنجره، مجوز، service worker، تاریخچه، عملکرد و رابط observer را دربر می‌گیرند. برخی پیکربندی مرورگر و برخی تعامل یا وضعیت کش و تاریخچه را آشکار می‌کنند؛ هر API فهرست‌شده به‌تنهایی پُرآنتروپی یا پایدار نیست.", "pages": [ 6, 7, 10, 11 ] }, { "heading": { "en": "Coverage limitations and thesis inference", "fa": "محدودیت پوشش و برداشت تز" }, "en": "Seed coverage, rare execution, static parse failures and dataflow timeouts produce blind spots, and entropy is not estimated from a diverse user population. Thesis inference: build an updateable signal registry with provenance and dataflow evidence, then test actual discriminative power against labeled bots independently.", "fa": "پوشش بذر، اجرای نادر، خطای تجزیه ایستا و timeout جریان داده نقاط کور می‌سازند و آنتروپی از جمعیت متنوع کاربران برآورد نمی‌شود. برداشت تز: رجیستری قابل‌به‌روزرسانی سیگنال با منشأ و شاهد جریان داده بسازید، سپس قدرت تفکیک واقعی آن را مستقل روی بات برچسب‌خورده بسنجید.", "pages": [ 5, 8, 11 ] }, { "heading": { "en": "Usage validation and baseline comparison", "fa": "اعتبارسنجی کاربرد و مقایسهٔ مبنا" }, "en": "Manual inspection confirms fingerprinting in the fifty scripts using the most newly discovered APIs, but that top-ranked sample does not establish precision for every candidate script. Among 792 crawled domains matched to external fingerprinting lists, the mean count of newly discovered APIs is 11.5. Comparisons require translating JavaScript keywords into documented browser APIs; extended seeds increase coverage, illustrating that apparent novelty and detector recall depend on definitions and seed selection.", "fa": "بررسی دستی اثرانگشت‌گیری را در پنجاه اسکریپت دارای بیشترین API جدید تأیید می‌کند؛ این نمونهٔ بالای رتبه‌بندی، دقت همهٔ اسکریپت‌های نامزد را ثابت نمی‌کند. در ۷۹۲ دامنهٔ خزیده‌شده و منطبق با فهرست‌های خارجی، میانگین API جدید ۱۱٫۵ است. مقایسه نیازمند تبدیل کلیدواژهٔ جاوااسکریپت به API مستند مرورگر است؛ بذر گسترده پوشش را افزایش می‌دهد و نشان می‌دهد تازگی ظاهری و recall به تعریف و انتخاب بذر وابسته‌اند.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "API verification and evasion boundaries", "fa": "بررسی API و مرزهای گریز" }, "en": "The verification procedure combines prior demonstrations, browser documentation, controlled-device experiments, and inspection of collection code. Parser failures and five-minute graph-generation limits reject some fingerprintable calls; locality and sink connectivity also admit DOM-related false positives. The paper discusses filtering random interleaved calls and stitching split scripts, but reports no observed adversarial random-call injection, so those arguments should not be mistaken for a benchmarked adaptive-evasion defense.", "fa": "فرایند بررسی، نمایش‌های پیشین، مستند مرورگر، آزمایش دستگاه کنترل‌شده و تحلیل کد جمع‌آوری را ترکیب می‌کند. خطای parser و سقف پنج‌دقیقهٔ تولید گراف برخی فراخوانی قابل‌اثر انگشت را رد می‌کند؛ مجاورت و اتصال به مقصد نیز مثبت کاذب مرتبط با DOM می‌دهند. مقاله فیلتر فراخوانی تصادفی میان‌گذاری‌شده و اتصال اسکریپت شکسته را بحث می‌کند، اما چنین تزریق مهاجمانه‌ای مشاهده نکرده؛ استدلال را نباید دفاع بنچمارک‌شدهٔ گریز تطبیقی دانست.", "pages": [ 3, 5, 10, 11 ] } ], "findings": [ { "en": "The system discovers API-level evidence, unlike a script-only detector.", "fa": "سامانه شواهد در سطح API کشف می‌کند، برخلاف آشکارساز صرفاً اسکریپت.", "pages": [ 1, 7 ] }, { "en": "The 231 initial fingerprinting APIs must be distinguished from 66 assisting APIs.", "fa": "۲۳۱ API اولیه اثر انگشت باید از ۶۶ API کمکی متمایز شوند.", "pages": [ 5 ] }, { "en": "The eleven-month repeat adds 18 fingerprinting APIs rather than replacing the original total.", "fa": "تکرار یازده‌ماهه ۱۸ API اضافه می‌کند، نه اینکه کل نخست را جایگزین کند.", "pages": [ 6 ] }, { "en": "Manually verified false positives remain among dataflow-connected candidates.", "fa": "در میان نامزدهای دارای جریان داده نیز موارد مثبت کاذب در بررسی دستی وجود دارند.", "pages": [ 5 ] } ], "limitations": [ { "en": "The detector depends on seed APIs and on observing executed code in the crawl.", "fa": "کشف به APIهای بذر و مشاهده کد اجراشده در خزش وابسته است.", "pages": [ 3, 8 ] }, { "en": "Static parsing and time limits reject some genuinely fingerprintable API cases.", "fa": "تجزیه ایستا و محدودیت زمان برخی موارد واقعی را رد می‌کند.", "pages": [ 5 ] }, { "en": "No user-fingerprint population is available to estimate entropy per discovered API.", "fa": "جمعیت اثر انگشت کاربران برای برآورد آنتروپی هر API وجود ندارد.", "pages": [ 11 ] } ], "figures": [ { "label": "Figure 1", "page": 4, "caption": { "en": "BFAD crawler, trace collection, hybrid analysis and results.", "fa": "خزنده BFAD، جمع‌آوری رد، تحلیل ترکیبی و خروجی." }, "insight": { "en": "The dataflow stage verifies rather than merely counting co-occurrence.", "fa": "مرحله جریان داده، مشارکت را بررسی می‌کند و صرفاً هم‌وقوعی را نمی‌شمارد." }, "image": "figures/p-1a38276283ca-page-4-detail.webp" }, { "label": "Table 1", "page": 5, "caption": { "en": "Successful crawl coverage and call counts.", "fa": "پوشش خزش موفق و تعداد فراخوانی‌ها." }, "insight": { "en": "Use 8,446 successful domains as the observed denominator.", "fa": "۸٬۴۴۶ دامنه موفق مخرج مشاهده است." }, "image": "figures/p-1a38276283ca-page-5-detail.webp" }, { "label": "Table 2", "page": 5, "caption": { "en": "Direct, indirect and assisting API composition.", "fa": "ترکیب API مستقیم، غیرمستقیم و کمکی." }, "insight": { "en": "Prevents interpreting every discovered helper as identifying entropy.", "fa": "مانع تفسیر هر تابع کمکی به‌عنوان آنتروپی شناسایی‌کننده می‌شود." }, "image": "figures/p-1a38276283ca-page-5-detail.webp" }, { "label": "Table 3", "page": 6, "caption": { "en": "Discovered API usage in 12,531 scripts with at least one seed and one sink.", "fa": "کاربرد APIهای کشف‌شده در ۱۲۵۳۱ اسکریپت دارای دست‌کم یک بذر و مقصد." }, "insight": { "en": "10,224 scripts (81.6%) meet the five-API threshold; only 257 (2.1%) meet 35. This selected denominator is not all 474,659 scripts, and API-count thresholds are suggestive rather than validated universal script labels.", "fa": "۱۰۲۲۴ اسکریپت، یعنی ۸۱٫۶٪، آستانهٔ پنج API و ۲۵۷ اسکریپت، یعنی ۲٫۱٪، آستانهٔ ۳۵ را دارند. مخرج انتخابی همهٔ ۴۷۴۶۵۹ اسکریپت نیست؛ آستانهٔ شمارش شاهد کمکی است، نه برچسب جهانی اعتبارسنجی‌شده." }, "image": "figures/p-1a38276283ca-page-6-detail.webp" }, { "label": "Listing 1", "page": 10, "caption": { "en": "Pseudocode expands locality around consecutive seed calls.", "fa": "شبه‌کد مجاورت را پیرامون فراخوانی‌های متوالی بذر گسترش می‌دهد." }, "insight": { "en": "A longer seed run contributes weights to more nearby calls; distance decreases the score. The listing is algorithmic evidence, not an accuracy plot, and the later sink-connected dataflow check is needed to remove unrelated neighbors.", "fa": "اجرای متوالی طولانی‌تر بذر به فراخوانی نزدیک بیشتری وزن می‌دهد و فاصله امتیاز را کم می‌کند. این شاهد الگوریتمی است، نه نمودار صحت؛ بررسی جریان داده تا مقصد برای حذف همسایهٔ نامرتبط لازم است." }, "image": "figures/p-1a38276283ca-page-10-detail.webp" }, { "label": "Listing 7", "page": 11, "caption": { "en": "Permission-state enumeration observed in a fingerprinting script.", "fa": "پیمایش وضعیت مجوزها در اسکریپت اثرانگشت‌گیری مشاهده‌شده." }, "insight": { "en": "Configuration-state probes can supplement hardware fingerprints. The snippet demonstrates collection in context, without establishing population entropy, long-term stability, or a reliable bot label for each permission.", "fa": "کاوش وضعیت پیکربندی می‌تواند اثر انگشت سخت‌افزاری را تکمیل کند. قطعه‌کد جمع‌آوری در زمینه را نشان می‌دهد، نه آنتروپی جمعیت، پایداری بلندمدت یا برچسب معتبر بات برای هر مجوز." }, "image": "figures/p-1a38276283ca-page-11-detail.webp" } ], "thesisUse": { "en": "Our synthesis: useful for continuously discovering candidate browser signals; API abuse detection and bot detection require different labels and evaluation.", "fa": "تحلیل ما: برای کشف پیوسته سیگنال مرورگر مفید است؛ تشخیص سوءاستفاده API و تشخیص بات برچسب و ارزیابی متفاوت می‌خواهند." }, "related": [ "p-d5868dbb82a8", "p-a363c8c3f5e7", "p-39806d2a9d31" ], "keywords": [ "BFAD", "VisibleV8", "JStap", "dataflow", "API locality", "fingerprinting script detection" ], "reviewScope": { "en": "All substantive main-paper sections read; bibliography excluded.", "fa": "تمام بخش‌های اصلی مقاله بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/p-1a38276283ca.pdf", "pages": 11, "sha256": "1a38276283ca8978abdead683279108b3aec43460a288c6cf0d406c1a353c43d", "sourcePath": "مقالات\\Browser fingerprinting\\2023 Automatic discovery of emerging browser fingerprinting techniques (Web).pdf", "duplicates": [], "isNew": false }, { "id": "p-c17998dae976", "title": "Fashion Faux Pas: Implicit Stylistic Fingerprints for Bypassing Browsers’ Anti-Fingerprinting Defenses", "titleFa": "خطای سبکی: اثر انگشت ضمنیِ ظاهر برای عبور از دفاع‌های مرورگر", "year": 2023, "authors": [ "Xu Lin", "Frederico Araujo", "Teryl Taylor", "Jiyong Jang", "Jason Polakis" ], "venue": "IEEE Symposium on Security and Privacy", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "signals", "evasion", "privacy", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "JavaScript API blocking does not protect every source of browser-identifying information. The paper asks whether HTML layout and CSS can infer comparable system attributes without JavaScript.", "fa": "مسدودسازی API جاوااسکریپت همه منابع شناسایی مرورگر را محافظت نمی‌کند. مقاله می‌پرسد آیا چیدمان HTML و CSS بدون جاوااسکریپت ویژگی‌های مشابه سیستم را استنتاج می‌کنند." }, "idea": { "en": "StylisticFP makes iframe dimensions depend on carefully arranged HTML elements, then reads those dimensions through CSS media queries and resource requests. Grouping features reduces the request overhead.", "fa": "StylisticFP ابعاد iframe را تابع عناصر HTML چیده‌شده می‌کند و آن ابعاد را با media query و درخواست منبع CSS می‌خواند. گروه‌بندی ویژگی‌ها سربار درخواست را کاهش می‌دهد." }, "result": { "en": "In a nine-week institutional pilot with 866 retained devices, StylisticFP uniquely identified 534 and FingerprintJS 539. The CSS method can collect information despite several JavaScript-oriented defenses; its browser-specific effectiveness varies.", "fa": "در آزمایش نه‌هفته‌ای سازمانی با ۸۶۶ دستگاه پس از فیلتر، StylisticFP تعداد ۵۳۴ و FingerprintJS تعداد ۵۳۹ دستگاه را یکتا شناسایی کردند. روش CSS از برخی دفاع‌های متمرکز بر جاوااسکریپت عبور می‌کند، اما اثربخشی آن میان مرورگرها متفاوت است." }, "sections": [ { "heading": { "en": "Threat model", "fa": "مدل تهدید" }, "en": "A visited page controls HTML, CSS and resource URLs but needs no JavaScript APIs. CSS-driven resource requests report measurements back to a server, so disabling script execution alone does not eliminate this measurement path.", "fa": "صفحه بازدیدشده HTML، CSS و URL منابع را کنترل می‌کند و به API جاوااسکریپت نیاز ندارد. درخواست منابع از طریق CSS اندازه‌گیری را به سرور گزارش می‌کند؛ پس غیرفعال‌سازی اسکریپت به‌تنهایی این مسیر را حذف نمی‌کند.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Layout measurement mechanism", "fa": "سازوکار سنجش چیدمان" }, "en": "Elements' dimensions vary with native controls, fonts, language and environment. Containers and iframes transform those differences into viewport dimensions that media queries probe; matched rules trigger distinguishable background-resource requests.", "fa": "ابعاد عناصر با کنترل بومی، فونت، زبان و محیط تفاوت دارد. ظرف‌ها و iframe این تفاوت را به ابعاد viewport تبدیل می‌کنند تا media query آن را بسنجد؛ قواعد منطبق درخواست منبع پس‌زمینه قابل‌تمایز ایجاد می‌کنند.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Features and optimization", "fa": "ویژگی‌ها و بهینه‌سازی" }, "en": "The design includes 30 features, font and shadow-font groups, JavaScript-blocking indicators and CSS media properties. Optimization reduces sub-iframes from 170 to 25 and total requests from up to 1,231 to 83, with about 330 KB of transferred compressed resources.", "fa": "طرح ۳۰ ویژگی، گروه فونت و فونت سایه، نشانه مسدودبودن جاوااسکریپت و خصوصیات رسانه CSS دارد. بهینه‌سازی iframe فرعی را از ۱۷۰ به ۲۵ و درخواست کل را از حداکثر ۱٬۲۳۱ به ۸۳ کاهش می‌دهد؛ حجم منبع فشرده منتقل‌شده حدود ۳۳۰ کیلوبایت است.", "pages": [ 4, 5, 6, 9, 10 ] }, { "heading": { "en": "Defensive environments", "fa": "محیط‌های دفاعی" }, "en": "The evaluation compares privacy-focused browsers and extensions, reporting effectiveness per attribute rather than declaring every defense defeated. Tor suppresses some values and fonts but still exposes some useful dimensions; the method also bypasses detectors whose evidence consists mainly of JavaScript API usage.", "fa": "ارزیابی مرورگرهای حافظ حریم خصوصی و افزونه‌ها را مقایسه می‌کند و اثربخشی را برای هر ویژگی گزارش می‌کند، نه اینکه همه دفاع‌ها را شکست‌خورده اعلام کند. Tor برخی مقادیر و فونت‌ها را محدود می‌کند ولی ابعاد مفیدی باقی می‌ماند؛ روش از آشکارسازهای متکی بر API جاوااسکریپت نیز عبور می‌کند.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Pilot and ground truth", "fa": "آزمایش و حقیقت مبنا" }, "en": "Three authenticated organizational portals run the experiment from June 1 to August 8, 2022. Random cookies provide device ground truth, single-visit devices and 77 devices with changing setups are filtered, and 866 devices remain; the institution's relatively homogeneous fleet is not a representative general-web sample.", "fa": "سه پورتال سازمانی دارای ورود، آزمایش را از ۱ ژوئن تا ۸ اوت ۲۰۲۲ اجرا می‌کنند. کوکی تصادفی حقیقت مبنای دستگاه است، دستگاه‌های تک‌بازدید و ۷۷ دستگاه با محیط تغییرکرده حذف می‌شوند و ۸۶۶ دستگاه باقی می‌ماند؛ ناوگان نسبتاً همگن سازمان نماینده کل وب نیست.", "pages": [ 10 ] }, { "heading": { "en": "Results and stability", "fa": "نتایج و پایداری" }, "en": "Overall unique-device counts are similar, but StylisticFP distinguishes 72 of 152 Safari devices versus 63 for FPJS, and 13 of 16 Brave devices versus 11 for FPJS within a session. The CSS method has more collisions, while FPJS sometimes changes identifiers across visits; those failure modes are different and cannot be summarized by uniqueness alone.", "fa": "تعداد دستگاه یکتا در کل مشابه است، اما در Safari روش CSS تعداد ۷۲ از ۱۵۲ و FPJS تعداد ۶۳ را متمایز می‌کند؛ در Brave مقدار ۱۳ از ۱۶ در برابر ۱۱ برای FPJS درون یک نشست است. روش CSS برخورد بیشتری دارد، درحالی‌که FPJS گاهی شناسه را میان بازدیدها تغییر می‌دهد؛ این دو نوع شکست با یکتایی تنها توضیح داده نمی‌شوند.", "pages": [ 10, 11 ] }, { "heading": { "en": "Mitigation and thesis synthesis", "fa": "دفاع و برداشت تز" }, "en": "Blocking every iframe or media query would damage legitimate pages; among 83,476 reachable top-ranked pages, 49.26% use iframes. Thesis inference: include CSS and server-observed resource behavior in a privacy-aware signal taxonomy, but test bot utility separately because this paper measures identification rather than bot classification.", "fa": "مسدودسازی تمام iframe یا media query به صفحات مشروع آسیب می‌زند؛ از ۸۳٬۴۷۶ صفحه قابل‌دسترسی برتر، ۴۹٫۲۶٪ iframe دارند. برداشت تز: CSS و رفتار درخواست منبع مشاهده‌شده در سرور را در رده‌بندی سیگنال بگنجانید، اما سودمندی تشخیص بات را جدا بسنجید چون مقاله شناسایی را ارزیابی می‌کند.", "pages": [ 12 ] }, { "heading": { "en": "Font and media-feature encodings", "fa": "کدگذاری قلم و ویژگی رسانه" }, "en": "Supported fonts are probed through text dimensions against fallback fonts; shadow font families reference local font files and revealed a historical gap in Brave's protection. Tor and protected Firefox apply different font allowlists, so only accessible fonts remain distinguishable there. For 23 media-feature capabilities, power-of-two dimensions encode the support vector exactly; 76 candidate media values use counts and dimension sums with possible collisions. OS display language affects native file/date controls independently of navigator.language.", "fa": "قلم‌های پشتیبانی‌شده از ابعاد متن و قلم جایگزین سنجیده می‌شوند؛ خانواده‌های سایه به فایل محلی قلم اشاره می‌کنند و شکاف تاریخی دفاع Brave را آشکار کردند. Tor و Firefox حفاظت‌شده فهرست‌های مجاز متفاوت دارند؛ فقط قلم قابل‌دسترسی در آن‌ها قابل‌تمایز می‌ماند. برای ۲۳ قابلیت رسانه، اندازه‌های توان دو بردار پشتیبانی را دقیق کدگذاری می‌کنند؛ ۷۶ مقدار رسانه با شمارش و مجموع ابعاد کد می‌شوند و برخورد ممکن است. زبان نمایشی سیستم، کنترل فایل و تاریخ را مستقل از navigator.language تغییر می‌دهد.", "pages": [ 4, 5, 6, 7, 8, 16 ] }, { "heading": { "en": "Stability, collisions, and disclosure", "fa": "پایداری، برخورد و افشا" }, "en": "Across repeated visits, StylisticFP fails to retain a consistent identifier for 41 devices versus 188 for FPJS, but reports 95 device collisions versus 55. Ad-blocker toggling and browser display changes are major CSS failure sources. The paper reports a fix to Brave's local-font bypass in 1.44.x Nightly, so the evaluated 1.39-era result is historical rather than evidence about every present browser version.", "fa": "در بازدید تکراری، StylisticFP برای ۴۱ دستگاه و FPJS برای ۱۸۸ دستگاه شناسهٔ ثابت نگه نمی‌دارد؛ در مقابل برخورد دستگاهی آن‌ها ۹۵ و ۵۵ است. تغییر وضعیت مسدودکنندهٔ تبلیغ و نمایش مرورگر از علل مهم شکست CSS است. مقاله رفع دورزدن قلم محلی Brave در 1.44.x Nightly را گزارش می‌کند؛ نتیجهٔ آزمون دورهٔ ۱٫۳۹ تاریخی است و دربارهٔ هر نسخهٔ کنونی شاهد نیست.", "pages": [ 11, 12, 13 ] } ], "findings": [ { "en": "JavaScript-free collection can infer fonts and environmental features.", "fa": "جمع‌آوری بدون جاوااسکریپت می‌تواند فونت و ویژگی محیط را استنتاج کند.", "pages": [ 3, 4 ] }, { "en": "The optimized design sends 83 requests, compared with up to 1,231 initially.", "fa": "طرح بهینه ۸۳ درخواست می‌فرستد، در برابر حداکثر ۱٬۲۳۱ درخواست اولیه.", "pages": [ 9 ] }, { "en": "534/866 unique devices is an institutional filtered-sample result, not a general identification guarantee.", "fa": "۵۳۴ دستگاه یکتا از ۸۶۶ دستگاه، نتیجه نمونه فیلترشده سازمانی است، نه تضمین عمومی شناسایی.", "pages": [ 10 ] }, { "en": "In controlled loading tests, completion was below one second in 98% of runs.", "fa": "در آزمون کنترل‌شده بارگذاری، پایان صفحه در ۹۸٪ اجراها کمتر از یک ثانیه بود.", "pages": [ 10 ] } ], "limitations": [ { "en": "Pilot users are computer scientists and devices are institutionally managed.", "fa": "کاربران آزمایش متخصص علوم رایانه و دستگاه‌ها سازمانی هستند.", "pages": [ 10 ] }, { "en": "Some privacy defenses still reduce or standardize particular CSS-derived attributes.", "fa": "برخی دفاع‌ها همچنان ویژگی‌های خاص حاصل از CSS را محدود یا یکسان می‌کنند.", "pages": [ 8 ] }, { "en": "No direct human-versus-bot classifier is evaluated.", "fa": "طبقه‌بند مستقیم انسان در برابر بات ارزیابی نشده است.", "pages": [ 12 ] } ], "figures": [ { "label": "Figure 1", "page": 5, "caption": { "en": "Grouped HTML elements and measuring iframes.", "fa": "عناصر HTML گروه‌شده و iframe اندازه‌گیر." }, "insight": { "en": "Shows how layout differences become measurable without JS.", "fa": "نشان می‌دهد تفاوت چیدمان چگونه بدون JS قابل‌سنجش می‌شود." }, "image": "figures/p-c17998dae976-page-5-detail.webp" }, { "label": "Table 3", "page": 8, "caption": { "en": "Attribute effectiveness against countermeasures.", "fa": "اثربخشی ویژگی در برابر دفاع‌ها." }, "insight": { "en": "Read per-attribute partial suppression, rather than a blanket bypass.", "fa": "کاهش جزئی هر ویژگی را بخوانید، نه ادعای عبور کامل." }, "image": "figures/p-c17998dae976-page-8-detail.webp" }, { "label": "Table 5", "page": 10, "caption": { "en": "Browser-stratified pilot identification counts.", "fa": "تعداد شناسایی آزمایش به تفکیک مرورگر." }, "insight": { "en": "Small Brave population and within-session caveat matter.", "fa": "جمعیت کوچک Brave و محدودیت درون نشست مهم‌اند." }, "image": "figures/p-c17998dae976-page-10-detail.webp" }, { "label": "Table 1", "page": 4, "caption": { "en": "Thirty stylistic feature groups, their HTML elements, and normalized Shannon entropy in the study population.", "fa": "سی گروه ویژگی سبکی، عناصر HTML متناظر و آنتروپی شانون نرمال‌شده در جمعیت مطالعه." }, "insight": { "en": "Media-2 reaches 0.58; font and shadow-font groups range around 0.45–0.56. These are population-specific feature entropies, not bits or bot-classification accuracy; adding correlated groups cannot justify summing them.", "fa": "Media-2 به ۰٫۵۸ می‌رسد و گروه قلم و قلم سایه حدود ۰٫۴۵ تا ۰٫۵۶ دارند. این‌ها آنتروپی وابسته به جمعیت‌اند، نه بیت یا صحت تشخیص بات؛ ویژگی هم‌بسته را نمی‌توان ساده جمع زد." }, "image": "figures/p-c17998dae976-page-4-detail.webp" }, { "label": "Table 4", "page": 9, "caption": { "en": "Initial versus optimized iframe, stylesheet, and resource-request counts.", "fa": "تعداد iframe، شیوه‌نامه و درخواست منبع در طراحی اولیه و بهینه." }, "insight": { "en": "Diagonal grouping and dimension-based font tests cut 170 sub-iframes to 25 and up to 1,231 total requests to 83. The table measures construction costs, not identification quality; the initial counts are upper bounds.", "fa": "گروه‌بندی قطری و آزمون ابعادی قلم، ۱۷۰ iframe فرعی را به ۲۵ و حداکثر ۱۲۳۱ درخواست را به ۸۳ کاهش می‌دهد. جدول هزینهٔ ساخت را می‌سنجد، نه کیفیت شناسایی؛ اعداد اولیه سقف‌اند." }, "image": "figures/p-c17998dae976-page-9-detail.webp" }, { "label": "Figure 2", "page": 10, "caption": { "en": "CDFs of DOM readiness and page completion for CSS, JavaScript, and combined fingerprinting.", "fa": "توزیع تجمعی زمان آماده‌شدن DOM و تکمیل صفحه در اثرانگشت‌گیری CSS، جاوااسکریپت و ترکیبی." }, "insight": { "en": "In 100 runs on one 2019 MacBook Pro i9 with Chrome, rendering impact is small and CSS finishes under one second in 98% of runs. A controlled LAN excludes external network jitter; this is not a universal mobile or Internet latency guarantee.", "fa": "در ۱۰۰ اجرا روی یک MacBook Pro i9 سال ۲۰۱۹ با Chrome، اثر بر رندر اندک است و CSS در ۹۸٪ اجراها زیر یک ثانیه تمام می‌شود. شبکهٔ محلی نوسان اینترنت را حذف کرده؛ تضمین تأخیر عمومی یا موبایل نیست." }, "image": "figures/p-c17998dae976-page-10-detail.webp" }, { "label": "Figure 3", "page": 16, "caption": { "en": "Single-element, row, column, and diagonal arrangements compared for measurement preservation.", "fa": "مقایسهٔ چیدمان تک‌عنصری، سطری، ستونی و قطری از نظر حفظ اندازه‌گیری." }, "insight": { "en": "Rows retain maximum height rather than every height; columns similarly lose widths. Diagonal placement exposes sums of both dimensions with one iframe, preserving more discrimination at lower request cost but not reconstructing every element separately.", "fa": "چیدمان سطری ارتفاع همهٔ عناصر و چیدمان ستونی عرض همه را نگه نمی‌دارد. چیدمان قطری مجموع دو بعد را با یک iframe آشکار می‌کند و تمایز بیشتری با درخواست کمتر می‌دهد؛ هر عنصر را جدا بازسازی نمی‌کند." }, "image": "figures/p-c17998dae976-page-16-detail.webp" }, { "label": "Table 8", "page": 17, "caption": { "en": "Eight tested ad blockers leave different blocking patterns over crafted elements and requests.", "fa": "هشت مسدودکنندهٔ تبلیغ الگوهای متفاوتی بر عناصر و درخواست‌های ساختگی برجا می‌گذارند." }, "insight": { "en": "AdBlock and Adblock Plus share a pattern, so presence detection is not always unique product identification. Toggle state, filter updates, and private-mode extension settings make this feature less stable than native rendering.", "fa": "AdBlock و Adblock Plus الگوی مشترک دارند؛ کشف وجود افزونه همیشه شناسایی یکتای محصول نیست. روشن‌وخاموش‌شدن، تغییر فیلتر و تنظیم حالت خصوصی، این ویژگی را از رندر بومی ناپایدارتر می‌کند." }, "image": "figures/p-c17998dae976-page-17-detail.webp" } ], "thesisUse": { "en": "Our synthesis: broaden candidate signal coverage beyond JavaScript, and measure both collisions and identifier instability under privacy defenses.", "fa": "تحلیل ما: سیگنال‌ها را فراتر از جاوااسکریپت گسترش دهید و هم برخورد و هم بی‌ثباتی شناسه را زیر دفاع حریم خصوصی اندازه بگیرید." }, "related": [ "p-52bae580e935", "p-c97377f599d3" ], "keywords": [ "StylisticFP", "CSS", "media queries", "iframe", "font fingerprinting", "anti-fingerprinting" ], "reviewScope": { "en": "All substantive main-paper sections read; bibliography excluded.", "fa": "تمام بخش‌های اصلی مقاله بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/p-c17998dae976.pdf", "pages": 18, "sha256": "c17998dae976f0f381f8ef35caa83d8bf7ec18107070122b2c4e12e9a3e6c529", "sourcePath": "مقالات\\Browser fingerprinting\\2023 Fashion Faux Pas Implicit Stylistic Fingerprints for Bypassing Browsers' Anti-Fingerprinting Defenses (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "p-00fcd1b4467c", "title": "Him of Many Faces: Characterizing Billion-scale Adversarial and Benign Browser Fingerprints on Commercial Websites", "titleFa": "او با چهره‌های بسیار: تحلیل اثرانگشت‌های خصمانه و عادی در مقیاس میلیاردی", "year": 2023, "authors": [ "Shujiang Wu", "Pengfei Sun", "Yao Zhao", "Yinzhi Cao" ], "venue": "NDSS", "domains": [ "intersection" ], "topics": [ "measurement", "signals", "detection", "evasion" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.14722/ndss.2023.24394", "problem": { "en": "How do fingerprints associated with bot and fraud activity differ from benign traffic on the same commercial websites?", "fa": "اثرانگشت مرتبط با بات و تقلب در همان وب‌سایت‌های تجاری چه تفاوتی با ترافیک عادی دارد؟" }, "idea": { "en": "Combine F5 feedback-driven traffic labels with fingerprint distribution, temporal evolution, tool and strategy analysis.", "fa": "برچسب‌های ترافیک حاصل از سامانه بازخوردی F5 با تحلیل توزیع، تغییر زمانی و ابزار و راهبرد اثرانگشت ترکیب می‌شود." }, "result": { "en": "36.1 billion requests from 14 websites contain 1.673 billion distinct combined fingerprints; only 1.6% of distinct fingerprints occur in both benign and adversarial traffic.", "fa": "۳۶٫۱ میلیارد درخواست از ۱۴ سایت، ۱٫۶۷۳ میلیارد اثرانگشت ترکیبی متفاوت دارد؛ فقط ۱٫۶٪ اثرانگشت‌های متفاوت در هر دو گروه عادی و خصمانه دیده می‌شود." }, "sections": [ { "heading": { "en": "Question and scope", "fa": "پرسش و دامنه" }, "en": "The study addresses adversarial fingerprints used to bypass fingerprint-based defenses, rather than identifying every malicious web request. It compares both populations within the same 14 commercial sites across January–June 2021. 'Adversarial fingerprint' is tied to the five bot/fraud classes, not every malicious payload: a SQL-injection or XSS request can retain a benign fingerprint and is outside this comparison. Data are collected through implanted website JavaScript and native-app SDKs across 104 subdomains, so the corpus is not exclusively identical browser-page sessions.", "fa": "مطالعه اثرانگشت خصمانه‌ای را بررسی می‌کند که برای عبور از دفاع استفاده می‌شود؛ هدف تشخیص همه درخواست‌های مخرب نیست. هر دو جمعیت در ۱۴ سایت تجاری یکسان طی ژانویه تا ژوئن ۲۰۲۱ مقایسه می‌شوند. «اثرانگشت خصمانه» به پنج کلاس بات/تقلب مرتبط است، نه هر payload مخرب؛ SQL injection یا XSS می‌تواند اثرانگشت عادی داشته باشد و خارج از مقایسه است. جمع‌آوری با جاوااسکریپت سایت و SDK اپ بومی در ۱۰۴ زیردامنه انجام شده و همه داده نشست مرورگر همسان نیست.", "pages": [ 1, 2 ] }, { "heading": { "en": "Threat model and labels", "fa": "مدل تهدید و برچسب" }, "en": "The initial detector training labels are derived from anomalies such as page-view spikes, bounce/session duration, unusual referrals and fake registration data, then verified by humans. A real-time model uses fast URL/cookie/TCP-IP/TLS/behavior signals, while an offline model adds aggregated IP, ASN, account, device and header reputation. Website complaints, disagreements between models and low-confidence samples feed human-audited retraining; the final database combines these sources before assigning five attack categories. External claims of 96% lower ATO costs and 92% fewer fake accounts are operational product outcomes, not independent request-level sensitivity/specificity estimates, and authors explicitly acknowledge absent complete ground truth.", "fa": "برچسب اولیه آموزش از ناهنجاری بازدید، bounce/مدت نشست، ارجاع غیرمعمول و داده جعلی ثبت‌نام با تأیید انسانی ساخته می‌شود. مدل برخط URL/کوکی/TCP-IP/TLS/رفتار سریع و مدل آفلاین سابقه تجمعی IP، ASN، حساب، دستگاه و header دارد. گزارش سایت، اختلاف مدل و نمونه کم‌اطمینان به بازآموزی ممیزی‌شده می‌رود و پایگاه نهایی آنها را پیش از پنج کلاس حمله ترکیب می‌کند. کاهش ۹۶٪ هزینه ATO و ۹۲٪ حساب جعلی نتیجه عملیاتی محصول است، نه حساسیت/ویژگی مستقل درخواست؛ نویسندگان نبود حقیقت مبنای کامل را می‌پذیرند.", "pages": [ 2, 3, 4, 13 ] }, { "heading": { "en": "Inputs and statistics", "fa": "ورودی‌ها و آمار" }, "en": "The collection includes user-agent, historical timestamp, plugins, fonts, canvas hashes, GPU vendor/renderer, screen fields and devicePixelRatio, alongside account/network metadata. Table IV reports exactly 36,108,651,497 requests and 1,673,234,835 combined distinct fingerprints; 42.5% of requests are operationally adversarial.", "fa": "داده شامل عامل کاربر، زمان تاریخی، افزونه، فونت، هش بوم، سازنده و رندرکننده GPU، ویژگی‌های صفحه و نسبت پیکسل همراه با اطلاعات حساب و شبکه است. جدول چهارم ۳۶٬۱۰۸٬۶۵۱٬۴۹۷ درخواست و ۱٬۶۷۳٬۲۳۴٬۸۳۵ اثرانگشت متفاوت را گزارش می‌کند؛ ۴۲٫۵٪ درخواست‌ها خصمانه برچسب خورده‌اند.", "pages": [ 5, 6 ] }, { "heading": { "en": "Adversarial differences", "fa": "تفاوت‌های خصمانه" }, "en": "Among distinct fingerprints, 90.3% are benign-only, 8.1% adversarial-only and 1.6% shared. Missing GPU renderer occurs in 86.2% of adversarial versus 1.4% benign observations, and missing canvas in 46.6% versus 4.5%; missing values alone cannot prove abuse because collection can end early.", "fa": "از اثرانگشت‌های متفاوت، ۹۰٫۳٪ فقط عادی، ۸٫۱٪ فقط خصمانه و ۱٫۶٪ مشترک است. رندرکننده GPU در ۸۶٫۲٪ مشاهدات خصمانه در برابر ۱٫۴٪ عادی و بوم در ۴۶٫۶٪ در برابر ۴٫۵٪ غایب است؛ غیبت داده به‌تنهایی اثبات سوءاستفاده نیست چون جمع‌آوری ممکن است نیمه‌تمام بماند.", "pages": [ 7, 8 ] }, { "heading": { "en": "Tools, strategies and campaigns", "fa": "ابزارها، راهبردها و کارزارها" }, "en": "Tool inference labels an observation 'scripting' when no JavaScript features are present and 'VM' when GPU vendor/renderer consistently indicate a virtualized renderer; remaining cases default to emulated browser. Keep means one observed value per linked browser, Block a missing value, Mimic multiple values all seen in benign traffic, and Randomize multiple values absent from benign traffic, with uncertain/rare-overlap cases marked Gray. Table VII scripting rows total 80.7% of adversarial requests, whereas browser Block+Randomize accounts for 9.0% of requests but 60.3% of distinct adversarial fingerprints. These observation-based categories describe operational behavior and can conflate collection failure or legitimate privacy changes with a strategy, so tool identity and intent are not directly proven.", "fa": "اگر هیچ ویژگی جاوااسکریپت موجود نباشد ابزار «اسکریپت» و اگر سازنده/renderer ثابت GPU مجازی باشد «VM» است؛ سایر موارد پیش‌فرض مرورگر شبیه‌سازی‌شده‌اند. Keep یک مقدار مشاهده‌شده برای مرورگر پیوندشده، Block غیبت، Mimic چند مقدار همگی دیده‌شده در عادی و Randomize چند مقدار غایب از عادی است؛ موارد مبهم/هم‌پوشان نادر Gray می‌شود. ردیف اسکریپت جدول VII جمعاً ۸۰٫۷٪ درخواست خصمانه دارد، ولی Block+Randomize مرورگر ۹٪ درخواست و ۶۰٫۳٪ اثرانگشت خصمانه متمایز می‌سازد. دسته مبتنی بر مشاهده ممکن است شکست جمع‌آوری یا تغییر خصوصی را با راهبرد اشتباه بگیرد؛ هویت ابزار و نیت مستقیم اثبات نشده است.", "pages": [ 9, 10, 11, 12 ] }, { "heading": { "en": "Evolution and interpretation", "fa": "تغییر زمانی و تفسیر" }, "en": "Benign fingerprints per account increase over time with updates and multiple devices, while many adversarial accounts stay near one fingerprint because they are disposable or bound to a target. Compromised accounts are a distinct population with more fingerprints per account, so averaging all adversarial accounts hides attack-specific behavior.", "fa": "تعداد اثرانگشت عادی به‌ازای حساب با به‌روزرسانی و استفاده از چند دستگاه رشد می‌کند؛ بسیاری از حساب‌های خصمانه نزدیک یک اثرانگشت باقی می‌مانند چون یک‌بارمصرف یا به هدف متصل‌اند. حساب تسخیرشده جمعیتی جدا با اثرانگشت بیشتر دارد؛ میانگین همه حساب‌های خصمانه رفتار وابسته به حمله را پنهان می‌کند.", "pages": [ 8, 12, 13 ] }, { "heading": { "en": "Distribution metrics and denominators", "fa": "معیار توزیع و مخرج‌ها" }, "en": "The authors compute D(adversarial||benign), D(benign||benign) and D(adversarial||adversarial) over ten randomized partitions, reporting averages and deviations as population comparisons. Combined fingerprint divergence is 3.8±1.9 across classes versus .5±.5 within benign and .2±.6 within adversarial; user-agent alone is a counterexample to consistently larger cross-class divergence. 'Unique rate' here means class-exclusive values, not necessarily a fingerprint belonging to only one device, and request-weighted missingness is distinct from distinct-fingerprint overlap. The table's 'normalized entropy' values exceed one despite a formula H/log2(N), an unresolved reporting/scale ambiguity; do not silently translate those numbers into standard [0,1] normalized entropy.", "fa": "نویسندگان D(خصمانه||عادی)، D(عادی||عادی) و D(خصمانه||خصمانه) را در ده تقسیم تصادفی با میانگین و پراکندگی برای مقایسه جمعیت می‌سنجند. واگرایی ترکیبی بین‌کلاس ۳٫۸±۱٫۹ در برابر .5±.5 درون عادی و .2±.6 درون خصمانه است؛ user-agent مثال نقض برتری همیشگی اختلاف بین‌کلاس است. «نرخ یکتا» اینجا انحصار مقدار به کلاس است، نه الزاماً یک دستگاه؛ غیبت با وزن درخواست از هم‌پوشانی اثرانگشت متمایز جداست. مقادیر «آنتروپی نرمال» جدول با وجود فرمول H/log2(N) بالای یک‌اند؛ ابهام مقیاس/گزارش حل‌نشده است و نباید به آنتروپی استاندارد [۰،۱] تبدیل شوند.", "pages": [ 4, 5, 7, 8 ] }, { "heading": { "en": "Campaign structure and account roles", "fa": "ساختار کارزار و نقش حساب" }, "en": "The credential-stuffing case separates threshold probes on known fake accounts from attempts against victim accounts; the first permits distinguishing blocking from merely a wrong password. Table IX reports 2.0% probe requests, 92.9% takeover attempts and 5.0% gray, with 112.8 versus 1.3 requests per account and 46.1 versus 1.0 per fingerprint for probe versus attempt. Fingerprint–target account binding appears in 98.6% of credential-stuffing requests, so a stable fingerprint can be an attacker optimization rather than a trust signal. A separate fraud campaign creates roughly 50% new fingerprints daily and reuses roughly 50% old ones, demonstrating that reuse and mutation can coexist within one adversary.", "fa": "مطالعه آزمون اعتبارنامه probe آستانه روی حساب جعلی با رمز معلوم را از تلاش حساب قربانی جدا می‌کند؛ حالت اول تشخیص مسدودسازی از صرف رمز غلط را ممکن می‌کند. جدول IX درخواست probe را ۲٪، تلاش تصاحب ۹۲٫۹٪ و Gray را ۵٪ و درخواست/حساب ۱۱۲٫۸ در برابر ۱٫۳ و درخواست/اثرانگشت ۴۶٫۱ در برابر ۱ برای probe/تلاش می‌دهد. اتصال اثرانگشت–حساب هدف در ۹۸٫۶٪ درخواست دیده می‌شود؛ ثبات می‌تواند بهینه‌سازی مهاجم باشد، نه سیگنال اعتماد. یک کارزار تقلب جدا روزانه حدود ۵۰٪ اثرانگشت جدید و ۵۰٪ قدیمی را مصرف می‌کند؛ استفاده مجدد و تغییر در یک مهاجم جمع می‌شوند.", "pages": [ 10, 11 ] }, { "heading": { "en": "Attack stratification and research design", "fa": "تفکیک حمله و طراحی پژوهش" }, "en": "Table X shows scripting proportions 84.2% takeover, 49.2% fake accounts, 30.0% fraud, 93.4% scraping and 97.5% gift-card cracking; emulated browsers dominate fraud at 69.6% but account for only 6.6% of scraping. Gift-card cracking has low divergence .03±.1 while 96.3% of distinct fingerprints are class-exclusive, illustrating that rare mutated fingerprints and dominant benign-like request values can coexist. Account-role breakdown separates disposable fake accounts from reused compromised accounts; at Finance C their mean fingerprint counts are 1.0 and 14.9 versus 2.6 for users. Thesis synthesis: stratify by attack/account role, use independently verified labels and compare request/device/account units separately before treating mutation, uniqueness or stability as malicious evidence.", "fa": "جدول X سهم اسکریپت را تصاحب ۸۴٫۲٪، حساب جعلی ۴۹٫۲٪، تقلب ۳۰٪، خزش ۹۳٫۴٪ و کارت هدیه ۹۷٫۵٪ می‌دهد؛ مرورگر شبیه‌سازی‌شده تقلب را با ۶۹٫۶٪ غالب می‌کند ولی خزش فقط ۶٫۶٪ دارد. کارت هدیه واگرایی کم .03±.1 ولی ۹۶٫۳٪ اثرانگشت متمایز انحصاری دارد؛ اثرانگشت متغیر نادر و درخواست غالب عادی‌مانند هم‌زمان ممکن‌اند. تفکیک نقش حساب، جعلی یک‌بارمصرف را از تسخیرشده استفاده‌مجدد جدا می‌کند؛ در Finance C میانگین اثرانگشت آنها ۱ و ۱۴٫۹ در برابر ۲٫۶ کاربر است. تحلیل برای تز: حمله/نقش حساب را تفکیک، برچسب مستقل تأیید و واحد درخواست/دستگاه/حساب را پیش از تفسیر تغییر، یکتایی یا ثبات به‌عنوان مخرب جدا کن.", "pages": [ 11, 12 ] } ], "figures": [ { "label": "Table IV", "page": 6, "caption": { "en": "Exact collection and distinct feature counts", "fa": "تعداد دقیق داده و مقادیر متفاوت" }, "insight": { "en": "Counts of distinct class-specific fingerprints overlap: benign 1,537,702,813 plus adversarial 162,303,779 exceeds combined 1,673,234,835. Do not equate raw requests, fingerprints, accounts and physical devices.", "fa": "تعداد اثرانگشت دو کلاس هم‌پوشانی دارد: عادی ۱۵۳۷۷۰۲۸۱۳ و خصمانه ۱۶۲۳۰۳۷۷۹ از ترکیبی ۱۶۷۳۲۳۴۸۳۵ بیشتر است. درخواست، اثرانگشت، حساب و دستگاه فیزیکی را مساوی ندان." }, "image": "figures/p-00fcd1b4467c-page-6-detail.webp" }, { "label": "Table V", "page": 8, "caption": { "en": "Divergence, missingness, entropy and unique rates", "fa": "واگرایی، غیبت، آنتروپی و نرخ یکتایی" }, "insight": { "en": "GPU/canvas missingness separates populations but early tab closure and legitimate crawlers also omit JavaScript. 'Unique' means class-exclusive, and the reported normalized-entropy scale is unresolved.", "fa": "غیبت GPU/canvas جمعیت را جدا می‌کند ولی بستن زودهنگام تب و خزنده مشروع نیز جاوااسکریپت ندارند. «یکتا» انحصار کلاس است و مقیاس آنتروپی نرمال حل‌نشده است." }, "image": "figures/p-00fcd1b4467c-page-8-detail.webp" }, { "label": "Figure 8", "page": 8, "caption": { "en": "Six-month fingerprint evolution per account", "fa": "تغییر شش‌ماهه اثرانگشت به‌ازای حساب" }, "insight": { "en": "Median fingerprints per benign account rise past 1.5 while adversarial remain near one, but account-role composition and disposable-account lifetime affect this comparison; compromised accounts are a different cohort.", "fa": "میانه اثرانگشت حساب عادی از ۱٫۵ عبور و خصمانه نزدیک یک می‌ماند، اما ترکیب نقش و عمر حساب یک‌بارمصرف مؤثر است؛ حساب تسخیرشده جمعیت متفاوتی است." }, "image": "figures/p-00fcd1b4467c-page-8-detail.webp" }, { "label": "Table X", "page": 11, "caption": { "en": "Attack-specific tool use and fingerprint distributions", "fa": "ابزار و توزیع اثرانگشت برای هر حمله" }, "insight": { "en": "Fraud uses 69.6% emulated-browser requests versus 6.6% scraping; gift-card cracking combines tiny divergence with many rare class-exclusive fingerprints. Attack-specific priors matter.", "fa": "تقلب ۶۹٫۶٪ درخواست مرورگر شبیه‌سازی‌شده در برابر خزش ۶٫۶٪ دارد؛ کارت هدیه واگرایی اندک و اثرانگشت نادر انحصاری دارد. پیش‌فرض وابسته به حمله مهم است." }, "image": "figures/p-00fcd1b4467c-page-11-detail.webp" } ], "limitations": [ { "en": "Private dataset and proprietary detector prevent full reproduction; detector labels can miss evasive bots.", "fa": "خصوصی بودن داده و آشکارساز اختصاصی بازتولید کامل را محدود می‌کند؛ بات فراری ممکن است عادی برچسب بخورد.", "pages": [ 2, 13 ] }, { "en": "Strategy/tool attribution is heuristic; missing features can reflect short benign visits.", "fa": "انتساب ابزار و راهبرد ابتکاری است؛ ویژگی غایب ممکن است ناشی از بازدید کوتاه عادی باشد.", "pages": [ 5, 8 ] }, { "en": "Commercial-site sampling and minimal privacy-browser traffic limit population generalization.", "fa": "نمونه سایت‌های تجاری و سهم ناچیز مرورگر حریم خصوصی تعمیم را محدود می‌کند.", "pages": [ 13 ] } ], "findings": [ { "en": "Browser Block+Randomize contributes 9.0% of adversarial requests but 60.3% of distinct adversarial fingerprints; request frequency and diversity answer different questions.", "fa": "Block+Randomize مرورگر ۹٪ درخواست خصمانه ولی ۶۰٫۳٪ اثرانگشت خصمانه متمایز دارد؛ فراوانی و تنوع پرسش متفاوت‌اند.", "pages": [ 9 ] }, { "en": "Combined cross-class divergence is 3.8±1.9 versus .5±.5 within benign and .2±.6 within adversarial; these are distribution comparisons, not classifier accuracies.", "fa": "واگرایی ترکیبی بین‌کلاس ۳٫۸±۱٫۹ در برابر .5±.5 عادی و .2±.6 خصمانه است؛ مقایسه توزیع است نه دقت طبقه‌بند.", "pages": [ 8 ] }, { "en": "Credential-stuffing probe accounts average 112.8 requests versus 1.3 for victim attempts; stable fingerprint binding dominates at 98.6% of requests.", "fa": "حساب probe آزمون اعتبارنامه میانگین ۱۱۲٫۸ درخواست در برابر ۱٫۳ تلاش قربانی دارد؛ اتصال ثابت اثرانگشت در ۹۸٫۶٪ درخواست غالب است.", "pages": [ 10, 11 ] }, { "en": "Gift-card cracking divergence .03±.1 coexists with 96.3% class-exclusive distinct fingerprints, showing why a distinct-value denominator cannot replace traffic weighting.", "fa": "واگرایی کارت هدیه .03±.1 با ۹۶٫۳٪ اثرانگشت متمایز انحصاری هم‌زمان است؛ مخرج مقدار متمایز جای وزن ترافیک را نمی‌گیرد.", "pages": [ 11, 12 ] } ], "thesisUse": { "en": "Our synthesis: use attack-stratified distributions and independent bot labels; measure spatial consistency plus temporal evolution rather than treating fingerprint uniqueness as a bot score.", "fa": "تحلیل ما برای تز: توزیع را برای هر حمله جدا و برچسب بات را مستقل تهیه کنید؛ سازگاری مکانی و تغییر زمانی را بسنجید و یکتایی اثرانگشت را مستقیماً امتیاز بات ندانید." }, "related": [ "p-79a8187df7aa", "p-df0b0b0c4107" ], "keywords": [ "adversarial fingerprints", "entropy", "evolution", "credential stuffing" ], "pdf": "papers/p-00fcd1b4467c.pdf", "pages": 16, "sha256": "00fcd1b4467c88470f9f1cfa51f3e931fe9b9f7fc9aa2c48873800d5dd1dcc55", "sourcePath": "سمینار\\2023 Him of Many Faces Characterizing Billion-scale Adversarial and Benign Browser Fingerprints on Commercial Websites. (NDSS).pdf", "duplicates": [ "مقالات\\Browser fingerprinting\\2023 Him of Many Faces Characterizing Billion-scale Adversarial and Benign Browser Fingerprints on Commercial Websites. (NDSS).pdf" ], "isNew": false }, { "id": "p-52bae580e935", "title": "Only Pay for What You Leak: Leveraging Sandboxes for a Minimally Invasive Browser Fingerprinting Defense", "titleFa": "فقط هزینه چیزی را بده که نشت می‌دهی: دفاع اثر انگشت با محفظه‌های ایزوله", "year": 2023, "authors": [ "Ryan Torok", "Amit Levy" ], "venue": "IEEE Symposium on Security and Privacy", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "defense", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Charging privacy budgets for every identifying API read breaks legitimate local computation. The paper separates sensitive data access from the entropy actually exposed outside the browser sandbox.", "fa": "کسر بودجه حریم خصوصی برای هر خواندن API شناسایی‌کننده، محاسبه محلی مشروع را مختل می‌کند. مقاله دسترسی به داده حساس را از آنتروپی واقعاً خارج‌شده از محفظه مرورگر جدا می‌کند." }, "idea": { "en": "Sandcastle permits full-fidelity sensitive computation in isolated code and DOM regions, while an entropy cashier charges only declared output and timing states. Outputs may be coarsened or randomized to fit a budget.", "fa": "Sandcastle محاسبه دقیق حساس را در کد و DOM ایزوله مجاز می‌کند و صندوق آنتروپی فقط حالت خروجی و زمان اعلام‌شده را حساب می‌کند. خروجی برای انطباق با بودجه می‌تواند درشت‌تر یا تصادفی شود." }, "result": { "en": "A Chromium prototype demonstrates local WebAudio use and reduced output noise. Overhead is roughly 60–70 ms for secret cliques up to 13, but approaches one second at clique size 20; this is not negligible for every workload.", "fa": "نمونه Chromium کاربرد محلی WebAudio و کاهش نویز خروجی را نشان می‌دهد. سربار برای گروه راز تا اندازه ۱۳ حدود ۶۰ تا ۷۰ میلی‌ثانیه است، اما در اندازه ۲۰ به نزدیک یک ثانیه می‌رسد؛ پس برای هر بارکاری ناچیز نیست." }, "sections": [ { "heading": { "en": "Privacy-budget problem", "fa": "مسئله بودجه حریم خصوصی" }, "en": "Fingerprinting budgets typically charge information returned from APIs even when it never leaves the client. Games, audio visualization and adaptive streaming may require precise hardware information locally while only transmitting a coarse decision.", "fa": "بودجه اثر انگشت معمولاً داده بازگشتی API را حتی اگر از کلاینت خارج نشود حساب می‌کند. بازی، نمایش صوت و پخش تطبیقی ممکن است محلی به اطلاعات دقیق سخت‌افزار نیاز داشته باشند، ولی تنها تصمیمی درشت به سرور بفرستند.", "pages": [ 1, 2, 3, 4 ] }, { "heading": { "en": "Isolation and threat model", "fa": "ایزولاسیون و تهدید" }, "en": "Untrusted page code can read sensitive browser APIs but must not leak those secrets through network requests or unrestricted DOM effects. The defense focuses on active API-based fingerprints; passive HTTP metadata and extension fingerprinting are outside its main protection scope.", "fa": "کد غیرقابل‌اعتماد صفحه می‌تواند API حساس را بخواند ولی نباید رازها را با شبکه یا اثر آزاد DOM نشت دهد. دفاع بر اثر انگشت فعال مبتنی بر API متمرکز است؛ فراداده منفعل HTTP و شناسایی افزونه بیرون از دامنه اصلی آن هستند.", "pages": [ 2, 3, 12 ] }, { "heading": { "en": "Sandbox and timing API", "fa": "API محفظه و زمان" }, "en": "Developers declare possible return values and time quanta, bounding both value and execution-time channels. The sandbox restricts network and caller-state access, rounds completion to declared times and accounts for timeout or undefined states.", "fa": "توسعه‌دهنده مقادیر بازگشت و بازه‌های زمان را اعلام می‌کند و کانال مقدار و زمان اجرا محدود می‌شود. محفظه دسترسی به شبکه و وضعیت فراخوان را محدود، پایان را به زمان اعلام‌شده گرد و حالت timeout یا undefined را حساب می‌کند.", "pages": [ 4, 5 ] }, { "heading": { "en": "DOM partitions and entropy cashier", "fa": "بخش‌بندی DOM و صندوق آنتروپی" }, "en": "Opaque origins allow bounded DOM regions to display high-entropy information without allowing the parent to inspect or transmit it. The cashier tracks accessed secrets and previous charges, while costing the minimum of what is known about source entropy and the declared exit-state entropy.", "fa": "مبدأهای مات، نمایش اطلاعات پُرآنتروپی را در ناحیه محدود DOM ممکن می‌کنند، بدون اینکه والد بتواند آن را بخواند یا منتقل کند. صندوق رازهای استفاده‌شده و هزینه قبلی را ردیابی می‌کند و حداقل آنتروپی منبع و حالت خروجی اعلام‌شده را منظور می‌کند.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "Prototype and example application", "fa": "نمونه و کاربرد نمایشی" }, "en": "A Chromium-based prototype wraps WebAudio fingerprint collection and a DJ visualization application. High-entropy channel data can remain visible inside the DOM sandbox while only an explicitly bounded result escapes; adapting existing apps requires restructuring sensitive code.", "fa": "نمونه مبتنی بر Chromium جمع‌آوری اثر انگشت WebAudio و برنامه نمایش DJ را محصور می‌کند. داده پُرآنتروپی کانال در DOM ایزوله قابل‌دیدن می‌ماند ولی تنها خروجی محدود صریح خارج می‌شود؛ سازگارکردن برنامه موجود به بازچینی کد حساس نیاز دارد.", "pages": [ 9, 10 ] }, { "heading": { "en": "Measured overhead and noise", "fa": "سربار و نویز اندازه‌گیری‌شده" }, "en": "Measurements use an HP Elitebook with an eight-logical-core i5, 16 GB RAM and Ubuntu 20.04, excluding deliberate timing sleeps from computation overhead. Clique sizes up to 13 cost about 60–70 ms, while 20 approaches one second; with two secrets, even 65,536 exit states remain below 40 ms, and a 16-bit exit can reduce noise by 56% for a 25-bit secret in the analyzed model.", "fa": "اندازه‌گیری روی Elitebook با i5 هشت هسته منطقی، رم ۱۶ گیگابایت و Ubuntu 20.04 انجام می‌شود و خواب عمدی زمان از سربار محاسبه حذف می‌شود. گروه راز تا ۱۳ حدود ۶۰ تا ۷۰ میلی‌ثانیه و اندازه ۲۰ نزدیک یک ثانیه هزینه دارد؛ با دو راز حتی ۶۵٬۵۳۶ حالت خروجی کمتر از ۴۰ میلی‌ثانیه است و خروجی ۱۶بیتی در مدل تحلیل‌شده برای راز ۲۵بیتی نویز را ۵۶٪ کم می‌کند.", "pages": [ 11, 12 ] }, { "heading": { "en": "Limits and thesis inference", "fa": "محدودیت و برداشت تز" }, "en": "The cashier can become expensive with large secret combinations, and developers must rewrite and debug applications around entropy boundaries. Thesis inference: test coarse, locally computed bot-risk outputs as an alternative to uploading raw high-entropy fingerprints; this is a proposed thesis direction, not an evaluated bot detector in the paper.", "fa": "صندوق با ترکیب‌های بزرگ راز پرهزینه می‌شود و توسعه‌دهنده باید برنامه را پیرامون مرز آنتروپی بازنویسی و اشکال‌زدایی کند. برداشت تز: خروجی درشت ریسک بات محاسبه‌شده محلی را جایگزین ارسال اثر انگشت خام پُرآنتروپی آزمایش کنید؛ این پیشنهاد تز است، نه آشکارساز بات ارزیابی‌شده مقاله.", "pages": [ 12, 13 ] }, { "en": "The cashier cannot safely attribute a joint output to individual secrets, so it records charges against sets and searches connected supersets for the minimum remaining saturation distance. Repeated observations can become free after the relevant set has been fully charged. Timing quantization and randomized outputs account for exit-state leakage; visible timeout and invalid-return errors otherwise impose a log2(3)-bit floor, requiring silent or randomized error handling for unlimited high-entropy calls.", "heading": { "en": "Set saturation and noisy errors", "fa": "اشباع مجموعه و خطاهای نویزی" }, "pages": [ 6, 7, 8, 15, 16, 17, 18 ], "fa": "صندوق نمی‌تواند خروجی مشترک را با اطمینان به هر راز نسبت دهد؛ هزینه را روی مجموعه ثبت می‌کند و در فرامجموعه‌های متصل، کمترین فاصله تا اشباع را می‌یابد. پس از پرداخت کل آنتروپی مجموعه، مشاهدهٔ تکراری می‌تواند رایگان شود. کوانتش زمان و خروجی تصادفی نشت حالت خروج را حساب می‌کنند؛ خطای آشکار زمان‌پایان و بازگشت نامعتبر کف log2(3) بیت ایجاد می‌کند و برای فراخوانی نامحدود باید خطا خاموش یا تصادفی شود." }, { "heading": { "en": "Noise scheduling and budget scope", "fa": "زمان‌بندی نویز و دامنهٔ بودجه" }, "en": "The noise model spends progressively less real entropy per logical output bit using exponential decay, rather than stopping useful computation abruptly. Removing early return-time quanta can preserve correct outputs while preventing an impossible noisy return into the past; remaining noise randomizes return values. Budgets must cover communication between origins and persist with storage that can link observations, otherwise attackers can combine separate budgets. Choosing the initial budget and accounting for passive HTTP leaks are outside Sandcastle's automatic guarantees.", "fa": "مدل نویز با افت نمایی برای هر بیت منطقی خروج، آنتروپی واقعی کمتری خرج می‌کند و محاسبهٔ مفید را ناگهان متوقف نمی‌کند. حذف کوانتای بازگشت زودهنگام می‌تواند خروجی درست را حفظ کند و بازگشت نویزی ناممکن به گذشته را ببندد؛ نویز باقی‌مانده مقدار خروج را تصادفی می‌کند. بودجه باید ارتباط میان مبدأها را پوشش دهد و همراه ذخیره‌سازی پیونددهنده پایدار بماند؛ وگرنه مهاجم بودجه‌های جدا را ترکیب می‌کند. انتخاب بودجهٔ اولیه و نشت غیرفعال HTTP جزو تضمین خودکار Sandcastle نیست.", "pages": [ 7, 8, 12, 13 ] } ], "findings": [ { "en": "Accessing identifying information need not imply transmitting its full identifying entropy.", "fa": "دسترسی به داده شناسایی‌کننده لزوماً به معنی انتقال تمام آنتروپی آن نیست.", "pages": [ 1, 2 ] }, { "en": "Timing and DOM side channels must be bounded alongside explicit return values.", "fa": "کانال جانبی زمان و DOM باید همراه مقدار بازگشت محدود شوند.", "pages": [ 5, 6 ] }, { "en": "Large secret cliques introduce nonlinear computation overhead.", "fa": "گروه بزرگ راز سربار محاسباتی غیرخطی ایجاد می‌کند.", "pages": [ 11 ] }, { "en": "The DJ example preserves client-side visualization without exporting the full audio fingerprint.", "fa": "مثال DJ نمایش محلی را بدون خروج کامل اثر انگشت صوتی حفظ می‌کند.", "pages": [ 10 ] } ], "limitations": [ { "en": "Passive network fingerprints and extension fingerprinting are outside the main defense.", "fa": "اثر انگشت منفعل شبکه و شناسایی افزونه خارج از دفاع اصلی‌اند.", "pages": [ 12 ] }, { "en": "Adoption requires changes to browser and application code.", "fa": "پذیرش نیازمند تغییر کد مرورگر و برنامه است.", "pages": [ 4, 12 ] }, { "en": "Benchmarks exclude programmer-selected sleeping, so total user-visible latency can be larger.", "fa": "بنچمارک خواب انتخابی برنامه‌نویس را حذف می‌کند و تأخیر قابل‌دیدن کاربر می‌تواند بیشتر باشد.", "pages": [ 11 ] } ], "figures": [ { "label": "Figure 2", "page": 6, "caption": { "en": "Opaque-origin DOM partitions.", "fa": "بخش‌بندی DOM با مبدأ مات." }, "insight": { "en": "Illustrates why visual output does not automatically become readable by page code.", "fa": "نشان می‌دهد چرا خروجی تصویری خودکار در دسترس کد صفحه نیست." }, "image": "figures/p-52bae580e935-page-6-detail.webp" }, { "label": "Figure 4", "page": 10, "caption": { "en": "Sandboxed DJ application's display regions.", "fa": "ناحیه نمایش محصور برنامه DJ." }, "insight": { "en": "A functional example, rather than a fleet-scale deployment evaluation.", "fa": "مثال عملکردی است، نه ارزیابی استقرار گسترده." }, "image": "figures/p-52bae580e935-page-10-detail.webp" }, { "label": "Figure 5", "page": 11, "caption": { "en": "Computation, allocation and noise measurements.", "fa": "اندازه‌گیری محاسبه، حافظه و نویز." }, "insight": { "en": "Different panels isolate clique and exit-state effects; include the high-clique cost.", "fa": "نمودارها اثر گروه راز و حالت خروجی را جدا می‌کنند؛ هزینه گروه بزرگ را نیز ببینید." }, "image": "figures/p-52bae580e935-page-11-detail.webp" }, { "label": "Figure 1", "page": 3, "caption": { "en": "Tor's rounded display area creates visible margins.", "fa": "گردکردن ابعاد نمایش در Tor حاشیهٔ قابل‌مشاهده ایجاد می‌کند." }, "insight": { "en": "Illustrates the functionality and appearance cost of globally suppressing an identifying feature. It motivates selective leakage accounting; it does not quantify Tor's anonymity.", "fa": "هزینهٔ ظاهر و کارکردِ محدودسازی عمومی ویژگی شناسایی‌کننده را نشان می‌دهد. انگیزهٔ حساب‌کردن نشت انتخابی است؛ ناشناسی Tor را اندازه نمی‌گیرد." }, "image": "figures/p-52bae580e935-page-3-detail.webp" }, { "label": "Figure 3", "page": 9, "caption": { "en": "Full WebAudio hash in an isolated DOM and a bounded value outside.", "fa": "هش کامل WebAudio در DOM جدا و مقدار محدود در بیرون." }, "insight": { "en": "Sandcastle preserves sensitive computation internally, while a four-bit exit can reveal only a coarse value externally. A sandbox does not make the raw fingerprint public without charge, and secrecy depends on actual DOM and network isolation.", "fa": "Sandcastle محاسبهٔ حساس را درون محفظه نگه می‌دارد و خروج چهار‌بیتی تنها مقدار درشت‌دانه را بیرون می‌دهد. اثر انگشت خام بی‌هزینه عمومی نمی‌شود؛ حفاظت به جداسازی واقعی DOM و شبکه وابسته است." }, "image": "figures/p-52bae580e935-page-9-detail.webp" }, { "label": "Figure 5(c)", "page": 11, "caption": { "en": "Allocation increases with the number of secrets in a sandbox.", "fa": "تخصیص حافظه با تعداد رازهای محفظه افزایش می‌یابد." }, "insight": { "en": "Secret bookkeeping remains small in this tested range; its memory curve must be distinguished from cashier CPU time, whose cost depends on graph connectivity and clique size.", "fa": "حافظهٔ ثبت راز در بازهٔ آزموده‌شده کوچک می‌ماند؛ آن را از زمان CPU صندوق جدا کنید که به اتصال گراف و اندازهٔ کلیک وابسته است." }, "image": "figures/p-52bae580e935-page-11-detail.webp" }, { "label": "Figure 5(d)", "page": 11, "caption": { "en": "Allocation grows approximately linearly with exit-state count.", "fa": "تخصیص حافظه تقریباً خطی با تعداد حالت‌های خروج رشد می‌کند." }, "insight": { "en": "More allowed outputs require a larger noisy-output distribution. Restricting the release alphabet can improve both privacy cost and memory, but the experiment is a synthetic exit-state benchmark.", "fa": "خروجی مجاز بیشتر، توزیع خروج نویزی بزرگ‌تری می‌طلبد. محدودکردن الفبای خروج می‌تواند هم هزینهٔ حریم خصوصی و هم حافظه را بهتر کند؛ آزمایش، بنچمارک مصنوعی حالت خروج است." }, "image": "figures/p-52bae580e935-page-11-detail.webp" }, { "label": "Figure 5(f)", "page": 11, "caption": { "en": "Noise reduction relative to leaking the full secret for different exit sizes.", "fa": "کاهش نویز نسبت به افشای کامل راز برای اندازه‌های خروج متفاوت." }, "insight": { "en": "Large secrets with small exit spaces obtain the greatest benefit: a 16-bit exit from a 25-bit secret reduces required noise by about 56% in the modeled setting. The metric is noise reduction, not a 56% privacy or detection improvement.", "fa": "راز بزرگ با فضای خروج کوچک بیشترین سود را دارد: خروج ۱۶بیتی از راز ۲۵بیتی در مدل حدود ۵۶٪ نویز لازم را کم می‌کند. معیار کاهش نویز است، نه بهبود ۵۶درصدی حریم خصوصی یا تشخیص." }, "image": "figures/p-52bae580e935-page-11-detail.webp" } ], "thesisUse": { "en": "Our synthesis: a principled design reference for local feature computation and bounded bot-risk disclosure, requiring a new bot-specific evaluation.", "fa": "تحلیل ما: مرجع طراحی محاسبه محلی ویژگی و افشای محدود ریسک بات است و به ارزیابی جدید مخصوص بات نیاز دارد." }, "related": [ "p-c17998dae976", "p-fccc1b4673c3" ], "keywords": [ "Sandcastle", "sandbox", "privacy budget", "entropy", "opaque origin", "timing channel" ], "reviewScope": { "en": "All substantive main-paper sections read; bibliography excluded.", "fa": "تمام بخش‌های اصلی مقاله بررسی شد؛ فهرست منابع مستثناست." }, "pdf": "papers/p-52bae580e935.pdf", "pages": 18, "sha256": "52bae580e9352bced1a53d64ba477801143ecc3b238a1925774902259dd10b7b", "sourcePath": "مقالات\\Browser fingerprinting\\2023 Only Pay for What You Leak Leveraging Sandboxes for a Minimally Invasive Browser Fingerprinting Defense (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "p-aaef6086b148", "title": "Rods with Laser Beams: Understanding Browser Fingerprinting on Phishing Pages", "titleFa": "میله‌های دارای پرتو لیزر: درک اثر انگشت مرورگر در صفحات فیشینگ", "year": 2023, "authors": [ "Iskander Sanchez-Rola", "Leyla Bilge", "Davide Balzarotti", "Armin Buescher", "Petros Efstathopoulos" ], "venue": "USENIX Security", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "measurement", "authentication", "evasion", "signals" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity23/presentation/sanchez-rola", "problem": { "en": "Phishers may collect fingerprints to cloak content or accompany stolen credentials. The paper measures prevalence, data destination and overlap with impersonated sites rather than assuming every API call proves an authentication-bypass attempt.", "fa": "فیشِر ممکن است اثر انگشت را برای پنهان‌سازی محتوا یا همراهی اعتبارنامه سرقت‌شده جمع کند. مقاله شیوع، مقصد داده و هم‌پوشانی با سایت جعل‌شده را اندازه می‌گیرد و هر فراخوانی API را شاهد قصد دورزدن احراز هویت نمی‌داند." }, "idea": { "en": "Instrument browser fingerprinting APIs, distinguish content-manipulation and data-harvesting intentions, compare targets, and cluster behavior signatures over a 21-month phishing corpus.", "fa": "APIهای اثر انگشت مرورگر ابزارگذاری می‌شوند؛ قصد تغییر محتوا و برداشت داده تفکیک، سایت هدف مقایسه و امضای رفتار در مجموعه فیشینگ ۲۱ماهه خوشه‌بندی می‌شود." }, "result": { "en": "Of 1,709,810 active phishing sites, 319,922 (18.7%) invoke fingerprinting APIs. Monthly prevalence rises from about 12% to 26.6%; the often quoted 'one in four' reflects late-period prevalence, not the full-period aggregate.", "fa": "از ۱٬۷۰۹٬۸۱۰ سایت فیشینگ فعال، ۳۱۹٬۹۲۲ سایت یا ۱۸٫۷٪ API اثر انگشت فراخوانی می‌کنند. شیوع ماهانه از حدود ۱۲٪ به ۲۶٫۶٪ می‌رسد؛ تعبیر «یک مورد از چهار» مربوط به اواخر دوره است، نه میانگین کل دوره." }, "sections": [ { "heading": { "en": "Research question", "fa": "پرسش پژوهش" }, "en": "Fingerprinting can help phishers evade analysis or increase the resale value of credentials. The study distinguishes measurement of observable behavior from proof of what an attacker later does with stolen fingerprints.", "fa": "اثر انگشت می‌تواند به فرار از تحلیل یا افزایش ارزش فروش اعتبارنامه کمک کند. مطالعه رفتار قابل‌مشاهده را از اثبات کاری که مهاجم بعداً با اثر انگشت سرقت‌شده می‌کند جدا می‌کند.", "pages": [ 2, 3, 4 ] }, { "heading": { "en": "Corpus and collection", "fa": "مجموعه و جمع‌آوری" }, "en": "The corpus covers 21 months beginning December 2020 and contains 1,709,810 active phishing sites supplied through a security company's ecosystem. Desktop-style automated visits preserve resources for later analysis but do not submit forms or exercise every interactive path. New feed entries are retrieved every 45 seconds, and perceptual screenshot hashes check that the crawled page still matches the reported phishing content. Brand labels do not identify the exact impersonated login URL, so two researchers manually locate legitimate login pages and instrument dummy-data interactions; this takes about a week. Phishing-side crawling omits form submission, making the two sides' interactive coverage asymmetric.", "fa": "مجموعه ۲۱ ماه از دسامبر ۲۰۲۰ را پوشش می‌دهد و ۱٬۷۰۹٬۸۱۰ سایت فعال از اکوسیستم شرکت امنیتی دارد. بازدید خودکار دسکتاپ منابع را برای تحلیل بعدی نگه می‌دارد ولی فرم نمی‌فرستد و همه مسیرهای تعاملی را اجرا نمی‌کند. ورودی جدید خوراک هر ۴۵ ثانیه دریافت می‌شود و هش ادراکی تصویر بررسی می‌کند صفحهٔ خزیده‌شده هنوز با محتوای فیشینگ گزارش‌شده منطبق باشد. برچسب برند نشانی دقیق ورود جعل‌شده را مشخص نمی‌کند؛ دو پژوهشگر صفحهٔ مشروع را دستی می‌یابند و تعامل با دادهٔ ساختگی را ابزارگذاری می‌کنند که حدود یک هفته وقت می‌گیرد. خزش سمت فیشینگ فرم را ارسال نمی‌کند و پوشش تعاملی دو طرف نامتقارن است.", "pages": [ 5, 6 ] }, { "heading": { "en": "APIs and behavioral intention", "fa": "API و قصد رفتاری" }, "en": "The instrumented pipeline monitors 109 functions, including 50 basic fingerprinting functions, and examines related requests, cookies and resource relationships. Intention categories are content manipulation, harvesting, or both; this contextual evidence is more informative than a bare API-count heuristic.", "fa": "زنجیره ابزارگذاری‌شده ۱۰۹ تابع، از جمله ۵۰ تابع پایه اثر انگشت، را پایش می‌کند و درخواست، کوکی و رابطه منابع را بررسی می‌کند. قصد به تغییر محتوا، برداشت یا هر دو تقسیم می‌شود؛ این شاهد زمینه‌ای از شمارش ساده API اطلاعات بیشتری دارد.", "pages": [ 5, 6, 7 ] }, { "heading": { "en": "Prevalence and denominators", "fa": "شیوع و مخرج‌ها" }, "en": "The full-period API prevalence is 18.7%, with 82.2% of fingerprinting sites calling at least three functions. The monthly rate grows from around 12% to 26.6%, and popular-page subsets reach 44.5%; these are different populations and must not be combined into one prevalence claim. Telemetry reports at least one encounter for 307,883 sites (22.2%); 24% of encountered pages fingerprint, compared with 18.7% of the overall corpus. Country information exists for only 77.6% of encountered sites because its collection started later. Anonymous telemetry supports encounter counts and geography, not unique-victim counts.", "fa": "شیوع API در کل دوره ۱۸٫۷٪ است و ۸۲٫۲٪ سایت‌های اثر انگشت دست‌کم سه تابع دارند. نرخ ماهانه از حدود ۱۲٪ به ۲۶٫۶٪ رشد می‌کند و زیرمجموعه صفحات محبوب به ۴۴٫۵٪ می‌رسد؛ جمعیت‌ها متفاوت‌اند و نباید به یک ادعای شیوع واحد تبدیل شوند. تله‌متری برای ۳۰۷۸۸۳ سایت، یعنی ۲۲٫۲٪، دست‌کم یک برخورد دارد؛ ۲۴٪ صفحات برخوردشده اثرانگشت‌گیری می‌کنند، در برابر ۱۸٫۷٪ کل مجموعه. اطلاعات کشور تنها برای ۷۷٫۶٪ سایت برخوردشده موجود است، چون جمع‌آوری آن دیرتر شروع شد. تله‌متری بی‌نام شمار برخورد و جغرافیا می‌دهد، نه تعداد قربانی یکتا.", "pages": [ 6, 7 ] }, { "heading": { "en": "Actors and target comparison", "fa": "عامل‌ها و مقایسه هدف" }, "en": "Among the 319,922 fingerprinting sites, 104,279 (32.6%) use content manipulation, 101,030 (31.6%) harvesting, and 114,613 (35.8%) both. Target comparison finds complete basic/advanced fingerprint overlap for 20% of examined phishing pages and at least one matching phishing page for 29.1% of targets, which is opportunity evidence rather than proof of later credential misuse.", "fa": "از ۳۱۹٬۹۲۲ سایت اثر انگشت، ۱۰۴٬۲۷۹ یا ۳۲٫۶٪ تغییر محتوا، ۱۰۱٬۰۳۰ یا ۳۱٫۶٪ برداشت و ۱۱۴٬۶۱۳ یا ۳۵٫۸٪ هر دو را دارند. مقایسه هدف هم‌پوشانی کامل ویژگی پایه و پیشرفته را برای ۲۰٪ صفحات بررسی‌شده و دست‌کم یک صفحه منطبق را برای ۲۹٫۱٪ هدف‌ها می‌یابد؛ این شاهد فرصت حمله است، نه اثبات سوءاستفاده بعدی.", "pages": [ 7, 10, 11 ] }, { "heading": { "en": "Fingerprint families and clustering", "fa": "خانواده اثر انگشت و خوشه‌بندی" }, "en": "User-Agent dominates basic collection, while canvas, WebGL and audio appear in advanced behavior. Behavioral signatures produce 603 clusters, exposing repeated strategies across brands; resource origin analysis separates first-party collection from inherited third-party trackers.", "fa": "User-Agent در جمع‌آوری پایه غالب است و canvas، WebGL و صوت در رفتار پیشرفته دیده می‌شوند. امضاهای رفتاری ۶۰۳ خوشه می‌سازند و راهبرد تکرارشده میان برندها را آشکار می‌کنند؛ تحلیل منشأ منابع، جمع‌آوری طرف اول را از ردیاب طرف سوم جدا می‌کند.", "pages": [ 8, 9, 12, 13 ] }, { "heading": { "en": "Limits and thesis synthesis", "fa": "محدودیت و برداشت تز" }, "en": "Inactive or cloaked pages and unexecuted interactive paths can hide collection, while matching target attributes alone cannot establish attacker intent. Thesis inference: evaluate fingerprint-based bot defense against malicious collectors and replay, and label API harvesting separately from actual bot-detection decisions.", "fa": "صفحه غیرفعال یا پنهان‌شده و مسیر تعاملی اجرا‌نشده جمع‌آوری را پنهان می‌کند و تطبیق ویژگی هدف به‌تنهایی قصد مهاجم را اثبات نمی‌کند. برداشت تز: دفاع بات مبتنی بر اثر انگشت را در برابر جمع‌آورنده مخرب و بازپخش بسنجید و برداشت API را از تصمیم واقعی تشخیص بات جدا برچسب بزنید.", "pages": [ 5, 14 ] }, { "heading": { "en": "Monitoring validation and attribution limits", "fa": "اعتبارسنجی پایش و محدودیت انتساب" }, "en": "The crawler logs 109 APIs (50 basic, 59 advanced), network requests, cookies, DOM changes and CDP stack traces. In a random 1,000-page comparison, 728 pages invoked relevant APIs; original OpenWPM missed calls on 348 of them, but adding the missing APIs aligned both systems on all 2,092 observed calls. Intent is inferred from script identity, event order and parent/shared-parent resource relationships, rather than complete information-flow proof.", "fa": "خزنده ۱۰۹ API (۵۰ پایه و ۵۹ پیشرفته)، درخواست شبکه، کوکی، تغییر DOM و پشتهٔ CDP را ثبت می‌کند. در مقایسهٔ تصادفی ۱۰۰۰ صفحه، ۷۲۸ صفحه API مرتبط داشتند؛ OpenWPM اولیه در ۳۴۸ مورد فراخوانی را از دست داد، اما افزودن APIهای غایب هر دو را روی تمام ۲۰۹۲ فراخوانی مشاهده‌شده همسان کرد. قصد از هویت اسکریپت، ترتیب رخداد و رابطهٔ والد/والد مشترک منابع استنتاج می‌شود، نه اثبات کامل جریان اطلاعات.", "pages": [ 5, 6 ] }, { "heading": { "en": "Campaign mechanisms and case studies", "fa": "سازوکار کارزار و مطالعات موردی" }, "en": "Heavy-fingerprinting signatures require at least ten distinct functions including an advanced one, exclude entirely third-party collections, and hash ordered function/callee pairs. There are 603 repeated signatures, 32 spanning multiple brands; 490 clusters send requests, 72.7% of those use GET, and every cluster harvests to its own domain. Manual analysis contrasts a 31-function, 15-brand cloaking campaign using purchased look-alike domains with a 27-function campaign relying on trackers and free hosting; apparent group identity remains an inference. In the first manually examined campaign, 30 of 34 calls are used for content manipulation, and language-based redirects, purchased look-alike domains, and sequential brand targeting support a more deliberate cloaking operation. The second uses repeated canvas probes, overlapping targets, free website-builder subdomains, and largely tracker-sourced collection. Manual reverse engineering confirms strong code similarity within the studied samples, but does not establish who subsequently buys or replays the collected data.", "fa": "امضای پراثر‌انگشت دست‌کم ده تابع شامل یک مورد پیشرفته می‌خواهد، جمع‌آوری کاملاً طرف‌سوم را حذف و زوج مرتب تابع/فراخوان را هش می‌کند. ۶۰۳ امضای تکراری وجود دارد و ۳۲ امضا چند برند را پوشش می‌دهند؛ ۴۹۰ خوشه درخواست می‌فرستند و ۷۲٫۷٪ آن‌ها GET است؛ تمام خوشه‌ها داده را به دامنهٔ خود می‌فرستند. تحلیل دستی کارزار پنهان‌سازی ۳۱تابعی/۱۵برندی با دامنهٔ مشابه خریداری‌شده را با کارزار ۲۷تابعی متکی به ردیاب و میزبان رایگان مقایسه می‌کند؛ هویت گروه همچنان استنتاج است. در کارزار نخست بررسی‌شدهٔ دستی، ۳۰ از ۳۴ فراخوانی برای دست‌کاری محتواست؛ هدایت بر مبنای زبان، دامنهٔ مشابه خریداری‌شده و هدف‌گیری ترتیبی برند، عملیات پنهان‌سازی حساب‌شده‌تر را نشان می‌دهد. کارزار دوم کاوش تکراری canvas، هدف هم‌زمان، زیردامنهٔ رایگان سازندهٔ سایت و جمع‌آوری عمدتاً مبتنی بر ردیاب دارد. مهندسی معکوس، شباهت قوی کد نمونه‌های بررسی‌شده را تأیید می‌کند، اما خریدار یا بازپخش‌کنندهٔ بعدی داده را مشخص نمی‌کند.", "pages": [ 11, 12, 13, 14 ] } ], "findings": [ { "en": "18.7% is the aggregate observed rate; 26.6% describes the late monthly rate.", "fa": "۱۸٫۷٪ نرخ مشاهده‌شده کل است؛ ۲۶٫۶٪ نرخ ماهانه انتهای دوره است.", "pages": [ 6, 7 ] }, { "en": "Observed fingerprinting serves both manipulation and harvesting.", "fa": "اثر انگشت مشاهده‌شده هم برای تغییر محتوا و هم برداشت داده به کار می‌رود.", "pages": [ 7 ] }, { "en": "Target feature matching is evidence of capability, not proof of a successful bypass.", "fa": "تطبیق ویژگی هدف شاهد توانایی است، نه اثبات دورزدن موفق.", "pages": [ 11, 14 ] }, { "en": "603 signatures group repeated high-fingerprinting behavior.", "fa": "۶۰۳ امضا رفتار تکراری با اثر انگشت گسترده را گروه می‌کنند.", "pages": [ 12 ] }, { "en": "The target-matching subset contains 368 legitimate login pages and 218,611 phishing pages: 43,581 phishing pages (20%) cover every target API, while 142,384 (65.1%) collect extra APIs. Matching does not establish replay success.", "fa": "زیرمجموعهٔ تطبیق هدف شامل ۳۶۸ صفحهٔ ورود معتبر و ۲۱۸٬۶۱۱ صفحهٔ فیشینگ است: ۴۳٬۵۸۱ صفحه (۲۰٪) همهٔ APIهای هدف را پوشش می‌دهد و ۱۴۲٬۳۸۴ صفحه (۶۵٫۱٪) API اضافی دارد. تطبیق موفقیت بازپخش را اثبات نمی‌کند.", "pages": [ 10, 11 ] } ], "limitations": [ { "en": "Automated visits omit form submission and may miss interaction-triggered collection.", "fa": "بازدید خودکار ارسال فرم ندارد و ممکن است جمع‌آوری ناشی از تعامل را نبیند.", "pages": [ 5 ] }, { "en": "The security-provider corpus and telemetry are not an unbiased sample of all phishing.", "fa": "مجموعه و تله‌متری ارائه‌دهنده امنیتی نمونه بی‌طرف همه فیشینگ‌ها نیست.", "pages": [ 5, 7 ] }, { "en": "Matching attributes cannot conclusively establish intent to steal a fingerprint for authentication replay.", "fa": "تطبیق ویژگی قصد سرقت اثر انگشت برای بازپخش احراز هویت را قطعی نمی‌کند.", "pages": [ 14 ] }, { "en": "Some textual percentages have unclear denominators: 307,883 telemetry-encountered sites are described as 22.2%, which does not equal their fraction of 1,709,810 total active sites. Preserve counts and avoid inferring a missing denominator; signature thresholds also do not prove common ownership.", "fa": "مخرج برخی درصدهای متن روشن نیست: ۳۰۷٬۸۸۳ سایت دیده‌شده در تله‌متری ۲۲٫۲٪ معرفی شده که سهم آن از کل ۱٬۷۰۹٬۸۱۰ سایت نیست. تعدادها حفظ شود و مخرج غایب حدس زده نشود؛ آستانهٔ امضا نیز مالک مشترک را اثبات نمی‌کند.", "pages": [ 7, 12 ] } ], "figures": [ { "label": "Figure 1", "page": 6, "caption": { "en": "Monthly fingerprinting prevalence.", "fa": "شیوع ماهانه اثر انگشت." }, "insight": { "en": "Separates growth over time from the aggregate 18.7% rate.", "fa": "رشد زمانی را از نرخ تجمیعی ۱۸٫۷٪ جدا می‌کند." }, "image": "figures/p-aaef6086b148-page-6-detail.webp" }, { "label": "Table 1", "page": 7, "caption": { "en": "Actors and fingerprinting intentions.", "fa": "عامل‌ها و قصدهای اثر انگشت." }, "insight": { "en": "Contextualizes first-party and third-party behavior.", "fa": "رفتار طرف اول و سوم را زمینه‌مند می‌کند." }, "image": "figures/p-aaef6086b148-page-7-detail.webp" }, { "label": "Figure 5", "page": 12, "caption": { "en": "Monthly activity of behavior clusters.", "fa": "فعالیت ماهانه خوشه رفتار." }, "insight": { "en": "Repeated signatures suggest shared infrastructure but not definitive actor identity.", "fa": "امضای تکراری زیرساخت مشترک را پیشنهاد می‌کند ولی هویت عامل را قطعی نمی‌کند." }, "image": "figures/p-aaef6086b148-page-12-detail.webp" }, { "label": "Tables 7–8", "page": 11, "caption": { "en": "Missing target APIs and additional phishing APIs.", "fa": "APIهای غایب هدف و اضافی فیشینگ." }, "insight": { "en": "A superset may support impersonation, but activity is not direct evidence of authentication use.", "fa": "مجموعهٔ فراتر می‌تواند جعل را ممکن کند، ولی فعالیت شاهد مستقیم کاربرد احراز هویت نیست." }, "image": "figures/p-aaef6086b148-page-11-detail.webp" }, { "label": "Figure 2", "page": 7, "caption": { "en": "CDF of distinct fingerprinting-function counts for mobile-only, PC-only, and mixed encountered sites.", "fa": "توزیع تجمعی شمار توابع متمایز اثرانگشت‌گیری برای سایت برخوردشدهٔ فقط موبایل، فقط رایانه و مختلط." }, "insight": { "en": "Mean counts are 5.9, 8.2, and 6.3 respectively. These groups come from opt-in telemetry encounters, not a controlled device experiment; an association with sophistication or success does not establish causality.", "fa": "میانگین‌ها به‌ترتیب ۵٫۹، ۸٫۲ و ۶٫۳ است. گروه‌ها از برخورد تله‌متری رضایت‌داده‌شده‌اند، نه آزمایش کنترل‌شدهٔ دستگاه؛ ارتباط با پیچیدگی یا موفقیت علت را ثابت نمی‌کند." }, "image": "figures/p-aaef6086b148-page-7-detail.webp" }, { "label": "Figure 3", "page": 8, "caption": { "en": "Overlap of common fingerprinting trackers between legitimate targets and phishing pages.", "fa": "هم‌پوشانی ردیاب‌های رایج اثرانگشت‌گیری میان هدف مشروع و صفحهٔ فیشینگ." }, "insight": { "en": "Google, Facebook, Microsoft and others appear in both, while some less common services are concentrated in phishing pages. A tracker domain alone is therefore neither a malicious-bot label nor proof that its operator knowingly assists phishing.", "fa": "Google، Facebook، Microsoft و دیگران در هر دو هستند و برخی سرویس کم‌رواج در فیشینگ برجسته‌اند. دامنهٔ ردیاب به‌تنهایی نه برچسب بات مخرب است و نه اثبات همکاری آگاهانهٔ گرداننده با فیشینگ." }, "image": "figures/p-aaef6086b148-page-8-detail.webp" }, { "label": "Table 3", "page": 9, "caption": { "en": "Frequently invoked advanced fingerprinting functions in newly added phishing code.", "fa": "توابع پیشرفتهٔ پرکاربرد اثرانگشت‌گیری در کد تازه‌افزودهٔ فیشینگ." }, "insight": { "en": "Canvas creation appears on 12,014 sites and image export on 7,943; WebGL, audio, layout rectangles, and WebRTC also appear. Creating canvas alone is weaker evidence than exporting a fingerprint and correlating its later use; these counts concern new code rather than copied target scripts.", "fa": "ساخت canvas در ۱۲۰۱۴ سایت و خروج تصویر در ۷۹۴۳ دیده می‌شود؛ WebGL، صدا، مستطیل چیدمان و WebRTC نیز هست. ساخت canvas به‌تنهایی شاهد ضعیف‌تری از خروج اثر انگشت و ارتباط با کاربرد بعدی است؛ شمارش دربارهٔ کد جدید است، نه اسکریپت کپی‌شدهٔ هدف." }, "image": "figures/p-aaef6086b148-page-9-detail.webp" }, { "label": "Table 9", "page": 12, "caption": { "en": "The five most prevalent repeated ordered API/callee signatures and their targets.", "fa": "پنج امضای تکراری پررواجِ توابع/فراخوانده‌ها و هدف‌هایشان." }, "insight": { "en": "The largest listed signature uses 31 functions across 15 targets in 7 categories, showing cross-brand reuse. Signatures group behavior and code provenance; common kits, trackers, or website builders can confound attribution to a single attacker group.", "fa": "بزرگ‌ترین امضای فهرست‌شده ۳۱ تابع را در ۱۵ هدف و هفت دسته به‌کار می‌برد و بازاستفادهٔ میان برند را نشان می‌دهد. امضا رفتار و منشأ کد را گروه می‌کند؛ کیت، ردیاب یا سازندهٔ سایت مشترک می‌تواند انتساب به یک گروه را مخدوش کند." }, "image": "figures/p-aaef6086b148-page-12-detail.webp" } ], "thesisUse": { "en": "Our synthesis: empirical evidence that fingerprints are attacker-accessible assets; include harvesting/replay risks when motivating privacy-aware anti-bot design.", "fa": "تحلیل ما: شاهد تجربی است که اثر انگشت دارایی در دسترس مهاجم است؛ ریسک برداشت و بازپخش را در انگیزه طراحی ضدبات حافظ حریم خصوصی وارد کنید." }, "related": [ "p-4e9a4185f215", "p-79a8187df7aa" ], "keywords": [ "phishing", "fingerprint harvesting", "content manipulation", "cloaking", "behavior signature" ], "reviewScope": { "en": "All substantive main sections and Appendix A read; bibliography excluded.", "fa": "تمام بخش‌های اصلی و پیوست A خوانده شد؛ منابع مستثناست." }, "pdf": "papers/p-aaef6086b148.pdf", "pages": 18, "sha256": "aaef6086b1484b71112fdfd1271ed9af0c03065335b6879cd863e42a9eea044c", "sourcePath": "مقالات\\Browser fingerprinting\\2023 Rods with laser beams understanding browser fingerprinting on phishing pages (USENIX Security).pdf", "duplicates": [], "isNew": false }, { "id": "new-automated-traffic", "title": "Automated Detection of Automated Traffic", "titleFa": "تشخیص خودکار ترافیک خودکار", "year": 2022, "authors": [ "Cormac Herley" ], "venue": "USENIX Security 2022", "kind": "paper", "domains": [ "bots" ], "topics": [ "detection", "behavior", "network" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity22/presentation/herley", "problem": { "en": "No reliable traffic labels.", "fa": "نبود برچسب قابل‌اتکا." }, "idea": { "en": "PROS estimates benign categorical distributions.", "fa": "PROS توزیع دسته‌ای سالم را تخمین می‌زند." }, "result": { "en": "Web-log lower-bound AUC: 0.877 versus 0.532 Isolation Forest.", "fa": "کران پایین AUC لاگ: ۰٫۸۷۷ دربرابر ۰٫۵۳۲ جنگل جداسازی." }, "sections": [ { "heading": { "en": "Assumptions", "fa": "فرض‌ها" }, "en": "Clean bins and conditional independence.", "fa": "بازهٔ سالم و استقلال شرطی.", "pages": [ 5, 7 ] }, { "heading": { "en": "Algorithm", "fa": "الگوریتم" }, "en": "Pivot; seek rank-one submatrices.", "fa": "محوربندی؛ یافتن زیرماتریس رتبه‌یک.", "pages": [ 8, 9 ] }, { "heading": { "en": "Ranking", "fa": "رتبه‌بندی" }, "en": "Ordering is invariant to assumed abuse rate.", "fa": "ترتیب مستقل از نرخ فرضی سوءاستفاده.", "pages": [ 6 ] }, { "heading": { "en": "Web data", "fa": "دادهٔ وب" }, "en": "Three million requests; 39.1% proxy-positive labels.", "fa": "سه میلیون درخواست؛ ۳۹٫۱٪ برچسب مثبت جانشین.", "pages": [ 10, 11 ] }, { "heading": { "en": "Twitter", "fa": "توییتر" }, "en": "5.1 million profiles; two purchased-follower account tests.", "fa": "۵٫۱ میلیون پروفایل؛ آزمون دو حساب خریدار دنبال‌کننده.", "pages": [ 12, 14 ] }, { "heading": { "en": "Outcomes", "fa": "نتایج" }, "en": "Account AUCs 0.795/0.811; Botometer 0.792/0.708.", "fa": "AUC حساب‌ها ۰٫۷۹۵/۰٫۸۱۱؛ Botometer برابر ۰٫۷۹۲/۰٫۷۰۸.", "pages": [ 14 ] } ], "findings": [ { "en": "Rules expose coordinated clusters.", "fa": "قواعد خوشه‌های هماهنگ را آشکار می‌کنند.", "pages": [ 14, 15, 16 ] } ], "limitations": [ { "en": "Needs volume; small abuse resembles sampling noise.", "fa": "نیازمند حجم؛ سوءاستفادهٔ کم شبیه نویز نمونه‌گیری.", "pages": [ 18 ] } ], "figures": [ { "label": "Figure 1", "page": 10, "caption": { "en": "Bounded ROC.", "fa": "ROC کران‌دار." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-automated-traffic-page-10-detail.webp" }, { "label": "Figure 3", "page": 15, "caption": { "en": "Two account comparisons.", "fa": "مقایسهٔ دو حساب." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-automated-traffic-page-15-detail.webp" } ], "thesisUse": { "en": "Our proposal: use PROS as a server-side baseline alongside client fingerprint consistency and behavioral classifiers. Audit independence assumptions with held-out benign populations; report proxy-label uncertainty and detection delay rather than treating scores as calibrated probabilities.", "fa": "پیشنهاد ما: PROS را مبنای سمت سرور کنار سازگاری اثرانگشت و طبقه‌بندی رفتاری قرار دهید. استقلال شرطی را با جمعیت سالم کنارگذاشته‌شده بررسی کنید؛ عدم‌قطعیت برچسب جانشین و تأخیر تشخیص را گزارش کنید و امتیاز را احتمال کالیبره فرض نکنید." }, "related": [ "p-c3d94881585e", "new-becaptcha-mouse" ], "keywords": [ "categorical features", "conditional independence", "PROS" ], "contentPolicy": "Combined bilingual source-derived summary below 200 words.", "pdf": "papers/new-automated-traffic.pdf", "pages": 19, "sha256": "226a1858a01d03e6ff129fe645f12e1e6e20eb961b72e303785085f12f14f65e", "duplicates": [], "downloadUrl": "https://www.usenix.org/system/files/sec22-herley.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-becaptcha-mouse", "title": "BeCAPTCHA-Mouse: Synthetic mouse trajectories and improved bot detection", "titleFa": "BeCAPTCHA-Mouse: مسیرهای مصنوعی ماوس و تشخیص بهتر بات", "year": 2022, "authors": [ "Alejandro Acien", "Aythami Morales", "Julian Fierrez", "Ruben Vera-Rodriguez" ], "venue": "Pattern Recognition 127, 108643", "kind": "paper", "domains": [ "bots" ], "topics": [ "behavior", "detection", "evasion" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1016/j.patcog.2022.108643", "problem": { "en": "Realistic synthetic cursor attacks.", "fa": "حملهٔ مسیر مصنوعی واقع‌نما." }, "idea": { "en": "Neuromotor features plus synthetic training.", "fa": "ویژگی عصبی‌حرکتی و آموزش مصنوعی." }, "result": { "en": "Combined-generator RF accuracy 98.7% (Table 6).", "fa": "دقت RF با مولد ترکیبی ۹۸٫۷٪ (جدول ۶)." }, "sections": [ { "heading": { "en": "Model", "fa": "مدل" }, "en": "Sigma-Lognormal produces 37 features; add six global features.", "fa": "Sigma-Lognormal: ۳۷ ویژگی؛ افزودن شش ویژگی کلی.", "pages": [ 5, 6, 7 ] }, { "heading": { "en": "Generators", "fa": "مولدها" }, "en": "Shape/velocity functions, GAN, TGAN.", "fa": "توابع شکل/سرعت، GAN، TGAN.", "pages": [ 6, 7 ] }, { "heading": { "en": "Benchmark", "fa": "محک" }, "en": "58 users; 5K human plus 10K synthetic trajectories.", "fa": "۵۸ کاربر؛ ۵هزار مسیر انسانی و ۱۰هزار مصنوعی.", "pages": [ 7, 8 ] }, { "heading": { "en": "Protocol", "fa": "پروتکل" }, "en": "Random 70/30 split; five repetitions.", "fa": "تقسیم تصادفی ۷۰/۳۰؛ پنج تکرار.", "pages": [ 8 ] }, { "heading": { "en": "Generalization", "fa": "تعمیم" }, "en": "Cross-generator training: only 51.6–65.8% accuracy.", "fa": "آموزش میان‌مولدی: دقت فقط ۵۱٫۶–۶۵٫۸٪.", "pages": [ 9 ] }, { "heading": { "en": "Ablation", "fa": "تحلیل‌حذف" }, "en": "Short movements provide less neuromotor evidence.", "fa": "حرکت کوتاه شاهد عصبی‌حرکتی کمتری دارد.", "pages": [ 10 ] } ], "findings": [ { "en": "Human-only models remain below 70%.", "fa": "مدل صرفاً انسانی زیر ۷۰٪.", "pages": [ 9 ] } ], "limitations": [ { "en": "Synthetic attacks; mouse devices, not touchpads.", "fa": "حملات مصنوعی؛ ماوس، نه تاچ‌پد.", "pages": [ 11 ] } ], "figures": [ { "label": "Figure 3", "page": 5, "caption": { "en": "Human versus synthetic decomposition.", "fa": "تجزیهٔ انسان و مصنوعی." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-becaptcha-mouse-page-5-detail.webp" }, { "label": "Table 4", "page": 9, "caption": { "en": "Generator-transfer failure.", "fa": "شکست انتقال مولد." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-becaptcha-mouse-page-9-detail.webp" } ], "thesisUse": { "en": "Our proposal: combine mouse evidence with fingerprint consistency, while keeping identity recognition separate. Reserve entire users, sites, and unseen generators for testing; measure low-FPR performance and accessibility before using a classifier to block sessions.", "fa": "پیشنهاد ما: شاهد ماوس را با سازگاری اثرانگشت ترکیب کنید و شناسایی هویت را جدا نگه دارید. کاربران، سایت‌ها و مولدهای ندیده را کامل برای آزمون کنار بگذارید؛ عملکرد در مثبت کاذب کم و دسترس‌پذیری را پیش از مسدودسازی بسنجید." }, "related": [ "new-automated-traffic", "new-see-thesis" ], "keywords": [ "mouse dynamics", "Sigma-Lognormal", "GAN", "generator shift" ], "contentPolicy": "Combined bilingual source-derived summary below 200 words.", "pdf": "papers/new-becaptcha-mouse.pdf", "pages": 13, "sha256": "054821f80e4f6a3e59632d1891a039b75a19cd625ed5c2669ba4df8c997a7231", "duplicates": [], "downloadUrl": "https://biometrics.eps.uam.es/fierrez/files/2022_PR_BeCAPTCHA-Mouse_Acien.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "new-drawnapart", "title": "DRAWNAPART: A Device Identification Technique based on Remote GPU Fingerprinting", "titleFa": "DRAWNAPART: شناسایی دستگاه بر پایهٔ اثرانگشت راه‌دور GPU", "year": 2022, "authors": [ "Tomer Laor", "Naif Mehanna", "Antonin Durey", "Vitaly Dyadyuk", "Pierre Laperdrix", "Clémentine Maurice", "Yossi Oren", "Romain Rouvoy", "Walter Rudametkin", "Yuval Yarom" ], "venue": "NDSS 2022", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "hardware", "signals", "measurement", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2201.09956", "problem": { "en": "Distinguish nominally identical GPUs.", "fa": "تمایز GPUهای ظاهراً یکسان." }, "idea": { "en": "Time execution-unit workloads.", "fa": "زمان‌سنجی بار واحد اجرایی." }, "result": { "en": "Weekly tracking: 17.5→28 median days.", "fa": "ردیابی هفتگی: میانه ۱۷٫۵←۲۸ روز." }, "sections": [ { "heading": { "en": "", "fa": "" }, "en": "Unprivileged JavaScript/WebGL; device identity, not bot labels.", "fa": "JavaScript/WebGL بی‌مجوز؛ هویت دستگاه، نه بات.", "pages": [ 1, 3 ] }, { "heading": { "en": "", "fa": "" }, "en": "Onscreen, offscreen, GPU timers.", "fa": "تایمر روی‌صفحه، خارج‌صفحه، GPU.", "pages": [ 6, 7 ] }, { "heading": { "en": "", "fa": "" }, "en": "Random forests; CNN/triplet embeddings.", "fa": "جنگل تصادفی؛ نمایش CNN/سه‌تایی.", "pages": [ 5, 9 ] }, { "heading": { "en": "", "fa": "" }, "en": "2,550 devices, 370,392 fingerprints, seven months.", "fa": "۲۵۵۰ دستگاه، ۳۷۰۳۹۲ اثرانگشت، هفت ماه.", "pages": [ 8, 9 ] }, { "heading": { "en": "", "fa": "" }, "en": "2MP one-shot top-1: 5.44%, baseline 0.05%.", "fa": "رتبه‌اول تک‌نمونهٔ 2MP: ۵٫۴۴٪، مبنا ۰٫۰۵٪.", "pages": [ 10 ] }, { "heading": { "en": "", "fa": "" }, "en": "Reboots and browser updates degrade identification.", "fa": "راه‌اندازی مجدد و به‌روزرسانی شناسایی را تضعیف می‌کند.", "pages": [ 13 ] } ], "findings": [ { "en": "Six-day collection: tracking gain 66.66%.", "fa": "جمع‌آوری شش‌روزه: افزایش ردیابی ۶۶٫۶۶٪.", "pages": [ 12 ] } ], "limitations": [ { "en": "Root cause uncertain; timing is noisy.", "fa": "علت بنیادی نامطمئن؛ زمان‌سنجی نویزی.", "pages": [ 13 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Parallel rendering isolates execution units.", "fa": "رندر موازی واحدهای اجرایی را جدا می‌کند." }, "insight": { "en": "Slow units dominate measured time.", "fa": "واحد کند زمان اندازه‌گیری را تعیین می‌کند." }, "analysis": { "en": "Our analysis: repeat this measurement under competing GPU workloads. A bot classifier must distinguish contention from automation.", "fa": "تحلیل ما: اندازه‌گیری را زیر بار رقیب GPU تکرار کنید. طبقه‌بند بات باید رقابت منابع را از خودکارسازی جدا کند." }, "image": "figures/new-drawnapart-page-3-detail.webp" }, { "label": "Table I", "page": 6, "caption": { "en": "Identification accuracy varies across device classes.", "fa": "دقت شناسایی میان کلاس‌های دستگاه متفاوت است." }, "insight": { "en": "Compare accuracy with class-specific baselines.", "fa": "دقت را با مبنای همان کلاس بسنجید." }, "analysis": { "en": "Our analysis: aggregate accuracy can hide unsupported hardware groups. Report per-class coverage and abstain when evidence is insufficient.", "fa": "تحلیل ما: دقت تجمیعی گروه سخت‌افزاری پشتیبانی‌نشده را پنهان می‌کند. پوشش هر کلاس را گزارش و با شاهد ناکافی از تصمیم پرهیز کنید." }, "image": "figures/new-drawnapart-page-6-detail.webp" }, { "label": "Figure 3", "page": 8, "caption": { "en": "Longer capture improves identification.", "fa": "جمع‌آوری طولانی‌تر شناسایی را بهتر می‌کند." }, "insight": { "en": "Gains level off near two seconds.", "fa": "افزایش نزدیک دو ثانیه اشباع می‌شود." }, "analysis": { "en": "Our analysis: evaluate user-visible delay alongside accuracy. Repeat the curve for modern devices before selecting a capture budget.", "fa": "تحلیل ما: تأخیر محسوس کاربر را کنار دقت بسنجید. پیش از تعیین بودجهٔ جمع‌آوری، منحنی را روی دستگاه جدید تکرار کنید." }, "image": "figures/new-drawnapart-page-8-detail.webp" }, { "label": "Table II", "page": 10, "caption": { "en": "Few-shot recognition is weaker.", "fa": "شناسایی کم‌نمونه ضعیف‌تر است." }, "insight": { "en": "One-shot top-1 reaches 5.44%.", "fa": "رتبه‌اول تک‌نمونه به۵٫۴۴٪ می‌رسد." }, "analysis": { "en": "Our analysis: relative improvement over a tiny baseline can look large. Report absolute identification errors separately from bot-detection performance.", "fa": "تحلیل ما: بهبود نسبی نسبت به مبنای بسیار کوچک بزرگ جلوه می‌کند. خطای مطلق شناسایی را جدا از عملکرد تشخیص بات گزارش کنید." }, "image": "figures/new-drawnapart-page-10-detail.webp" }, { "label": "Figure 5", "page": 11, "caption": { "en": "Embedding distances differ by device.", "fa": "فاصلهٔ نمایش با دستگاه متفاوت است." }, "insight": { "en": "Overlapping distributions permit mistaken matches.", "fa": "هم‌پوشانی توزیع تطبیق غلط را ممکن می‌کند." }, "analysis": { "en": "Our analysis: choose thresholds using held-out devices and days. A distance alone should not authorize an account action.", "fa": "تحلیل ما: آستانه را با دستگاه و روز کنارگذاشته‌شده انتخاب کنید. فاصله به‌تنهایی نباید مجوز اقدام حساب باشد." }, "image": "figures/new-drawnapart-page-11-detail.webp" }, { "label": "Table III / Figure 6", "page": 12, "caption": { "en": "GPU evidence extends fingerprint tracking.", "fa": "شاهد GPU ردیابی اثرانگشت را طولانی می‌کند." }, "insight": { "en": "Weekly median rises 17.5→28days.", "fa": "میانهٔ هفتگی از۱۷٫۵به۲۸روز افزایش می‌یابد." }, "analysis": { "en": "Our analysis: quantify privacy cost before adopting this signal. Test whether session-only consistency preserves detection value without persistent identity linkage.", "fa": "تحلیل ما: پیش از پذیرش سیگنال هزینهٔ حریم خصوصی را بسنجید. بررسی کنید آیا سازگاری صرفاً نشست ارزش تشخیص را بدون پیوند پایدار هویت حفظ می‌کند." }, "image": "figures/new-drawnapart-page-12-detail.webp" } ], "thesisUse": { "en": "Original thesis analysis — Proposed experiment: separate device recognition from automation classification. Build a consented longitudinal cohort containing identical hardware, human-operated browsers, ordinary headless browsers, and genuine-browser automation. Split entire physical devices between training and testing, then additionally hold out browser versions and days. Compare conventional canvas/WebGL values, GPU timings, server-side signals, and fused evidence. Report low-FPR bot detection, false identity merges, missing-GPU coverage, collection delay, energy cost, and abstention rates separately. Challenge timing robustness with concurrent video, battery-saving modes, virtual machines, driver changes, and reboot; do not equate a stable hardware signature with a human operator. A possible original research question is whether short, ephemeral GPU consistency measurements add bot-detection value without retaining a reusable cross-site device identifier. Use a privacy budget and discard raw traces after session scoring. This is our suggested study design, not an outcome established by the paper.", "fa": "تحلیل اصیل پیشنهادی برای تز — شناسایی دستگاه را از طبقه‌بندی خودکارسازی جدا کنید. جمعیت طولی رضایت‌مند شامل سخت‌افزار یکسان، مرورگر انسانی، مرورگر headless معمول و خودکارسازی مرورگر واقعی بسازید. کل دستگاه فیزیکی را میان آموزش و آزمون جدا کنید و روزها و نسخه‌های مرورگر ندیده را نیز بیازمایید. مقدار معمول canvas/WebGL، زمان‌سنجی GPU، سیگنال سرور و ترکیب آن‌ها را مقایسه کنید. تشخیص بات در مثبت کاذب کم، ادغام غلط هویت، پوشش نبود GPU، تأخیر، انرژی و نرخ امتناع از تصمیم را جدا گزارش کنید. هم‌زمانی ویدئو، صرفه‌جویی باتری، ماشین مجازی، تغییر درایور و راه‌اندازی مجدد را وارد آزمون کنید؛ سخت‌افزار پایدار معادل کاربر انسانی نیست. پرسش اصیل ممکن: آیا اندازه‌گیری کوتاه و موقت سازگاری GPU بدون نگهداری شناسهٔ قابل‌استفادهٔ میان‌سایتی به تشخیص بات کمک می‌کند؟ بودجهٔ حریم خصوصی تعیین و پس از امتیازدهی نشست ردپای خام را حذف کنید. این طرح پیشنهادی ماست، نه نتیجهٔ اثبات‌شدهٔ مقاله." }, "related": [ "p-da1ff6c88ab3", "p-e7ef4831b263", "new-fp-scanner" ], "keywords": [ "GPU", "execution units", "WebGL", "triplet loss", "tracking duration" ], "reviewScope": { "en": "All substantive main sections and appendices A–E read; bibliography excluded.", "fa": "تمام بخش‌های اصلی و پیوست‌های A تا E خوانده شد؛ منابع مستثناست." }, "pdf": "papers/new-drawnapart.pdf", "pages": 17, "sha256": "a77a49e1e012556a586c805a10833c3e57a2899878ba3f8a268f09060be73b42", "duplicates": [], "downloadUrl": "https://orenlab.cis.bgu.ac.il/p/DrawnApart.pdf", "downloaded": "2026-10-12", "isNew": true }, { "id": "p-0d20e9e54055", "title": "Device Fingerprinting with Peripheral Timestamps", "titleFa": "اثر انگشت دستگاه با زمان‌مهرهای تجهیزات ورودی", "year": 2022, "authors": [ "John V. Monaco" ], "venue": "IEEE Symposium on Security and Privacy", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "signals", "hardware", "behavior", "authentication", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Can ordinary keyboard-event timestamps reveal the device independently of the user's typing behavior? The paper investigates periodic processing along the input pipeline as a stateless identification signal.", "fa": "آیا زمان‌مهر رویدادهای معمول صفحه‌کلید، مستقل از الگوی تایپ شخص، دستگاه را آشکار می‌کند؟ مقاله تناوب پردازش در زنجیره ورودی را به‌عنوان سیگنال شناسایی بدون ذخیره وضعیت بررسی می‌کند." }, "idea": { "en": "A dual-clock model compares a slower input-processing clock with the browser's timestamp clock. Modular residues form phase images, and FPNet learns device embeddings while TauNet separately learns inter-event behavior.", "fa": "مدل دو ساعت، ساعت کند پردازش ورودی را با ساعت زمان‌مهر مرورگر مقایسه می‌کند. باقی‌مانده‌های پیمانه‌ای تصویر فاز می‌سازند؛ FPNet نمایش دستگاه و TauNet رفتار فاصله رویدادها را جداگانه یاد می‌گیرند." }, "result": { "en": "For 100,000 held-out devices, Table IV reports device-only rank-1 identification 29.70%, verification TPR@10⁻³ 87.35%, and EER 1.50%. User+device fusion reaches 63.14%, 97.36%, and 0.51% respectively; these are identity metrics, not bot-detection accuracy.", "fa": "در ۱۰۰٬۰۰۰ دستگاه آزمونِ مجزا، جدول IV شناسایی رتبه‌اول دستگاه ۲۹٫۷۰٪، TPR@10⁻³ تأیید ۸۷٫۳۵٪ و EER برابر ۱٫۵۰٪ گزارش می‌کند. ترکیب کاربر/دستگاه به‌ترتیب ۶۳٫۱۴٪، ۹۷٫۳۶٪ و ۰٫۵۱٪ دارد؛ این معیار هویت است، نه دقت تشخیص بات." }, "sections": [ { "heading": { "en": "Question and input pipeline", "fa": "پرسش و زنجیره ورودی" }, "en": "Peripheral input crosses sensor scanning, USB/PS2 delivery, OS scheduling and the browser event loop. Independent low-frequency components quantize timestamps, so the recorded time contains hardware and software behavior as well as human behavior.", "fa": "ورودی از پیمایش حسگر، انتقال USB یا PS/2، زمان‌بندی سیستم‌عامل و حلقه رویداد مرورگر عبور می‌کند. مؤلفه‌های کند و مستقل، زمان‌ها را کوانتیزه می‌کنند؛ بنابراین زمان ثبت‌شده هم رفتار سخت‌افزار و نرم‌افزار و هم رفتار انسان را در بر دارد.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Threat and permission model", "fa": "تهدید و مجوزها" }, "en": "A visited page can register keyboard, mouse or touch DOM callbacks without special permissions. The main empirical evaluation uses keyboard data; applicability to mouse and scroll is argued rather than equivalently demonstrated at the same scale.", "fa": "صفحه بازدیدشده بدون مجوز ویژه می‌تواند callback رویداد صفحه‌کلید، ماوس یا لمس ثبت کند. ارزیابی تجربی اصلی روی داده صفحه‌کلید است؛ کاربرد برای ماوس و اسکرول پیشنهاد شده، اما در همان مقیاس اثبات تجربی نشده است.", "pages": [ 2, 13 ] }, { "heading": { "en": "Dual clock and phase image", "fa": "دو ساعت و تصویر فاز" }, "en": "The reference clock reports events produced through a slower subject clock, allowing skew, drift, phase and jitter to be represented with one observed time source. A 481-by-600 phase image stacks modular residues across hypothetical frequencies; fixed-point arithmetic avoids a numerical shortcut caused by large epoch timestamps.", "fa": "ساعت مرجع رویدادهای عبورکرده از ساعت موضوعِ کندتر را ثبت می‌کند و انحراف، رانش، فاز و لرزش با یک منبع مشاهده زمان نمایش داده می‌شوند. تصویر فاز ۴۸۱ در ۶۰۰ باقی‌مانده‌ها را برای فرکانس‌های فرضی کنار هم می‌گذارد؛ محاسبه صحیحِ نقطه ثابت مانع یادگیری میان‌بر ناشی از خطای عددی زمان‌های epoch می‌شود.", "pages": [ 4, 5, 8, 9, 16 ] }, { "heading": { "en": "Learning and signal fusion", "fa": "یادگیری و ترکیب سیگنال" }, "en": "FPNet produces normalized 128-dimensional embeddings using triplet loss and semi-hard online mining. TauNet uses inter-event intervals and an LSTM; concatenating separately trained device and behavioral embeddings produces a user-and-device representation.", "fa": "FPNet با زیان سه‌تایی و استخراج آنلاین نمونه‌های نیمه‌سخت، بردار نرمال‌شده ۱۲۸بعدی می‌سازد. TauNet فاصله رویدادها را با LSTM پردازش می‌کند؛ الحاق دو نمایشِ جداگانه آموزش‌دیده، نمایش مشترک کاربر و دستگاه را می‌سازد.", "pages": [ 9, 10, 11, 16 ] }, { "heading": { "en": "Corpus and held-out devices", "fa": "مجموعه داده و دستگاه‌های کنارگذاشته‌شده" }, "en": "The combined public corpus contains 228,250 devices and 301,792,200 events: 151,482 desktop and 76,768 mobile devices. Two 600-event samples are formed per device, with 128,250 devices used for model training and a disjoint 100,000 for evaluation; 600 events correspond to approximately 300 keystrokes or two minutes.", "fa": "مجموعه عمومی ترکیبی ۲۲۸٬۲۵۰ دستگاه و ۳۰۱٬۷۹۲٬۲۰۰ رویداد دارد: ۱۵۱٬۴۸۲ دستگاه دسکتاپ و ۷۶٬۷۶۸ موبایل. از هر دستگاه دو نمونه ۶۰۰رویدادی ساخته می‌شود؛ ۱۲۸٬۲۵۰ دستگاه برای آموزش و ۱۰۰٬۰۰۰ دستگاه مجزا برای ارزیابی‌اند؛ ۶۰۰ رویداد تقریباً ۳۰۰ ضربه کلید یا دو دقیقه است.", "pages": [ 6, 10 ] }, { "heading": { "en": "Identification versus verification", "fa": "شناسایی در برابر تأیید" }, "en": "Device-only rank-1 identification is approximately 56.2% at 10,000 devices and 29.7% at 100,000; fusion raises these to 84.75% and 63.1%. Verification remains much stronger than exact identification, so citing 97.36% as unique device identification would be misleading.", "fa": "شناسایی رتبه اول فقط با دستگاه، در ۱۰٬۰۰۰ دستگاه حدود ۵۶٫۲٪ و در ۱۰۰٬۰۰۰ دستگاه ۲۹٫۷٪ است؛ ترکیب سیگنال آن‌ها را به ۸۴٫۷۵٪ و ۶۳٫۱٪ افزایش می‌دهد. تأیید یک زوج از شناسایی دقیق در جمعیت بسیار قوی‌تر است؛ بنابراین ارائه ۹۷٫۳۶٪ به‌عنوان شناسایی یکتای دستگاه گمراه‌کننده است.", "pages": [ 2, 10, 11 ] }, { "heading": { "en": "Defenses and thesis synthesis", "fa": "دفاع‌ها و برداشت برای تز" }, "en": "The paper argues that timer precision reduction alone does not necessarily suppress slow input-pipeline periodicity, and studies pre/post Spectre browser groups. Thesis inference: separate user dynamics from device timing in any bot classifier, and evaluate short sessions, human-like replay and privacy-preserving time perturbation before deploying this signal.", "fa": "مقاله توضیح می‌دهد کاهش دقت تایمر لزوماً تناوب کند زنجیره ورودی را حذف نمی‌کند و گروه‌های مرورگر پیش و پس از اصلاحات Spectre را بررسی می‌کند. برداشت برای تز: در طبقه‌بند بات، پویایی کاربر را از زمان‌بندی دستگاه جدا کنید و پیش از استقرار، نشست کوتاه، بازپخش شبه‌انسان و تغییر زمان حافظ حریم خصوصی را بسنجید.", "pages": [ 12, 13 ] }, { "heading": { "en": "Signal independence and system profiling", "fa": "استقلال سیگنال و شناسایی سامانه" }, "en": "A Mantel test compares distances from device and behavioral embeddings: Spearman ρ=0.038 for desktop and 0.181 for mobile, both p=0.001. These small correlations support complementarity, but do not replace an experiment that independently varies users and devices. Random-forest profiling uses an 80/20 device-grouped split; desktop/mobile accuracy is 98.7%, OS-family 96.5%, browser-family 74.8%, and device-brand 80.8%, against mode baselines 70.0%, 58.0%, 41.9%, and 47.9%.", "fa": "آزمون Mantel فاصلهٔ نمایش دستگاه و رفتار را مقایسه می‌کند: ρ اسپیرمن برای دسکتاپ ۰٫۰۳۸ و موبایل ۰٫۱۸۱ است و هر دو p=0.001 دارند. هم‌بستگی کم مؤید مکمل‌بودن است، ولی جای آزمایش تغییر مستقل کاربر و دستگاه را نمی‌گیرد. شناسایی سامانه با جنگل تصادفی و تقسیم گروهی دستگاه ۸۰/۲۰، دقت نوع دستگاه ۹۸٫۷٪، خانوادهٔ سیستم‌عامل ۹۶٫۵٪، خانوادهٔ مرورگر ۷۴٫۸٪ و برند ۸۰٫۸٪ دارد؛ مبنای پرتکرار به‌ترتیب ۷۰٪، ۵۸٪، ۴۱٫۹٪ و ۴۷٫۹٪ است.", "pages": [ 11, 12 ] }, { "heading": { "en": "Measured permanence and mitigation tradeoffs", "fa": "پایداری اندازه‌گیری‌شده و مصالحهٔ دفاع" }, "en": "Permanence observations span only about 1–5 minutes on desktop and 1–20 minutes on mobile; distance-time Pearson correlations are 0.003 and 0.008. Pre/post-Spectre mobile browser groups show no significant distance-distribution difference (two-sided KS p>0.05), which is not a longitudinal defense test. Reducing the reference clock below subject frequency prevents direct phase extraction, while input buffering such as kloak randomizes event delivery at the cost of perceptible latency; implicit JavaScript clocks remain a caveat.", "fa": "مشاهدهٔ پایداری فقط حدود ۱–۵ دقیقهٔ دسکتاپ و ۱–۲۰ دقیقهٔ موبایل است؛ هم‌بستگی پیرسون فاصله با زمان ۰٫۰۰۳ و ۰٫۰۰۸ است. گروه‌های موبایل پیش/پس از Spectre تفاوت معنادار توزیع فاصله ندارند (KS دوطرفه p>0.05)، ولی این آزمون طولی دفاع نیست. کندکردن ساعت مرجع نسبت به ساعت موضوع استخراج مستقیم فاز را مختل می‌کند؛ بافر ورودی مانند kloak تحویل رخداد را تصادفی می‌کند اما تأخیر محسوس می‌افزاید و ساعت ضمنی جاوااسکریپت محدودیت باقی‌مانده است.", "pages": [ 12, 13 ] } ], "findings": [ { "en": "Hardware-plus-software periodicity can be learned from standard DOM event timestamps.", "fa": "تناوب ترکیب سخت‌افزار و نرم‌افزار از زمان‌مهر رویدادهای استاندارد DOM قابل یادگیری است.", "pages": [ 1, 2 ] }, { "en": "Rank-1 identification degrades markedly as the candidate population grows.", "fa": "شناسایی رتبه اول با رشد جمعیت نامزدها به‌شدت افت می‌کند.", "pages": [ 10, 11 ] }, { "en": "The combined user-and-device representation reaches 63.14% rank-1 identification at 100,000 devices.", "fa": "نمایش مشترک کاربر و دستگاه در ۱۰۰٬۰۰۰ دستگاه به شناسایی رتبه اول ۶۳٫۱۴٪ می‌رسد.", "pages": [ 11 ] }, { "en": "Fixed-point modular arithmetic is important: otherwise rounding errors can become a learning shortcut.", "fa": "محاسبه پیمانه‌ای نقطه ثابت مهم است؛ در غیر این صورت خطای گردکردن می‌تواند میان‌بر یادگیری شود.", "pages": [ 16 ] }, { "en": "Table IV gives fused 10,000-device rank-1 accuracy 84.75%; the introduction's rounded 84.6% differs slightly. The table is used here for quantitative comparison.", "fa": "جدول IV دقت رتبه‌اول ترکیبی ۱۰٬۰۰۰ دستگاه را ۸۴٫۷۵٪ می‌دهد؛ عدد گرد‌شدهٔ ۸۴٫۶٪ مقدمه اندکی متفاوت است. برای مقایسهٔ کمی جدول ملاک است.", "pages": [ 2, 11 ] } ], "limitations": [ { "en": "This is a device identification/authentication evaluation, not a labeled human-versus-bot experiment.", "fa": "ارزیابی مربوط به شناسایی دستگاه و احراز هویت است، نه آزمایش برچسب‌خورده انسان در برابر بات.", "pages": [ 10, 13 ] }, { "en": "Long-term permanence requires further longitudinal study; software and environmental changes can alter timing.", "fa": "پایداری بلندمدت به مطالعه طولی بیشتر نیاز دارد؛ تغییر نرم‌افزار و محیط زمان‌بندی را تغییر می‌دهد.", "pages": [ 12 ] }, { "en": "The strongest results require about 600 input events, limiting applicability to short or passive visits.", "fa": "قوی‌ترین نتایج حدود ۶۰۰ رویداد ورودی نیاز دارند و کاربرد در بازدید کوتاه یا منفعل محدود می‌شود.", "pages": [ 2, 6 ] }, { "en": "Cookie-tracked sessions are treated as device/user identities: shared devices and cleared cookies can violate that assumption. The text's TPR@10⁻³ operating-point description names FNR, whereas standard verification practice typically fixes FPR; retain the source label rather than silently treating it as overall accuracy.", "fa": "نشست کوکی‌محور نمایندهٔ هویت دستگاه/کاربر فرض می‌شود؛ اشتراک دستگاه یا پاک‌کردن کوکی می‌تواند فرض را نقض کند. تعریف متنی TPR@10⁻³ از FNR نام می‌برد، درحالی‌که رویهٔ معمول تأیید FPR را ثابت می‌کند؛ برچسب منبع حفظ شود و به صحت کلی تبدیل نشود.", "pages": [ 6, 10 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "Input-event time quantization across clocks.", "fa": "کوانتیزه‌شدن زمان رویداد در ساعت‌های زنجیره ورودی." }, "insight": { "en": "Shows how physical timing is transformed before browser observation.", "fa": "نشان می‌دهد زمان فیزیکی پیش از مشاهده مرورگر چگونه تغییر می‌کند." }, "image": "figures/p-0d20e9e54055-page-2-detail.webp" }, { "label": "Figure 5", "page": 10, "caption": { "en": "Phase images of four dominant input-processing frequencies.", "fa": "تصویر فاز برای چهار فرکانس غالب پردازش ورودی." }, "insight": { "en": "Regular structures motivate learned device embeddings; they are not direct user identity labels.", "fa": "ساختارهای منظم مبنای نمایش دستگاه هستند؛ برچسب مستقیم هویت کاربر نیستند." }, "image": "figures/p-0d20e9e54055-page-10-detail.webp" }, { "label": "Figure 6", "page": 11, "caption": { "en": "Population size versus identification and verification.", "fa": "اندازه جمعیت در برابر شناسایی و تأیید." }, "insight": { "en": "Compare device, behavior and fused features without conflating the two tasks.", "fa": "ویژگی دستگاه، رفتار و ترکیب آن‌ها را بدون یکی‌گرفتن دو وظیفه مقایسه می‌کند." }, "image": "figures/p-0d20e9e54055-page-11-detail.webp" }, { "label": "Table IV", "page": 11, "caption": { "en": "Identification, verification and fusion across populations.", "fa": "شناسایی، تأیید و ترکیب در جمعیت‌های مختلف." }, "insight": { "en": "At 100k, device-only rank-1 is 29.70%, while fused verification TPR@10⁻³ is 97.36%; they answer different questions.", "fa": "در ۱۰۰هزار، رتبه‌اول دستگاه ۲۹٫۷۰٪ و TPR تأیید ترکیبی ۹۷٫۳۶٪ است؛ دو پرسش متفاوت‌اند." }, "image": "figures/p-0d20e9e54055-page-11-detail.webp" } ], "thesisUse": { "en": "Our synthesis: a candidate hardware/behavior fusion signal, with event-length and privacy ablations; the paper itself does not establish bot-detection utility.", "fa": "تحلیل ما: سیگنال پیشنهادی برای ترکیب سخت‌افزار و رفتار، همراه با آزمون حذف ویژگی، طول رویداد و حریم خصوصی؛ خود مقاله سودمندی در تشخیص بات را اثبات نکرده است." }, "related": [ "p-acfcc6135bdb", "p-95cb8105b803" ], "keywords": [ "peripheral timestamps", "dual clock", "clock skew", "phase image", "triplet loss", "keystroke dynamics" ], "reviewScope": { "en": "All substantive main sections and method appendices A–C read; bibliography excluded.", "fa": "تمام بخش‌های اصلی و پیوست‌های روش A تا C خوانده شد؛ منابع مستثناست." }, "pdf": "papers/p-0d20e9e54055.pdf", "pages": 16, "sha256": "0d20e9e540550b2b7c17342b0e6c5332dbada283b6e746e6a145616172236723", "sourcePath": "مقالات\\Browser fingerprinting\\2022 Device fingerprinting with peripheral timestamps (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "p-4e9a4185f215", "title": "Phish in Sheep’s Clothing: Exploring the Authentication Pitfalls of Browser Fingerprinting", "titleFa": "فیشینگ در لباس میش: بررسی دام‌های احراز هویت با اثر انگشت مرورگر", "year": 2022, "authors": [ "Xu Lin", "Panagiotis Ilia", "Saumya Solanki", "Jason Polakis" ], "venue": "USENIX Security", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "authentication", "evasion", "privacy", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity22/presentation/lin-xu", "problem": { "en": "Can fingerprints used to suppress 2FA be collected on a phishing site and replayed from another device? The paper tests whether risk-based authentication treats reproducible browser data as stronger evidence than warranted.", "fa": "آیا اثر انگشتی که باعث حذف چالش دومرحله‌ای می‌شود، در سایت فیشینگ قابل جمع‌آوری و از دستگاه دیگر قابل بازپخش است؟ مقاله می‌سنجد آیا احراز هویت مبتنی بر ریسک به داده قابل‌تکرار مرورگر بیش از حد اعتماد می‌کند." }, "idea": { "en": "Extract the precise fingerprinting procedure of a target site, gather those site-specific values from a consenting victim device, and reproduce them in a different browser environment. Evaluate what combinations of fingerprints, IP history and cookies trigger or suppress security checks.", "fa": "فرایند دقیق تولید اثر انگشت سایت هدف استخراج می‌شود، همان مقادیر ویژه سایت از دستگاه آزمایشی جمع‌آوری و در محیط مرورگر دیگر بازتولید می‌شوند. سپس ترکیب اثر انگشت، سابقه IP و کوکی در فعال یا غیرفعال‌کردن کنترل امنیتی ارزیابی می‌شود." }, "result": { "fa": "از ۳۰۰ سرویس بررسی‌شده، ۱۶ مورد دستگاه را با اثر انگشت می‌شناسند. آزمایش دقیق دومرحله‌ای در ۹ سرویس از ۱۴ سرویس چالش را حذف می‌کند؛ عدد کلی ۱۰ از ۱۶ همچنین حذف هشدار ایمیلی ورود را شامل می‌شود. حمله سیاست فعال‌سازی چالش را هدف می‌گیرد، نه رمزنگاری عامل دوم.", "en": "Among 300 manually explored services, 16 use fingerprint-based device recognition. The detailed 2FA experiment bypasses challenges in 9/14 services; the broader 10/16 vulnerable-service headline also includes suppression of a login email alert. This attacks challenge-triggering policy, not second-factor cryptography." }, "sections": [ { "heading": { "en": "Risk-based authentication", "fa": "احراز هویت مبتنی بر ریسک" }, "en": "Services may omit a second-factor challenge when a login appears to come from a recognized device. The crucial failure is using publicly obtainable environment attributes to justify that omission, rather than an attack on the second-factor cryptography.", "fa": "سرویس ممکن است برای ورود از دستگاه ظاهراً شناخته‌شده، چالش عامل دوم را حذف کند. شکست اصلی استفاده از ویژگی محیطی قابل‌دستیابی عمومی برای توجیه این حذف است، نه حمله به رمزنگاری عامل دوم.", "pages": [ 2, 3 ] }, { "heading": { "en": "Threat model", "fa": "مدل تهدید" }, "en": "The attacker has stolen credentials and can induce a visit to a malicious page that executes JavaScript. Fingerprinting from that page is site-specific: canvas inputs and parameters must match the target's collection procedure, not merely another generic library.", "fa": "مهاجم اعتبارنامه را سرقت کرده و می‌تواند کاربر را به صفحه مخرب دارای جاوااسکریپت بکشاند. جمع‌آوری اثر انگشت باید ویژه سایت باشد؛ ورودی و پارامترهای canvas باید با روش هدف منطبق باشد، نه صرفاً یک کتابخانه عمومی دیگر.", "pages": [ 3, 4 ] }, { "heading": { "en": "Extraction and spoofing mechanism", "fa": "سازوکار استخراج و جعل" }, "en": "Static and dynamic investigation identify the target's fingerprinting code, and an extension constructs the corresponding collection vector. Another extension reproduces collected attribute values on a different device, allowing controlled isolation of the role of fingerprint attributes in login decisions.", "fa": "بررسی ایستا و پویا کد اثر انگشت هدف را شناسایی می‌کند و افزونه بردار جمع‌آوری متناظر را می‌سازد. افزونه دیگر مقادیر جمع‌آوری‌شده را روی دستگاه متفاوت بازتولید می‌کند و نقش ویژگی‌ها در تصمیم ورود به‌صورت کنترل‌شده سنجیده می‌شود.", "pages": [ 5, 6 ] }, { "heading": { "en": "Experimental design", "fa": "طراحی آزمایش" }, "en": "Sixteen selected services across sensitive categories are tested using controlled accounts and repeated login experiments. Fingerprint, prior IP and cookie requirements are varied; Table 2 documents service-specific restrictions rather than a single universal bypass rule.", "fa": "شانزده سرویس انتخابی از حوزه‌های حساس با حساب‌های کنترل‌شده و تکرار ورود آزموده می‌شوند. الزامات اثر انگشت، IP قبلی و کوکی تغییر داده می‌شوند؛ جدول ۲ محدودیت‌های هر سرویس را ثبت می‌کند و قاعده جهانی دورزدن ارائه نمی‌دهد.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Security outcomes", "fa": "پیامدهای امنیتی" }, "en": "The 2FA subset is 14 services, with 9 successful bypasses; five failed cases require an IP previously used on the account. Two additional services test email alerts and cookie hijacking, so the broader 10/16 headline must be distinguished from the 9/14 2FA result. Fingerprint presence on login pages also does not prove its use in authentication.", "fa": "زیرمجموعهٔ دومرحله‌ای ۱۴ سرویس با ۹ دورزدن موفق است؛ پنج شکست، IP قبلاً استفاده‌شده حساب را لازم دارند. دو سرویس اضافی هشدار ایمیلی و سرقت کوکی را می‌سنجند؛ بنابراین عدد کلی ۱۰ از ۱۶ با نتیجهٔ دومرحله‌ای ۹ از ۱۴ متفاوت است. وجود اثر انگشت در صفحهٔ ورود نیز استفادهٔ آن در احراز هویت را ثابت نمی‌کند.", "pages": [ 3, 9 ] }, { "heading": { "en": "Phishing ecosystem measurements", "fa": "اندازه‌گیری اکوسیستم فیشینگ" }, "en": "Three historical phishing datasets are analyzed separately, with execution coverage reported. Among pages producing JavaScript execution traces, fingerprint collection rates are 73.98%, 90.08% and 91.36%; these conditional percentages must not be quoted as rates over all phishing URLs.", "fa": "سه مجموعه تاریخی فیشینگ جداگانه و با گزارش پوشش اجرا تحلیل می‌شوند. میان صفحاتی که رد اجرای جاوااسکریپت تولید کردند، نرخ جمع‌آوری اثر انگشت ۷۳٫۹۸٪، ۹۰٫۰۸٪ و ۹۱٫۳۶٪ است؛ این درصدهای شرطی نباید به همه URLهای فیشینگ تعمیم یابند.", "pages": [ 10, 11, 12 ] }, { "heading": { "en": "Limitations and thesis implications", "fa": "محدودیت و ارتباط با تز" }, "en": "Dead pages, cloaking and missing JavaScript execution can distort phishing prevalence estimates. Thesis inference: model replay resistance and consistency explicitly, and never equate fingerprint uniqueness with possession of a secret or trustworthy human presence.", "fa": "صفحات ازبین‌رفته، پنهان‌سازی و اجرا نشدن جاوااسکریپت می‌توانند برآورد شیوع فیشینگ را منحرف کنند. برداشت برای تز: مقاومت در برابر بازپخش و سازگاری را صریح مدل کنید و یکتایی اثر انگشت را معادل داشتن راز یا حضور انسانی معتبر نگیرید.", "pages": [ 11, 12, 13 ] }, { "heading": { "fa": "دفاع‌ها و رفتار طولی", "en": "Defenses and longitudinal behavior" }, "en": "The authors recommend mandatory second-factor challenges and layered independent risk signals, while observing that anti-fingerprinting randomization can force legitimate users to complete additional challenges. Repeated tests over April–September 2021 show policy changes, including a site switching to cookie recognition and another removing additional session checks. Disclosure cannot be established as the cause of those changes.", "fa": "نویسندگان چالش عامل دوم اجباری و ترکیب سیگنال‌های ریسک مستقل را پیشنهاد می‌کنند و مشاهده می‌کنند تصادفی‌سازی ضداثر انگشت می‌تواند چالش بیشتری برای کاربر مشروع ایجاد کند. تکرار آزمون در آوریل تا سپتامبر ۲۰۲۱ تغییر سیاست، از جمله گذار یک سایت به کوکی و حذف کنترل اضافی نشست در سایتی دیگر، را نشان می‌دهد. نمی‌توان افشای آسیب‌پذیری را علت این تغییرها دانست.", "pages": [ 10, 12, 13 ] }, { "heading": { "en": "Consistency checks and observed exfiltration", "fa": "کنترل سازگاری و انتقال مشاهده‌شده" }, "en": "The study finds checks linking language fields, user-agent information, screen dimensions, and native-function representations; reproducing one property without related values may therefore fail. Runtime exception strings can themselves enter the fingerprint. Appendix inspection finds clear fingerprint exfiltration in197/500 Bank-A,109/500 RideSharing, and4/200 WebInfrastructure phishing pages, with additional obfuscated traffic not fully attributable. Those counts demonstrate collection/transmission, not completed abuse of another person's account.", "fa": "مطالعه کنترل‌هایی میان زبان‌ها، user-agent، ابعاد صفحه و نمایش تابع بومی می‌یابد؛ بازتولید یک ویژگی بدون مقادیر مرتبط ممکن است شکست بخورد. رشتهٔ خطای اجرا نیز می‌تواند وارد اثر انگشت شود. بررسی پیوست، انتقال روشن اثر انگشت را در ۱۹۷ از ۵۰۰ صفحهٔ Bank-A، ۱۰۹ از ۵۰۰ RideSharing و ۴ از ۲۰۰ WebInfrastructure می‌یابد؛ ترافیک مبهم بیشتری نیز هست که منشأ محتوایش کامل روشن نشده. شمارش جمع‌آوری/انتقال را نشان می‌دهد، نه سوءاستفادهٔ تکمیل‌شده از حساب دیگری.", "pages": [ 18, 19 ] } ], "findings": [ { "pages": [ 9, 10 ], "en": "Distinguish 9/14 2FA bypasses from the broader 10/16 vulnerable-service headline, which includes email-alert suppression.", "fa": "۹ از ۱۴ دورزدن دومرحله‌ای را از عدد کلی ۱۰ از ۱۶ سرویس آسیب‌پذیر، شامل حذف هشدار ایمیلی، متمایز کنید." }, { "en": "Site-specific fingerprint extraction is necessary for exact replication of parameterized techniques.", "fa": "برای بازتولید دقیق تکنیک‌های پارامتری، استخراج اثر انگشت ویژه سایت ضروری است.", "pages": [ 5, 6 ] }, { "en": "Phishing pages sometimes already collect all attributes needed for tested financial-service bypasses.", "fa": "برخی صفحات فیشینگ از پیش تمام ویژگی‌های لازم برای دورزدن سرویس مالی آزموده‌شده را جمع می‌کنند.", "pages": [ 11, 12 ] } ], "limitations": [ { "en": "The tested service sample is selected and limited; production behavior may change after disclosure.", "fa": "نمونه سرویس‌ها انتخابی و محدود است؛ رفتار عملیاتی پس از افشا ممکن است تغییر کند.", "pages": [ 7, 12 ] }, { "en": "A fingerprint can be collected by another visited origin and is therefore not a secret authentication credential.", "fa": "اثر انگشت توسط مبدأ بازدیدشده دیگری قابل جمع‌آوری است و اعتبارنامه محرمانه احراز هویت نیست.", "pages": [ 4, 13 ] }, { "en": "Availability and JavaScript execution differ across historical phishing corpora.", "fa": "دسترس‌پذیری و اجرای جاوااسکریپت میان مجموعه‌های تاریخی فیشینگ متفاوت است.", "pages": [ 10, 11 ] } ], "figures": [ { "label": "Figure 1", "page": 5, "caption": { "en": "Target-specific collection and replication workflow.", "fa": "فرایند جمع‌آوری و بازتولید ویژه هدف." }, "insight": { "en": "Explains why generic fingerprint hashes are insufficient for reproducing every target.", "fa": "توضیح می‌دهد چرا هش عمومی اثر انگشت برای بازتولید تمام هدف‌ها کافی نیست." }, "image": "figures/p-4e9a4185f215-page-5-detail.webp" }, { "label": "Table 2", "page": 9, "caption": { "en": "Service-by-service risk-based authentication results.", "fa": "نتایج احراز هویت مبتنی بر ریسک برای هر سرویس." }, "insight": { "en": "Read fingerprint, cookie and IP restrictions jointly.", "fa": "الزامات اثر انگشت، کوکی و IP باید مشترک خوانده شوند." }, "image": "figures/p-4e9a4185f215-page-9-detail.webp" }, { "label": "Table 4", "page": 11, "caption": { "en": "Fingerprinting prevalence in the phishing corpora.", "fa": "شیوع اثر انگشت در مجموعه‌های فیشینگ." }, "insight": { "en": "Keep all-site and JavaScript-executed denominators separate.", "fa": "مخرج همه سایت‌ها را از مخرج صفحات دارای اجرای جاوااسکریپت جدا نگه دارید." }, "image": "figures/p-4e9a4185f215-page-11-detail.webp" }, { "label": "Table 1", "page": 8, "caption": { "en": "Fingerprint-related calls on home and login pages of sites with detected login forms.", "fa": "فراخوانی مرتبط با اثر انگشت در صفحهٔ اصلی و ورود سایت دارای فرم ورود کشف‌شده." }, "insight": { "en": "The observed denominators are 5,736 sites in the top10K and 5,791 in ranks10K–20K. Canvas and canvas-font use is more common on login pages in the higher-ranked group; prevalence does not show which collected attributes actually control authentication.", "fa": "مخرج مشاهده ۵۷۳۶ سایت از ده‌هزار اول و ۵۷۹۱ سایت رتبهٔ ده‌هزار تا بیست‌هزار است. در گروه بالاتر، canvas و قلم canvas در ورود رایج‌ترند؛ شیوع ثابت نمی‌کند کدام ویژگی تصمیم احراز هویت را کنترل می‌کند." }, "image": "figures/p-4e9a4185f215-page-8-detail.webp" }, { "label": "Table 3", "page": 10, "caption": { "en": "Three phishing corpora with separate all-site, JavaScript-trace, and fingerprinting counts.", "fa": "سه مجموعهٔ فیشینگ با شمار جداگانهٔ همهٔ سایت‌ها، رد جاوااسکریپت و اثرانگشت‌گیری." }, "insight": { "en": "Phish-A has 39,618 traces from 71,343 sites, Phish-B 40,777/82,431, and APWG 93,568/173,269. Rates conditional on successful JavaScript execution must not be reported over all collected URLs; unavailable pages and cloaking affect coverage.", "fa": "Phish-A دارای ۳۹۶۱۸ رد از ۷۱۳۴۳ سایت، Phish-B دارای ۴۰۷۷۷ از ۸۲۴۳۱ و APWG دارای ۹۳۵۶۸ از ۱۷۳۲۶۹ است. نرخ شرطی اجرای موفق را نباید به همهٔ نشانی‌ها نسبت داد؛ حذف صفحه و پنهان‌سازی پوشش را تغییر می‌دهند." }, "image": "figures/p-4e9a4185f215-page-10-detail.webp" }, { "label": "Table 5", "page": 11, "caption": { "en": "Phishing pages collecting the target-specific attributes needed to pass device checks.", "fa": "صفحات فیشینگ دارای ویژگی ویژهٔ هدف برای عبور از کنترل دستگاه." }, "insight": { "en": "For Bank-A the recent APWG corpus has74 of330 target pages with sufficient values (22.42%). Starred RideSharing cases collect the API categories but use different canvas/font parameters, so are not exact replicas; device-check compatibility is not proof of real-world account takeover.", "fa": "برای Bank-A در APWG جدید، ۷۴ از ۳۳۰ صفحهٔ هدف مقادیر کافی دارند، یعنی ۲۲٫۴۲٪. موارد ستاره‌دار RideSharing دستهٔ API را جمع می‌کنند، اما پارامتر قلم/canvas متفاوت دارند و بازتولید دقیق نیستند؛ سازگاری با کنترل دستگاه اثبات تصاحب واقعی حساب نیست." }, "image": "figures/p-4e9a4185f215-page-11-detail.webp" }, { "label": "Figure 2", "page": 12, "caption": { "en": "Log-scale phishing-site counts targeting two banks over 2016–2020.", "fa": "تعداد سایت فیشینگ هدف‌گیرندهٔ دو بانک در مقیاس لگاریتمی طی ۲۰۱۶ تا ۲۰۲۰." }, "insight": { "en": "The two target series evolve differently. The authors suggest authentication obstacles may influence target choice, but lack historical policy data to establish that causal explanation.", "fa": "روند دو هدف متفاوت است. نویسندگان احتمال اثر موانع احراز هویت بر انتخاب هدف را مطرح می‌کنند، اما دادهٔ تاریخی سیاست برای اثبات علت ندارند." }, "image": "figures/p-4e9a4185f215-page-12-detail.webp" }, { "label": "Table 6", "page": 19, "caption": { "en": "Instrumented JavaScript object properties, with legacy Internet Explorer features marked.", "fa": "ویژگی‌های ابزارگذاری‌شدهٔ اشیای جاوااسکریپت با علامت موارد قدیمی Internet Explorer." }, "insight": { "en": "Makes the extraction/spoofing coverage auditable across Navigator, Window, Screen, Plugin, and MimeType. It is a tool-supported inventory, not a guarantee that every property is available, stable, or independently identifying in modern browsers.", "fa": "پوشش استخراج/جعل را در Navigator، Window، Screen، Plugin و MimeType قابل‌ممیزی می‌کند. فهرست پشتیبانی ابزار است، نه تضمین دسترس‌پذیری، پایداری یا شناسایی مستقل هر ویژگی در مرورگر جدید." }, "image": "figures/p-4e9a4185f215-page-19-detail.webp" } ], "thesisUse": { "en": "Our synthesis: evaluate collection/replay attacks and independent server-side signals before claiming that a browser fingerprint establishes a trusted human or device.", "fa": "تحلیل ما: پیش از ادعای تشخیص انسان یا دستگاه مورداعتماد، جمع‌آوری و بازپخش اثر انگشت و سیگنال‌های مستقل سمت سرور را ارزیابی کنید." }, "related": [ "p-aaef6086b148", "p-79a8187df7aa" ], "keywords": [ "risk-based authentication", "2FA", "phishing", "fingerprint replay", "IP history" ], "reviewScope": { "fa": "تمام بخش‌های اصلی مقاله بررسی شد؛ فهرست منابع مستثناست.", "en": "All substantive main-paper sections read; bibliography excluded." }, "pdf": "papers/p-4e9a4185f215.pdf", "pages": 19, "sha256": "4e9a4185f215b844a7f6488fc3866bb9599e14201ef97bf107ab1286f22e6411", "sourcePath": "مقالات\\Browser fingerprinting\\2022 Phish in sheep's clothing Exploring the authentication pitfalls of browser fingerprinting (USENIX Security).pdf", "duplicates": [], "isNew": false }, { "id": "p-b2d483606620", "title": "Web Bot Detection Evasion Using Deep Reinforcement Learning", "titleFa": "فرار از تشخیص بات وب با یادگیری تقویتی عمیق", "year": 2022, "authors": [ "Christos Iliou", "Theodoros Kostoulas", "Theodora Tsikrika", "Vasilis Katos", "Stefanos Vrochidis", "Ioannis Kompatsiaris" ], "venue": "ACM ARES 2022", "domains": [ "bots" ], "topics": [ "behavior", "evasion", "detection" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3538969.3538994", "problem": { "en": "Can bots adapt their request behavior after defenders retrain on prior evasive sessions?", "fa": "آیا بات پس از بازآموزی مدافع روی نشست فراری پیشین، رفتار درخواست خود را سازگار می‌کند؟" }, "idea": { "en": "Model page choice, download mode and dwell time as DQN actions with rewards for progress and evasion.", "fa": "انتخاب صفحه، نوع دانلود و زمان توقف کنش DQN هستند و پیشروی و فرار پاداش دارند." }, "result": { "en": "Per 1,000 test bots, best first-phase evasion is 44.2% after 300k training requests; after defender retraining and two million new training requests, evasion reaches 56.5%.", "fa": "به‌ازای ۱٬۰۰۰ بات آزمون، بهترین فرار مرحله اول پس از ۳۰۰ هزار درخواست آموزش ۴۴٫۲٪ است؛ پس از بازآموزی مدافع و دو میلیون درخواست آموزش جدید، فرار ۵۶٫۵٪ می‌شود." }, "sections": [ { "heading": { "en": "Threat model and reset assumption", "fa": "مدل تهدید و فرض شروع تازه" }, "en": "The attacker is a scraper learning to avoid a server's web-log classifier while continuing to visit pages. It observes detection feedback after requests, but does not need the defender's learned model weights. After blocking, a new bot is assumed able to present a fresh fingerprint and return as a clean visitor. Fingerprint acquisition, reputation persistence, mouse signals and identity-reset feasibility are outside the implemented detector, yet the reset assumption directly determines the attack's training cost.", "fa": "مهاجم خزنده‌ای است که هم‌زمان با بازدید صفحه، فرار از طبقه‌بند لاگ را می‌آموزد. بازخورد تشخیص درخواست را می‌بیند ولی وزن مدل مدافع را لازم ندارد. پس از مسدودسازی فرض می‌شود بات تازه اثرانگشت جدید می‌دهد و بازدیدکننده پاک محسوب می‌شود. تهیه اثرانگشت، سابقه ماندگار، ماوس و امکان شروع هویت تازه خارج از آشکارساز پیاده‌شده‌اند، اما این فرض هزینه آموزش را تعیین می‌کند.", "pages": [ 4, 7, 10 ] }, { "heading": { "en": "Session construction and nineteen signals", "fa": "ساخت نشست و نوزده سیگنال" }, "en": "PHP session IDs group visitors, and 30 minutes of inactivity ends a session. Table 2 covers request count/bytes, GET/POST/HEAD counts, 3xx/4xx percentages, image/CSS/JS fractions, HTML-to-image ratio, URL-depth standard deviation, maximum/average requests per page, consecutive URL relations, session duration, browsing speed and inter-request-time standard deviation. These features encode how resources and pages are requested rather than a static browser identity. The detector recomputes features for each request prefix to decide early rather than waiting for the completed session.", "fa": "شناسه PHP بازدیدها را گروه‌بندی و ۳۰ دقیقه بی‌فعالیتی نشست را تمام می‌کند. جدول ۲ تعداد/بایت درخواست، GET/POST/HEAD، درصد 3xx/4xx، سهم تصویر/CSS/JS، نسبت HTML به تصویر، انحراف عمق URL، بیشینه/میانگین درخواست هر صفحه، رابطه URL متوالی، مدت، سرعت مرور و انحراف زمان بین درخواست را دارد. این ویژگی نحوه درخواست منابع را می‌گیرد، نه هویت ثابت مرورگر. ویژگی هر پیشوند درخواست دوباره محاسبه می‌شود تا تصمیم زودهنگام ممکن باشد.", "pages": [ 5, 6, 7, 8 ] }, { "heading": { "en": "Defender training and baseline data", "fa": "آموزش مدافع و داده مبنا" }, "en": "A controlled server hosts 110 Wikipedia pages in 11 topics. Twenty-eight humans make two 15–20-minute sessions each, giving 56 human sessions; another 56 sessions come from heuristic bots that favor same-topic links and probabilistically pause according to page size. Visitor-based approximately 70/30 splitting keeps a person's two sessions together: 80 training sessions and 32 testing sessions. SVM, Random Forest, AdaBoost and MLP class probabilities are averaged; each prefix-length model receives a separate grid search with two-fold training cross-validation.", "fa": "سرور کنترل‌شده ۱۱۰ صفحه ویکی‌پدیا در ۱۱ موضوع دارد. ۲۸ انسان هریک دو نشست ۱۵–۲۰ دقیقه‌ای، یعنی ۵۶ نشست، دارند؛ ۵۶ نشست بات ابتکاری لینک هم‌موضوع را ترجیح و بر اساس اندازه صفحه احتمالی مکث می‌کند. تقسیم حدود ۷۰/۳۰ بر اساس بازدیدکننده دو نشست فرد را کنار هم نگه می‌دارد: ۸۰ آموزش و ۳۲ آزمون. احتمال SVM، Random Forest، AdaBoost و MLP میانگین می‌شود و برای هر طول پیشوند grid search جدا با اعتبارسنجی دوبخشی آموزش انجام می‌شود.", "pages": [ 7, 8 ] }, { "heading": { "en": "State and action representation", "fa": "نمایش حالت و کنش" }, "en": "The state has 220 integer counters: for each of 110 pages, separate counts for HTML-only and full-resource downloads, capped at M=60. An action chooses any known page, one of two download modes, and an integer wait from two through ten seconds, giving 110×2×9=1,980 actions. Choosing arbitrary URLs assumes the bot already knows the server's page set; transitions are not limited to hyperlinks on the current page. The state records aggregate visit counts rather than the complete ordered history, so it is an approximation of the information used by prefix-level detection.", "fa": "حالت ۲۲۰ شمارنده صحیح دارد: برای هر ۱۱۰ صفحه، تعداد جدا برای دانلود HTML و کامل با سقف M=60. کنش یک صفحه شناخته‌شده، یک نوع دانلود و مکث صحیح دو تا ده ثانیه را انتخاب می‌کند؛ ۱۱۰×۲×۹=۱۹۸۰ کنش. انتخاب هر URL فرض می‌کند مجموعه صفحه از قبل معلوم است و به لینک صفحه جاری محدود نیست. حالت شمارش تجمعی را ثبت می‌کند، نه تاریخ مرتب کامل؛ بنابراین تقریب اطلاعات آشکارساز پیشوند است.", "pages": [ 5, 6, 8 ] }, { "heading": { "en": "Reward design and DQN implementation", "fa": "طراحی پاداش و پیاده‌سازی DQN" }, "en": "An undetected new page earns +1, an undetected new state/revisit +0.1, detection 0, and completion of the evasion objective +100. This rewards coverage as well as remaining accepted, avoiding the trivial policy of staying on one harmless page. The DQN maps 220 input counters through 1,024 ReLU units to 1,980 linear action values, with experience replay capacity 50,000, learning rate 10^-3, gamma .9, epsilon .2 and 100 warm-up steps. Each test bot starts with a random step to avoid cherry-picking its most evasive initial page.", "fa": "صفحه جدید تشخیص‌نشده +۱، حالت/بازدید جدید تشخیص‌نشده +۰٫۱، تشخیص صفر و تکمیل هدف فرار +۱۰۰ پاداش دارد. این پوشش و پذیرش را با هم تشویق می‌کند و ماندن همیشگی در صفحه بی‌خطر را کم می‌کند. DQN از ۲۲۰ شمارنده به ۱۰۲۴ واحد ReLU و ۱۹۸۰ ارزش خطی کنش می‌رود؛ حافظه replay پنجاه‌هزار، نرخ یادگیری 10^-3، gamma=.9، epsilon=.2 و صد گام گرم‌کردن دارد. بات آزمون با گام تصادفی شروع می‌کند تا بهترین صفحه آغاز گزینش نشود.", "pages": [ 6, 7, 8, 9 ] }, { "heading": { "en": "Heuristic comparators and evaluation unit", "fa": "مقایسه ابتکاری و واحد ارزیابی" }, "en": "Five comparators use HTML-only downloads, full downloads, random modes, one initial full download followed by HTML-only to mimic caching, and that same caching heuristic with eight-to-ten-second waits. Each bot type is tested on 1,000 new bot instances. Defender performance uses balanced accuracy and per-class precision/recall; attacker performance is the fraction of tested bots completing evasion, not per-request accuracy. Training checkpoints are measured by cumulative requests and the number of replacement bot instances consumed.", "fa": "پنج مبنا دانلود HTML، کامل، تصادفی، دانلود کامل اولیه سپس HTML برای تقلید کش، و همان روش کش با مکث هشت تا ده ثانیه‌اند. هر نوع با هزار نمونه بات جدید آزموده می‌شود. مدافع دقت متوازن و precision/recall هر کلاس دارد؛ معیار مهاجم سهم بات‌های آزموده با فرار کامل است، نه دقت هر درخواست. ایستگاه آموزش با درخواست تجمعی و تعداد نمونه بات جایگزین مصرف‌شده سنجیده می‌شود.", "pages": [ 8, 9, 10 ] }, { "heading": { "en": "Phase one and non-monotonic learning", "fa": "مرحله اول و یادگیری غیر یکنواخت" }, "en": "The original detector catches nearly all tested heuristics: evasion is .7% HTML-only, .1% caching heuristic, and zero for the other three. DQN reaches 38.5% at 30,000 training requests and a maximum reported phase-one checkpoint of 44.2% at 300,000, consuming 27,175 training bot instances. More queries do not guarantee improvement: 200,000 gives 22.6%, 400,000 gives 31.9% and 500,000 gives 38.0%. The authors attribute variability to exploration changing state-action preferences; the selected maximum should not be read as monotonic convergence.", "fa": "مدافع اولیه تقریباً همه مبناها را می‌گیرد: فرار HTML برابر .7٪، تقلید کش .1٪ و سه روش دیگر صفر است. DQN در سی‌هزار درخواست به ۳۸٫۵٪ و بیشینه ایستگاه گزارش‌شده مرحله اول در سیصدهزار به ۴۴٫۲٪ با مصرف ۲۷۱۷۵ بات آموزش می‌رسد. پرس‌وجوی بیشتر تضمین بهبود نیست: دویست‌هزار ۲۲٫۶٪، چهارصدهزار ۳۱٫۹٪ و پانصدهزار ۳۸٪ دارد. نویسندگان تغییر را به اکتشاف و ترجیح حالت–کنش نسبت می‌دهند؛ بیشینه منتخب همگرایی یکنواخت نیست.", "pages": [ 9, 10 ] }, { "heading": { "en": "Defender retraining and re-adaptation", "fa": "بازآموزی مدافع و سازگاری مجدد" }, "en": "The second defender learns from evasive logs of the phase-one 300K agent; the paper reports 100% classification accuracy on the known behavior after retraining. The unchanged old agent still evades on 3.4% of 1,000 tests, and the authors note only 56 RL-bot sessions were sampled for retraining, leaving behavioral coverage incomplete. A new DQN trained against this defender reaches 18% at 300K requests and 56.5% at two million, using 65,779 training bot instances. The two-million result is a more expensive adaptation to one fixed updated detector, not evidence of cheap continuous evasion against a production system that updates frequently.", "fa": "مدافع دوم لاگ فراری عامل مرحله اول 300K را می‌آموزد و مقاله برای رفتار شناخته‌شده پس از بازآموزی دقت صددرصد می‌دهد. عامل قدیمی بدون تغییر هنوز در ۳٫۴٪ از هزار آزمون فرار می‌کند؛ نویسندگان می‌گویند فقط ۵۶ نشست بات RL برای بازآموزی نمونه‌گیری شده و پوشش کامل نیست. DQN جدید مقابل این مدافع در 300K به ۱۸٪ و در دو میلیون با ۶۵۷۷۹ بات آموزش به ۵۶٫۵٪ می‌رسد. نتیجه دوم سازگاری گران‌تر با مدافع به‌روزشده ثابت است، نه فرار ارزان پیوسته از سامانه‌ای که مکرر تغییر می‌کند.", "pages": [ 7, 10 ] }, { "heading": { "en": "Thesis implications and economic evaluation", "fa": "کاربرد تز و ارزیابی اقتصادی" }, "en": "Thesis synthesis: evaluate detection under an adaptive attacker while budgeting both queries and identity resets. Add persistent network/device reputation or independent browser signals to test whether the clean-slate assumption still holds. Report unique pages scraped, bytes/resources downloaded and wall-clock cost alongside accepted sessions, because a policy can look human while being economically inefficient. Use repeated attacker runs and temporally held-out defender updates to distinguish lucky checkpoints from a reproducible adaptive advantage.", "fa": "تحلیل برای تز: آشکارساز را مقابل مهاجم سازگار با بودجه پرس‌وجو و شروع هویت تازه بسنج. سابقه ماندگار شبکه/دستگاه یا سیگنال مستقل مرورگر را اضافه کن تا فرض شروع پاک آزموده شود. کنار نشست پذیرفته‌شده، صفحه یکتا، حجم منابع و زمان واقعی را گزارش کن؛ سیاست ممکن است انسان‌مانند اما اقتصادی ناکارآمد باشد. اجرای تکراری مهاجم و به‌روزرسانی زمانی کنارگذاشته‌شده مدافع، ایستگاه خوش‌شانس را از مزیت تکرارپذیر جدا می‌کند.", "pages": [ 10, 11 ] } ], "figures": [ { "label": "Figure 1", "page": 4, "caption": { "en": "RL concepts mapped to web interaction", "fa": "نگاشت مفاهیم تقویتی به تعامل وب" }, "insight": { "en": "The reward must encourage scraping progress, not just inactivity.", "fa": "پاداش باید پیشروی خزش را تشویق کند نه صرف بی‌فعالیتی." }, "image": "figures/p-b2d483606620-page-4-detail.webp" }, { "label": "Table 2", "page": 6, "caption": { "en": "Nineteen log features", "fa": "نوزده ویژگی لاگ" }, "insight": { "en": "Resource fractions and timing are defender inputs directly influenced by full/HTML-only downloads and waiting actions, explaining why joint policy learning matters.", "fa": "سهم منابع و زمان ورودی مدافع‌اند که دانلود کامل/HTML و مکث مستقیم تغییر می‌دهند؛ یادگیری مشترک سیاست از این رو مهم است." }, "image": "figures/p-b2d483606620-page-6-detail.webp" }, { "label": "Table 6", "page": 10, "caption": { "en": "First-phase evasion versus training", "fa": "فرار مرحله اول نسبت به آموزش" }, "insight": { "en": "Use the training-bot/request column as well as evasion. The best shown 44.2% checkpoint uses 27,175 replacement training instances; later checkpoints are not monotonically better.", "fa": "ستون بات/درخواست آموزش را همراه فرار بخوان؛ ایستگاه ۴۴٫۲٪ به ۲۷۱۷۵ نمونه جایگزین نیاز دارد و ایستگاه بعد الزاماً بهتر نیست." }, "image": "figures/p-b2d483606620-page-10-detail.webp" }, { "label": "Table 7", "page": 10, "caption": { "en": "Adaptation against retrained defender", "fa": "سازگاری مقابل مدافع بازآموزی‌شده" }, "insight": { "en": "Separate the unchanged old policy's 3.4% from a newly trained policy's 56.5%; the latter spends two million requests and 65,779 identities against one updated defender.", "fa": "۳٫۴٪ سیاست قدیمی ثابت را از ۵۶٫۵٪ سیاست تازه جدا کن؛ دومی دو میلیون درخواست و ۶۵۷۷۹ هویت مقابل یک مدافع به‌روزشده مصرف می‌کند." }, "image": "figures/p-b2d483606620-page-10-detail.webp" } ], "limitations": [ { "en": "Controlled Wikipedia server, 28 human participants and small defender dataset limit generality.", "fa": "سرور کنترل‌شده ویکی‌پدیا، ۲۸ انسان و داده کوچک مدافع تعمیم را محدود می‌کند.", "pages": [ 8 ] }, { "en": "Unlimited fresh fingerprint access and known URLs are simplifying assumptions.", "fa": "دسترسی به اثرانگشت تازه و URLهای شناخته‌شده فرض ساده‌ساز است.", "pages": [ 4, 5 ] }, { "en": "The detector uses web logs only; results do not establish evasion of combined hardware, network and behavior signals.", "fa": "مدافع فقط لاگ وب دارد؛ نتیجه عبور از ترکیب سخت‌افزار، شبکه و رفتار را ثابت نمی‌کند.", "pages": [ 5, 6 ] } ], "findings": [ { "en": "At 300K requests, phase-one evasion is 44.2% across 1,000 test bots and consumes 27,175 training bot instances.", "fa": "در 300K فرار مرحله اول ۴۴٫۲٪ در هزار بات آزمون و مصرف آموزش ۲۷۱۷۵ بات است.", "pages": [ 10 ] }, { "en": "Defender retraining reduces the unchanged agent to 3.4%; independent re-adaptation reaches 56.5% only at two million training requests/65,779 instances.", "fa": "بازآموزی مدافع عامل ثابت را به ۳٫۴٪ می‌رساند؛ سازگاری مجدد در دو میلیون درخواست/۶۵۷۷۹ نمونه به ۵۶٫۵٪ می‌رسد.", "pages": [ 10 ] }, { "en": "The action space has 1,980 choices and the state 220 capped counters; browser fingerprints are reset resources outside the implemented log detector.", "fa": "فضای کنش ۱۹۸۰ انتخاب و حالت ۲۲۰ شمارنده محدود دارد؛ اثرانگشت تازه منبع بیرون از آشکارساز لاگ است.", "pages": [ 4, 5, 6, 8 ] } ], "thesisUse": { "en": "Our synthesis: treat adaptive attackers as part of evaluation, explicitly budget training queries and fresh identities, and test whether fingerprint continuity reduces the clean-slate assumption.", "fa": "تحلیل ما برای تز: مهاجم سازگار را وارد ارزیابی کنید؛ بودجه پرس‌وجوی آموزش و هویت تازه را مشخص کنید و بسنجید تداوم اثرانگشت چگونه فرض شروع پاک را کاهش می‌دهد." }, "related": [ "p-5f73ed0cc29a", "p-79a8187df7aa" ], "keywords": [ "DQN", "web logs", "adaptive attacker", "query budget" ], "pdf": "papers/p-b2d483606620.pdf", "pages": 12, "sha256": "b2d483606620813786a1f907424141e774aaa0ddbce0eb0eb6f5c3b350a6e20a", "sourcePath": "مقالات\\Browser fingerprinting\\2022 Web Bot detection evasion using deep reinforcement learning.pdf", "duplicates": [], "isNew": false }, { "id": "p-898786a7be50", "title": "A Large-scale Empirical Analysis of Browser Fingerprints Properties for Web Authentication", "titleFa": "تحلیل تجربی بزرگ‌مقیاس ویژگی‌های اثرانگشت مرورگر برای احراز هویت وب", "year": 2021, "authors": [ "Nampoina Andriamilanto", "Tristan Allard", "Gaëtan Le Guelvouit", "Alexandre Garel" ], "venue": "ACM Transactions on the Web", "domains": [ "fingerprinting" ], "topics": [ "authentication", "measurement", "signals" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3478026", "problem": { "en": "Are large browser fingerprints distinctive, stable and affordable enough to strengthen web authentication?", "fa": "آیا اثرانگشت‌های بزرگ مرورگر برای تقویت احراز هویت به‌اندازه کافی متمایز، پایدار و کم‌هزینه‌اند؟" }, "idea": { "en": "Evaluate biometric-inspired properties using six months of real traffic, time-partitioned anonymity sets, consecutive-pair similarity and authentication matching.", "fa": "ارزیابی ویژگی‌های الهام‌گرفته از زیست‌سنجی با شش ماه ترافیک واقعی، مجموعه ناشناسی تقسیم‌شده در زمان، شباهت زوج‌های متوالی و تطبیق احراز هویت." }, "result": { "en": "Among 1,989,365 browser identifiers and 4,145,408 fingerprints, time-partitioned uniqueness exceeds 81.3%; a simple matcher reaches approximately 0.61% equal error rate.", "fa": "در ۱۹۸۹۳۶۵ شناسه مرورگر و ۴۱۴۵۴۰۸ اثرانگشت، یکتایی در تقسیم زمانی بیش از ۸۱٫۳٪ است؛ تطبیق ساده به نرخ خطای برابر حدود ۰٫۶۱٪ می‌رسد." }, "sections": [ { "heading": { "en": "Authentication versus tracking", "fa": "احراز هویت در برابر ردیابی" }, "en": "Authentication verifies a fingerprint against the few browsers registered to a claimed account; identification searches a whole population. The paper evaluates distinctiveness, stability and performance as an additional factor rather than a password replacement. Universality is qualified: HTTP headers remain available without JavaScript, but the fingerprint loses information.", "fa": "احراز هویت اثرانگشت را با چند مرورگر ثبت‌شده حساب ادعاشده مقایسه می‌کند؛ شناسایی کل جمعیت را جست‌وجو می‌کند. مقاله تمایز، پایداری و عملکرد را برای عامل کمکی، نه جایگزین رمز، می‌سنجد. HTTP header بدون جاوااسکریپت موجود است، اما اطلاعات اثرانگشت کاهش می‌یابد.", "pages": [ 1, 2, 3, 4, 12, 13, 14, 15, 39, 40 ] }, { "heading": { "en": "Population, collection and preprocessing", "fa": "جمعیت، جمع‌آوری و پیش‌پردازش" }, "en": "Data were collected December 2016–June 2017 from general-audience French news/weather pages, not a volunteer fingerprint-test site. From 8,205,416 raw entries, cleaning, UID resynchronization and deduplication yield 5,714,738 observations, 4,145,408 browser-specific fingerprints and 3,578,196 distinct fingerprints from 1,989,365 browser IDs. The 216 base attributes plus 46 derivatives total 262, and only 27.53% of browser IDs recur; cookie/IP-assisted IDs are an approximation of browser ground truth.", "fa": "داده از دسامبر ۲۰۱۶ تا ژوئن ۲۰۱۷ در صفحات عمومی خبر/هواشناسی فرانسوی جمع شده، نه سایت داوطلبانه آزمایش اثرانگشت. پالایش، همگام‌سازی شناسه و حذف تکرار از ۸۲۰۵۴۱۶ رکورد خام، ۵۷۱۴۷۳۸ مشاهده، ۴۱۴۵۴۰۸ اثرانگشت وابسته به مرورگر و ۳۵۷۸۱۹۶ مقدار متمایز از ۱۹۸۹۳۶۵ شناسه می‌دهد. ۲۱۶ ویژگی پایه و ۴۶ مشتق مجموعاً ۲۶۲ هستند؛ فقط ۲۷٫۵۳٪ شناسه‌ها تکرار دارند و شناسه کوکی/IP تقریب حقیقت مبناست.", "pages": [ 5, 6, 7, 8, 9, 10, 11 ] }, { "heading": { "en": "Uniqueness measured at the right time", "fa": "سنجش یکتایی در زمان مناسب" }, "en": "The complete-dataset uniqueness is 81.8%, but the authors avoid overweighting browsers with many changing unique fingerprints by retaining each browser's latest fingerprint per day. In these time-partitioned datasets uniqueness stays above 81.3%, with more than 94.7% shared by at most eight browsers. Mobile uniqueness is about 42% versus roughly 84% for desktops; attribute coverage and population composition matter.", "fa": "یکتایی کل داده ۸۱٫۸٪ است، اما نویسندگان برای پرهیز از وزن بیش از حد مرورگرهای با اثرانگشت متغیر، آخرین اثرانگشت هر مرورگر را در هر روز نگه می‌دارند. در تقسیم زمانی یکتایی بالای ۸۱٫۳٪ و بیش از ۹۴٫۷٪ اثرانگشت‌ها مشترک میان حداکثر هشت مرورگر است. یکتایی موبایل حدود ۴۲٪ و دسکتاپ حدود ۸۴٪ است؛ پوشش ویژگی و ترکیب جمعیت اهمیت دارند.", "pages": [ 13, 15, 16, 17 ] }, { "heading": { "en": "Longitudinal stability", "fa": "پایداری طولی" }, "en": "The study compares 3,725,373 consecutive fingerprint pairs and retains interleaved returns to earlier values, which occurred for 10.59% of browsers. Average attribute agreement remains above 91% up to 174 days apart. Because identical consecutive observations were removed, this is a conservative estimate; overall agreement also hides individual unstable attributes such as bounding-box height and Cache-Control.", "fa": "۳۷۲۵۳۷۳ زوج متوالی مقایسه شده و بازگشت به مقدار قبلی نیز حفظ می‌شود؛ این حالت برای ۱۰٫۵۹٪ مرورگرها رخ داده است. میانگین توافق ویژگی تا فاصله ۱۷۴ روز بالای ۹۱٪ می‌ماند. حذف مشاهدات یکسان متوالی این تخمین را محافظه‌کار می‌کند؛ میانگین کلی ناپایداری ویژگی‌هایی مانند ارتفاع bounding box و Cache-Control را پنهان می‌کند.", "pages": [ 9, 17, 18, 27, 28 ] }, { "heading": { "en": "Collection and storage costs", "fa": "هزینه جمع‌آوری و ذخیره" }, "en": "Median complete collection takes 2.92 seconds and 95% finishes within 10.42 seconds after removing >30-second outliers, fewer than 1% of observations. Median size is 7,550 bytes and 95% is below 12 KB; canvas hashes and ASCII encoding contribute to compactness. Appendix B documents timer throttling and missing timing for asynchronous methods, including WebRTC and audio, so costs cannot be transferred directly to current browsers.", "fa": "میانه جمع‌آوری کامل ۲٫۹۲ ثانیه و صدک ۹۵ برابر ۱۰٫۴۲ ثانیه است، پس از حذف زمان‌های بیش از ۳۰ ثانیه که کمتر از ۱٪ مشاهدات‌اند. اندازه میانه ۷۵۵۰ بایت و ۹۵٪ کمتر از ۱۲ کیلوبایت است؛ هش canvas و کدگذاری ASCII در این اندازه نقش دارند. پیوست B محدودسازی تایمر و زمان مفقود روش‌های ناهم‌زمان مانند WebRTC و صوت را توضیح می‌دهد؛ هزینه به مرورگر امروز قابل انتقال مستقیم نیست.", "pages": [ 18, 19, 20, 50, 51, 52 ] }, { "heading": { "en": "Simple and advanced verification", "fa": "تطبیق ساده و پیشرفته" }, "en": "Six monthly samples form 3,467,289 same-browser comparisons and the same number of randomly paired different-browser comparisons. Counting identical attributes gives approximately 0.61% EER at threshold 232; Appendix Table 14 prints 0.62%, a small source inconsistency. An advanced matcher uses edit, Jaccard and numerical distances with SVM-derived attribute thresholds, but reaches 0.66% EER because relaxed matching helps different-browser pairs more.", "fa": "شش نمونه ماهانه ۳۴۶۷۲۸۹ مقایسه همان مرورگر و همین تعداد زوج تصادفی مرورگر متفاوت می‌سازد. شمارش ویژگی یکسان در آستانه ۲۳۲ به EER حدود ۰٫۶۱٪ می‌رسد؛ جدول ۱۴ پیوست ۰٫۶۲٪ چاپ کرده و ناسازگاری کوچکی وجود دارد. روش پیشرفته فاصله ویرایش، جاکارد و عددی با آستانه حاصل از SVM دارد، اما چون انعطاف به زوج متفاوت بیشتر کمک می‌کند EER به ۰٫۶۶٪ می‌رسد.", "pages": [ 20, 21, 22, 53, 54, 55, 56 ] }, { "heading": { "en": "Attribute selection and dependence", "fa": "انتخاب ویژگی و وابستگی" }, "en": "Only about 10% of attributes have normalized entropy above 0.25; 49 of the 253 non-source attributes considered in dependence analysis can be completely inferred from one other attribute. Inner window height, fonts, plugins and unmasked WebGL renderer retain meaningful conditional information. Selection should therefore consider conditional gain, stability and cost together, rather than summing marginal entropies.", "fa": "فقط حدود ۱۰٪ ویژگی‌ها آنتروپی نرمال بالای ۰٫۲۵ دارند؛ از ۲۵۳ ویژگی غیرمنبع در تحلیل وابستگی، ۴۹ مورد کاملاً از یک ویژگی دیگر قابل استنتاج‌اند. ارتفاع داخلی پنجره، فونت، افزونه و renderer آشکار WebGL اطلاعات شرطی قابل توجه دارند. انتخاب باید سود شرطی، پایداری و هزینه را هم‌زمان بسنجد، نه جمع ساده آنتروپی حاشیه‌ای.", "pages": [ 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 57, 58, 59, 60, 61, 62, 63 ] }, { "heading": { "en": "Dynamic rendering trade-offs", "fa": "مصالحه رندر پویا" }, "en": "Complex drawing improves canvas distinctiveness but increases runtime and instability. The custom PNG has normalized entropy 0.420, sameness 92.16% and median cost 257 ms, versus the AmIUnique-style PNG at 0.353, 98.64% and 31 ms. JPEG compression reduces entropy and improves stability; audio traces add information but are slower and about 95% stable in this historical population.", "fa": "نقاشی پیچیده تمایز canvas را بهتر می‌کند ولی هزینه و ناپایداری را افزایش می‌دهد. PNG سفارشی آنتروپی نرمال ۰٫۴۲۰، ثبات ۹۲٫۱۶٪ و هزینه میانه ۲۵۷ میلی‌ثانیه دارد؛ PNG شبیه AmIUnique به‌ترتیب ۰٫۳۵۳، ۹۸٫۶۴٪ و ۳۱ میلی‌ثانیه دارد. JPEG آنتروپی را کاهش و ثبات را افزایش می‌دهد؛ رد صوت اطلاعات می‌افزاید ولی کندتر است و در این جمعیت تاریخی حدود ۹۵٪ ثابت می‌ماند.", "pages": [ 33, 34, 35, 36, 49, 50, 51 ] }, { "heading": { "en": "Attacks, enrollment and fallback", "fa": "حمله، ثبت‌نام و مسیر جایگزین" }, "en": "The proposed lifecycle stores an initial fingerprint, requires stronger factors to enroll another browser, updates recognized fingerprints and provides account recovery after large changes. An attacker may forge attributes; uniqueness does not prevent replay of a stolen fingerprint. Variable rendering challenges can mitigate stale replay, but live relay remains possible, while dictionary attacks depend on the target population and rate limiting.", "fa": "چرخه پیشنهادی اثرانگشت اولیه را ذخیره می‌کند، برای مرورگر جدید عامل قوی‌تر می‌خواهد، اثرانگشت شناخته‌شده را به‌روز می‌کند و پس از تغییر بزرگ بازیابی حساب دارد. مهاجم می‌تواند ویژگی جعل کند؛ یکتایی بازپخش اثرانگشت سرقت‌شده را متوقف نمی‌کند. چالش رندر متغیر بازپخش قدیمی را کاهش می‌دهد، اما رله زنده ممکن است و حمله فرهنگ‌لغت به جمعیت هدف و محدودیت نرخ وابسته است.", "pages": [ 36, 37, 38, 39, 40 ] } ], "figures": [ { "label": "Figure 2", "page": 16, "caption": { "en": "Anonymity-set sizes over time.", "fa": "اندازه مجموعه ناشناسی در زمان." }, "insight": { "en": "Time partitioning avoids treating many fingerprints of one browser as many independent people.", "fa": "تقسیم زمانی چند اثرانگشت یک مرورگر را چند فرد مستقل فرض نمی‌کند." }, "image": "figures/p-898786a7be50-page-16-detail.webp" }, { "label": "Figure 4", "page": 18, "caption": { "en": "Consecutive fingerprint similarity by time gap.", "fa": "شباهت اثرانگشت متوالی نسبت به فاصله زمانی." }, "insight": { "en": "Report pair counts alongside stability, because distant gaps have fewer observations.", "fa": "تعداد زوج‌ها باید کنار پایداری گزارش شود؛ فاصله دور نمونه کمتری دارد." }, "image": "figures/p-898786a7be50-page-18-detail.webp" }, { "label": "Figure 9", "page": 21, "caption": { "en": "Matching errors by identical-attribute threshold.", "fa": "خطاهای تطبیق نسبت به آستانه ویژگی یکسان." }, "insight": { "en": "EER measures random-pair verification, not success against fingerprint theft.", "fa": "EER تطبیق زوج تصادفی است، نه مقاومت در برابر سرقت اثرانگشت." }, "image": "figures/p-898786a7be50-page-21-detail.webp" }, { "label": "Figure 15", "page": 31, "caption": { "en": "Conditional-entropy matrix.", "fa": "ماتریس آنتروپی شرطی." }, "insight": { "en": "Many browser properties are redundant and entropy should not be added naively.", "fa": "ویژگی‌های بسیار هم‌پوشان‌اند و جمع ساده آنتروپی درست نیست." }, "image": "figures/p-898786a7be50-page-31-detail.webp" }, { "label": "Table 16", "page": 58, "caption": { "en": "Full attribute catalog, continuing through page 63.", "fa": "فهرست کامل ویژگی‌ها، ادامه تا صفحه ۶۳." }, "insight": { "en": "A reusable reference for feature definitions, costs and historical stability.", "fa": "مرجع قابل استفاده برای تعریف ویژگی، هزینه و پایداری تاریخی." }, "image": "figures/p-898786a7be50-page-58-detail.webp" } ], "limitations": [ { "en": "The traffic dates to 2016–2017 and is dominated by French desktop visitors; current APIs and global mobile traffic differ.", "fa": "ترافیک مربوط به ۲۰۱۶–۲۰۱۷ و غالباً دسکتاپ فرانسوی است؛ API امروز و ترافیک موبایل جهانی متفاوت است.", "pages": [ 5, 6, 7, 8 ] }, { "en": "Cookie/IP-assisted resynchronization is imperfect browser identity ground truth, and JavaScript-disabled visitors are excluded.", "fa": "همگام‌سازی کوکی/IP حقیقت مبنای کامل هویت مرورگر نیست و بازدیدکننده بدون جاوااسکریپت کنار گذاشته شده است.", "pages": [ 8, 9, 10, 11 ] }, { "en": "Random different-browser matching does not simulate targeted replay, live relay or adaptive bot attacks.", "fa": "تطبیق تصادفی مرورگر متفاوت، بازپخش هدفمند، رله زنده یا بات سازگارشونده را شبیه‌سازی نمی‌کند.", "pages": [ 20, 21, 22, 37, 38, 39 ] } ], "findings": [ { "en": "The complete-dataset uniqueness is 81.8%, but the authors avoid overweighting browsers with many changing unique fingerprints by retaining each browser's latest fingerprint per day. In these time-partitioned datasets uniqueness stays above 81.3%, with more than 94.7% shared by at most eight browsers. Mobile uniqueness is about 42% versus roughly 84% for desktops; attribute coverage and population composition matter.", "fa": "یکتایی کل داده ۸۱٫۸٪ است، اما نویسندگان برای پرهیز از وزن بیش از حد مرورگرهای با اثرانگشت متغیر، آخرین اثرانگشت هر مرورگر را در هر روز نگه می‌دارند. در تقسیم زمانی یکتایی بالای ۸۱٫۳٪ و بیش از ۹۴٫۷٪ اثرانگشت‌ها مشترک میان حداکثر هشت مرورگر است. یکتایی موبایل حدود ۴۲٪ و دسکتاپ حدود ۸۴٪ است؛ پوشش ویژگی و ترکیب جمعیت اهمیت دارند.", "pages": [ 13, 15, 16, 17 ] }, { "en": "The study compares 3,725,373 consecutive fingerprint pairs and retains interleaved returns to earlier values, which occurred for 10.59% of browsers. Average attribute agreement remains above 91% up to 174 days apart. Because identical consecutive observations were removed, this is a conservative estimate; overall agreement also hides individual unstable attributes such as bounding-box height and Cache-Control.", "fa": "۳۷۲۵۳۷۳ زوج متوالی مقایسه شده و بازگشت به مقدار قبلی نیز حفظ می‌شود؛ این حالت برای ۱۰٫۵۹٪ مرورگرها رخ داده است. میانگین توافق ویژگی تا فاصله ۱۷۴ روز بالای ۹۱٪ می‌ماند. حذف مشاهدات یکسان متوالی این تخمین را محافظه‌کار می‌کند؛ میانگین کلی ناپایداری ویژگی‌هایی مانند ارتفاع bounding box و Cache-Control را پنهان می‌کند.", "pages": [ 9, 17, 18, 27, 28 ] }, { "en": "Median complete collection takes 2.92 seconds and 95% finishes within 10.42 seconds after removing >30-second outliers, fewer than 1% of observations. Median size is 7,550 bytes and 95% is below 12 KB; canvas hashes and ASCII encoding contribute to compactness. Appendix B documents timer throttling and missing timing for asynchronous methods, including WebRTC and audio, so costs cannot be transferred directly to current browsers.", "fa": "میانه جمع‌آوری کامل ۲٫۹۲ ثانیه و صدک ۹۵ برابر ۱۰٫۴۲ ثانیه است، پس از حذف زمان‌های بیش از ۳۰ ثانیه که کمتر از ۱٪ مشاهدات‌اند. اندازه میانه ۷۵۵۰ بایت و ۹۵٪ کمتر از ۱۲ کیلوبایت است؛ هش canvas و کدگذاری ASCII در این اندازه نقش دارند. پیوست B محدودسازی تایمر و زمان مفقود روش‌های ناهم‌زمان مانند WebRTC و صوت را توضیح می‌دهد؛ هزینه به مرورگر امروز قابل انتقال مستقیم نیست.", "pages": [ 18, 19, 20, 50, 51, 52 ] } ], "thesisUse": { "en": "Thesis analysis: use this as the methodological foundation for cost-aware, longitudinal fingerprint evaluation. Re-measure a modern local population, separate identification, account verification and bot classification, hold out later dates, and evaluate forged fingerprints in addition to random mismatches.", "fa": "تحلیل برای تز: این مقاله پایه روش‌شناختی ارزیابی طولی و هزینه‌محور اثرانگشت است. جمعیت محلی امروز را دوباره اندازه بگیر، شناسایی، تأیید حساب و طبقه‌بندی بات را جدا کن، تاریخ جدید را از آموزش کنار بگذار و علاوه بر عدم تطبیق تصادفی، اثرانگشت جعل‌شده را آزمون کن." }, "related": [ "p-da4fb50e5256", "p-df0b0b0c4107", "p-79a8187df7aa" ], "keywords": [ "anonymity set", "entropy", "stability", "EER", "authentication", "conditional entropy" ], "pdf": "papers/p-898786a7be50.pdf", "pages": 63, "sha256": "898786a7be50d92b657640d296d28ed098767f9efbfdeca1839362834c17b4df", "sourcePath": "مقالات\\Browser fingerprinting\\2021 A large-scale empirical analysis of browser fingerprints properties for web authentication (TWEB).pdf", "duplicates": [], "isNew": false }, { "id": "new-becaptcha-mobile", "title": "BeCAPTCHA: Behavioral bot detection using touchscreen and mobile sensors benchmarked on HuMIdb", "titleFa": "BeCAPTCHA: تشخیص رفتاری بات با لمس و حسگر موبایل بر HuMIdb", "year": 2021, "authors": [ "Alejandro Acien", "Aythami Morales", "Julian Fierrez", "Ruben Vera-Rodriguez", "Oscar Delgado-Mohatar" ], "venue": "Engineering Applications of Artificial Intelligence 98,104058", "kind": "paper", "domains": [ "bots" ], "topics": [ "behavior", "detection", "signals" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1016/j.engappai.2020.104058", "problem": { "en": "Detect synthetic mobile gestures.", "fa": "تشخیص ژست مصنوعی موبایل." }, "idea": { "en": "Fuse touch features with accelerometer statistics.", "fa": "ادغام ویژگی لمس و آمار شتاب‌سنج." }, "result": { "en": "One-class mixed-bot accuracy:touch57.1%,fusion80.5%.", "fa": "دقت تک‌کلاس بات ترکیبی:لمس57.1٪،ادغام80.5٪." }, "sections": [ { "heading": { "en": "Human data", "fa": "داده انسانی" }, "en": "600users,230models,14sensors;18K experimental samples.", "fa": "۶۰۰کاربر،۲۳۰مدل،۱۴حسگر؛۱۸هزار نمونه آزمایش.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Features", "fa": "ویژگی" }, "en": "Six touch metrics;axis mean,median,RMS,SD.", "fa": "شش معیار لمس؛میانگین،میانه،RMS،SD محورها.", "pages": [ 5 ] }, { "heading": { "en": "Attacks", "fa": "حمله" }, "en": "Handcrafted and LSTM-GAN synthetic signals.", "fa": "سیگنال مصنوعی دستی و LSTM-GAN.", "pages": [ 5 ] }, { "heading": { "en": "Protocol", "fa": "پروتکل" }, "en": "Random70/30samples;five repeats;unseen-generator tests.", "fa": "نمونه تصادفی۷۰/۳۰؛پنج تکرار؛مولد نادیده.", "pages": [ 6 ] }, { "heading": { "en": "Known bots", "fa": "بات آشنا" }, "en": "Mixed-source RF fusion accuracy99.8%,F1=99.8%.", "fa": "RF ادغامی منبع ترکیبی:دقت99.8٪،F1=99.8٪.", "pages": [ 6 ] }, { "heading": { "en": "Transfer", "fa": "انتقال" }, "en": "Unknown-generator accuracy drops;one-class fusion helps.", "fa": "دقت مولد نادیده افت می‌کند؛ادغام تک‌کلاس مفید است.", "pages": [ 6, 7 ] } ], "findings": [ { "en": "More source-specific training can worsen transfer.", "fa": "آموزش منبع خاص بیشتر می‌تواند انتقال را بدتر کند.", "pages": [ 6, 7 ] }, { "en": "GAN discriminator is not uniformly best.", "fa": "تفکیک‌کننده GAN همواره بهترین نیست.", "pages": [ 8 ] }, { "en": "Task is a rightward drag.", "fa": "وظیفه کشیدن به راست است.", "pages": [ 4, 10 ] } ], "limitations": [ { "en": "Synthetic attacks,not production bots.", "fa": "حمله مصنوعی،نه بات عملیاتی.", "pages": [ 5, 6 ] }, { "en": "Sample split lacks user-disjoint guarantee.", "fa": "تقسیم نمونه تضمین جدایی کاربر ندارد.", "pages": [ 6 ] }, { "en": "Browser sensor deployment unvalidated.", "fa": "استقرار حسگر مرورگری اعتبارسنجی نشده.", "pages": [ 3, 4 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "Modality fusion", "fa": "ادغام وجه‌ها" }, "insight": { "en": "Complementarity.", "fa": "مکمل‌بودن." }, "analysis": { "en": "Our methodological proposal: compare touch-only, motion-only and fused scores using the same held-out users and a fixed human false-positive threshold. Add a missing-sensor branch and test stationary-phone and assistive-input conditions so absence of one modality does not automatically imply automation.", "fa": "پیشنهاد روش‌شناختی ما: امتیاز لمس تنها، حرکت تنها و ادغام را با کاربران آزمون یکسان و آستانه ثابت مثبت کاذب انسانی مقایسه کنیم. شاخه حسگر مفقود اضافه و تلفن ثابت و ورودی دستیار را آزمون کنیم تا نبود یک وجه خودبه‌خود خودکارسازی تعبیر نشود." }, "image": "figures/new-becaptcha-mobile-page-2-detail.webp" }, { "label": "Figure 3", "page": 5, "caption": { "en": "Synthetic-gesture GAN", "fa": "GAN ژست‌مصنوعی" }, "insight": { "en": "Synthetic signals.", "fa": "سیگنال مصنوعی." }, "analysis": { "en": "Our methodological proposal: reserve an entire synthesis family and an independent human cohort for the final detector test. Evaluate separately synthesized, jointly synthesized and mismatched touch–motion pairs to ask whether a detector recognizes realistic interaction consistency or merely the artifacts of its training generator.", "fa": "پیشنهاد روش‌شناختی ما: یک خانواده تولید و گروه انسانی مستقل را برای آزمون نهایی کنار بگذاریم. جفت لمس–حرکتِ جداگانه تولیدشده، مشترک تولیدشده و نامتناسب را جدا بسنجیم تا مشخص شود آشکارساز سازگاری تعامل واقعی را می‌شناسد یا فقط آثار مولد آموزش را." }, "image": "figures/new-becaptcha-mobile-page-5-detail.webp" }, { "label": "Table 4", "page": 6, "caption": { "en": "Known/unseen generators", "fa": "مولد آشنا/نادیده" }, "insight": { "en": "Transfer gap.", "fa": "شکاف انتقال." }, "analysis": { "en": "Our methodological proposal: make source-aware versus source-held-out evaluation a visible distinction in the thesis results. Report per-attack confusion matrices and performance at the same human false-positive rate, because a large recall value alone can conceal a decision rule that flags too many real users.", "fa": "پیشنهاد روش‌شناختی ما: ارزیابی منبع آشنا و منبع کنارگذاشته‌شده را در نتایج تز آشکارا جدا کنیم. ماتریس سردرگمی هر حمله و عملکرد در نرخ مثبت کاذب انسانی یکسان را گزارش کنیم، چون recall بزرگ به‌تنهایی می‌تواند قاعده‌ای با پرچم‌گذاری زیاد انسان را پنهان کند." }, "image": "figures/new-becaptcha-mobile-page-6-detail.webp" }, { "label": "Figure 5", "page": 7, "caption": { "en": "Training-size sensitivity", "fa": "حساسیت حجم‌آموزش" }, "insight": { "en": "Overfitting risk.", "fa": "خطر بیش‌برازش." }, "analysis": { "en": "Our methodological proposal: vary training diversity independently of training size instead of adding samples from only one generator. Plot uncertainty over repeated user- and device-disjoint splits, and ask whether more independent attack families improve transfer when an equal number of extra same-source examples does not.", "fa": "پیشنهاد روش‌شناختی ما: تنوع آموزش را مستقل از حجم آن تغییر دهیم، نه فقط افزودن نمونه یک مولد. عدم قطعیت را در تقسیم تکراریِ کاربر و دستگاه جدا رسم کنیم و بسنجیم آیا خانواده حمله مستقل بیشتر انتقال را بهتر می‌کند، وقتی نمونه اضافه هم‌منبع با تعداد برابر مفید نیست." }, "image": "figures/new-becaptcha-mobile-page-7-detail.webp" }, { "label": "Table 5", "page": 7, "caption": { "en": "Human-only training", "fa": "آموزش فقط‌انسان" }, "insight": { "en": "Fusion gain.", "fa": "سود ادغام." }, "analysis": { "en": "Our methodological proposal: choose a one-class threshold using legitimate-user validation data and test it unchanged on withheld attack families. Pair accuracy with human rejection and task-completion rates, including device posture and motor-accessibility groups, before recommending a challenge that could systematically exclude some users.", "fa": "پیشنهاد روش‌شناختی ما: آستانه تک‌کلاس را با اعتبارسنجی کاربر مشروع انتخاب و بدون تغییر روی خانواده حمله کنارگذاشته‌شده آزمون کنیم. دقت را همراه رد انسان و تکمیل وظیفه، شامل وضعیت دستگاه و گروه دسترس‌پذیری حرکتی، گزارش کنیم پیش از توصیه چالشی که ممکن است گروهی را نظام‌مند کنار بگذارد." }, "image": "figures/new-becaptcha-mobile-page-7-detail.webp" } ], "thesisUse": { "en": "Our thesis proposal: use cross-modality consistency rather than collecting a large identity fingerprint. Ask whether touch motion and device motion jointly fit an interaction, while minimizing retention and excluding location, microphone, contacts and other unnecessary personal signals. Build user- and device-disjoint evaluations with matched tasks and withheld synthesis families; a sample-random split should be an additional diagnostic, not the main generalization claim. Include users who place the device on a table, use assistive input or have motor impairments, because an absence of typical motion is not proof of automation. In a web deployment, separately verify actual sensor permission, availability, sampling behavior and spoofability before transporting an Android-app result to browser JavaScript. Compare touch-only, sensor-only and fusion with calibrated thresholds at a fixed human false-positive budget. Measure security gain, battery/latency cost, consent acceptance and accessible fallback. Test replayed authentic sensor traces and cross-modality mismatches as stronger attackers, keeping approved automation separate from abuse.", "fa": "پیشنهاد ما برای تز: به‌جای اثرانگشت هویتی بزرگ، سازگاری بین وجه‌ها را بسنج. بررسی کن حرکت لمس و دستگاه با یک تعامل جور است یا نه، با نگهداری حداقلی و حذف موقعیت، میکروفون، مخاطب و سیگنال شخصی نامربوط. آزمون کاربر و دستگاه جدا با وظیفه همسان و خانواده مولد کنارگذاشته‌شده بساز؛ تقسیم تصادفی نمونه تشخیص کمکی باشد، نه ادعای اصلی تعمیم. کاربر دستگاه روی میز، ورودی دستیار و اختلال حرکتی را پوشش بده چون نبود حرکت معمول اثبات خودکارسازی نیست. برای وب، مجوز واقعی، دسترسی، نمونه‌برداری و جعل‌پذیری حسگر را پیش از انتقال نتیجه اپ اندروید به جاوااسکریپت مرورگر جداگانه اعتبارسنجی کن. لمس تنها، حسگر تنها و ادغام را با آستانه کالیبره در بودجه ثابت مثبت کاذب انسانی مقایسه کن. سود امنیت، باتری/تأخیر، پذیرش رضایت و مسیر جایگزین دسترس‌پذیر را بسنج. بازپخش رد حسگر واقعی و عدم تطابق وجه‌ها را مهاجم قوی‌تر آزمون کن و خودکارسازی مجاز را از سوءاستفاده جدا نگه دار." }, "related": [ "new-becaptcha-mouse", "p-5f73ed0cc29a" ], "keywords": [ "HuMIdb", "touch dynamics", "accelerometer", "GAN", "one-class classification" ], "pdf": "papers/new-becaptcha-mobile.pdf", "pages": 11, "sha256": "93e010379140bae6f387f75d34cc592a7b02aa5aa3fcb55b3bd136303e34e841", "duplicates": [], "downloadUrl": "https://biometrics.eps.uam.es/fierrez/files/2021_EAAI_BeCAPTCHA_Acien.pdf", "downloaded": "2026-10-12", "isNew": true }, { "id": "p-d5868dbb82a8", "title": "Fingerprinting the Fingerprinters: Learning to Detect Browser Fingerprinting Behaviors", "titleFa": "اثرانگشت‌گیری از اثرانگشت‌گیرها: یادگیری تشخیص رفتار اثرانگشت‌گیری مرورگر", "year": 2021, "authors": [ "Umar Iqbal", "Steven Englehardt", "Zubair Shafiq" ], "venue": "IEEE Symposium on Security and Privacy", "domains": [ "fingerprinting" ], "topics": [ "detection", "measurement", "privacy" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1109/SP40001.2021.00017", "problem": { "en": "How can fingerprinting collectors be detected and restricted while avoiding breakage of benign uses of the same APIs?", "fa": "چگونه جمع‌آورنده اثرانگشت را شناسایی و محدود کنیم بدون شکستن کاربرد مشروع همان APIها؟" }, "idea": { "en": "FP-Inspector combines decision trees trained on static AST features and dynamic execution features, then applies targeted restrictions.", "fa": "FP-Inspector خروجی درخت تصمیم ویژگی‌های AST ایستا و اجرای پویا را ترکیب و محدودسازی هدفمند اعمال می‌کند." }, "result": { "en": "Combined recall/precision are 93.8%/93.1%; 1,178 scripts versus 935 heuristic detections. Fingerprinting occurs on 9,040 of 88,741 successfully visited sites (10.18%).", "fa": "recall/precision ترکیبی ۹۳٫۸٪/۹۳٫۱٪ است؛ ۱۱۷۸ اسکریپت در برابر ۹۳۵ تشخیص قواعد دستی. اثرانگشت‌گیری در ۹۰۴۰ سایت از ۸۸۷۴۱ بازدید موفق، یعنی ۱۰٫۱۸٪ دیده می‌شود." }, "sections": [ { "heading": { "en": "Detection object and dual use", "fa": "موضوع تشخیص و کاربرد دوگانه" }, "en": "The detector labels JavaScript fingerprint collectors, not bots or authenticated users. Fingerprinting can support ad-fraud defense and also privacy-invasive linking, and observing an API call alone does not reveal intent. The paper intentionally begins with conservative canvas/WebRTC/font/audio labels rather than treating every screen-property read as fingerprinting.", "fa": "آشکارساز جمع‌آورنده جاوااسکریپت را برچسب می‌زند، نه بات یا کاربر احراز‌شده. اثرانگشت هم دفاع تقلب تبلیغاتی و هم پیوند حریم‌شکن را پشتیبانی می‌کند و یک فراخوانی API نیت را آشکار نمی‌کند. برچسب اولیه محافظه‌کارانه canvas/WebRTC/font/audio است، نه هر خواندن ویژگی صفحه.", "pages": [ 1, 2, 3, 8 ] }, { "heading": { "en": "Static representation and unpacking", "fa": "نمایش ایستا و بازکردن کد" }, "en": "An extended OpenWPM captures external scripts and HTML for inline scripts. Packed eval/Function code is executed in an instrumented browser to extract parsed script contents before AST construction. API-related parent–child pairs become binary features, variance filtering and information gain select the top 1,000 features, and a decision tree learns syntactic patterns.", "fa": "OpenWPM گسترش‌یافته اسکریپت خارجی و HTML برای اسکریپت درون‌صفحه را ثبت می‌کند. کد بسته‌بندی eval/Function در مرورگر ابزارگذاری‌شده باز می‌شود تا محتوای تجزیه‌شده پیش از AST استخراج شود. جفت والد–فرزند مرتبط با API ویژگی دودویی می‌شود؛ پالایش واریانس و سود اطلاعاتی هزار ویژگی برتر را برای درخت تصمیم انتخاب می‌کند.", "pages": [ 4, 5, 6 ] }, { "heading": { "en": "Dynamic behavior and union", "fa": "رفتار پویا و اجتماع خروجی" }, "en": "Instrumentation records API accesses, counts, arguments and returns, then derives more general features such as text length and canvas area. Another decision tree uses the top 1,000 dynamic features. A script is positive if either model is positive, giving coverage for dormant code via static inspection and obfuscation via observed execution; synthetic scrolling/events improve coverage but cannot execute every path.", "fa": "ابزارگذاری دسترسی، تعداد، ورودی و خروجی API را ثبت و ویژگی عمومی‌تر مانند طول متن و مساحت canvas می‌سازد. درخت دوم هزار ویژگی پویای برتر را استفاده می‌کند. مثبت بودن هر مدل کافی است؛ ایستا کد خفته و پویا کد مبهم اجراشده را پوشش می‌دهد، ولی اسکرول و رویداد مصنوعی همه مسیرها را اجرا نمی‌کند.", "pages": [ 6, 7, 16, 17 ] }, { "heading": { "en": "Ground truth and cross-validation", "fa": "حقیقت مبنا و اعتبارسنجی" }, "en": "A 20K-site sample successfully visits 17,629 sites and collects 153,354 distinct executing scripts; AST creation succeeds for 143,526. Heuristic labels are revised through three rounds of manual review of model disagreements, adding previously missed fingerprint behavior. This is pragmatic label improvement, but assessment remains dependent on expert judgments and the behavior covered by instrumentation.", "fa": "نمونه بیست‌هزار سایت، ۱۷۶۲۹ بازدید موفق و ۱۵۳۳۵۴ اسکریپت اجرایافته متمایز می‌دهد؛ ساخت AST برای ۱۴۳۵۲۶ موفق است. برچسب قواعد در سه دور بررسی دستی اختلاف مدل اصلاح و رفتارهای ازدست‌رفته اضافه می‌شود. این راه عملی بهبود برچسب است، اما ارزیابی به قضاوت متخصص و پوشش ابزارگذاری وابسته می‌ماند.", "pages": [ 8, 9, 10 ] }, { "heading": { "en": "Accuracy with the correct denominator", "fa": "دقت با مخرج درست" }, "en": "Ten-fold evaluation reports combined accuracy 99.9%, recall 93.8%, precision 93.1%, FPR 0.05% and FNR 6.1%. Combined detection rises from 935 heuristic scripts to 1,178, approximately 26% more, not a 26-point improvement in classifier accuracy. Static-only precision/recall are 92.7%/85.5%, and dynamic-only 99.1%/96.7%; accuracy is inflated by the large negative class.", "fa": "ارزیابی ده‌بخشی دقت ترکیبی ۹۹٫۹٪، recall برابر ۹۳٫۸٪، precision برابر ۹۳٫۱٪، FPR برابر ۰٫۰۵٪ و FNR برابر ۶٫۱٪ دارد. تشخیص از ۹۳۵ به ۱۱۷۸ اسکریپت، یعنی حدود ۲۶٪ تعداد بیشتر می‌رسد، نه ۲۶ واحد بهبود دقت. precision/recall ایستا ۹۲٫۷٪/۸۵٫۵٪ و پویا ۹۹٫۱٪/۹۶٫۷٪ است؛ منفی‌های فراوان دقت کلی را بالا می‌برند.", "pages": [ 9, 10 ] }, { "heading": { "en": "Mitigation and breakage", "fa": "دفاع و خرابی کارکرد" }, "en": "Four policies are tested: blanket API restriction, targeted restriction, request blocking and a hybrid. Two reviewers assess 61 deliberately challenging sites under all four policies, with 87.70% agreement over 244 assessments. Total breakage averages 68.03% for blanket versus 30.32% targeted restriction, 50% request blocking and 46.72% hybrid; these are not whole-web failure rates.", "fa": "چهار سیاست محدودسازی عمومی API، هدفمند، مسدودسازی درخواست و ترکیبی آزموده می‌شود. دو ارزیاب ۶۱ سایت عمداً دشوار را تحت هر چهار سیاست بررسی می‌کنند و در ۲۴۴ ارزیابی ۸۷٫۷۰٪ توافق دارند. خرابی کل برای عمومی ۶۸٫۰۳٪، هدفمند ۳۰٫۳۲٪، مسدودسازی درخواست ۵۰٪ و ترکیبی ۴۶٫۷۲٪ است؛ این نرخ خرابی کل وب نیست.", "pages": [ 7, 10, 11 ] }, { "heading": { "en": "Deployment, vendors and potential tracking", "fa": "گسترش، ارائه‌دهندگان و ردیابی بالقوه" }, "en": "The top-100K crawl successfully visits 88,741 sites; 9,040 deploy detected fingerprinting, 10.18% of successful visits. Rank effects are strong: 30.60% of successfully visited top-1K sites and 24.45% of ranks 1K–10K. Of 2,349 serving domains, 3.78% appear on a tracking list and 17.28% in cookie-sync records; these support potential linking, not proof every collector cross-site tracks.", "fa": "خزش صد‌هزار سایت ۸۸۷۴۱ بازدید موفق دارد؛ ۹۰۴۰ مورد جمع‌آورنده شناسایی‌شده دارند، یعنی ۱۰٫۱۸٪ بازدید موفق. اثر رتبه شدید است: ۳۰٫۶۰٪ هزارتای اول و ۲۴٫۴۵٪ رتبه هزار تا ده‌هزار. از ۲۳۴۹ دامنه ارائه‌دهنده، ۳٫۷۸٪ در فهرست ردیاب و ۱۷٫۲۸٪ در رکورد همگام‌سازی کوکی‌اند؛ این شاهد پیوند بالقوه است، نه اثبات ردیابی بین‌سایتی همه جمع‌آورنده‌ها.", "pages": [ 11, 12 ] }, { "heading": { "en": "API discovery and evasion boundaries", "fa": "کشف API و مرز دورزدن" }, "en": "Co-occurring API keywords form a graph partitioned by Louvain communities, revealing candidate permission, peripheral, timing, animation and sensor vectors. Keyword presence is evidence of possible use and requires manual confirmation of abuse. Per-script granularity can miss dispersed fingerprint logic or cause breakage when functional and fingerprint code are amalgamated; passive first-party fingerprinting remains difficult to stop.", "fa": "کلیدواژه APIهای هم‌رخداد گرافی با اجتماع‌های Louvain می‌سازند و بردارهای احتمالی مجوز، پیرامونی، زمان، انیمیشن و حسگر آشکار می‌شود. حضور کلیدواژه فقط امکان استفاده را نشان می‌دهد و سوءاستفاده نیازمند تأیید دستی است. دانه‌بندی اسکریپت منطق پراکنده را از دست می‌دهد یا در کد ادغام‌شده خرابی ایجاد می‌کند؛ توقف اثرانگشت منفعل شخص اول دشوار می‌ماند.", "pages": [ 12, 13, 14, 18, 19 ] } ], "figures": [ { "label": "Figure 1", "page": 4, "caption": { "en": "Static–dynamic pipeline and enforcement.", "fa": "خط لوله ایستا–پویا و اعمال سیاست." }, "insight": { "en": "Complementary views detect collectors while mitigation is a separate policy decision.", "fa": "نمایش مکمل جمع‌آورنده را شناسایی می‌کند و دفاع تصمیم جداگانه سیاستی است." }, "image": "figures/p-d5868dbb82a8-page-4-detail.webp" }, { "label": "Table II", "page": 10, "caption": { "en": "Classifier precision, recall and counts.", "fa": "precision، recall و تعداد طبقه‌بند." }, "insight": { "en": "99.9% accuracy should always be read with 93.8% recall and 93.1% precision.", "fa": "دقت ۹۹٫۹٪ باید همراه recall و precision خوانده شود." }, "image": "figures/p-d5868dbb82a8-page-10-detail.webp" }, { "label": "Table III", "page": 10, "caption": { "en": "Breakage on 61 challenging websites.", "fa": "خرابی در ۶۱ سایت دشوار." }, "insight": { "en": "Targeted restriction reduces breakage substantially but does not eliminate it.", "fa": "محدودسازی هدفمند خرابی را کم می‌کند ولی حذف نمی‌کند." }, "image": "figures/p-d5868dbb82a8-page-10-detail.webp" }, { "label": "Table IV", "page": 11, "caption": { "en": "Fingerprint deployment by site rank.", "fa": "گسترش اثرانگشت نسبت به رتبه سایت." }, "insight": { "en": "Denominators are successfully visited sites within each rank interval.", "fa": "مخرج، سایت‌های بازدیدشده موفق در هر بازه رتبه است." }, "image": "figures/p-d5868dbb82a8-page-11-detail.webp" }, { "label": "Figure 5", "page": 18, "caption": { "en": "Textual similarity with fingerprintjs2.", "fa": "شباهت متن با fingerprintjs2." }, "insight": { "en": "Library similarity alone overlaps heavily between positive and negative scripts.", "fa": "شباهت کتابخانه میان مثبت و منفی هم‌پوشانی زیاد دارد." }, "image": "figures/p-d5868dbb82a8-page-18-detail.webp" } ], "limitations": [ { "en": "Crawl execution and API instrumentation leave coverage gaps; manual, heuristic-seeded labels are imperfect.", "fa": "اجرای خزش و ابزارگذاری API شکاف پوشش دارد و برچسب دستی آغازشده از قواعد کامل نیست.", "pages": [ 8, 9, 16, 17 ] }, { "en": "Per-script relationships omit interactions among split collectors; code amalgamation complicates precise restrictions.", "fa": "روابط درون اسکریپت تعامل جمع‌آورنده پراکنده را جا می‌اندازد و ادغام کد محدودسازی دقیق را دشوار می‌کند.", "pages": [ 14 ] }, { "en": "Prevalence is a historical crawl estimate and breakage is measured on a selected difficult sample.", "fa": "شیوع تخمین خزش تاریخی و خرابی مربوط به نمونه انتخابی دشوار است.", "pages": [ 10, 11, 12 ] } ], "findings": [ { "en": "Instrumentation records API accesses, counts, arguments and returns, then derives more general features such as text length and canvas area. Another decision tree uses the top 1,000 dynamic features. A script is positive if either model is positive, giving coverage for dormant code via static inspection and obfuscation via observed execution; synthetic scrolling/events improve coverage but cannot execute every path.", "fa": "ابزارگذاری دسترسی، تعداد، ورودی و خروجی API را ثبت و ویژگی عمومی‌تر مانند طول متن و مساحت canvas می‌سازد. درخت دوم هزار ویژگی پویای برتر را استفاده می‌کند. مثبت بودن هر مدل کافی است؛ ایستا کد خفته و پویا کد مبهم اجراشده را پوشش می‌دهد، ولی اسکرول و رویداد مصنوعی همه مسیرها را اجرا نمی‌کند.", "pages": [ 6, 7, 16, 17 ] }, { "en": "A 20K-site sample successfully visits 17,629 sites and collects 153,354 distinct executing scripts; AST creation succeeds for 143,526. Heuristic labels are revised through three rounds of manual review of model disagreements, adding previously missed fingerprint behavior. This is pragmatic label improvement, but assessment remains dependent on expert judgments and the behavior covered by instrumentation.", "fa": "نمونه بیست‌هزار سایت، ۱۷۶۲۹ بازدید موفق و ۱۵۳۳۵۴ اسکریپت اجرایافته متمایز می‌دهد؛ ساخت AST برای ۱۴۳۵۲۶ موفق است. برچسب قواعد در سه دور بررسی دستی اختلاف مدل اصلاح و رفتارهای ازدست‌رفته اضافه می‌شود. این راه عملی بهبود برچسب است، اما ارزیابی به قضاوت متخصص و پوشش ابزارگذاری وابسته می‌ماند.", "pages": [ 8, 9, 10 ] }, { "en": "Ten-fold evaluation reports combined accuracy 99.9%, recall 93.8%, precision 93.1%, FPR 0.05% and FNR 6.1%. Combined detection rises from 935 heuristic scripts to 1,178, approximately 26% more, not a 26-point improvement in classifier accuracy. Static-only precision/recall are 92.7%/85.5%, and dynamic-only 99.1%/96.7%; accuracy is inflated by the large negative class.", "fa": "ارزیابی ده‌بخشی دقت ترکیبی ۹۹٫۹٪، recall برابر ۹۳٫۸٪، precision برابر ۹۳٫۱٪، FPR برابر ۰٫۰۵٪ و FNR برابر ۶٫۱٪ دارد. تشخیص از ۹۳۵ به ۱۱۷۸ اسکریپت، یعنی حدود ۲۶٪ تعداد بیشتر می‌رسد، نه ۲۶ واحد بهبود دقت. precision/recall ایستا ۹۲٫۷٪/۸۵٫۵٪ و پویا ۹۹٫۱٪/۹۶٫۷٪ است؛ منفی‌های فراوان دقت کلی را بالا می‌برند.", "pages": [ 9, 10 ] } ], "thesisUse": { "en": "Thesis analysis: FP-Inspector is a collector-discovery baseline and a bridge to the dual use of fingerprints in fraud defense and tracking. Reuse its static–dynamic rationale for signal auditing, and evaluate privacy breakage alongside bot-detection false positives instead of assuming fingerprint access is inherently malicious.", "fa": "تحلیل برای تز: FP-Inspector خط مبنای کشف جمع‌آورنده و پل کاربرد دوگانه اثرانگشت در دفاع تقلب و ردیابی است. منطق ایستا–پویا را برای ممیزی سیگنال به‌کار ببر و خرابی حریم خصوصی را کنار مثبت کاذب تشخیص بات بسنج، بدون فرض مخرب بودن ذاتی دسترسی اثرانگشت." }, "related": [ "p-a363c8c3f5e7", "p-acfcc6135bdb", "p-00fcd1b4467c" ], "keywords": [ "OpenWPM", "AST", "dynamic analysis", "script detection", "Louvain", "website breakage" ], "pdf": "papers/p-d5868dbb82a8.pdf", "pages": 19, "sha256": "d5868dbb82a8799feb2c98ace304f71924ec791620363182b4b1410b53213dae", "sourcePath": "مقالات\\Browser fingerprinting\\2021 Fingerprinting the fingerprinters Learning to detect browser fingerprinting behaviors (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "new-gummy-browsers", "title": "Gummy Browsers: Targeted Browser Spoofing against State-of-the-Art Fingerprinting Techniques", "titleFa": "Gummy Browsers: جعل هدفمند مرورگر علیه روش‌های اثرانگشت", "year": 2021, "authors": [ "Zengrui Liu", "Prakash Shrestha", "Nitesh Saxena" ], "venue": "arXiv:2110.10129v1 (2021 preprint)", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "evasion", "authentication", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/2110.10129", "problem": { "en": "Fingerprint uniqueness does not establish authenticity.", "fa": "یکتایی اثرانگشت اصالت را اثبات نمی‌کند." }, "idea": { "en": "Capture, then impersonate browser attributes.", "fa": "برداشت سپس جعل ویژگی مرورگر." }, "result": { "en": "239 victim trials: copied-record FPR mostly >0.95.", "fa": "۲۳۹ آزمون قربانی: FPR رکورد کپی عمدتاً بالای۰٫۹۵." }, "sections": [ { "heading": { "en": "", "fa": "" }, "en": "Attacker controls collection site and own browser.", "fa": "مهاجم سایت جمع‌آوری و مرورگر خود را کنترل می‌کند.", "pages": [ 8 ] }, { "heading": { "en": "", "fa": "" }, "en": "Injection, settings/debugging, script modification.", "fa": "تزریق، تنظیم/اشکال‌زدایی، تغییر اسکریپت.", "pages": [ 9, 10 ] }, { "heading": { "en": "", "fa": "" }, "en": "Visual demonstrations plus offline copied-fingerprint experiments.", "fa": "نمایش بصری و آزمایش آفلاین اثرانگشت کپی‌شده.", "pages": [ 11, 13 ] }, { "heading": { "en": "", "fa": "" }, "en": "15K public records/1,819 users; filtered to 239.", "fa": "۱۵هزار رکورد عمومی/۱۸۱۹ کاربر؛ پالایش تا۲۳۹.", "pages": [ 12, 13 ] }, { "heading": { "en": "", "fa": "" }, "en": "Panopticlick, FP-Stalker rule-based/hybrid; nine replay gaps.", "fa": "Panopticlick، قواعد/ترکیبی FP-Stalker؛ نه فاصلهٔ بازپخش.", "pages": [ 11, 14 ] }, { "heading": { "en": "", "fa": "" }, "en": "Real authentication/ad impacts remain hypothetical.", "fa": "اثر احراز‌هویت/تبلیغ واقعی فرضی باقی‌مانده.", "pages": [ 16, 18 ] } ], "findings": [ { "en": "Local FingerprintJS test spoofs 29 features and four consistency checks.", "fa": "آزمون محلی FingerprintJS: جعل۲۹ ویژگی و چهار بررسی سازگاری.", "pages": [ 24 ] } ], "limitations": [ { "en": "No network/sensor validation; reliable tracking only through about130 days.", "fa": "اعتبارسنجی شبکه/حسگر ندارد؛ ردیابی معتبر تاحدود۱۳۰روز.", "pages": [ 17, 18 ] } ], "figures": [ { "label": "Table 1", "page": 5, "caption": { "en": "Features support different spoofing methods.", "fa": "ویژگی‌ها روش‌های جعل متفاوتی دارند." }, "insight": { "en": "Network signals remain outside evaluation.", "fa": "سیگنال شبکه بیرون ارزیابی است." }, "analysis": { "en": "Our analysis: define attacker control separately for each input. Untested network evidence cannot be assumed either secure or bypassed.", "fa": "تحلیل ما: کنترل مهاجم را برای هر ورودی جدا تعریف کنید. امنیت یا دورزدن شاهد شبکهٔ آزمون‌نشده را نباید مفروض دانست." }, "image": "figures/new-gummy-browsers-page-5-detail.webp" }, { "label": "Figure 1", "page": 8, "caption": { "en": "Collected fingerprints enable later impersonation.", "fa": "اثر‌انگشت جمع‌آوری‌شده جعل بعدی را ممکن می‌کند." }, "insight": { "en": "Attacker controls their own browser.", "fa": "مهاجم مرورگر خود را کنترل می‌کند." }, "analysis": { "en": "Our analysis: distinguish possession of attributes from possession of credentials. Evaluate authorization separately from identity similarity.", "fa": "تحلیل ما: داشتن ویژگی را از داشتن اعتبارنامه جدا کنید. مجوز دسترسی را جدا از شباهت هویت ارزیابی کنید." }, "image": "figures/new-gummy-browsers-page-8-detail.webp" }, { "label": "Table 2", "page": 11, "caption": { "en": "Replay gaps range 1–365days.", "fa": "فاصلهٔ بازپخش از۱تا۳۶۵روز است." }, "insight": { "en": "Later intervals have limited data.", "fa": "بازه‌های دیرتر دادهٔ محدود دارند." }, "analysis": { "en": "Our analysis: retain trial counts for every time interval. Long replay schedules do not establish long-term success when observations are sparse.", "fa": "تحلیل ما: تعداد آزمون هر فاصله را حفظ کنید. برنامهٔ بازپخش طولانی با مشاهدهٔ کم موفقیت بلندمدت را اثبات نمی‌کند." }, "image": "figures/new-gummy-browsers-page-11-detail.webp" }, { "label": "Figures 4–6", "page": 16, "caption": { "en": "Legitimate tracking persists during impersonation.", "fa": "ردیابی معتبر هنگام جعل ادامه می‌یابد." }, "insight": { "en": "High FPR measures accepted spoofing.", "fa": "FPR بالا پذیرش جعل را می‌سنجد." }, "analysis": { "en": "Our analysis: report legitimate continuity and impersonation acceptance separately. A detector may maintain tracking while failing to establish authenticity.", "fa": "تحلیل ما: تداوم کاربر معتبر و پذیرش جعل را جدا گزارش کنید. آشکارساز ممکن است ردیابی را حفظ کند ولی اصالت را اثبات نکند." }, "image": "figures/new-gummy-browsers-page-16-detail.webp" }, { "label": "Figures 7/10", "page": 25, "caption": { "en": "Spoofed display matches victim attributes.", "fa": "نمایش جعلی با ویژگی قربانی تطبیق دارد." }, "insight": { "en": "Dashboard agreement demonstrates feature spoofing.", "fa": "توافق پیشخوان جعل ویژگی را نشان می‌دهد." }, "analysis": { "en": "Our analysis: compare raw server observations as well as screenshots. A matched dashboard does not prove that all hidden antifraud checks are defeated.", "fa": "تحلیل ما: مشاهدهٔ خام سرور را نیز کنار تصویر مقایسه کنید. پیشخوان همسان شکست تمام بررسی‌های پنهان ضدتقلب را اثبات نمی‌کند." }, "image": "figures/new-gummy-browsers-page-25-detail.webp" } ], "thesisUse": { "en": "Original thesis analysis — Use this as motivation for an adversarial benchmark, not as proof that every modern antifraud product is defeated. Implement a consented defensive test matrix: untouched clients, random spoofing, coherent profile spoofing, stale victim-profile replay, fresh replay, and real-browser automation with human-like behavior. Keep server observations independent of attacker-controlled client reports. Measure impersonation acceptance separately from bot detection and from legitimate-user continuity. Cross device/browser boundaries in held-out tests and include privacy extensions, language settings, VPN users, and accessibility software as benign conditions. A candidate MSc contribution is an explainable fusion model that detects contradictory identity claims while abstaining on unfamiliar legitimate configurations. Evaluate ablations for HTTP/client agreement, temporal freshness, behavioral evidence, and challenge-dependent outputs; ask whether each adds information under complete client compromise. Use verified account or cryptographic authentication for authorization, and avoid accepting a fingerprint as a secret. The entire proposed evaluation is our original synthesis.", "fa": "تحلیل اصیل پیشنهادی برای تز — این مقاله انگیزهٔ محک خصمانه است، نه اثبات شکست همهٔ سامانه‌های ضدتقلب جدید. ماتریس دفاعی رضایت‌مند بسازید: کلاینت عادی، جعل تصادفی، جعل پروفایل سازگار، بازپخش پروفایل قدیمی قربانی، بازپخش تازه و خودکارسازی مرورگر واقعی با رفتار شبه‌انسان. مشاهدهٔ سرور را مستقل از گزارش کلاینت تحت کنترل مهاجم نگه دارید. پذیرش جعل را جدا از تشخیص بات و تداوم کاربر معتبر بسنجید. دستگاه/مرورگر ندیده، افزونهٔ حریم خصوصی، زبان، VPN و نرم‌افزار دسترس‌پذیری را در شرایط سالم وارد کنید. سهم ممکن ارشد مدل ترکیبی توضیح‌پذیری است که ادعاهای هویتی متناقض را تشخیص دهد و در پیکربندی معتبر ناآشنا تصمیم ندهد. حذف ویژگی توافق HTTP/کلاینت، تازگی زمانی، رفتار و خروجی وابسته‌به‌چالش را بیازمایید؛ بپرسید در کنترل کامل کلاینت هرکدام چه اطلاعاتی می‌افزاید. مجوز دسترسی را بر احراز‌هویت معتبر یا رمزنگاری بنا کنید و اثرانگشت را راز فرض نکنید. کل این ارزیابی پیشنهادی تحلیل اصیل ماست." }, "related": [ "new-fp-scanner", "p-4e9a4185f215", "p-aaef6086b148" ], "keywords": [ "spoofing", "replay", "identity", "FP-Stalker" ], "reviewScope": { "en": "All substantive main sections and appendices A–D read; bibliography excluded. This record reviews 2021 arXiv v1, not the later conference edition.", "fa": "تمام بخش‌های اصلی و پیوست‌های A تا D خوانده شد؛ منابع مستثناست. رکورد نسخهٔ arXiv v1 سال۲۰۲۱ است، نه نسخهٔ کنفرانسی بعدی." }, "pdf": "papers/new-gummy-browsers.pdf", "pages": 30, "sha256": "d51d2be7275acd202775ba7f0b8549742c7ed46570ad0f317e0320c63fcd910d", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/2110.10129", "downloaded": "2026-10-12", "isNew": true }, { "id": "p-5f73ed0cc29a", "title": "Web Bot Detection Evasion Using Generative Adversarial Networks", "titleFa": "فرار از تشخیص بات وب با شبکه‌های مولد تخاصمی", "year": 2021, "authors": [ "Christos Iliou", "Theodoros Kostoulas", "Theodora Tsikrika", "Vasilis Katos", "Stefanos Vrochidis", "Ioannis Kompatsiaris" ], "venue": "IEEE CSR 2021", "domains": [ "bots" ], "topics": [ "behavior", "evasion", "detection" ], "kind": "paper", "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1109/CSR51186.2021.9527915", "problem": { "en": "Do mouse-trajectory classifiers generalize to a GAN trained on different human users?", "fa": "آیا طبقه‌بند مسیر ماوس به GAN آموزش‌دیده روی انسان‌های متفاوت تعمیم می‌یابد؟" }, "idea": { "en": "Encode coordinates and timing as images and train independent DCGAN generators on user-disjoint data.", "fa": "مختصات و زمان به تصویر تبدیل و مولد DCGAN مستقل روی داده کاربران جدا آموزش داده می‌شود." }, "result": { "en": "Average bot recall falls from 99.9% to 45.2% on Web trajectories and from 99.5% to 93.7% on mobile digits when testing a different generator.", "fa": "میانگین بازیابی بات با آزمون مولد متفاوت در مسیر وب از ۹۹٫۹٪ به ۴۵٫۲٪ و در رقم موبایل از ۹۹٫۵٪ به ۹۳٫۷٪ کاهش می‌یابد." }, "sections": [ { "heading": { "en": "Research question and adversary knowledge", "fa": "پرسش پژوهش و دانش مهاجم" }, "en": "The attack targets a server-side classifier of mouse or touchscreen trajectory images; browser-attribute spoofing and page-selection evasion are complementary assumptions, not evaluated components. The attacker already possesses human trajectories and trains a separate GAN without querying gradients of the defender. To make the test harder, the defender knows the attack family and trains on synthetic trajectories from an identically configured GAN, but the two generators see different users.", "fa": "حمله طبقه‌بند سمت سرورِ تصویر مسیر ماوس یا لمس را هدف می‌گیرد؛ جعل ویژگی مرورگر و انتخاب صفحه، فرض مکمل‌اند و اینجا آزموده نمی‌شوند. مهاجم از قبل مسیر انسان را دارد و GAN جدا را بدون پرس‌وجوی گرادیان مدافع آموزش می‌دهد. مدافع خانواده حمله را می‌شناسد و مسیر مصنوعی GAN با تنظیم یکسان را می‌آموزد، اما دو مولد کاربران متفاوتی می‌بینند.", "pages": [ 2, 3, 4 ] }, { "heading": { "en": "From events to an image", "fa": "از رویداد تا تصویر" }, "en": "For each page, JavaScript collects a sequence of (x,y,t) points and periodically sends it to the server. Each visited pixel receives the interval t(i+1)−t(i), giving an image of spatial movement with temporal intensity; input values are normalized to [0,1]. To accommodate different screen resolutions, each nonzero trajectory pixel is expanded to neighboring pixels within distance 30 before antialiased resizing to 56×56. This is an information-losing image representation, not a full event-stream model of button states, ordering and physical input generation.", "fa": "جاوااسکریپت برای هر صفحه توالی (x,y,t) را جمع و دوره‌ای به سرور می‌فرستد. مقدار پیکسل بازدیدشده فاصله t(i+1)−t(i) است؛ حرکت مکانی با شدت زمانی نمایش داده و ورودی به [۰،۱] نرمال می‌شود. برای وضوح‌های متفاوت، هر پیکسل غیرصفر تا همسایگی فاصله ۳۰ گسترش می‌یابد و سپس با antialias به ۵۶×۵۶ کوچک می‌شود. این بازنمایی تصویری بخشی از اطلاعات را حذف می‌کند و مدل کامل ترتیب رویداد، دکمه و ورودی فیزیکی نیست.", "pages": [ 3, 4 ] }, { "heading": { "en": "Defender CNN architecture", "fa": "معماری CNN مدافع" }, "en": "The 56×56×1 input passes through a 3×3 convolution with 64 channels, a 2×2 max pool, a second 3×3/64-channel convolution and another 2×2 max pool. The final 12×12×64 volume is flattened to 9,216 values and mapped to two softmax outputs for human versus synthetic trajectory. The implementation uses TensorFlow/Keras and trains the CNN for 30 epochs. Its learned boundary can include generator-specific artifacts rather than every possible bot behavior.", "fa": "ورودی ۵۶×۵۶×۱ از کانولوشن ۳×۳ با ۶۴ کانال، max pool برابر ۲×۲، کانولوشن دوم ۳×۳/۶۴ کانال و max pool دوم می‌گذرد. حجم نهایی ۱۲×۱۲×۶۴ به ۹۲۱۶ مقدار تخت و دو خروجی softmax انسان/مسیر مصنوعی تبدیل می‌شود. پیاده‌سازی TensorFlow/Keras است و CNN سی دوره آموزش دارد. مرز آموخته‌شده ممکن است آثار مولد خاص را بگیرد، نه همه رفتارهای ممکن بات.", "pages": [ 3, 4, 6 ] }, { "heading": { "en": "Generator and discriminator", "fa": "مولد و تفکیک‌کننده" }, "en": "The DCGAN generator maps 100-dimensional Gaussian noise through a dense layer to 7×7×256 features and upsamples through transposed convolutions to a 56×56 trajectory image. Batch normalization and LeakyReLU with alpha 0.3 are used in the generator; the authors changed the reference DCGAN's generator activation after preliminary trials. The discriminator uses two stride-two 5×5 convolutions, LeakyReLU and dropout 0.2 before a scalar output. Both attacker and defender GANs train for 20,000 epochs with the same architecture/configuration.", "fa": "مولد DCGAN نویز گاوسی صدبعدی را با لایه dense به ویژگی ۷×۷×۲۵۶ و سپس کانولوشن‌های ترانهاده به تصویر مسیر ۵۶×۵۶ تبدیل می‌کند. مولد batch normalization و LeakyReLU با alpha=0.3 دارد؛ فعال‌ساز نسخه مرجع پس از آزمایش مقدماتی تغییر کرده است. تفکیک‌کننده دو کانولوشن ۵×۵ با stride دو، LeakyReLU و dropout=0.2 پیش از خروجی تک‌مقداری دارد. GAN مهاجم و مدافع هر دو ۲۰هزار دوره با معماری و تنظیم یکسان آموزش می‌بینند.", "pages": [ 3, 4, 6 ] }, { "heading": { "en": "Human data and user-disjoint groups", "fa": "داده انسانی و گروه کاربران جدا" }, "en": "The Web dataset contains 27 volunteers, each making two 15–20-minute sessions on a server with 110 Wikipedia pages across 11 topics. Its three nine-user groups contain 18 sessions each and 367, 369 and 561 page-level trajectory images, totaling 1,297. The selected HuMIdb task asks users to draw digits 0–9; three 200-user groups contain 839/847/798 sessions and 8,390/8,470/7,980 images. Grouping by user prevents one person's images from appearing in both defender-source and attacker-source groups; datasets are available upon request rather than provided as unrestricted public artifacts.", "fa": "داده وب ۲۷ داوطلب دارد که هرکدام دو نشست ۱۵–۲۰ دقیقه‌ای روی سرور ۱۱۰ صفحه ویکی‌پدیا در ۱۱ موضوع دارند. سه گروه نه‌کاربری هرکدام ۱۸ نشست و به‌ترتیب ۳۶۷، ۳۶۹ و ۵۶۱ تصویر مسیر صفحه، مجموعاً ۱۲۹۷، دارند. وظیفه منتخب HuMIdb رسم ارقام ۰–۹ است؛ سه گروه دویست‌کاربری ۸۳۹/۸۴۷/۷۹۸ نشست و ۸۳۹۰/۸۴۷۰/۷۹۸۰ تصویر دارند. تقسیم کاربری مانع اشتراک فرد بین منبع مدافع و مهاجم می‌شود؛ داده با درخواست قابل دریافت است، نه فایل عمومی بی‌قید.", "pages": [ 4 ] }, { "heading": { "en": "Training/test protocol and what transfers", "fa": "پروتکل آموزش/آزمون و موضوع انتقال" }, "en": "For each ordered pair X,Y, real human images from X form the human class, and a GAN trained on Y generates the same number of synthetic images as its input. Random 80% portions train the CNN and the remaining 20% test it; synthetic training and test images therefore come from the same defender-side generator. The held-out user group Z trains an independent attacker generator, whose output is then evaluated by that already trained CNN. Six ordered X,Y configurations and five GPU runs are averaged, so the central experiment tests transfer to an unseen generator/user distribution rather than merely a new image from a known GAN.", "fa": "در هر جفت مرتب X,Y، تصاویر واقعی X کلاس انسان و GAN آموزش‌دیده روی Y کلاس مصنوعی را با تعداد تصویر برابر ورودی می‌سازد. ۸۰٪ تصادفی برای آموزش و ۲۰٪ برای آزمون CNN است؛ تصویر مصنوعی آموزش و آزمون از یک مولد مدافع می‌آید. گروه کاربری سوم Z مولد مستقل مهاجم را آموزش می‌دهد و خروجی آن با همان CNN سنجیده می‌شود. شش جفت مرتب و پنج اجرای GPU میانگین می‌شوند؛ آزمایش اصلی انتقال به مولد/جمعیت کاربری نادیده است، نه صرفاً تصویر تازه GAN آشنا.", "pages": [ 4, 5 ] }, { "heading": { "en": "Metrics and quantitative generalization failure", "fa": "معیارها و شکست کمی تعمیم" }, "en": "Balanced accuracy averages human recall and bot recall, avoiding the dominance of whichever class has more images. In the within-generator test it averages 98.5% on Web and 99.6% on HuMIdb, with bot recall 99.9% and 99.5%. Against the independently trained attacker, bot recall falls to 45.2% Web and 93.7% HuMIdb, giving image-level misses of 54.8% and 6.3%. Web transfer recall varies strongly across source groups, from 13.9% to 69.3%, so an average alone hides substantial generator/user sensitivity.", "fa": "دقت متوازن میانگین recall انسان و بات است و غلبه کلاس پرتعداد را کم می‌کند. در آزمون مولد آشنا، میانگین آن برای وب ۹۸٫۵٪ و HuMIdb برابر ۹۹٫۶٪ و recall بات ۹۹٫۹٪/۹۹٫۵٪ است. مقابل مولد مستقل مهاجم recall به ۴۵٫۲٪ وب و ۹۳٫۷٪ HuMIdb افت می‌کند؛ ازدست‌دادن در سطح تصویر ۵۴٫۸٪/۶٫۳٪ است. recall انتقال وب بین گروه‌های منبع از ۱۳٫۹٪ تا ۶۹٫۳٪ متفاوت است؛ میانگین حساسیت به مولد و کاربر را پنهان می‌کند.", "pages": [ 4, 5 ] }, { "heading": { "en": "Figure evidence and execution gap", "fa": "شواهد تصویری و فاصله با اجرا" }, "en": "Table IV qualitatively shows generated paths favoring simpler shapes over complex human paths. The paper proposes selecting generated images with suitable start/end points, but does not provide an end-to-end measured pipeline that reconstructs event order/timing, reaches the intended target and completes a task through a real browser. Thus low image-classifier recall does not establish equivalent evasion of a detector using raw pointer streams, click edges, fingerprint consistency or network signals. The narrower mobile gap is interpreted by the authors as digit drawing being more constrained across users than unconstrained webpage movement.", "fa": "جدول IV به‌صورت کیفی تمایل مسیر مولد به شکل ساده‌تر را نشان می‌دهد. مقاله انتخاب تصویر با نقطه شروع/پایان مناسب را پیشنهاد می‌دهد، اما خط لوله اندازه‌گیری‌شده کامل برای بازسازی ترتیب/زمان رویداد، رسیدن به هدف و تکمیل وظیفه در مرورگر واقعی ندارد. بنابراین recall پایین تصویر اثبات فرار مشابه از آشکارساز جریان خام اشاره‌گر، لبه کلیک، سازگاری اثرانگشت یا شبکه نیست. نویسندگان افت کمتر موبایل را به محدودتر بودن رسم رقم نسبت به حرکت آزاد صفحه نسبت می‌دهند.", "pages": [ 3, 5 ] }, { "heading": { "en": "Thesis replication design", "fa": "طراحی بازآزمایی برای تز" }, "en": "Thesis synthesis: treat unseen-generator evaluation as a required security test even when an ordinary random image split is excellent. Train on several generator families and human-task groups, hold out both a generator and a user population, and compare image features with raw event features. For operational claims, measure valid target completion and detector acceptance together, including the cost of generating/selecting a usable path. This proposal extends the paper's evaluation and is not a result reported by its authors.", "fa": "تحلیل برای تز: آزمون مولد نادیده را حتی با نتیجه عالی تقسیم تصادفی تصویر الزامی بدان. چند خانواده مولد و گروه وظیفه انسانی را آموزش بده و یک مولد و جمعیت کاربر را کنار بگذار؛ ویژگی تصویر را با رویداد خام مقایسه کن. برای ادعای عملی، تکمیل معتبر هدف و پذیرش آشکارساز را همراه هزینه تولید/انتخاب مسیر قابل استفاده بسنج. این پیشنهاد توسعه ارزیابی مقاله است و نتیجه نویسندگان نیست.", "pages": [ 4, 5 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Defender trajectory-image pipeline", "fa": "خط پردازش تصویر مسیر مدافع" }, "insight": { "en": "The representation includes time but loses information through downsampling.", "fa": "بازنمایی زمان را دارد اما کوچک‌سازی بخشی از اطلاعات را حذف می‌کند." }, "image": "figures/p-5f73ed0cc29a-page-3-detail.webp" }, { "label": "Table II", "page": 5, "caption": { "en": "Within-generator classifier performance", "fa": "عملکرد طبقه‌بند درون مولد" }, "insight": { "en": "High balanced accuracy is measured with one generator supplying both synthetic train and test images; it is a within-generator baseline, not adversarial transfer proof.", "fa": "دقت متوازن بالا با یک مولد مشترک برای تصویر مصنوعی آموزش و آزمون سنجیده می‌شود؛ خط مبنای درون‌مولد است، نه اثبات انتقال خصمانه." }, "image": "figures/p-5f73ed0cc29a-page-5-detail.webp" }, { "label": "Table III", "page": 5, "caption": { "en": "Recall against independent GAN bots", "fa": "بازیابی مقابل بات GAN مستقل" }, "insight": { "en": "Bot recall averages .452/.937 on Web/HuMIdb; complementing recall gives image-level misses. Web source-group values span .139–.693.", "fa": "recall بات وب/HuMIdb برابر .452/.937 است؛ متمم آن خطای سطح تصویر است. مقادیر گروه منبع وب .139–.693 است." }, "image": "figures/p-5f73ed0cc29a-page-5-detail.webp" }, { "label": "Table IV", "page": 5, "caption": { "en": "Real and generated trajectory images", "fa": "تصویر مسیر واقعی و مولد" }, "insight": { "en": "Images suggest simpler generated paths, but this qualitative panel does not establish valid browser event replay or target-task completion.", "fa": "تصاویر مسیر مولد ساده‌تر را القا می‌کنند؛ نمایش کیفی بازپخش معتبر رویداد مرورگر یا تکمیل هدف را ثابت نمی‌کند." }, "image": "figures/p-5f73ed0cc29a-page-5-detail.webp" } ], "limitations": [ { "en": "Small Web user sample and image-level evaluation limit deployment conclusions.", "fa": "نمونه کوچک کاربران وب و ارزیابی در سطح تصویر نتیجه استقرار را محدود می‌کند.", "pages": [ 4, 5 ] }, { "en": "No combined browser-fingerprint/behavior or commercial detector evaluation is performed.", "fa": "ترکیب اثرانگشت مرورگر و رفتار یا آشکارساز تجاری ارزیابی نشده است.", "pages": [ 3, 5 ] } ], "findings": [ { "en": "Within-generator bot recall is 99.9% Web, but independent-generator recall averages 45.2%; the 54.8% miss figure is per generated image.", "fa": "recall بات مولد آشنا ۹۹٫۹٪ وب است، اما مولد مستقل میانگین ۴۵٫۲٪ دارد؛ ۵۴٫۸٪ ازدست‌دادن به‌ازای تصویر مولد است.", "pages": [ 5 ] }, { "en": "Web independent-generator recall ranges from 13.9% to 69.3% across six ordered source-group configurations.", "fa": "recall مولد مستقل وب در شش تنظیم مرتب گروه منبع از ۱۳٫۹٪ تا ۶۹٫۳٪ است.", "pages": [ 5 ] }, { "en": "User-disjoint data sources distinguish transfer failure from simple reuse of the same person's trajectories.", "fa": "منابع با کاربران جدا شکست انتقال را از استفاده دوباره مسیر همان فرد جدا می‌کنند.", "pages": [ 4 ] } ], "thesisUse": { "en": "Our synthesis: use user-disjoint and generator-disjoint splits when adding mouse behavior to a fingerprint detector; measure completed sessions as well as trajectory classification.", "fa": "تحلیل ما برای تز: هنگام افزودن رفتار ماوس به تشخیص اثرانگشت، تقسیم کاربران جدا و مولدهای جدا به‌کار ببرید و نشست کامل‌شده را کنار طبقه‌بندی مسیر بسنجید." }, "related": [ "p-b2d483606620", "p-acfcc6135bdb" ], "keywords": [ "GAN", "DCGAN", "mouse trajectories", "balanced accuracy" ], "pdf": "papers/p-5f73ed0cc29a.pdf", "pages": 6, "sha256": "5f73ed0cc29a7be7851986174e5b61bcdd23ef09f10e3eb5cba4adc7db6080a7", "sourcePath": "مقالات\\Browser fingerprinting\\2021 Web bot detection evasion using generative adversarial networks.pdf", "duplicates": [], "isNew": false }, { "id": "p-c3831a18da8c", "title": "Browser Fingerprinting: A Survey", "titleFa": "اثرانگشت مرورگر: یک مرور پژوهشی", "year": 2020, "authors": [ "Pierre Laperdrix", "Nataliia Bielova", "Benoit Baudry", "Gildas Avoine" ], "venue": "ACM Transactions on the Web 14(2), Article 8", "kind": "survey", "domains": [ "fingerprinting", "intersection" ], "topics": [ "foundations", "measurement", "signals", "privacy", "defense", "authentication" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3386040", "problem": { "en": "What does browser fingerprinting encompass, how should uniqueness/adoption be measured, and what are the trade-offs between privacy defenses and security uses?", "fa": "اثرانگشت مرورگر چه دامنه‌ای دارد، یکتایی/استفاده چگونه سنجیده شود و مبادلهٔ دفاع حریم خصوصی و کاربرد امنیتی چیست؟" }, "idea": { "en": "Systematize browser-accessible signals, large-scale measurements, defense strategies and constructive/destructive uses, then identify open methodological and technical challenges.", "fa": "سازمان‌دهی سیگنال قابل‌دسترسی مرورگر، سنجش بزرگ، راهبرد دفاع و کاربرد سازنده/مخرب و سپس شناسایی چالش باز روش‌شناسی و فنی." }, "result": { "en": "A broad taxonomy and comparison of fingerprinting research; conflicting uniqueness/prevalence estimates are traced to cohorts, collection coverage and detection definitions. It contributes synthesis, not a new bot-classifier benchmark.", "fa": "رده‌بندی گسترده و مقایسهٔ پژوهش اثرانگشت؛ اختلاف برآورد یکتایی/شیوع به گروه نمونه، پوشش گردآوری و تعریف تشخیص مربوط می‌شود. خروجی تلفیق دانش است، نه بنچمارک طبقه‌بند تازهٔ بات." }, "sections": [ { "heading": { "en": "Definition and scope", "fa": "تعریف و دامنه" }, "en": "A browser fingerprint is device-related information gathered through browser APIs and HTTP headers, without needing a stored client identifier. The survey includes browser-accessible cross-browser identification but excludes native-app fingerprinting, packet-structure fingerprinting and IP/geolocation contributions from its core scope.", "fa": "اثرانگشت مرورگر اطلاعات مرتبط با دستگاه است که با API مرورگر و سرآیند HTTP بدون نیاز به شناسهٔ ذخیره‌شده گردآوری می‌شود. مرور، شناسایی میان‌مرورگریِ قابل‌دسترسی وب را شامل و اثرانگشت برنامهٔ بومی، ساختار بسته و سهم IP/مکان را از دامنهٔ اصلی خارج می‌کند.", "pages": [ 1, 2 ] }, { "heading": { "en": "Sources and browser evolution", "fa": "منابع و تحول مرورگر" }, "en": "Headers, JavaScript objects, fonts, canvas/WebGL, AudioContext, extensions and implementation/timing quirks expose different layers of the environment. Browser evolution both introduces new channels and removes old ones, so an attribute's entropy and availability are properties of a dated platform/population.", "fa": "سرآیند، اشیای جاوااسکریپت، قلم، Canvas/WebGL، AudioContext، افزونه و ریزرفتار/زمان‌بندی لایه‌های مختلف محیط را آشکار می‌کنند. تحول مرورگر هم کانال تازه می‌سازد و هم قدیمی را حذف می‌کند؛ آنتروپی و دسترسی ویژگی خاصِ سکو/جمعیتِ زمان‌دار است.", "pages": [ 3, 4, 5, 6, 7, 8 ] }, { "heading": { "en": "Evolution and linkability", "fa": "تحول و پیوندپذیری" }, "en": "Updates, configurations and usage cause fingerprints to drift, but matching algorithms can reconnect successive fingerprints. The reviewed FP-Stalker work reports average tracking of 51.8 days when collecting every three days and over 100 days for 26% of devices; these are that study's conditional outcomes, not a universal duration.", "fa": "به‌روزرسانی، تنظیم و استفاده باعث تغییر اثرانگشت می‌شود، ولی الگوریتم تطبیق می‌تواند اثرانگشت متوالی را وصل کند. پژوهش FP-Stalker مرورشده با گردآوری هر سه روز، ردیابی میانگین ۵۱٫۸ روز و برای ۲۶٪ دستگاه بیش از صد روز گزارش می‌کند؛ این نتیجهٔ مشروط همان مطالعه است، نه مدت عمومی.", "pages": [ 9 ] }, { "heading": { "en": "Uniqueness and population measurement", "fa": "یکتایی و سنجش جمعیت" }, "en": "Anonymity sets and entropy describe the sampled distribution, with normalized entropy facilitating—but not guaranteeing—comparison across sample sizes. Panopticlick/AmIUnique and Hiding in the Crowd show different uniqueness because demographics, mobile/desktop mix, time and feature choices differ; the commercial study's 33.6% cannot invalidate all fingerprints or prove all users safe.", "fa": "مجموعهٔ ناشناسی و آنتروپی توزیع نمونه را توصیف می‌کنند و آنتروپی نرمال‌شده مقایسهٔ اندازه را آسان می‌کند ولی تضمین نمی‌کند. Panopticlick/AmIUnique و Hiding in the Crowd به‌دلیل جمعیت، ترکیب موبایل/دسکتاپ، زمان و ویژگی یکتایی متفاوت دارند؛ ۳۳٫۶٪ مطالعهٔ تجاری تمام اثرانگشت‌ها را بی‌اثر یا همهٔ کاربران را امن نمی‌کند.", "pages": [ 9, 10, 11 ] }, { "heading": { "en": "Detecting collection and adoption", "fa": "تشخیص گردآوری و میزان استفاده" }, "en": "Known-library searches, dynamic API/font instrumentation, canvas heuristics and payload inspection produce different prevalence definitions and coverage. Ordinary adaptation and fingerprint collection can access identical APIs, making intent hard to infer; obfuscation, conditional execution, gated pages and data-flow analysis are central measurement issues.", "fa": "جست‌وجوی کتابخانهٔ شناخته‌شده، ابزارگذاری API/قلم، قاعدهٔ Canvas و بررسی بار داده تعریف شیوع و پوشش متفاوت می‌دهند. سازگارسازی عادی و گردآوری اثرانگشت می‌توانند API یکسان بخوانند و قصد را مبهم کنند؛ مبهم‌سازی، اجرای شرطی، صفحهٔ پشت مانع و تحلیل جریان داده مسائل اصلی سنجش‌اند.", "pages": [ 12, 13, 14, 25, 26 ] }, { "heading": { "en": "Defense taxonomy", "fa": "رده‌بندی دفاع" }, "en": "The survey groups defenses into increasing diversity by modifications/randomization, reducing diversity through standardization, and preventing collection through blocking. Complete consistency, maintainability and functionality matter: modifying one attribute may reveal a defense, while blocking can break benign pages and standardization depends on a sufficiently large shared cohort.", "fa": "مرور دفاع را به افزایش تنوع با تغییر/تصادفی‌سازی، کاهش تنوع با یکسان‌سازی و جلوگیری از گردآوری با مسدودسازی تقسیم می‌کند. سازگاری کامل، نگهداشت و کارکرد مهم‌اند: تغییر یک ویژگی ممکن است دفاع را آشکار، مسدودسازی صفحهٔ سالم را خراب و یکسان‌سازی به گروه مشترک کافی وابسته باشد.", "pages": [ 15, 16, 17, 18, 19, 20, 21, 22 ] }, { "heading": { "en": "Security uses and authentication", "fa": "کاربرد امنیتی و احراز هویت" }, "en": "Fingerprinting supports detecting vulnerable components, verifying device classes and augmenting authentication, but a recognizable device does not establish a human or authorize a user alone. The survey contrasts Picasso and browser authentication proposals and emphasizes stability, spoof resistance and fallback authentication rather than uniqueness alone.", "fa": "اثرانگشت به کشف جزء آسیب‌پذیر، تأیید کلاس دستگاه و تکمیل احراز هویت کمک می‌کند، ولی دستگاه قابل‌شناسایی به‌تنهایی انسان یا مجوز کاربر را ثابت نمی‌کند. مرور Picasso و طرح احراز هویت را مقایسه و به‌جای یکتایی تنها بر پایداری، مقاومت جعل و احراز هویت جایگزین تأکید می‌کند.", "pages": [ 22, 23, 24 ] }, { "heading": { "en": "Open challenges and thesis design", "fa": "چالش باز و طراحی تز" }, "en": "Open questions include representative uniqueness measurement, reliable fingerprint-script identification, new-API privacy auditing and an evolving attacker/defender arms race. Synthesis: organize this thesis around identity consistency, observed behavior and network/temporal evidence with independently measured privacy and false-positive costs.", "fa": "پرسش باز شامل سنجش نمایندهٔ یکتایی، شناسایی مطمئن اسکریپت اثرانگشت، ممیزی حریم خصوصی API تازه و رقابت متغیر مهاجم/مدافع است. تحلیل پیشنهادی: تز حول سازگاری هویت، رفتار مشاهده‌شده و شاهد شبکه/زمان با هزینهٔ حریم خصوصی و مثبت کاذب مستقل سازمان یابد.", "pages": [ 24, 25, 26 ] }, { "heading": { "en": "Historical and evidentiary limits", "fa": "محدودیت تاریخی و شواهد" }, "en": "The survey is an April 2020 snapshot and many quantitative values are inherited from non-comparable studies rather than one pooled experiment. Its discussion of law and browser product behavior is historical reporting, not current legal guidance or a statement that modern defenses behave identically.", "fa": "مرور تصویری از آوریل ۲۰۲۰ است و بسیاری عددها از مطالعات مقایسه‌ناپذیر می‌آیند، نه آزمایش تجمیعی واحد. بحث قانون و رفتار محصول مرورگر گزارش تاریخی است، نه راهنمای حقوقی امروز یا ادعای رفتار یکسان دفاع جدید.", "pages": [ 1, 10, 12, 16, 26 ] } ], "findings": [ { "en": "The survey explicitly scopes browser APIs and headers and excludes native applications, packet structure and IP/geolocation from its core definition.", "fa": "مرور دامنهٔ اصلی را API و سرآیند مرورگر می‌گذارد و برنامهٔ بومی، ساختار بسته و IP/مکان را خارج می‌کند.", "pages": [ 2 ] }, { "en": "Large-study comparison records 35.7% desktop and 18.5% mobile uniqueness for Hiding in the Crowd, contrasting higher privacy-demo cohorts.", "fa": "مقایسهٔ مطالعهٔ بزرگ برای Hiding in the Crowd یکتایی دسکتاپ ۳۵٫۷٪ و موبایل ۱۸٫۵٪ را مقابل گروه حریم‌خصوصی‌محور بالاتر ثبت می‌کند.", "pages": [ 10, 11 ] }, { "en": "Defense coverage can fail from a small inconsistency; detecting a defense does not automatically prove increased longitudinal trackability.", "fa": "پوشش دفاع با ناسازگاری کوچک ممکن است شکست بخورد؛ کشف دفاع الزاماً افزایش ردیابی زمانی را ثابت نمی‌کند.", "pages": [ 18 ] }, { "en": "Adoption estimates depend on what behavior counts as fingerprinting and whether that behavior executes in the crawl.", "fa": "برآورد استفاده به رفتار تعریف‌شده به‌عنوان اثرانگشت و اجرای آن در خزش وابسته است.", "pages": [ 12, 13, 14, 26 ] }, { "en": "Fingerprint-based authentication is discussed as augmentation, with stability and fallback authentication requirements.", "fa": "احراز هویت اثرانگشتی به‌عنوان تکمیل با نیاز پایداری و راه جایگزین بحث می‌شود.", "pages": [ 24 ] } ], "limitations": [ { "en": "A 2020 synthesis cannot provide current API availability, current privacy-product behavior or up-to-date legal interpretation.", "fa": "تلفیق ۲۰۲۰ دسترسی کنونی API، رفتار امروز محصول حریم خصوصی یا تفسیر حقوقی به‌روز نمی‌دهد.", "pages": [ 1, 26 ] }, { "en": "Cross-study uniqueness and prevalence differ in cohort, time, feature set and definitions, limiting direct numerical ranking.", "fa": "یکتایی و شیوع بین‌مطالعه‌ای از نظر گروه، زمان، ویژگی و تعریف متفاوت‌اند و رتبه‌بندی عددی مستقیم محدود است.", "pages": [ 10, 11, 12 ] }, { "en": "The local extraction has missing spaces/ligature artifacts in some prose; terminology has been normalized in these notes.", "fa": "استخراج محلی در بخش‌هایی فاصلهٔ گمشده/اثر نویسهٔ ترکیبی دارد؛ اصطلاحات در یادداشت نرمال شده‌اند.", "pages": [ 1, 2, 26 ] } ], "figures": [ { "label": "Table 1", "page": 5, "caption": { "en": "Example fingerprint attributes, sources and values.", "fa": "نمونهٔ ویژگی اثرانگشت، منبع و مقدار." }, "insight": { "en": "Useful for the atlas glossary and separating source channels.", "fa": "برای اصطلاح‌نامهٔ اطلس و تفکیک کانال منبع مفید است." }, "image": "figures/p-c3831a18da8c-page-5-detail.webp" }, { "label": "Table 2", "page": 10, "caption": { "en": "Comparison of large fingerprint-uniqueness studies.", "fa": "مقایسهٔ مطالعات بزرگ یکتایی اثرانگشت." }, "insight": { "en": "Differences in cohort and desktop/mobile composition matter; the Panopticlick 94.2% value is the plugin-enabled subgroup.", "fa": "تفاوت گروه و ترکیب دسکتاپ/موبایل مهم است؛ عدد ۹۴٫۲٪ Panopticlick زیرگروه دارای افزونه است." }, "image": "figures/p-c3831a18da8c-page-10-detail.webp" }, { "label": "Table 4", "page": 12, "caption": { "en": "Fingerprinting-adoption studies and detection definitions.", "fa": "مطالعات استفاده از اثرانگشت و تعریف تشخیص." }, "insight": { "en": "Prevalence numbers are not directly comparable when criteria and crawl scope differ.", "fa": "با اختلاف معیار و دامنهٔ خزش، عدد شیوع مستقیماً مقایسه‌پذیر نیست." }, "image": "figures/p-c3831a18da8c-page-12-detail.webp" }, { "label": "Table 5", "page": 16, "caption": { "en": "Summary of defense approaches and trade-offs.", "fa": "خلاصهٔ روش دفاع و مبادله‌ها." }, "insight": { "en": "Provides historical coverage/compatibility distinctions, not a current product recommendation.", "fa": "تمایز تاریخی پوشش/سازگاری می‌دهد، نه پیشنهاد محصول امروز." }, "image": "figures/p-c3831a18da8c-page-16-detail.webp" } ], "thesisUse": { "en": "Synthesis: primary conceptual roadmap for the fingerprinting branch, with security intersections clearly separated from independent behavioral bot detection; every empirical claim should link back to its original study.", "fa": "تحلیل ما: نقشهٔ مفهومی اصلی شاخهٔ اثرانگشت با تقاطع امنیتیِ جدا از تشخیص مستقل رفتاری بات؛ هر ادعای تجربی به مطالعهٔ اصلی خود پیوند بخورد." }, "related": [ "p-dc486876446b", "p-46990bde16d7", "p-514450aaef86", "p-e7ef4831b263", "p-a277039433bf" ], "keywords": [ "survey", "entropy", "linkability", "defense taxonomy", "fingerprinting detection" ], "pdf": "papers/p-c3831a18da8c.pdf", "pages": 33, "sha256": "c3831a18da8c07e7605a367f996c6aad270cd072ed69d7a0f79164eb3eed6b4f", "sourcePath": "ارائه\\1\\2020 Browser fingerprinting A survey (TWEB) (1).pdf", "duplicates": [ "مقالات\\Browser fingerprinting\\2020 Browser fingerprinting A survey (TWEB).pdf" ], "isNew": false }, { "id": "new-botgraph-sitemap", "title": "BotGraph: Web Bot Detection Based on Sitemap", "titleFa": "BotGraph: تشخیص بات وب بر اساس نقشه سایت", "year": 2019, "authors": [ "Yang Luo", "Guozhen She", "Peng Cheng", "Yongqiang Xiong" ], "venue": "arXiv preprint 1903.08074v2", "kind": "paper", "domains": [ "bots" ], "topics": [ "behavior", "detection", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "https://arxiv.org/abs/1903.08074", "problem": { "en": "Detect spoofing bots through navigation.", "fa": "تشخیص بات جعل‌کننده با پیمایش." }, "idea": { "en": "Render session sitemap subgraphs;classify with CNN.", "fa": "رسم زیرگراف نشست؛طبقه‌بندی CNN." }, "result": { "en": "Search test153,464 sessions:precision95.0%,recall95.6%.", "fa": "آزمون جست‌وجو۱۵۳۴۶۴نشست:precision95.0٪،recall95.6٪." }, "sections": [ { "heading": { "en": "Inputs", "fa": "ورودی" }, "en": "URLs,statuses and cookie-grouped sessions.", "fa": "URL،وضعیت و نشست کوکی.", "pages": [ 3, 5 ] }, { "heading": { "en": "Graph", "fa": "گراف" }, "en": "URL-pattern nodes;frequency-scaled spots;transition lines.", "fa": "گره الگوی URL؛نقطه متناسب فراوانی؛خط انتقال.", "pages": [ 3, 4 ] }, { "heading": { "en": "Model", "fa": "مدل" }, "en": "256×256 images;LeNet-5;100epochs.", "fa": "تصویر۲۵۶×۲۵۶؛LeNet-5؛صد دوره.", "pages": [ 5 ] }, { "heading": { "en": "Evaluation", "fa": "ارزیابی" }, "en": "Train day0,test day5;engineer-assigned labels.", "fa": "آموزش روز۰،آزمون روز۵؛برچسب مهندس.", "pages": [ 5 ] }, { "heading": { "en": "Contrast", "fa": "تفاوت" }, "en": "University test3,754 sessions:recall69.1%.", "fa": "آزمون دانشگاه۳۷۵۴نشست:recall69.1٪.", "pages": [ 5 ] }, { "heading": { "en": "Boundary", "fa": "مرز" }, "en": "Evaluation excludes traces with≤3spots.", "fa": "ارزیابی ردهای با≤۳نقطه را حذف می‌کند.", "pages": [ 5, 6 ] } ], "findings": [ { "en": "News precision98.0%,recall96.9%.", "fa": "خبرprecision98.0٪،recall96.9٪.", "pages": [ 5 ] }, { "en": "No IP/UA classifier inputs.", "fa": "IP/UA ورودی طبقه‌بند نیست.", "pages": [ 6 ] }, { "en": "Sitemap coordinates are site-specific.", "fa": "مختصات نقشه وابسته به سایت.", "pages": [ 4 ] } ], "limitations": [ { "en": "Heuristic/expert labels are assumed accurate.", "fa": "درستی برچسب ابتکاری/متخصص فرض شده.", "pages": [ 5 ] }, { "en": "Short-session blind spot.", "fa": "نقطه کور نشست کوتاه.", "pages": [ 6 ] }, { "en": "Comparator dataset naming conflicts.", "fa": "نام داده مقایسه ناسازگار است.", "pages": [ 5, 6 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "Detection pipeline", "fa": "خط‌لوله تشخیص" }, "insight": { "en": "Behavior encoding.", "fa": "کدگذاری رفتار." }, "analysis": { "en": "Our methodological proposal: audit session construction, URL normalization and graph rendering as separate stages before attributing errors to the CNN. An ablation that changes one stage at a time would help distinguish preprocessing leakage from a classifier that learns transferable behavior.", "fa": "پیشنهاد روش‌شناختی ما: ساخت نشست، نرمال‌سازی URL و رسم گراف را پیش از نسبت‌دادن خطا به CNN جداگانه ممیزی کنیم. حذف مؤلفه با تغییر یک مرحله در هر بار می‌تواند نشت پیش‌پردازش را از یادگیری رفتار قابل انتقال جدا کند." }, "image": "figures/new-botgraph-sitemap-page-2-detail.webp" }, { "label": "Figure 2", "page": 3, "caption": { "en": "URL-pattern sitemap", "fa": "نقشه قالب‌URL" }, "insight": { "en": "Pattern grouping.", "fa": "گروه‌بندی الگو." }, "analysis": { "en": "Our methodological proposal: test whether URL-template aggregation hides meaningful differences between product browsing, checkout and account actions. Compare several levels of template granularity with a router-based reference, and keep an explicit unknown-route category so changes in the website do not silently become bot evidence.", "fa": "پیشنهاد روش‌شناختی ما: بسنجیم آیا تجمیع قالب URL تفاوت معنادار مرور محصول، پرداخت و کار حساب را پنهان می‌کند. چند سطح ریزدانگی قالب را با مرجع مسیریاب مقایسه کنیم و مسیر ناشناخته را جدا نگه داریم تا تغییر سایت پنهانی شاهد بات نشود." }, "image": "figures/new-botgraph-sitemap-page-3-detail.webp" }, { "label": "Table 3", "page": 4, "caption": { "en": "Session-trace examples", "fa": "نمونه ردنشست" }, "insight": { "en": "Shape variation.", "fa": "تفاوت شکل." }, "analysis": { "en": "Our methodological proposal: compare matched human and automated tasks instead of deciding from the visual appearance of a few traces. Repeat classification under alternative graph layouts and without node-size encoding to test whether the learned signal is navigation structure, visit volume or an incidental drawing convention.", "fa": "پیشنهاد روش‌شناختی ما: وظیفه انسانی و خودکار همسان را مقایسه کنیم، نه اینکه از ظاهر چند رد تصمیم بگیریم. طبقه‌بندی را با چیدمان دیگر گراف و بدون کدگذاری اندازه گره تکرار کنیم تا ساختار پیمایش، حجم بازدید و قرارداد اتفاقی رسم از هم جدا شوند." }, "image": "figures/new-botgraph-sitemap-page-4-detail.webp" }, { "label": "Table 4", "page": 5, "caption": { "en": "Site-specific performance", "fa": "عملکرد سایتی" }, "insight": { "en": "Unequal recall.", "fa": "recall نابرابر." }, "analysis": { "en": "Our methodological proposal: report site-specific precision–recall curves, class prevalence and coverage of sessions omitted by preprocessing. A pooled result should be accompanied by leave-one-site-out evaluation, because success on one traffic population does not answer whether a model transfers to another website.", "fa": "پیشنهاد روش‌شناختی ما: منحنی precision–recall هر سایت، سهم کلاس و پوشش نشست حذف‌شده را گزارش کنیم. نتیجه تجمیعی باید با آزمون کنارگذاری یک سایت همراه باشد، چون موفقیت یک جمعیت ترافیک پاسخ انتقال مدل به سایت دیگر نیست." }, "image": "figures/new-botgraph-sitemap-page-5-detail.webp" }, { "label": "Table 7", "page": 6, "caption": { "en": "Ambiguous-session errors", "fa": "خطای نشست‌مبهم" }, "insight": { "en": "Similar traces.", "fa": "رد مشابه." }, "analysis": { "en": "Our methodological proposal: use visually ambiguous short sessions to design an abstention policy rather than forcing a bot verdict. Evaluate whether collecting one additional interaction or a complementary fingerprint signal improves decisions at a fixed human false-positive budget, while permitting legitimate low-activity users.", "fa": "پیشنهاد روش‌شناختی ما: از نشست کوتاه با ظاهر مبهم برای سیاست خودداری از تصمیم استفاده کنیم، نه اجبار برچسب بات. بسنجیم یک تعامل اضافه یا سیگنال مکمل اثرانگشت در بودجه ثابت مثبت کاذب انسان تصمیم را بهتر می‌کند یا نه، با اجازه به کاربر مشروع کم‌فعال." }, "image": "figures/new-botgraph-sitemap-page-6-detail.webp" } ], "thesisUse": { "en": "Our thesis proposal: add a server-side navigation branch beside browser fingerprints and raw mouse behavior, then measure incremental value rather than treating the branches as interchangeable. Construct URL templates using a train-only, versioned router specification and keep an explicit unknown-page category; compare fixed site coordinates with a layout-independent graph encoder. Evaluate early prefixes and low-activity sessions, and report coverage of any minimum-length filter together with performance inside the accepted subset. Hold out complete days, campaigns and sites; cookie-based grouping should be tested under cookie resets, shared proxies and multiple tabs. Independently adjudicate labels so a classifier does not merely reproduce the same fingerprint heuristic used to label training data. Distinguish automation from harmful intent and allow approved crawlers. To test the intersection hypothesis, compare navigation-only, fingerprint-only and fused models under an attacker that changes identity and pacing, while reporting pages obtained and resource cost.", "fa": "پیشنهاد ما برای تز: شاخه پیمایش سمت سرور را کنار اثرانگشت مرورگر و رفتار خام ماوس قرار بده و سود افزایشی آن را بسنج؛ شاخه‌ها را قابل جایگزینی فرض نکن. قالب URL را فقط از آموزش و مشخصات مسیریاب نسخه‌دار بساز و دسته صفحه ناشناخته داشته باش؛ مختصات ثابت سایت را با کدگذار گراف مستقل از چیدمان مقایسه کن. پیشوند زودهنگام و نشست کم‌فعال را آزمون و پوشش فیلتر حداقل طول را همراه دقت زیرمجموعه پذیرفته‌شده گزارش کن. روز کامل، کارزار و سایت را کنار بگذار؛ گروه‌بندی کوکی را با حذف کوکی، پراکسی مشترک و چند تب بسنج. برچسب‌ها را مستقل داوری کن تا طبقه‌بند صرفاً همان قاعده اثرانگشت سازنده برچسب را تقلید نکند. خودکارسازی را از نیت مخرب جدا و خزنده مجاز را مجاز بدان. برای فرضیه ترکیب، مدل صرفاً پیمایش، صرفاً اثرانگشت و ترکیبی را مقابل تغییر هویت و مکث با گزارش صفحه دریافت‌شده و هزینه منابع مقایسه کن." }, "related": [ "p-b2d483606620", "p-00fcd1b4467c" ], "keywords": [ "sitemap", "session graph", "LeNet-5", "navigation", "server logs" ], "pdf": "papers/new-botgraph-sitemap.pdf", "pages": 7, "sha256": "ecdd27499f7c7b3c309cb7cd1612d003b5491f670372ef602f4e03e0d7a15738", "duplicates": [], "downloadUrl": "https://arxiv.org/pdf/1903.08074v2", "downloaded": "2026-10-12", "isNew": true }, { "id": "p-95cb8105b803", "title": "SensorID: Sensor Calibration Fingerprinting for Smartphones", "titleFa": "SensorID: اثرانگشت کالیبراسیون حسگر گوشی هوشمند", "year": 2019, "authors": [ "Jiexin Zhang", "Alastair R. Beresford", "Ian Sheret" ], "venue": "IEEE Symposium on Security and Privacy", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "hardware", "signals", "privacy", "defense" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Can factory calibration parameters be recovered from ordinary sensor outputs and become a stable identifier despite OS updates, reset or privacy defenses?", "fa": "آیا پارامتر کالیبراسیون کارخانه از خروجی عادی حسگر بازیابی و با وجود به‌روزرسانی، بازنشانی یا دفاع حریم خصوصی شناسهٔ پایدار می‌شود؟" }, "idea": { "en": "Exploit quantized ADC outputs and calibrated gain matrices, remove bias by differencing, iteratively recover calibration and combine GyroID with MagID.", "fa": "استفاده از خروجی ADC کوانتیزه و ماتریس بهرهٔ کالیبره، حذف بایاس با تفاضل، بازیابی تکراری کالیبراسیون و ترکیب GyroID با MagID." }, "result": { "en": "870 iOS-device submissions support calibration fingerprinting; modeled iPhone 6S entropy is about 67 bits (42 gyro + 25 magnetometer), and acquisition/processing can take under one second. Apple adopted countermeasures in iOS 12.2.", "fa": "ارسال دادهٔ ۸۷۰ دستگاه iOS اثرانگشت کالیبراسیون را پشتیبانی کرد؛ آنتروپی مدل‌شدهٔ iPhone 6S حدود ۶۷ بیت (۴۲ ژیروسکوپ + ۲۵ مغناطیس‌سنج) و برداشت/پردازش کمتر از یک ثانیه ممکن بود. Apple در iOS 12.2 ضدروش به‌کار گرفت." }, "sections": [ { "heading": { "en": "Calibration leakage and threat model", "fa": "نشت کالیبراسیون و مدل تهدید" }, "en": "Rather than learning noisy raw sensor behavior, the attacker recovers the stable factory gain transformation applied to digitized measurements. A malicious app or historical mobile website can collect sensor streams; raw app data and fused JavaScript data have different precision and access surfaces.", "fa": "مهاجم به‌جای یادگیری رفتار خام نویزی، تبدیل بهرهٔ ثابت کارخانه روی اندازه‌گیری دیجیتال را بازیابی می‌کند. برنامهٔ مخرب یا سایت موبایل تاریخی جریان حسگر را می‌گیرد؛ دادهٔ خام برنامه و دادهٔ تلفیق‌شدهٔ جاوااسکریپت دقت و سطح دسترسی متفاوت دارند.", "pages": [ 1, 2, 7, 8 ] }, { "heading": { "en": "Quantization and reconstruction", "fa": "کوانتیزه‌سازی و بازسازی" }, "en": "Sensor output is modeled as O=GA+B, where the ADC values A are integers, G is the gain matrix and B the bias. Differencing suppresses B; estimating nominal gain, recovering integer ADC differences and least-squares fitting reconstruct G, with rounding/estimation checks rejecting unreliable samples.", "fa": "خروجی به‌صورت O=GA+B مدل می‌شود: A مقدار صحیح ADC، G ماتریس بهره و B بایاس است. تفاضل B را کاهش می‌دهد؛ برآورد بهرهٔ اسمی، بازیابی تفاضل صحیح ADC و برازش کمترین مربعات، G را بازسازی و کنترل خطای گردکردن/برآورد نمونهٔ نامطمئن را رد می‌کند.", "pages": [ 2, 3, 4, 5, 6 ] }, { "heading": { "en": "Movement and browser adaptation", "fa": "حرکت و سازگارسازی مرورگر" }, "en": "The basic reconstruction needs nearly stationary data; an improved procedure sorts and differences samples to create small changes and updates the gain estimate over progressively larger ranges. Fused browser data has varying bias and less precision, requiring clustering or rounded fuzzy/grid-search matching rather than assuming exact raw-app recovery.", "fa": "بازسازی اولیه به دادهٔ تقریباً ساکن نیاز دارد؛ روش بهتر نمونه‌ها را مرتب و تفاضل‌گیری می‌کند تا تغییر کوچک بسازد و برآورد بهره را در دامنهٔ فزاینده به‌روز می‌کند. دادهٔ تلفیق‌شدهٔ مرورگر بایاس متغیر و دقت کمتر دارد و به خوشه‌بندی یا تطبیق فازی/جست‌وجوی شبکه نیاز دارد، نه فرض بازیابی دقیقِ برنامهٔ بومی.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "Dataset and sensor applicability", "fa": "داده و قابلیت حسگر" }, "en": "The study collects data from 870 iOS devices through an app and website; 795 app submissions include 761 devices with an M-series motion coprocessor and 34 without. Gyroscope/magnetometer are fingerprintable, whereas the iOS accelerometer does not directly fit this method; a few Pixel 2/3 accelerometers demonstrate Android feasibility without population-scale validation.", "fa": "مطالعه از ۸۷۰ دستگاه iOS با برنامه و سایت داده می‌گیرد؛ ۷۹۵ ارسال برنامه شامل ۷۶۱ دستگاه با کمک‌پردازندهٔ حرکتی سری M و ۳۴ بدون آن است. ژیروسکوپ/مغناطیس‌سنج اثرانگشت‌پذیرند ولی شتاب‌سنج iOS مستقیماً با روش سازگار نیست؛ چند Pixel 2/3 امکان Android را بدون اعتبارسنجی جمعیتی نشان می‌دهند.", "pages": [ 9, 11 ] }, { "heading": { "en": "Entropy, uniqueness and stability", "fa": "آنتروپی، یکتایی و پایداری" }, "en": "A distribution/correlation model estimates 42.3 bits for iPhone 6S GyroID and roughly 25 additional bits for MagID, yielding about 67 bits when combined. The birthday-model collision estimate for around 131 million iPhone 6S devices is about 0.0058%; this is extrapolation rather than observation of every phone, while test fingerprints stayed unchanged through reset, updates and half-year checks.", "fa": "مدل توزیع/هم‌بستگی ۴۲٫۳ بیت برای GyroID مدل iPhone 6S و حدود ۲۵ بیت اضافی برای MagID برآورد می‌کند که ترکیب حدود ۶۷ بیت می‌دهد. برآورد برخورد مدل تولد برای حدود ۱۳۱ میلیون iPhone 6S نزدیک ۰٫۰۰۵۸٪ است؛ این برون‌یابی است، نه مشاهدهٔ همهٔ گوشی‌ها، درحالی‌که آزمون بازنشانی، به‌روزرسانی و نیم‌سال پایداری نشان داد.", "pages": [ 10, 11 ] }, { "heading": { "en": "Countermeasures and disclosure", "fa": "ضدروش و افشا" }, "en": "Uniform noise before calibration destroys the integer structure used in recovery, while rounding calibrated output to nominal-gain multiples is another option. After disclosure, iOS 12.2 added ADC noise and disabled default mobile-Safari motion-sensor access; the historical attack should therefore not be presented as universally working today.", "fa": "نویز یکنواخت پیش از کالیبراسیون ساختار صحیح مورد استفاده در بازیابی را تخریب و گردکردن خروجی به مضرب بهرهٔ اسمی گزینهٔ دیگر است. پس از افشا، iOS 12.2 نویز ADC اضافه و دسترسی پیش‌فرض حسگر حرکت در Safari موبایل را غیرفعال کرد؛ بنابراین حملهٔ تاریخی نباید عمومی و فعال در امروز معرفی شود.", "pages": [ 11, 12 ] }, { "heading": { "en": "Limits and thesis synthesis", "fa": "محدودیت و تحلیل تز" }, "en": "Global uniqueness depends on estimated distributions and dependence assumptions, and extreme motion can force additional sampling; Android coverage is small. Synthesis: hardware calibration illustrates a hidden stable channel, but bot detection must independently assess browser availability, spoofing/replay and benign privacy cost.", "fa": "یکتایی جهانی به توزیع برآوردی و فرض وابستگی متکی و حرکت شدید نیازمند نمونه‌گیری بیشتر است؛ پوشش Android کوچک است. تحلیل پیشنهادی: کالیبراسیون سخت‌افزار نمونهٔ کانال پایدار پنهان است، ولی تشخیص بات باید دسترسی مرورگر، جعل/بازپخش و هزینهٔ حریم خصوصی سالم را مستقل بسنجد.", "pages": [ 8, 10, 11, 12 ] } ], "findings": [ { "en": "iPhone 6S GyroID entropy was estimated at 42.3 bits, with about 25 additional bits from MagID; 67 bits is a model-based combined estimate.", "fa": "آنتروپی GyroID مدل iPhone 6S برابر ۴۲٫۳ بیت و MagID حدود ۲۵ بیت دیگر برآورد شد؛ ۶۷ بیت برآورد ترکیبی مدل‌محور است.", "pages": [ 11 ] }, { "en": "Acquisition and processing typically require fewer than 100 samples and less than one second.", "fa": "برداشت و پردازش معمولاً کمتر از صد نمونه و کمتر از یک ثانیه نیاز دارد.", "pages": [ 1 ] }, { "en": "Test SensorIDs survived factory reset, OS update, temperature/location changes and half-year observation.", "fa": "SensorID آزموده در برابر بازنشانی کارخانه، به‌روزرسانی سیستم‌عامل، تغییر دما/مکان و مشاهدهٔ نیم‌سال پایدار ماند.", "pages": [ 11 ] }, { "en": "iOS 12.2 implemented ADC noise and changed default Safari motion-sensor access after coordinated disclosure.", "fa": "iOS 12.2 پس از افشای هماهنگ نویز ADC افزود و دسترسی پیش‌فرض حسگر حرکت Safari را تغییر داد.", "pages": [ 12 ] } ], "limitations": [ { "en": "Browser fused sensor readings have lower precision than raw native-app measurements and may need fuzzy matching.", "fa": "خوانش تلفیق‌شدهٔ حسگر مرورگر از دادهٔ خام بومی کم‌دقت‌تر و ممکن است نیازمند تطبیق فازی باشد.", "pages": [ 7, 8 ] }, { "en": "The 67-bit and global-collision claims are statistical estimates, not exhaustive population measurements.", "fa": "ادعای ۶۷ بیت و برخورد جهانی برآورد آماری است، نه اندازه‌گیری جامع جمعیت.", "pages": [ 10, 11 ] }, { "en": "Android testing includes only a few Pixel devices; reported defenses changed historical platform accessibility.", "fa": "آزمون Android فقط چند Pixel دارد و دفاع گزارش‌شده دسترسی تاریخی سکو را تغییر داده است.", "pages": [ 11, 12 ] } ], "figures": [ { "label": "Figure 3", "page": 5, "caption": { "en": "Calibration-recovery workflow for basic and improved procedures.", "fa": "جریان بازیابی کالیبراسیون در روش پایه و بهبود‌یافته." }, "insight": { "en": "Reconstruction uses quantization and validity checks rather than conventional learned device classification.", "fa": "بازسازی از کوانتیزه‌سازی و کنترل اعتبار استفاده می‌کند، نه طبقه‌بندی آموخته‌شدهٔ معمول دستگاه." }, "image": "figures/p-95cb8105b803-page-5-detail.webp" }, { "label": "Figure 4", "page": 7, "caption": { "en": "Fused browser gyroscope readings before and after differencing.", "fa": "خوانش ژیروسکوپ تلفیق‌شدهٔ مرورگر پیش و پس از تفاضل." }, "insight": { "en": "Shows why removing slowly varying bias helps recover a stable gain structure.", "fa": "علت کمک حذف بایاسِ آهسته‌متغیر به بازیابی ساختار بهرهٔ پایدار را نشان می‌دهد." }, "image": "figures/p-95cb8105b803-page-7-detail.webp" }, { "label": "Table V", "page": 11, "caption": { "en": "Entropy contributions of gain-matrix elements.", "fa": "سهم آنتروپی عناصر ماتریس بهره." }, "insight": { "en": "Explicit modeled contributions and excluded dependent variables matter for interpreting combined entropy.", "fa": "سهم مدل‌شده و حذف متغیر وابسته برای تفسیر آنتروپی ترکیبی مهم‌اند." }, "image": "figures/p-95cb8105b803-page-11-detail.webp" } ], "thesisUse": { "en": "Synthesis: compare sensor-noise classification with deterministic calibration recovery, and use platform defenses as a reminder to timestamp and revalidate every fingerprint signal.", "fa": "تحلیل ما: طبقه‌بندی نویز حسگر با بازیابی قطعی کالیبراسیون مقایسه و دفاع سکو یادآوری شود که هر سیگنال اثرانگشت باید زمان‌دار و دوباره اعتبارسنجی شود." }, "related": [ "p-884422b93470", "p-8983dabc1b06", "p-c3831a18da8c" ], "keywords": [ "SensorID", "GyroID", "MagID", "calibration", "ADC quantization" ], "pdf": "papers/p-95cb8105b803.pdf", "pages": 18, "sha256": "95cb8105b80387cb69127a34f68b4d18abb5a01a269d889dbcc7670b42c0ef46", "sourcePath": "مقالات\\Browser fingerprinting\\2019 SensorID Sensor calibration fingerprinting for smartphones (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "new-fp-scanner", "title": "FP-Scanner: The Privacy Implications of Browser Fingerprint Inconsistencies", "titleFa": "پیامدهای حریم خصوصی ناسازگاری اثرانگشت مرورگر", "year": 2018, "authors": [ "Antoine Vastel", "Pierre Laperdrix", "Walter Rudametkin", "Romain Rouvoy" ], "venue": "USENIX Security 2018", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "detection", "evasion", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/usenixsecurity18/presentation/vastel", "problem": { "en": "Detect altered fingerprints.", "fa": "تشخیص اثرانگشت دستکاری‌شده." }, "idea": { "en": "Cross-check independent signals.", "fa": "تطبیق سیگنال‌های مستقل." }, "result": { "en": "147 fingerprints: accuracy 1.00 versus 0.45 baselines.", "fa": "۱۴۷ اثرانگشت: دقت ۱ دربرابر ۰٫۴۵ مبناها." }, "sections": [ { "heading": { "en": "Target", "fa": "هدف" }, "en": "Countermeasures, not human/bot labels.", "fa": "ابزار ضدردیابی، نه برچسب انسان/بات.", "pages": [ 2, 5 ] }, { "heading": { "en": "Inputs", "fa": "ورودی" }, "en": "Headers, WebGL, fonts, errors, native functions.", "fa": "سرآیند، WebGL، قلم، خطا، توابع بومی.", "pages": [ 6, 7, 9 ] }, { "heading": { "en": "Mechanism", "fa": "سازوکار" }, "en": "Four checks: OS, browser, device, canvas.", "fa": "چهار بررسی: سیستم‌عامل، مرورگر، دستگاه، بوم.", "pages": [ 5, 6, 7, 8 ] }, { "heading": { "en": "Experiment", "fa": "آزمایش" }, "en": "Seven countermeasures plus ten genuine samples.", "fa": "هفت ابزار دفاعی و ده نمونهٔ واقعی.", "pages": [ 11 ] }, { "heading": { "en": "Recovery", "fa": "بازیابی" }, "en": "Families recover; exact browser versions remain ambiguous.", "fa": "خانواده‌ها بازیابی؛ نسخهٔ دقیق مبهم.", "pages": [ 13 ] }, { "heading": { "en": "Privacy", "fa": "حریم‌خصوصی" }, "en": "Detectability does not necessarily increase trackability.", "fa": "تشخیص‌پذیری لزوماً ردیابی‌پذیری را افزایش نمی‌دهد.", "pages": [ 14, 15 ] } ], "findings": [ { "en": "Depth: 90% below 513ms.", "fa": "حالت کامل: ۹۰٪ زیر ۵۱۳ میلی‌ثانیه.", "pages": [ 13 ] } ], "limitations": [ { "en": "Small historical sample; rules need maintenance.", "fa": "نمونهٔ تاریخی کوچک؛ قواعد نیازمند نگهداری.", "pages": [ 11, 16 ] } ], "figures": [ { "label": "Figure 1", "page": 6, "caption": { "en": "Consistency suite.", "fa": "مجموعهٔ سازگاری." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-fp-scanner-page-6-detail.webp" }, { "label": "Table 8", "page": 11, "caption": { "en": "Per-defense accuracy.", "fa": "دقت هر دفاع." }, "insight": { "en": "See evidence and limitations above.", "fa": "شواهد و محدودیت‌ها را ببینید." }, "image": "figures/new-fp-scanner-page-11-detail.webp" } ], "thesisUse": { "en": "Our proposal: treat consistency violations as auxiliary evidence, and evaluate false positives among privacy-tool users separately from bots. Test contemporary browsers and abstain when version-specific rules are stale.", "fa": "پیشنهاد ما: نقض سازگاری را شاهد کمکی قرار دهید؛ مثبت کاذب کاربران ابزار حریم خصوصی را جدا از بات‌ها بسنجید. مرورگرهای جدید را آزمون کنید و با قواعد نسخه‌ای کهنه از تصمیم قطعی پرهیز کنید." }, "related": [ "p-d1c6d28a95af", "p-e7ef4831b263" ], "keywords": [ "consistency", "canvas", "privacy" ], "contentPolicy": "Combined bilingual source-derived summary below 200 words.", "pdf": "papers/new-fp-scanner.pdf", "pages": 17, "sha256": "d79f2c8716a275165374af5eb73f96bb5209969df35f4019646cde5daac9797b", "duplicates": [], "downloadUrl": "https://www.usenix.org/system/files/conference/usenixsecurity18/sec18-vastel.pdf", "downloaded": "2026-10-11", "isNew": true }, { "id": "p-46990bde16d7", "title": "Hiding in the Crowd: an Analysis of the Effectiveness of Browser Fingerprinting at Large Scale", "titleFa": "پنهان‌شدن در جمعیت: تحلیل کارایی اثرانگشت مرورگر در مقیاس بزرگ", "year": 2018, "authors": [ "Alejandro Gómez-Boix", "Pierre Laperdrix", "Benoit Baudry" ], "venue": "The Web Conference (WWW)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "measurement", "privacy", "signals", "foundations" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/3178876.3186097", "problem": { "en": "Does the high uniqueness reported by privacy-demo websites generalize to a large commercial-site audience, and how fragile are shared fingerprints?", "fa": "آیا یکتایی بالای سایت‌های نمایش حریم خصوصی به مخاطب بزرگ سایت تجاری تعمیم دارد و اثرانگشت مشترک چقدر شکننده است؟" }, "idea": { "en": "Collect 17 attributes from a top French site's consenting visitors, compare anonymity sets/entropy with earlier datasets, and simulate plausible attribute changes and technological evolution.", "fa": "گردآوری هفده ویژگی بازدیدکنندگان رضایت‌دادهٔ سایت بزرگ فرانسوی، مقایسهٔ ناشناسی/آنتروپی با دادهٔ قبلی و شبیه‌سازی تغییر معقول ویژگی و تحول فناوری." }, "result": { "en": "Of 2,067,942 collected fingerprints, 33.6% were unique: 35.7% desktop and 18.5% mobile. Audience and data collection strongly change observed uniqueness, and simulated feature changes can make formerly shared fingerprints unique.", "fa": "از ۲٬۰۶۷٬۹۴۲ اثرانگشت، ۳۳٫۶٪ یکتا بود: دسکتاپ ۳۵٫۷٪ و موبایل ۱۸٫۵٪. مخاطب و گردآوری بر یکتایی مشاهده‌شده اثر قوی دارند و تغییر شبیه‌سازی‌شدهٔ ویژگی می‌تواند اثرانگشت مشترک را یکتا کند." }, "sections": [ { "heading": { "en": "Question and cohort difference", "fa": "پرسش و تفاوت گروه نمونه" }, "en": "Panopticlick and AmIUnique attract people interested in privacy and can overrepresent unusual systems or deliberate configuration changes. This paper instead samples two weather/news pages of a top-15 French site, providing a larger different cohort rather than a universal Internet sample.", "fa": "Panopticlick و AmIUnique افراد علاقه‌مند به حریم خصوصی را جذب و سامانهٔ نادر یا تغییر عمدی تنظیم را بیش‌نمایی می‌کنند. این مقاله دو صفحهٔ آب‌وهوا/خبر سایت پانزده‌تای نخست فرانسه را نمونه می‌گیرد و گروه بزرگ‌تر و متفاوت می‌دهد، نه نمونهٔ جهانی اینترنت.", "pages": [ 1, 2 ] }, { "heading": { "en": "Collection, consent and attributes", "fa": "گردآوری، رضایت و ویژگی" }, "en": "The collection runs December 7, 2016 to June 7, 2017, retaining consenting cookie users and using a six-month cookie to suppress repeat fingerprints. Seventeen attributes cover headers, plugins, timezone, screen, storage, fonts, canvas and WebGL; all cookies-enabled values are therefore identical by design.", "fa": "گردآوری از ۷ دسامبر ۲۰۱۶ تا ۷ ژوئن ۲۰۱۷ کاربران رضایت‌دهنده به کوکی را نگه و با کوکی شش‌ماهه تکرار را کم می‌کند. هفده ویژگی سرآیند، افزونه، زمان، نمایشگر، ذخیره، قلم، Canvas و WebGL را پوشش می‌دهند؛ در نتیجه پذیرش کوکی به‌طور طراحی‌شده برای همه یکسان است.", "pages": [ 2, 3, 5 ] }, { "heading": { "en": "Font and rendering methodology", "fa": "روش قلم و رندر" }, "en": "JavaScript tests 66 fonts against three fallback families, producing 198 checks and reducing confusion from metrically equivalent fonts. A richer canvas includes multilingual text, emojis, rotated shapes, mathematical curves and transparency; finite probe choices still do not enumerate every possible fingerprinting signal.", "fa": "جاوااسکریپت ۶۶ قلم را نسبت به سه خانوادهٔ جایگزین می‌سنجد: ۱۹۸ آزمون که اشتباه قلم‌های هم‌متریک را کم می‌کند. Canvas غنی‌تر متن چندزبانه، ایموجی، شکل چرخیده، منحنی ریاضی و شفافیت دارد؛ انتخاب محدود آزمون همچنان تمام سیگنال ممکن را پوشش نمی‌دهد.", "pages": [ 3 ] }, { "heading": { "en": "Uniqueness and anonymity-set results", "fa": "نتایج یکتایی و مجموعهٔ ناشناسی" }, "en": "Overall uniqueness is 33.6%, far below the over-80% findings of privacy-oriented prior cohorts; desktop is 35.7% and mobile 18.5%. Around 59% of mobile fingerprints occupy anonymity sets larger than 50, versus around 8% on personal computers, showing how constrained mobile stacks produce substantial collisions.", "fa": "یکتایی کل ۳۳٫۶٪ است، بسیار کمتر از بیش‌از‌۸۰٪ گروه‌های قبلی حریم‌خصوصی‌محور؛ دسکتاپ ۳۵٫۷٪ و موبایل ۱۸٫۵٪. حدود ۵۹٪ اثرانگشت موبایل مجموعهٔ ناشناسی بیش از پنجاه عضو دارد، در برابر حدود ۸٪ رایانهٔ شخصی؛ پشتهٔ محدود موبایل برخورد زیادی می‌سازد.", "pages": [ 4, 7 ] }, { "heading": { "en": "Fragility and evolution simulations", "fa": "شکنندگی و شبیه‌سازی تحول" }, "en": "For shared sets larger than 50, values are replaced using other non-unique fingerprints with matching OS/browser versions, keeping the hypothetical changes plausible. Simulated plugin removal lowers desktop uniqueness from 35.7% to 16.5%; these are counterfactual feature-removal experiments, not longitudinal tracking accuracy or measured future populations.", "fa": "برای مجموعهٔ مشترک بیش از پنجاه عضو، مقدار از اثرانگشت غیر‌یکتای دیگر با نسخهٔ مرورگر/سیستم‌عامل یکسان جایگزین می‌شود تا تغییر فرضی معقول بماند. حذف شبیه‌سازی‌شدهٔ افزونه یکتایی دسکتاپ را از ۳۵٫۷٪ به ۱۶٫۵٪ می‌رساند؛ این آزمون حذف ویژگیِ خلاف‌واقع است، نه دقت ردیابی زمانی یا جمعیت آیندهٔ اندازه‌گیری‌شده.", "pages": [ 5, 6, 8, 9 ] }, { "heading": { "en": "Limits and thesis synthesis", "fa": "محدودیت و تحلیل تز" }, "en": "Cookie acceptance, geography, page choice and finite tested attributes bias the cohort; uniqueness is relative to the dataset and its size. Synthesis: report stratified benign browser distributions and evaluate rare-but-legitimate clients, rather than equating unusual or unique fingerprints with bots.", "fa": "پذیرش کوکی، جغرافیا، صفحهٔ منتخب و ویژگی محدود نمونه را سوگیر می‌کنند؛ یکتایی به مجموعه‌داده و اندازهٔ آن نسبی است. تحلیل پیشنهادی: توزیع تفکیک‌شدهٔ مرورگر سالم و کلاینت نادر اما مشروع گزارش شود، نه اینکه اثرانگشت غیرعادی یا یکتا بات فرض شود.", "pages": [ 2, 7, 8, 9 ] } ], "findings": [ { "en": "2,067,942 fingerprints yielded 33.6% overall uniqueness, 35.7% desktop and 18.5% mobile.", "fa": "۲٬۰۶۷٬۹۴۲ اثرانگشت، یکتایی کل ۳۳٫۶٪، دسکتاپ ۳۵٫۷٪ و موبایل ۱۸٫۵٪ داد.", "pages": [ 1, 4 ] }, { "en": "66 candidate fonts × three fallback families produced 198 individual probing tests.", "fa": "۶۶ قلم کاندید ضرب در سه خانوادهٔ جایگزین، ۱۹۸ آزمون قلم داد.", "pages": [ 3 ] }, { "en": "About 59% of mobile fingerprints, versus 8% of desktop fingerprints, belonged to sets larger than 50.", "fa": "حدود ۵۹٪ اثرانگشت موبایل در برابر ۸٪ دسکتاپ در مجموعهٔ بیش از پنجاه‌عضوی بود.", "pages": [ 4 ] }, { "en": "Plugin-removal simulation reduced desktop uniqueness from 35.7% to 16.5%, a 19.2 percentage-point reduction.", "fa": "شبیه‌سازی حذف افزونه یکتایی دسکتاپ را از ۳۵٫۷٪ به ۱۶٫۵٪، یعنی ۱۹٫۲ واحد درصد، کم کرد.", "pages": [ 9 ] } ], "limitations": [ { "en": "Only consenting visitors to two pages on one French website were sampled, so the cohort is broader but not globally representative.", "fa": "فقط بازدیدکنندگان رضایت‌دهندهٔ دو صفحهٔ یک سایت فرانسوی نمونه شدند؛ گروه گسترده‌تر است ولی نمایندهٔ جهان نیست.", "pages": [ 2, 8 ] }, { "en": "Physical-device identity and cookie deletion can affect duplicate suppression; uniqueness does not directly measure longitudinal tracking success.", "fa": "هویت دستگاه فیزیکی و حذف کوکی بر کاهش تکرار اثر دارند؛ یکتایی مستقیماً موفقیت ردیابی زمانی را نمی‌سنجد.", "pages": [ 2, 4 ] }, { "en": "The PDF reports slightly different mobile/desktop subtotals in descriptive prose versus tables; use the consistent headline total and Table 3 denominators when comparing studies.", "fa": "PDF در متن توصیفی و جدول، زیرجمع موبایل/دسکتاپ کمی متفاوت دارد؛ برای مقایسه مجموع اصلی و مخرج جدول ۳ استفاده شود.", "pages": [ 3, 7 ] } ], "figures": [ { "label": "Figure 2", "page": 3, "caption": { "en": "The composite canvas probe image.", "fa": "تصویر آزمون Canvas ترکیبی." }, "insight": { "en": "Displays diverse rendering operations; complexity alone does not establish global uniqueness.", "fa": "عملیات متنوع رندر را نشان می‌دهد؛ پیچیدگی به‌تنهایی یکتایی جهانی نمی‌آورد." }, "image": "figures/p-46990bde16d7-page-3-detail.webp" }, { "label": "Figure 3", "page": 4, "caption": { "en": "Anonymity-set sizes for desktop and mobile.", "fa": "اندازهٔ مجموعهٔ ناشناسی دسکتاپ و موبایل." }, "insight": { "en": "Makes mobile collisions and the gap from earlier privacy-demo cohorts visible.", "fa": "برخورد موبایل و فاصله از نمونهٔ قبلیِ سایت حریم خصوصی را نمایان می‌کند." }, "image": "figures/p-46990bde16d7-page-4-detail.webp" }, { "label": "Figure 4", "page": 5, "caption": { "en": "Anonymity sets after plausible random attribute substitution.", "fa": "مجموعهٔ ناشناسی پس از جایگزینی تصادفی معقول ویژگی." }, "insight": { "en": "A sensitivity experiment on existing data, not observation of users naturally changing attributes.", "fa": "آزمایش حساسیت روی دادهٔ موجود است، نه مشاهدهٔ تغییر طبیعی کاربران." }, "image": "figures/p-46990bde16d7-page-5-detail.webp" } ], "thesisUse": { "en": "Synthesis: main counterweight to universal-uniqueness claims and a reason to stratify browser class, locale and privacy tooling in bot-detection evaluation.", "fa": "تحلیل ما: شاهد اصلی در برابر ادعای یکتایی عمومی و دلیل تفکیک کلاس مرورگر، منطقه و ابزار حریم خصوصی در ارزیابی تشخیص بات." }, "related": [ "p-dc486876446b", "p-c3831a18da8c", "p-898786a7be50" ], "keywords": [ "Hiding in the Crowd", "anonymity set", "demographic bias", "font probing", "uniqueness" ], "pdf": "papers/p-46990bde16d7.pdf", "pages": 10, "sha256": "46990bde16d711740a8918cc4f8a8b9d6e11ecde07a42e167c572f3afdf31a1d", "sourcePath": "مقالات\\Browser fingerprinting\\2018 Hiding in the crowd an analysis of the effectiveness of browser fingerprinting at large scale (WWW).pdf", "duplicates": [], "isNew": false }, { "id": "p-8983dabc1b06", "title": "Smartphone Fingerprinting Combining Features of On-Board Sensors", "titleFa": "اثرانگشت گوشی هوشمند با ترکیب ویژگی حسگرهای داخلی", "year": 2017, "authors": [ "Irene Amerini", "Rudy Becarelli", "Roberto Caldelli", "Alessio Melani", "Moreno Niccolai" ], "venue": "IEEE Transactions on Information Forensics and Security (TIFS)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "hardware", "signals", "authentication", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Can combining several sensors identify a smartphone more reliably than individual noisy sensors across operational conditions and unknown devices?", "fa": "آیا ترکیب چند حسگر در شرایط عملیاتی مختلف و حضور دستگاه ناشناخته، گوشی را مطمئن‌تر از حسگر منفردِ نویزی شناسایی می‌کند؟" }, "idea": { "en": "Extract 118 accelerometer, gyroscope, magnetometer and speaker–microphone features; compare concatenated features with classifier voting and test stability across time, location and stimulation.", "fa": "استخراج ۱۱۸ ویژگی شتاب‌سنج، ژیروسکوپ، مغناطیس‌سنج و بلندگو–میکروفن؛ مقایسهٔ الحاق ویژگی با رأی‌گیری طبقه‌بند و آزمون پایداری زمان، مکان و تحریک." }, "result": { "en": "Sensor fusion generally improved F1, but exact outcomes depended on classifier and acquisition scenario. The study uses 20 Android devices and a native acquisition app, not a large-scale browser human/bot dataset.", "fa": "ترکیب حسگر عموماً F1 را بهتر کرد ولی نتیجهٔ دقیق به طبقه‌بند و شرایط برداشت وابسته بود. مطالعه بیست دستگاه Android و برنامهٔ بومی گردآوری دارد، نه دادهٔ بزرگ مرورگرِ انسان/بات." }, "sections": [ { "heading": { "en": "Goal and identification model", "fa": "هدف و مدل شناسایی" }, "en": "The proposed security component identifies a physical smartphone from manufacturing imperfections and may support authentication. The experiment is supervised device classification with a reject option for previously unseen 'alien' devices, and does not test adversarial bot behavior.", "fa": "مؤلفهٔ امنیتی پیشنهادی گوشی فیزیکی را از نقص ساخت می‌شناسد و ممکن است به احراز هویت کمک کند. آزمایش طبقه‌بندی نظارت‌شدهٔ دستگاه با امکان رد دستگاه ندیده یا «بیگانه» است و رفتار باتِ مهاجم را نمی‌سنجد.", "pages": [ 1, 2, 4 ] }, { "heading": { "en": "Features and acquisition", "fa": "ویژگی و گردآوری" }, "en": "The native Sensor Reader app acquires raw signals, with 21 features each for accelerometer and magnetometer, 63 for the three gyroscope axes and 13 acoustic response values. Time/frequency features include mean, deviation, RMS, spectral shape and entropy; acoustic excitation uses 100–1,300-Hz tones.", "fa": "برنامهٔ بومی Sensor Reader سیگنال خام را می‌گیرد: ۲۱ ویژگی برای هر شتاب‌سنج و مغناطیس‌سنج، ۶۳ برای سه محور ژیروسکوپ و سیزده پاسخ صوتی. ویژگی زمانی/فرکانسی میانگین، پراکندگی، RMS، شکل طیفی و آنتروپی را شامل است؛ تحریک صوتی نت‌های ۱۰۰ تا ۱٬۳۰۰ هرتز دارد.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Fusion and unknown-device handling", "fa": "ترکیب و برخورد با دستگاه ناشناخته" }, "en": "Big-feature concatenates all 118 features, while Multi-voted combines sensor-specific classifier decisions. Naive Bayes and Random Forest are compared, and two devices are omitted from training in alien tests; classification confidence must distinguish unfamiliar devices from known ones.", "fa": "Big-feature تمام ۱۱۸ ویژگی را الحاق و Multi-voted تصمیم طبقه‌بندهای مختص حسگر را ترکیب می‌کند. Naive Bayes و Random Forest مقایسه و دو دستگاه در آزمون بیگانه از آموزش حذف می‌شوند؛ اطمینان طبقه‌بندی باید دستگاه ناآشنا را از شناخته‌شده جدا کند.", "pages": [ 4, 7 ] }, { "heading": { "en": "Experimental design and baselines", "fa": "طرح آزمایش و خط مبنا" }, "en": "Twenty devices are tested on a table or in a hand, with vibration on/off (NVT, VT, NVH, VH). Each device contributes six training feature samples and 100 test samples from separate parts of a track, yielding 120 training and 2,000 test rows; same-track splitting can be easier than independent-session generalization.", "fa": "بیست دستگاه روی میز یا در دست، با لرزش روشن/خاموش در NVT، VT، NVH و VH آزموده می‌شوند. هر دستگاه شش نمونهٔ ویژگی آموزش و صد نمونهٔ آزمون از بخش جداگانهٔ یک مسیر می‌دهد: ۱۲۰ ردیف آموزش و دو‌هزار آزمون؛ جداسازی در یک مسیر از تعمیم نشست مستقل آسان‌تر است.", "pages": [ 5, 6, 7 ] }, { "heading": { "en": "Results and stability experiments", "fa": "نتیجه و آزمایش پایداری" }, "en": "Fusion often gives F1 around 0.9 or higher, but averaged alien-test results in Table IV differ substantially by scenario: Big-feature Random Forest ranges from 90.97% to 99.16%. Eight-device remeasurement about a month and 30–40 km later keeps composite scores relatively stable, and seven same-model Nexus 5 tests reveal some confusion or rejection within the model.", "fa": "ترکیب اغلب F1 نزدیک ۰٫۹ یا بیشتر می‌دهد، اما میانگین آزمون بیگانه در جدول IV به شرایط وابسته است: Big-feature با Random Forest از ۹۰٫۹۷٪ تا ۹۹٫۱۶٪. برداشت دوبارهٔ هشت دستگاه حدود یک ماه و سی تا چهل کیلومتر بعد، امتیاز ترکیبی را نسبتاً پایدار نگه می‌دارد و آزمون هفت Nexus 5 هم‌مدل مقداری اشتباه یا رد درون‌مدل دارد.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Practical limits and thesis use", "fa": "محدودیت عملی و کاربرد تز" }, "en": "Audible excitation and native sensor acquisition are not equivalent to silently available browser signals; ultrasonic tests also show a modest performance reduction. Synthesis: use its fusion/rejection design as a methodological analogy, while requiring a browser-accessible feature audit and independent session/device splits before adopting it in web bot detection.", "fa": "تحریک شنیدنی و برداشت بومی حسگر معادل سیگنال خاموشِ قابل‌دسترسی مرورگر نیستند؛ آزمون فراصوت هم افت محدود کارایی نشان می‌دهد. تحلیل پیشنهادی: طراحی ترکیب/رد آن الگوی روش‌شناسی باشد، ولی پیش از کاربرد در بات وب، دسترسی ویژگی در مرورگر و جداسازی نشست/دستگاه مستقل سنجیده شود.", "pages": [ 8, 9 ] } ], "findings": [ { "en": "The composite representation has 118 features: 21+63+21+13 from four sensor families.", "fa": "نمایش ترکیبی ۱۱۸ ویژگی دارد: ۲۱+۶۳+۲۱+۱۳ از چهار خانوادهٔ حسگر.", "pages": [ 3, 4 ] }, { "en": "Baseline training uses 120 rows and testing 2,000 rows across 20 devices; alien training uses 108 rows for 18 devices.", "fa": "آموزش مبنا ۱۲۰ و آزمون دو‌هزار ردیف در بیست دستگاه دارد؛ آموزش بیگانه برای هجده دستگاه ۱۰۸ ردیف است.", "pages": [ 6, 7 ] }, { "en": "Averaged alien-test Big-feature Random Forest F1 was 90.97%, 97.60%, 99.16% and 97.61% for NVT, VT, NVH and VH.", "fa": "F1 میانگین آزمون بیگانهٔ Big-feature/Random Forest در NVT، VT، NVH و VH به‌ترتیب ۹۰٫۹۷٪، ۹۷٫۶۰٪، ۹۹٫۱۶٪ و ۹۷٫۶۱٪ بود.", "pages": [ 9 ] }, { "en": "In inaudible excitation tests, microphone-speaker F1 was 0.971 on-table and 0.945 in-hand, compared with 0.987 and 1.000 for audible tests.", "fa": "در تحریک ناشنیدنی F1 صوت روی میز ۰٫۹۷۱ و در دست ۰٫۹۴۵ بود، در برابر ۰٫۹۸۷ و ۱٫۰۰۰ برای آزمون شنیدنی.", "pages": [ 9 ] } ], "limitations": [ { "en": "Only 20 Android phones and limited same-model subsets were studied, so high scores do not establish Internet-scale uniqueness.", "fa": "فقط بیست گوشی Android و زیرمجموعهٔ محدود هم‌مدل بررسی شد؛ امتیاز بالا یکتایی در مقیاس اینترنت را ثابت نمی‌کند.", "pages": [ 5, 9 ] }, { "en": "Native acquisition and acoustic stimulation have deployment/privacy requirements absent from ordinary passive web requests.", "fa": "برداشت بومی و تحریک صوتی نیاز استقرار/حریم خصوصی متفاوت از درخواست منفعل عادی وب دارند.", "pages": [ 3, 5, 9 ] }, { "en": "Baseline samples are split from one track, and same-model tests show residual within-model confusion and false rejection.", "fa": "نمونهٔ مبنا از یک مسیر جدا شده و آزمون هم‌مدل اشتباه درون‌مدل و رد کاذب باقی‌مانده دارد.", "pages": [ 6, 9 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Sensor feature extraction pipeline.", "fa": "جریان استخراج ویژگی حسگر." }, "insight": { "en": "Separates raw acquisition from temporal/spectral summaries.", "fa": "برداشت خام را از خلاصهٔ زمانی/طیفی جدا می‌کند." }, "image": "figures/p-8983dabc1b06-page-3-detail.webp" }, { "label": "Figure 5", "page": 8, "caption": { "en": "Fusion approaches and classifiers with and without alien devices.", "fa": "روش ترکیب و طبقه‌بند با و بدون دستگاه بیگانه." }, "insight": { "en": "Illustrates scenario-dependent gains; a selected 100% case is not the overall average.", "fa": "بهبود وابسته به شرایط را نشان می‌دهد؛ مورد منتخب صددرصدی میانگین کل نیست." }, "image": "figures/p-8983dabc1b06-page-8-detail.webp" }, { "label": "Table IV", "page": 9, "caption": { "en": "Alien-test F1, precision and recall averaged across held-out device choices.", "fa": "F1، صحت و بازیابی آزمون بیگانه با میانگین‌گیری روی انتخاب دستگاه کنارگذاشته‌شده." }, "insight": { "en": "Provides a more defensible quantitative comparison than highlighting the best isolated trial.", "fa": "مقایسهٔ کمی دفاع‌پذیرتری از برجسته‌کردن بهترین آزمون منفرد می‌دهد." }, "image": "figures/p-8983dabc1b06-page-9-detail.webp" } ], "thesisUse": { "en": "Synthesis: adapt feature-fusion and unknown-class rejection concepts, but label this native smartphone identification rather than browser bot detection.", "fa": "تحلیل ما: ایدهٔ ترکیب ویژگی و رد کلاس ناشناخته اقتباس شود، اما این منبع شناسایی بومی گوشی، نه تشخیص بات مرورگر، نام بگیرد." }, "related": [ "p-884422b93470", "p-95cb8105b803" ], "keywords": [ "sensor fusion", "Random Forest", "Naive Bayes", "open-set", "composite fingerprint" ], "pdf": "papers/p-8983dabc1b06.pdf", "pages": 10, "sha256": "8983dabc1b065d2c1a6756e4b2d31971065933eb67ccc07b4678ac128dfa2c4a", "sourcePath": "مقالات\\Browser fingerprinting\\2017 Smartphone fingerprinting combining features of on-board sensors (TIFS).pdf", "duplicates": [], "isNew": false }, { "id": "p-e7ef4831b263", "title": "Picasso: Lightweight Device Class Fingerprinting for Web Clients", "titleFa": "Picasso: اثرانگشت سبکِ کلاس دستگاه برای کلاینت وب", "year": 2016, "authors": [ "Elie Bursztein", "Artem Malyshev", "Tadek Pietraszek", "Kurt Thomas" ], "venue": "ACM Workshop on Security and Privacy in Smartphones and Mobile Devices (SPSM)", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "detection", "evasion", "signals", "hardware", "authentication" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/2994459.2994467", "problem": { "en": "How can a server verify an untrusted client's claimed browser/OS class and impose computation that is difficult to offload to another class?", "fa": "سرور چگونه کلاس ادعایی مرورگر/سیستم‌عامل کلاینت نامطمئن را تأیید و محاسبه‌ای تحمیل کند که برون‌سپاری به کلاس دیگر دشوار باشد؟" }, "idea": { "en": "Issue seeded multi-round canvas challenges and verify rendering hashes against learned class responses; tune rounds and canvas size as a class-bound proof of work.", "fa": "ارسال چالش Canvas چندمرحله‌ای با بذر و تأیید هش رندر نسبت به پاسخ آموخته‌شدهٔ کلاس؛ تنظیم مرحله و اندازهٔ Canvas به‌عنوان اثبات کارِ وابسته به کلاس." }, "result": { "en": "The two-week deployment issued challenges to 52 million clients and reported 100% pairwise OS/browser-family separation in sufficiently large response/UA clusters. It did not establish 100% bot detection, version recognition or individual-device identity.", "fa": "استقرار دوهفته‌ای به ۵۲ میلیون کلاینت چالش داد و جداسازی دوبه‌دوی صددرصدی خانوادهٔ مرورگر/سیستم‌عامل را در خوشه‌های به‌اندازهٔ کافی بزرگ پاسخ/UA گزارش کرد. این نتیجه صددرصد تشخیص بات، تشخیص نسخه یا هویت دستگاه فردی نیست." }, "sections": [ { "heading": { "en": "Adversarial class verification", "fa": "تأیید کلاس در برابر مهاجم" }, "en": "Picasso targets scripts/emulators claiming to be authentic mobile or desktop clients, not unique per-device tracking. The attacker controls client software and traffic and knows the challenge code, but is assumed to have fewer relevant devices/computational resources than the defending service.", "fa": "Picasso اسکریپت/شبیه‌سازی را هدف می‌گیرد که کلاینت واقعی موبایل یا دسکتاپ ادعا می‌کند، نه ردیابی یکتای دستگاه. مهاجم نرم‌افزار و ترافیک را کنترل و کد چالش را می‌داند، اما دستگاه/منبع محاسبهٔ مرتبط کمتری از سرویس دفاع‌کننده فرض می‌شود.", "pages": [ 1, 2, 3, 4 ] }, { "heading": { "en": "Seeded canvas hash and proof of work", "fa": "هش Canvas بذرپذیر و اثبات کار" }, "en": "A seeded PRNG selects graphical primitives, coordinates, colors, gradients and shadows, drawing and hashing iteratively. The seed makes challenges vary, rounds N tune computation, and area A tunes memory; the claimed resistance relies on implementation-specific rendering and does not prohibit forwarding to genuine same-class devices.", "fa": "مولد شبه‌تصادفی بذرپذیر نوع شکل، مختصات، رنگ، گرادیان و سایه را انتخاب و رسم/هش را تکرار می‌کند. بذر چالش را متغیر، N محاسبه و A حافظه را تنظیم می‌کند؛ مقاومت ادعایی به رندر خاص پیاده‌سازی متکی است و ارسال به دستگاه واقعی هم‌کلاس را منع نمی‌کند.", "pages": [ 2, 3, 4 ] }, { "heading": { "en": "Verifier bootstrap and response dictionary", "fa": "راه‌اندازی تأییدگر و فرهنگ پاسخ" }, "en": "A server learns valid challenge-response/class associations from a device population or trusted clients rather than calculating every answer from a universal renderer. Many outputs per class must be stored because graphics hardware varies; poisoning and the defender's resource advantage are explicit operational concerns.", "fa": "سرور ارتباط پاسخ/کلاس را از جمعیت دستگاه یا کلاینت مورد اعتماد می‌آموزد، نه اینکه همهٔ پاسخ‌ها را با رندر عمومی محاسبه کند. به‌دلیل تنوع گرافیک چند پاسخ هر کلاس ذخیره می‌شود؛ آلودگی دادهٔ آغازین و برتری منبع دفاع‌کننده دغدغهٔ عملی صریح‌اند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Controlled and initial real-traffic validation", "fa": "اعتبارسنجی کنترل‌شده و ترافیک اولیه" }, "en": "Four primitives—circle, font, Bézier and quadratic curves—are evaluated for both inter-class uniqueness and within-class stability. The 2013 signed-in traffic experiment reports 272,178 challenge-response pairs (nearby prose also says 272,198 devices), relies on JavaScript UA as labels, and isolates 92,490 one-round challenges for primitive comparisons.", "fa": "چهار شکلِ دایره، متن قلم، منحنی Bézier و درجه‌دو از نظر تمایز بین‌کلاس و پایداری درون‌کلاس سنجیده می‌شوند. آزمایش کاربران واردشدهٔ ۲۰۱۳، تعداد ۲۷۲٬۱۷۸ زوج چالش/پاسخ می‌دهد (متن نزدیک ۲۷۲٬۱۹۸ دستگاه نیز می‌گوید)، بر UA جاوااسکریپت برای برچسب متکی است و ۹۲٬۴۹۰ چالش تک‌مرحله‌ای را جدا می‌کند.", "pages": [ 4, 5, 6, 7 ] }, { "heading": { "en": "Deployment results and granularity", "fa": "نتیجهٔ استقرار و دانه‌بندی" }, "en": "In February 2015, 52 million clients receive four-round challenges with fixed deployment seeds; analysis retains clusters of at least 10,000 clients sharing response and reported UA. Family separation reaches 100%, but version confusion remains: 40.8% for Chrome 35 versus 36 and 56.4% for Windows 8 versus 8.1 in worst comparisons.", "fa": "در فوریهٔ ۲۰۱۵، ۵۲ میلیون کلاینت چالش چهارمرحله‌ای با بذر ثابت دوره می‌گیرند؛ تحلیل خوشهٔ دست‌کم ده‌هزار کلاینت با پاسخ و UA مشترک را نگه می‌دارد. جداسازی خانواده ۱۰۰٪ است ولی اشتباه نسخه باقی است: در بدترین مقایسه ۴۰٫۸٪ برای Chrome 35/36 و ۵۶٫۴٪ برای Windows 8/8.1.", "pages": [ 8 ] }, { "heading": { "en": "Storage, latency and abusive traffic", "fa": "ذخیره، تأخیر و ترافیک سوءاستفاده" }, "en": "About 130,000 responses are observed; the top 1,000 cover 95% and top 10,000 cover 99% of clients, demonstrating class fingerprints rather than unique devices. Controlled rendering time grows roughly with round count, and the paper discusses identifying a password-guessing campaign, but does not publish a representative labeled bot-versus-human confusion matrix.", "fa": "حدود ۱۳۰٬۰۰۰ پاسخ دیده شد؛ هزار پاسخ نخست ۹۵٪ و ده‌هزار نخست ۹۹٪ کلاینت را پوشاندند که اثرانگشت کلاس، نه دستگاه یکتا، را نشان می‌دهد. زمان کنترل‌شده تقریباً با تعداد مرحله رشد می‌کند و مقاله شناسایی کارزار حدس رمز را بحث می‌کند، ولی ماتریس خطای نمایندهٔ بات/انسان منتشر نمی‌کند.", "pages": [ 7, 8, 9 ] }, { "heading": { "en": "Limitations and thesis synthesis", "fa": "محدودیت و تحلیل تز" }, "en": "Real browsers controlled by automation or compromised hosts can satisfy genuine-class challenges, and same-class solving farms remain possible. Synthesis: combine class consistency with behavioral/network evidence and evaluate unseen classes, poisoning, challenge forwarding and legitimate privacy defenses separately.", "fa": "مرورگر واقعی تحت کنترل خودکار یا میزبان آلوده می‌تواند چالش کلاس واقعی را پاسخ دهد و مزرعهٔ حل هم‌کلاس ممکن است. تحلیل پیشنهادی: سازگاری کلاس با شاهد رفتاری/شبکه ترکیب و کلاس ندیده، آلودگی داده، ارسال چالش و دفاع مشروع حریم خصوصی جدا ارزیابی شود.", "pages": [ 3, 4, 8, 9 ] } ], "findings": [ { "en": "52 million clients were challenged over two weeks in February 2015; the large-cluster analysis reported 100% family-level pairwise separation.", "fa": "۵۲ میلیون کلاینت طی دو هفتهٔ فوریهٔ ۲۰۱۵ چالش گرفتند؛ تحلیل خوشهٔ بزرگ جداسازی دوبه‌دوی صددرصدی خانواده را گزارش کرد.", "pages": [ 8 ] }, { "en": "The live analysis excluded response/UA clusters smaller than 10,000 clients and used UA-derived rather than physical-device ground truth.", "fa": "تحلیل زنده خوشهٔ پاسخ/UA کمتر از ده‌هزار کلاینت را حذف و حقیقت مبنای برگرفته از UA، نه دستگاه فیزیکی، را استفاده کرد.", "pages": [ 8 ] }, { "en": "Roughly 130,000 response values occurred; 1,000 covered 95% of clients and 10,000 covered 99%.", "fa": "حدود ۱۳۰٬۰۰۰ مقدار پاسخ رخ داد؛ هزار مقدار ۹۵٪ و ده‌هزار مقدار ۹۹٪ کلاینت را پوشاند.", "pages": [ 8 ] }, { "en": "Version separation is weaker: worst reported confusion is 40.8% for Chrome 35/36 and 56.4% for Windows 8/8.1.", "fa": "جداسازی نسخه ضعیف‌تر است: بدترین اشتباه گزارش‌شده ۴۰٫۸٪ برای Chrome 35/36 و ۵۶٫۴٪ برای Windows 8/8.1.", "pages": [ 8 ] } ], "limitations": [ { "en": "A genuine browser under bot control can pass; class authenticity is not human authenticity.", "fa": "مرورگر واقعی تحت کنترل بات عبور می‌کند؛ اصالت کلاس معادل اصالت انسان نیست.", "pages": [ 4 ] }, { "en": "Bootstrap trust, dictionary coverage, UA labels and resource advantage limit the meaning and generalization of the 100% result.", "fa": "اعتماد آغازین، پوشش فرهنگ پاسخ، برچسب UA و برتری منبع، معنای نتیجهٔ صددرصد و تعمیم آن را محدود می‌کنند.", "pages": [ 3, 4, 8 ] }, { "en": "Same-class response forwarding and solving farms are not eliminated by rendering challenges.", "fa": "ارسال پاسخ به دستگاه هم‌کلاس و مزرعهٔ حل با چالش رندر حذف نمی‌شوند.", "pages": [ 4 ] } ], "figures": [ { "label": "Figure 1", "page": 2, "caption": { "en": "Class-verification challenge/response workflow.", "fa": "جریان چالش/پاسخ تأیید کلاس." }, "insight": { "en": "Separates claimed identity, returned behavior and server verification.", "fa": "هویت ادعایی، رفتار برگشتی و تأیید سرور را جدا می‌کند." }, "image": "figures/p-e7ef4831b263-page-2-detail.webp" }, { "label": "Table 3", "page": 6, "caption": { "en": "Pairwise uniqueness of graphical primitives at family and version granularity.", "fa": "تمایز دوبه‌دوی اشکال گرافیکی در سطح خانواده و نسخه." }, "insight": { "en": "Strong family separation coexists with weak same-family version separation.", "fa": "تمایز قوی خانواده با تمایز ضعیف نسخهٔ همان خانواده هم‌زمان است." }, "image": "figures/p-e7ef4831b263-page-6-detail.webp" }, { "label": "Figure 8", "page": 8, "caption": { "en": "Pairwise family separation in the 52-million-client deployment.", "fa": "جداسازی دوبه‌دوی خانواده در استقرار ۵۲ میلیون کلاینت." }, "insight": { "en": "The figure's 100% entries concern retained class clusters, not all bots or all physical devices.", "fa": "اعداد صددرصد نمودار دربارهٔ خوشهٔ کلاس نگه‌داشته‌شده‌اند، نه همهٔ بات‌ها یا دستگاه‌های فیزیکی." }, "image": "figures/p-e7ef4831b263-page-8-detail.webp" } ], "thesisUse": { "en": "Synthesis: principal early intersection baseline for rendering-based identity validation, with explicit class-versus-device-versus-human distinctions and adversarial evaluation gaps.", "fa": "تحلیل ما: خط مبنای اولیهٔ مهم تقاطع برای تأیید هویت با رندر، با تفکیک صریح کلاس/دستگاه/انسان و شکاف ارزیابی مهاجم." }, "related": [ "p-da1ff6c88ab3", "p-d1c6d28a95af", "p-df0b0b0c4107" ], "keywords": [ "Picasso", "device class", "challenge-response", "proof of work", "canvas hash" ], "pdf": "papers/p-e7ef4831b263.pdf", "pages": 10, "sha256": "e7ef4831b2630f855d3bc32151dea1b4b7c1b654e4184652829026c376e53b49", "sourcePath": "مقالات\\Browser fingerprinting\\2016 Picasso Lightweight device class fingerprinting for web clients.pdf", "duplicates": [], "isNew": false }, { "id": "p-2b4e0e4b4006", "title": "A Classification of Web Browser Fingerprinting Techniques", "titleFa": "رده‌بندی روش‌های اثرانگشت مرورگر وب", "year": 2015, "authors": [ "Randika Upathilake", "Yingkun Li", "Ashraf Matrawy" ], "venue": "IEEE conference paper (local PDF)", "kind": "survey", "domains": [ "fingerprinting" ], "topics": [ "foundations", "signals", "privacy", "defense" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "How can newcomers organize browser fingerprinting techniques and distinguish them from website traffic fingerprinting and radio-signal fingerprinting?", "fa": "پژوهشگر تازه‌وارد چگونه روش‌های اثرانگشت مرورگر را سازمان دهد و آن‌ها را از اثرانگشت ترافیک وب‌سایت و سیگنال رادیویی جدا کند؟" }, "idea": { "en": "Classify literature into browser-specific, canvas, JavaScript-engine and cross-browser techniques, then compare uses and prevention approaches.", "fa": "رده‌بندی منابع به روش اختصاصی مرورگر، Canvas، موتور جاوااسکریپت و میان‌مرورگری و سپس مقایسهٔ کاربرد و روش پیشگیری." }, "result": { "en": "A compact four-category taxonomy and defense comparison; the numerical examples summarize prior studies rather than a new dataset or bot detector.", "fa": "رده‌بندی فشردهٔ چهاربخشی و مقایسهٔ دفاع؛ مثال‌های عددی خلاصهٔ مطالعات قبلی‌اند، نه دادهٔ تازه یا آشکارساز بات." }, "sections": [ { "heading": { "en": "Scope and terminology", "fa": "دامنه و اصطلاحات" }, "en": "Browser fingerprinting identifies the browser/device environment from exposed attributes without client-side state. Website fingerprinting instead infers destinations from encrypted-traffic patterns, and radio-signal fingerprinting identifies transmitters from physical signal properties.", "fa": "اثرانگشت مرورگر محیط مرورگر/دستگاه را از ویژگی آشکارشده بدون حالت سمت کلاینت می‌شناسد. اثرانگشت وب‌سایت مقصد را از الگوی ترافیک رمز‌شده و اثرانگشت رادیویی فرستنده را از خواص فیزیکی سیگنال استنتاج می‌کند.", "pages": [ 1 ] }, { "heading": { "en": "Browser-specific and canvas categories", "fa": "ردهٔ اختصاصی مرورگر و Canvas" }, "en": "Browser-specific features include configuration, plugins, fonts and headers, and change with software updates or attached displays. Canvas combines pixel-level rendering differences from browser, OS and graphics stack; a compact hash replaces uploading the complete image.", "fa": "ویژگی اختصاصی مرورگر شامل تنظیم، افزونه، قلم و سرآیند است و با به‌روزرسانی یا نمایشگر متصل تغییر می‌کند. Canvas تفاوت پیکسلی مرورگر، سیستم‌عامل و گرافیک را ترکیب می‌کند و هش فشرده جای بارگذاری تصویر کامل را می‌گیرد.", "pages": [ 2 ] }, { "heading": { "en": "Engine and cross-browser categories", "fa": "ردهٔ موتور و میان‌مرورگری" }, "en": "JavaScript-engine fingerprinting exploits conformance/implementation differences that can reveal real browser identity despite spoofing. Cross-browser methods target device properties shared across browsers, including fonts and mobile accelerometer calibration errors; device orientation and access requirements still constrain acquisition.", "fa": "اثرانگشت موتور جاوااسکریپت از تفاوت سازگاری/پیاده‌سازی بهره می‌گیرد تا با وجود جعل، مرورگر واقعی را آشکار کند. روش میان‌مرورگری ویژگی مشترک دستگاه مانند قلم و خطای کالیبراسیون شتاب‌سنج را هدف می‌گیرد؛ جهت‌گیری دستگاه و نیاز دسترسی گردآوری را محدود می‌کنند.", "pages": [ 2, 3 ] }, { "heading": { "en": "Security, advertising and delivery", "fa": "امنیت، تبلیغات و عرضه" }, "en": "The same mechanism can support account protection or covert profiling and exploit targeting, so labeling it constructive depends on purpose and user expectations. Commercial delivery may occur through advertising infrastructure or first-party forms that send encrypted fingerprints to an external provider.", "fa": "سازوکار یکسان می‌تواند حفاظت حساب یا پروفایل‌سازی پنهان و هدف‌گیری سوءاستفاده را انجام دهد؛ سازنده‌نامیدن آن به هدف و انتظار کاربر وابسته است. عرضهٔ تجاری ممکن است از زیرساخت تبلیغ یا فرم سایت اصلی با ارسال اثرانگشت رمز‌شده به ارائه‌دهندهٔ بیرونی باشد.", "pages": [ 3, 4 ] }, { "heading": { "en": "Evidence and defense comparison", "fa": "شواهد و مقایسهٔ دفاع" }, "en": "The paper reuses published examples such as Panopticlick and Cookieless Monster and does not collect a new evaluation corpus. Blocking scripts, restricting APIs, standardizing environments and spoofing trade privacy against compatibility; incomplete spoofing may add identifying discrepancies.", "fa": "مقاله نمونه‌های منتشرشده مانند Panopticlick و Cookieless Monster را بازگو می‌کند و پیکرهٔ ارزیابی تازه‌ای نمی‌سازد. مسدودکردن اسکریپت، محدودکردن API، یکسان‌سازی محیط و جعل، حریم خصوصی را با سازگاری مبادله می‌کنند؛ جعل ناقص می‌تواند اختلاف شناسا اضافه کند.", "pages": [ 2, 4, 5 ] }, { "heading": { "en": "Limits and thesis taxonomy", "fa": "محدودیت و رده‌بندی تز" }, "en": "Categories overlap because a canvas result is browser-dependent yet also carries hardware information, and identical configurations can collide. Synthesis: use this as a historical onboarding map, expand it with temporal behavior/network consistency and keep independent bot-detection branches separate.", "fa": "رده‌ها هم‌پوشان‌اند زیرا خروجی Canvas به مرورگر وابسته است و هم‌زمان اطلاعات سخت‌افزار دارد؛ پیکربندی همسان هم ممکن است برخورد کند. تحلیل پیشنهادی: این منبع نقشهٔ ورود تاریخی باشد، با رفتار زمانی/سازگاری شبکه توسعه یابد و شاخهٔ تشخیص بات مستقل باقی بماند.", "pages": [ 3, 5 ] } ], "findings": [ { "en": "Four categories are explicitly proposed: browser-specific, canvas, JavaScript engine and cross-browser.", "fa": "چهار ردهٔ صریح: اختصاصی مرورگر، Canvas، موتور جاوااسکریپت و میان‌مرورگری.", "pages": [ 1 ] }, { "en": "Accelerometer calibration fingerprinting is placed under cross-browser fingerprinting.", "fa": "اثرانگشت کالیبراسیون شتاب‌سنج زیر ردهٔ میان‌مرورگری قرار می‌گیرد.", "pages": [ 3 ] }, { "en": "The defense discussion records the risk that incomplete User-Agent spoofing makes clients more distinguishable.", "fa": "بخش دفاع خطر تمایزپذیری بیشتر ناشی از جعل ناقص User-Agent را ثبت می‌کند.", "pages": [ 5 ] } ], "limitations": [ { "en": "A short literature classification provides no original accuracy, prevalence or bot labels.", "fa": "رده‌بندی کوتاه ادبیات، دقت، شیوع یا برچسب باتِ مستقل ندارد.", "pages": [ 1, 5 ] }, { "en": "A 2015 taxonomy omits later APIs, adversarial commercial measurements and modern browser defenses.", "fa": "رده‌بندی ۲۰۱۵، APIهای بعدی، سنجش تجاری مهاجم و دفاع مرورگر جدید را پوشش نمی‌دهد.", "pages": [ 5 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Fingerprint categories and influencing attributes.", "fa": "رده‌های اثرانگشت و ویژگی‌های مؤثر." }, "insight": { "en": "Useful initial tree; overlapping software/hardware causes mean the branches are not mutually exclusive.", "fa": "درخت اولیهٔ مفید؛ هم‌پوشانی علت نرم‌افزاری/سخت‌افزاری یعنی شاخه‌ها انحصاری نیستند." }, "image": "figures/p-2b4e0e4b4006-page-3-detail.webp" }, { "label": "Figure 2", "page": 5, "caption": { "en": "Comparison of fingerprinting prevention techniques.", "fa": "مقایسهٔ روش‌های پیشگیری از اثرانگشت." }, "insight": { "en": "Organizes countermeasure trade-offs rather than reporting a new controlled benchmark.", "fa": "مبادله‌های دفاع را سازمان می‌دهد، نه بنچمارک کنترل‌شدهٔ تازه." }, "image": "figures/p-2b4e0e4b4006-page-5-detail.webp" } ], "thesisUse": { "en": "Synthesis: seed the atlas taxonomy and terminology, then evolve it using the 2020 survey and intersection papers rather than freezing the 2015 categories.", "fa": "تحلیل ما: آغاز رده‌بندی و اصطلاح‌نامهٔ اطلس باشد و با مرور ۲۰۲۰ و مقالات تقاطع توسعه یابد، نه اینکه رده‌های ۲۰۱۵ ثابت بمانند." }, "related": [ "p-c3831a18da8c", "p-dc486876446b", "p-da1ff6c88ab3", "p-884422b93470" ], "keywords": [ "taxonomy", "cross-browser", "browser fingerprinting", "website fingerprinting", "prevention" ], "pdf": "papers/p-2b4e0e4b4006.pdf", "pages": 5, "sha256": "2b4e0e4b4006a05f04ae0c8144aeca46ac4a5f79749b7230e9642deba0994093", "sourcePath": "مقالات\\Browser fingerprinting\\2015 A classification of web browser fingerprinting techniques.pdf", "duplicates": [], "isNew": false }, { "id": "p-a277039433bf", "title": "PriVaricator: Deceiving Fingerprinters with Little White Lies", "titleFa": "PriVaricator: فریب اثرانگشت‌گیرها با دروغ‌های کوچک", "year": 2015, "authors": [ "Nick Nikiforakis", "Wouter Joosen", "Benjamin Livshits" ], "venue": "International World Wide Web Conference (WWW)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "defense", "privacy", "evasion" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/2736277.2741090", "problem": { "en": "How can a browser break fingerprint linkability without breaking legitimate sites or exposing obvious impossible configurations?", "fa": "مرورگر چگونه پیوندپذیری اثرانگشت را قطع کند، بدون اختلال سایت مشروع یا آشکارکردن پیکربندی ناممکن؟" }, "idea": { "en": "Use configurable native-browser randomization policies for font-related geometry and plugin exposure, triggered by lying thresholds and probabilities.", "fa": "استفاده از سیاست تصادفی‌سازی قابل‌تنظیم در مرورگر بومی برای هندسهٔ مرتبط با قلم و افشای افزونه، با آستانه و احتمال دروغ." }, "result": { "en": "Chosen policies defeated all tested fingerprinters while average screenshot-based visual difference was about 0.7% on Alexa's top 1,000 sites, with negligible measured benchmark overhead.", "fa": "سیاست منتخب همهٔ اثرانگشت‌گیرهای آزموده را شکست داد و اختلاف بصری میانگینِ مبتنی بر تصویر صفحه در هزار سایت نخست Alexa حدود ۰٫۷٪ و سربار بنچمارک اندازه‌گیری‌شده ناچیز بود." }, "sections": [ { "heading": { "en": "Uniqueness versus linkability", "fa": "یکتایی در برابر پیوندپذیری" }, "en": "A unique output is not necessarily a privacy failure if successive visits cannot be linked. PriVaricator intentionally changes selected exposed properties so that repeated fingerprints vary rather than trying to make every user share the same identifier.", "fa": "خروجی یکتا الزاماً شکست حریم خصوصی نیست اگر بازدیدهای متوالی قابل پیوند نباشند. PriVaricator برخی ویژگی‌های آشکارشده را عمدی تغییر می‌دهد تا اثرانگشت تکراری متغیر شود، به‌جای اینکه همهٔ کاربران شناسهٔ یکسان بگیرند.", "pages": [ 1, 2 ] }, { "heading": { "en": "Policy parameters and feature surfaces", "fa": "پارامتر سیاست و سطح ویژگی" }, "en": "Font probing relies on offsetHeight, offsetWidth and getBoundingClientRect, while plugins expose another identifying list. Policies return zero, bounded random values or ±5% noise, controlled by access/lying threshold, probability of lying and per-plugin hiding probability; plausibility and compatibility are explicit objectives.", "fa": "کاوش قلم بر offsetHeight، offsetWidth و getBoundingClientRect متکی است و افزونه‌ها فهرست شناسا دیگری می‌دهند. سیاست‌ها صفر، مقدار تصادفی محدود یا نویز ±۵٪ برمی‌گردانند و آستانهٔ دسترسی/دروغ، احتمال دروغ و احتمال مخفی‌کردن هر افزونه آن‌ها را کنترل می‌کند؛ باورپذیری و سازگاری هدف صریح‌اند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Implementation and performance", "fa": "پیاده‌سازی و کارایی" }, "en": "Chromium is modified below ordinary JavaScript extensions so the exposed native properties follow the policy. JSBench, SunSpider and Kraken compare a stock and modified browser under computationally demanding randomization settings, finding differences within ordinary measurement variation.", "fa": "Chromium در سطح پایین‌تر از افزونهٔ عادی جاوااسکریپت تغییر می‌کند تا ویژگی بومی آشکارشده تابع سیاست باشد. JSBench، SunSpider و Kraken مرورگر عادی و تغییر‌یافته را در تنظیم تصادفی‌سازی پرهزینه مقایسه می‌کنند و اختلاف در محدودهٔ نوسان اندازه‌گیری است.", "pages": [ 4, 5 ] }, { "heading": { "en": "Fingerprinter evaluation", "fa": "ارزیابی اثرانگشت‌گیر" }, "en": "The automated parameter sweep tests 1,331 configurations per provider, representing three parameters with eleven values each. BlueCava, fingerprintjs, Coinbase and PetPortal expose different success regions, so selecting a policy must use the intersection that defeats every tested provider rather than one provider's uniqueness alone.", "fa": "پیمایش خودکار پارامتر ۱٬۳۳۱ پیکربندی را برای هر ارائه‌دهنده می‌آزماید: سه پارامتر با یازده مقدار. BlueCava، fingerprintjs، Coinbase و PetPortal ناحیهٔ موفقیت متفاوت دارند؛ انتخاب سیاست باید اشتراک ناحیهٔ شکست همه را بگیرد، نه یکتایی یک ارائه‌دهنده را.", "pages": [ 5, 6, 7, 11 ] }, { "heading": { "en": "Breakage evaluation and outcomes", "fa": "ارزیابی اختلال و نتیجه" }, "en": "On the top 1,000 sites, screenshots after a 25-second wait are compared across 48 viable policy settings, masking naturally dynamic regions using multiple baseline captures. The best low-noise policies yield about 0.7% average visual difference, while manual examination reveals false alarms such as moving ads and error pages; screenshot difference is not comprehensive task-level usability.", "fa": "در هزار سایت نخست، تصویر صفحه پس از ۲۵ ثانیه برای ۴۸ تنظیم مناسب مقایسه و ناحیهٔ ذاتاً پویا با چند تصویر مبنا پوشانده می‌شود. بهترین سیاست کم‌نویز حدود ۰٫۷٪ اختلاف بصری میانگین دارد و بررسی دستی هشدار کاذب مانند تبلیغ متحرک و صفحهٔ خطا می‌یابد؛ اختلاف تصویر معادل کاربردپذیری کامل در سطح وظیفه نیست.", "pages": [ 7, 8 ] }, { "heading": { "en": "Adaptive attackers and thesis synthesis", "fa": "مهاجم سازگار و تحلیل تز" }, "en": "The implemented scope focuses on fonts and plugins; canvas extension is discussed as a plausible future modification rather than experimentally demonstrated coverage. Synthesis: privacy randomization is an essential benign evasive class for bot detection, and one must separate linkability reduction from contradictory-identity detection.", "fa": "دامنهٔ پیاده‌شده قلم و افزونه است؛ توسعهٔ Canvas به‌عنوان تغییر احتمالی آینده بحث شده، نه پوشش آزمایش‌شده. تحلیل پیشنهادی: تصادفی‌سازی حریم خصوصی یک کلاس مشروعِ گریزندهٔ ضروری برای تشخیص بات است و کاهش پیوندپذیری باید از کشف هویت متناقض جدا شود.", "pages": [ 9, 10 ] } ], "findings": [ { "en": "The parameter grid contains 11³ = 1,331 settings per evaluated fingerprinter.", "fa": "شبکهٔ پارامتر برای هر اثرانگشت‌گیر ۱۱³ برابر ۱٬۳۳۱ تنظیم دارد.", "pages": [ 5 ] }, { "en": "BlueCava outputs were unique in 96.32% of the tested parameter settings; this is policy-sweep behavior, not user-population uniqueness.", "fa": "خروجی BlueCava در ۹۶٫۳۲٪ تنظیم آزموده یکتا بود؛ این رفتار پیمایش سیاست است، نه یکتایی جمعیت کاربر.", "pages": [ 6 ] }, { "en": "Screenshot breakage evaluation tested 48 suitable settings on 1,000 popular sites.", "fa": "ارزیابی اختلال تصویر صفحه، ۴۸ تنظیم مناسب را روی هزار سایت محبوب آزمود.", "pages": [ 7 ] }, { "en": "The preferred policies caused about 0.7% average visual difference; benchmark overhead was negligible within measured variation.", "fa": "سیاست ترجیحی حدود ۰٫۷٪ اختلاف بصری میانگین داشت و سربار بنچمارک در محدودهٔ نوسان اندازه‌گیری ناچیز بود.", "pages": [ 2, 4, 8 ] } ], "limitations": [ { "en": "Coverage is tied to tested font/plugin fingerprinters; discussion of canvas adaptation is not a canvas evaluation.", "fa": "پوشش به اثرانگشت‌گیر قلم/افزونهٔ آزموده وابسته است؛ بحث سازگارسازی Canvas ارزیابی Canvas نیست.", "pages": [ 3, 9 ] }, { "en": "Screenshot difference and short visits can miss workflow breakage and future adaptive countermeasures.", "fa": "اختلاف تصویر و بازدید کوتاه ممکن است اختلال جریان کار و ضدروش سازگار آینده را نشان ندهد.", "pages": [ 7, 8, 9 ] } ], "figures": [ { "label": "Figure 2", "page": 6, "caption": { "en": "Provider-specific regions of the randomization parameter space.", "fa": "ناحیه‌های مختص ارائه‌دهنده در فضای پارامتر تصادفی‌سازی." }, "insight": { "en": "Different providers respond differently; robust choices use the intersection of successful settings.", "fa": "پاسخ ارائه‌دهندگان متفاوت است؛ انتخاب مقاوم به اشتراک تنظیم موفق نیاز دارد." }, "image": "figures/p-a277039433bf-page-6-detail.webp" }, { "label": "Figure 3", "page": 8, "caption": { "en": "Dynamic-content masks derived from repeated baseline screenshots.", "fa": "ماسک محتوای پویا از تصاویر مبنای تکراری." }, "insight": { "en": "Reduces natural page variability being mistaken for defensive breakage.", "fa": "مانع اشتباه‌گرفتن تغییر طبیعی صفحه با اختلال دفاع می‌شود." }, "image": "figures/p-a277039433bf-page-8-detail.webp" }, { "label": "Figure 4", "page": 8, "caption": { "en": "Visual breakage across policy settings.", "fa": "اختلال بصری در تنظیم‌های سیاست." }, "insight": { "en": "Small-noise policies balance unlinkability and display compatibility in the tested sample.", "fa": "سیاست کم‌نویز در نمونهٔ آزموده، ناپیوندپذیری و سازگاری نمایش را متوازن می‌کند." }, "image": "figures/p-a277039433bf-page-8-detail.webp" } ], "thesisUse": { "en": "Synthesis: build a benign privacy-defense baseline and quantify false positives on it; apparent evasion or rare fingerprints alone must not label a user a bot.", "fa": "تحلیل ما: خط مبنای دفاع مشروع حریم خصوصی ساخته و مثبت کاذب روی آن سنجیده شود؛ گریز ظاهری یا اثرانگشت نادر به‌تنهایی برچسب بات ندهد." }, "related": [ "p-d1c6d28a95af", "p-514450aaef86", "p-c3831a18da8c" ], "keywords": [ "randomization", "linkability", "PriVaricator", "font probing", "site breakage" ], "pdf": "papers/p-a277039433bf.pdf", "pages": 11, "sha256": "a277039433bf714c4aceff9f511a244b078ba6c5f3f7bf3692c30aac70a21788", "sourcePath": "مقالات\\Browser fingerprinting\\2015 Privaricator Deceiving fingerprinters with little white lies (Web).pdf", "duplicates": [], "isNew": false }, { "id": "p-884422b93470", "title": "Mobile Device Identification via Sensor Fingerprinting", "titleFa": "شناسایی دستگاه همراه با اثرانگشت حسگر", "year": 2014, "authors": [ "Hristo Bojinov", "Dan Boneh", "Yan Michalevsky", "Gabi Nakibly" ], "venue": "Technical report / arXiv preprint", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "hardware", "signals", "measurement", "privacy", "authentication" ], "status": "full-text-reviewed", "sourceUrl": "http://arxiv.org/abs/1408.1416", "problem": { "en": "Can mobile devices with otherwise uniform browser configurations be recognized through hardware sensor imperfections that survive a factory reset?", "fa": "آیا دستگاه همراه با پیکربندی نسبتاً یکسان مرورگر، از نقص حسگر سخت‌افزاریِ باقی‌مانده پس از بازنشانی کارخانه قابل شناسایی است؟" }, "idea": { "en": "Measure speaker–microphone frequency responses and estimate accelerometer gain/offset; evaluate small controlled device sets and a large public web experiment.", "fa": "اندازه‌گیری پاسخ فرکانسی بلندگو–میکروفن و برآورد بهره/افست شتاب‌سنج؛ ارزیابی مجموعهٔ کنترل‌شدهٔ کوچک و آزمایش وب عمومی بزرگ." }, "result": { "en": "Large-scale Z-axis accelerometer data yielded 7.498 bits of estimated entropy. Recognition of 3,583 two-submission devices was 8.3% in the strict sensor-only setup and 53% after adding User-Agent, illustrating the gap between small-lab and population identification.", "fa": "دادهٔ گستردهٔ محور Z شتاب‌سنج آنتروپی برآوردی ۷٫۴۹۸ بیت داشت. شناسایی ۳٬۵۸۳ دستگاهِ دارای دو ارسال در حالت سخت‌گیرانهٔ فقط‌حسگر ۸٫۳٪ و با User-Agent برابر ۵۳٪ بود؛ فاصلهٔ آزمایشگاه کوچک و شناسایی جمعیت را نشان می‌دهد." }, "sections": [ { "heading": { "en": "Hardware identity and exposure", "fa": "هویت سخت‌افزاری و سطح دسترسی" }, "en": "Manufacturing/calibration variation can persist when cookies or installation IDs are deleted. Microphone access and accelerometer access differ: the historical browser exposes accelerometer streams to JavaScript without a permission prompt, whereas acoustic experiments require recording and excitation.", "fa": "تفاوت ساخت/کالیبراسیون ممکن است پس از حذف کوکی یا شناسهٔ نصب باقی بماند. دسترسی میکروفن با شتاب‌سنج متفاوت است: مرورگر تاریخی جریان شتاب‌سنج را بی‌درخواست مجوز در اختیار جاوااسکریپت می‌گذارد، اما آزمایش صوتی به ضبط و تحریک نیاز دارد.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Acoustic mechanism", "fa": "سازوکار صوتی" }, "en": "The device speaker plays selected tones and its microphone records the response, exposing combined speaker/microphone imperfections. The authors compare fundamental and second-harmonic responses using distance and likelihood models, and later use a multi-frequency signal to shorten and disguise acquisition.", "fa": "بلندگوی دستگاه نت‌های منتخب را پخش و میکروفن پاسخ را ضبط می‌کند تا نقص ترکیبی بلندگو/میکروفن آشکار شود. پاسخ فرکانس پایه و هارمونیک دوم با مدل فاصله و درست‌نمایی مقایسه می‌شود و سپس سیگنال چندفرکانسی گردآوری را کوتاه‌تر و کم‌جلب‌توجه‌تر می‌کند.", "pages": [ 4, 5, 6 ] }, { "heading": { "en": "Accelerometer mechanism", "fa": "سازوکار شتاب‌سنج" }, "en": "A linear gain/offset model describes each accelerometer axis, with gravity providing a known reference when the phone is held in suitable orientations. Controlled profiling estimates calibration parameters; the scalable web experiment focuses only on Z-axis offset and sensitivity and asks users to place the device face up and down.", "fa": "مدل خطی بهره/افست هر محور شتاب‌سنج را توصیف می‌کند و گرانش در جهت‌گیری مناسب مرجع معلوم می‌دهد. پروفایل‌گیری کنترل‌شده پارامتر کالیبراسیون را برآورد می‌کند؛ آزمایش وب مقیاس‌پذیر فقط افست و حساسیت محور Z را می‌گیرد و از کاربر قرارگیری رو به بالا و پایین می‌خواهد.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "Controlled and public experiments", "fa": "آزمایش کنترل‌شده و عمومی" }, "en": "Acoustic tests begin with 16 identical Droid devices and use 15 after a faulty unit is removed; separate small accelerometer sets assess repeatability. The public site collected more than 16,000 submissions over two weeks, uses cookies to associate repeats, and includes thousands of devices rather than a single uniform model.", "fa": "آزمون صوتی با شانزده Droid همسان آغاز و پس از حذف دستگاه معیوب با پانزده ادامه یافت؛ مجموعه‌های کوچک جداگانه تکرارپذیری شتاب‌سنج را سنجیدند. سایت عمومی در دو هفته بیش از شانزده‌هزار ارسال گرد آورد، با کوکی تکرار را پیوند می‌دهد و هزاران دستگاه از مدل‌های گوناگون دارد.", "pages": [ 5, 6, 7, 8 ] }, { "heading": { "en": "Results and denominator discipline", "fa": "نتایج و رعایت مخرج" }, "en": "Likelihood-based acoustic identification reached 100% for the 15-device known-location tests, but only 80% using second harmonics at an untrained location. In the public two-submission set, strict sensor-only nearest-neighbor recognition was 298/3,583 (8.3%); adding User-Agent yielded 1,900 recognized devices (53%), and filtering large deviations increased this to 58.7%.", "fa": "شناسایی صوتی با درست‌نمایی در آزمون مکان شناخته‌شدهٔ پانزده دستگاه ۱۰۰٪ بود، اما با هارمونیک دوم در مکان آموزش‌ندیده ۸۰٪ شد. در مجموعهٔ عمومیِ دوارساله، نزدیک‌ترین همسایهٔ فقط‌حسگر ۲۹۸/۳٬۵۸۳ یا ۸٫۳٪ بود؛ افزودن User-Agent به ۱٬۹۰۰ دستگاه یا ۵۳٪ رسید و پالایش انحراف بزرگ آن را به ۵۸٫۷٪ رساند.", "pages": [ 6, 9 ] }, { "heading": { "en": "Mitigations and thesis connection", "fa": "کاهش خطر و ارتباط با تز" }, "en": "The paper proposes calibration, software offsets and sensor-access controls, while later SensorID shows that calibration itself can leak a stable identifier. Synthesis: keep hardware signal research separate from web bot labels, and use its scale-dependent results as a warning against claiming universal identity from a tiny closed-world experiment.", "fa": "مقاله کالیبراسیون، افست نرم‌افزاری و کنترل دسترسی حسگر را پیشنهاد می‌کند؛ SensorID بعداً نشان می‌دهد خود کالیبراسیون می‌تواند شناسهٔ پایدار لو بدهد. تحلیل پیشنهادی: پژوهش سیگنال سخت‌افزاری از برچسب بات وب جدا و نتایج وابسته به مقیاس آن هشداری علیه تعمیم آزمایش کوچک جهان‌بسته باشد.", "pages": [ 9, 10 ] } ], "findings": [ { "en": "The measured Z-axis offset/sensitivity distribution had 7.498 bits of entropy, using repeatability-derived bin sizes.", "fa": "توزیع افست/حساسیت محور Z با اندازهٔ خانهٔ مبتنی بر تکرارپذیری، ۷٫۴۹۸ بیت آنتروپی داشت.", "pages": [ 9 ] }, { "en": "Strict sensor-only recognition identified 298 of 3,583 two-submission devices (8.3%).", "fa": "شناسایی سخت‌گیرانهٔ فقط‌حسگر ۲۹۸ دستگاه از ۳٬۵۸۳ دستگاهِ دوارساله یا ۸٫۳٪ را شناخت.", "pages": [ 9 ] }, { "en": "Combining User-Agent and accelerometer recognized 1,900 devices, approximately 53%, before additional filtering.", "fa": "ترکیب User-Agent و شتاب‌سنج پیش از پالایش بیشتر، ۱٬۹۰۰ دستگاه یا حدود ۵۳٪ را شناخت.", "pages": [ 9 ] }, { "en": "Second-harmonic likelihood classification reached 80% at an unseen location in a 15-device acoustic experiment.", "fa": "طبقه‌بندی درست‌نمایی هارمونیک دوم در مکان دیده‌نشدهٔ آزمایش صوتی پانزده دستگاه به ۸۰٪ رسید.", "pages": [ 6 ] } ], "limitations": [ { "en": "The web protocol needs user cooperation and suitable device orientation; it is not silent fingerprinting in arbitrary motion.", "fa": "پروتکل وب به همکاری کاربر و جهت‌گیری مناسب نیاز دارد؛ اثرانگشت‌گیری خاموش در حرکت دلخواه نیست.", "pages": [ 7, 8 ] }, { "en": "Single-axis public measurements give much weaker recognition than small controlled experiments; environment and measurement care matter.", "fa": "اندازه‌گیری عمومی تک‌محور شناسایی ضعیف‌تری از آزمایش کوچک کنترل‌شده دارد؛ محیط و دقت کاربر مهم‌اند.", "pages": [ 6, 9 ] }, { "en": "Cookies associate repeated submissions and may not perfectly represent physical-device ground truth.", "fa": "کوکی ارسال‌های تکراری را متصل می‌کند و ممکن است حقیقت مبنای دستگاه فیزیکی را کامل نمایش ندهد.", "pages": [ 8, 10 ] } ], "figures": [ { "label": "Figure 2", "page": 4, "caption": { "en": "Speaker-to-microphone feedback measurement.", "fa": "اندازه‌گیری بازخورد بلندگو به میکروفن." }, "insight": { "en": "Separates emitted tone, hardware distortion and recorded response.", "fa": "نت پخش‌شده، اعوجاج سخت‌افزاری و پاسخ ضبط‌شده را جدا می‌کند." }, "image": "figures/p-884422b93470-page-4-detail.webp" }, { "label": "Table 4", "page": 6, "caption": { "en": "Likelihood classification with trained and untrained locations.", "fa": "طبقه‌بندی درست‌نمایی در مکان آموزش‌دیده و ندیده." }, "insight": { "en": "The 100% known-location result falls when the environment is not represented in training.", "fa": "نتیجهٔ صددرصدی مکان شناخته‌شده با نبود محیط در آموزش افت می‌کند." }, "image": "figures/p-884422b93470-page-6-detail.webp" }, { "label": "Figure 7", "page": 8, "caption": { "en": "Accelerometer recognition versus sensitivity-distance scaling.", "fa": "شناسایی شتاب‌سنج در برابر ضریب وزن فاصلهٔ حساسیت." }, "insight": { "en": "Parameter choice matters in the small controlled set; the figure is not a large-population accuracy curve.", "fa": "انتخاب پارامتر در مجموعهٔ کنترل‌شدهٔ کوچک مهم است؛ نمودار دقت جمعیت بزرگ نیست." }, "image": "figures/p-884422b93470-page-8-detail.webp" } ], "thesisUse": { "en": "Synthesis: contextual hardware background and an evidence-quality example; do not transfer device-identification scores into human/bot scores.", "fa": "تحلیل ما: پیشینهٔ سخت‌افزاری و نمونهٔ کیفیت شاهد؛ امتیاز شناسایی دستگاه به امتیاز انسان/بات منتقل نشود." }, "related": [ "p-8983dabc1b06", "p-95cb8105b803", "p-c3831a18da8c" ], "keywords": [ "accelerometer", "sensor calibration", "acoustic fingerprint", "hardware fingerprint", "entropy" ], "pdf": "papers/p-884422b93470.pdf", "pages": 14, "sha256": "884422b9347036de128258a3d180133605af0deb6ba1cd699f51b4de8f443aab", "sourcePath": "مقالات\\Browser fingerprinting\\2014 Mobile device identification via sensor fingerprinting.pdf", "duplicates": [], "isNew": false }, { "id": "p-8ac6f0acbebf", "title": "The Web Never Forgets: Persistent Tracking Mechanisms in the Wild", "titleFa": "وب هرگز فراموش نمی‌کند: سازوکارهای ردیابی پایدار در عمل", "year": 2014, "authors": [ "Gunes Acar", "Christian Eubank", "Steven Englehardt", "Marc Juarez", "Arvind Narayanan", "Claudia Diaz" ], "venue": "ACM Conference on Computer and Communications Security (CCS)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "measurement", "privacy", "signals", "defense" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/2660267.2660347", "problem": { "en": "How widely are canvas fingerprinting, evercookie respawning and cookie syncing deployed, and how do their combinations amplify tracking?", "fa": "Canvas، باززایی کوکی و همگام‌سازی کوکی چقدر استفاده می‌شوند و ترکیب آن‌ها ردیابی را چگونه تشدید می‌کند؟" }, "idea": { "en": "Instrument canvas behavior, compare repeated controlled crawls and storage states to detect respawning, and trace shared identifiers through HTTP flows.", "fa": "ابزارگذاری رفتار Canvas، مقایسهٔ خزش کنترل‌شدهٔ تکراری و وضعیت ذخیره‌سازی برای کشف باززایی، و دنبال‌کردن شناسهٔ مشترک در جریان HTTP." }, "result": { "en": "Canvas fingerprinting appeared on over 5% of the top 100,000 sites. Respawning plus syncing could bridge browsing histories after state clearing; simulated back-end merges greatly expanded tracker coverage.", "fa": "اثرانگشت Canvas در بیش از ۵٪ از صدهزار سایت نخست دیده شد. باززایی همراه همگام‌سازی می‌توانست تاریخچه‌ها را پس از پاک‌سازی متصل کند و ادغام شبیه‌سازی‌شدهٔ پشت‌صحنه پوشش ردیاب را زیاد می‌کرد." }, "sections": [ { "heading": { "en": "Three complementary mechanisms", "fa": "سه سازوکار مکمل" }, "en": "Canvas fingerprinting is stateless recognition from rendering, evercookies preserve a stored ID across deletion, and cookie syncing passes IDs between domains. They are related privacy mechanisms but should not be collapsed into one fingerprinting method or a bot detector.", "fa": "اثرانگشت Canvas شناسایی بی‌حالت از رندر، ابرکوکی نگهداری شناسه در برابر حذف و همگام‌سازی انتقال شناسه بین دامنه‌هاست. این‌ها سازوکارهای مرتبط حریم خصوصی‌اند ولی نباید یک روش اثرانگشت یا یک آشکارساز بات فرض شوند.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Canvas observation and scale", "fa": "مشاهدهٔ Canvas و مقیاس" }, "en": "A 100,000-site desktop crawl observes drawing followed by pixel extraction and uses criteria to distinguish fingerprinting from ordinary canvas use. Real-world scripts test fallback fonts, Unicode rendering, compositing and geometry, making their probes richer than a single text example.", "fa": "خزش دسکتاپ صدهزار سایت رسم و سپس استخراج پیکسل را مشاهده می‌کند و با معیارها اثرانگشت را از استفادهٔ عادی Canvas جدا می‌سازد. اسکریپت واقعی قلم جایگزین، رندر Unicode، ترکیب و هندسه را می‌سنجد و از نمونهٔ متن ساده غنی‌تر است.", "pages": [ 4, 5, 6 ] }, { "heading": { "en": "Respawning experiment", "fa": "آزمایش باززایی" }, "en": "Repeated crawls selectively preserve or clear HTTP and Flash storage, then look for persistent unique values absent from an unrelated control crawl. In two follow-up crawls, 33 Flash cookies from 30 domains respawned 355 HTTP cookie occurrences across 107 first-party domains; the introduction describes over 175 HTTP cookies, so occurrence totals and distinct-cookie counts must not be mixed.", "fa": "خزش تکراری ذخیرهٔ HTTP و Flash را انتخابی حفظ یا پاک می‌کند و مقدار یکتای پایدارِ غایب در خزش کنترل مستقل را می‌جوید. در دو خزش بعدی، ۳۳ کوکی Flash از سی دامنه، ۳۵۵ رخداد کوکی HTTP در ۱۰۷ دامنهٔ اصلی باززایی کردند؛ مقدمه از بیش از ۱۷۵ کوکی سخن می‌گوید، پس رخداد و شمار کوکی متمایز نباید مخلوط شوند.", "pages": [ 2, 7, 8 ] }, { "heading": { "en": "Cookie syncing and back-end model", "fa": "همگام‌سازی کوکی و مدل پشت‌صحنه" }, "en": "The 3,000-site experiment extracts likely user IDs and identifies domains learning them through cookies, request URLs and redirects. Observed shared IDs indicate that database merging is possible, but actual server-to-server merges remain unobservable; the paper models sharing full records with one eligible partner.", "fa": "آزمایش سه‌هزار سایت شناسهٔ احتمالی کاربر و دامنهٔ دریافت‌کننده از کوکی، URL درخواست و تغییرمسیر را استخراج می‌کند. شناسهٔ مشترک امکان ادغام پایگاه را نشان می‌دهد ولی ادغام واقعی سروربه‌سرور مشاهده‌پذیر نیست؛ مقاله اشتراک کل رکورد با یک شریک مجاز را مدل می‌کند.", "pages": [ 8, 9, 10 ] }, { "heading": { "en": "Measured and modeled outcomes", "fa": "نتایج اندازه‌گیری‌شده و مدل‌شده" }, "en": "Canvas fingerprinting exceeded 5% prevalence in the 100K crawl, and IndexedDB was observed as an additional evercookie storage vector. In the merge model with third-party cookies allowed, domains covering more than 40% of a 3,000-site history rose from 2 to 161; a respawned ID synced to adnxs.com could bridge at least 11% of visits across clearing.", "fa": "شیوع Canvas در خزش صدهزار بیش از ۵٪ بود و IndexedDB به‌عنوان محل ذخیرهٔ ابرکوکی دیده شد. در مدل ادغام با اجازهٔ کوکی شخص ثالث، دامنه‌های پوشانندهٔ بیش از ۴۰٪ تاریخچهٔ سه‌هزارسایتی از دو به ۱۶۱ رسیدند؛ شناسهٔ باززایی‌شدهٔ همگام با adnxs.com می‌توانست دست‌کم ۱۱٪ مراجعه را بین دو دورهٔ پاک‌سازی پیوند دهد.", "pages": [ 1, 8, 10 ] }, { "heading": { "en": "Defensive pitfalls and thesis connection", "fa": "ضعف دفاع و ارتباط با تز" }, "en": "State removal must account for multiple stores and sometimes multiple browsers, while Do Not Track produced negligible changes in syncing statistics. Synthesis: document retention and cross-site sharing when using fingerprints for bot research, and distinguish measured front-end flows from inferred downstream correlation.", "fa": "حذف حالت باید چند محل ذخیره و گاهی چند مرورگر را پوشش دهد و Do Not Track تغییر ناچیزی در آمار همگام‌سازی داشت. تحلیل پیشنهادی: هنگام استفادهٔ پژوهشی از اثرانگشت برای بات، نگهداری و اشتراک بین‌سایتی مستند و جریان اندازه‌گیری‌شده از هم‌بستگی استنتاج‌شده جدا شود.", "pages": [ 9, 11, 12 ] } ], "findings": [ { "en": "Canvas fingerprinting was present on over 5% of the top 100,000 websites in the desktop crawl.", "fa": "اثرانگشت Canvas در خزش دسکتاپ بیش از ۵٪ از صدهزار وب‌سایت نخست حضور داشت.", "pages": [ 1 ] }, { "en": "33 Flash cookies from 30 domains generated 355 respawned HTTP-cookie occurrences across two crawls on 107 first-party sites.", "fa": "۳۳ کوکی Flash از سی دامنه در دو خزش ۳۵۵ رخداد کوکی HTTP باززایی‌شده روی ۱۰۷ سایت اصلی ساختند.", "pages": [ 8 ] }, { "en": "Do Not Track reduced domains involved in syncing by only 2.9% and synced IDs by 2.6% in the compared crawls.", "fa": "Do Not Track در خزش‌های مقایسه‌شده دامنهٔ همگام‌ساز را فقط ۲٫۹٪ و شناسهٔ همگام‌شده را ۲٫۶٪ کم کرد.", "pages": [ 9 ] }, { "en": "Modeled merges increased domains with over 40% history coverage from 2/730 to 161/730 when third-party cookies were allowed.", "fa": "ادغام مدل‌شده با اجازهٔ کوکی شخص ثالث دامنه‌های با پوشش بیش از ۴۰٪ تاریخچه را از ۲/۷۳۰ به ۱۶۱/۷۳۰ رساند.", "pages": [ 9, 10 ] } ], "limitations": [ { "en": "Results concern historical desktop crawling; mobile tracking needs different instrumentation and is outside the evaluation.", "fa": "نتایج دربارهٔ خزش تاریخی دسکتاپ‌اند؛ ردیابی موبایل ابزار متفاوت می‌خواهد و خارج از ارزیابی است.", "pages": [ 2 ] }, { "en": "Server-side database merging is modeled as capability, not directly demonstrated as routine provider behavior.", "fa": "ادغام پایگاه سمت سرور به‌عنوان قابلیت مدل شده و رفتار معمول ارائه‌دهنده مستقیماً اثبات نشده است.", "pages": [ 9, 10 ] }, { "en": "Some respawned IDs had unknown mechanisms; passive fingerprinting was a conjecture for them.", "fa": "سازوکار برخی شناسه‌های باززایی‌شده نامعلوم بود و اثرانگشت منفعل برای آن‌ها حدس بود.", "pages": [ 10 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Drawing, extraction and hashing in canvas fingerprinting.", "fa": "رسم، استخراج و هش در اثرانگشت Canvas." }, "insight": { "en": "Explains why observing pixel readback matters more than merely seeing a canvas element.", "fa": "اهمیت مشاهدهٔ خواندن پیکسل نسبت به صرف وجود Canvas را توضیح می‌دهد." }, "image": "figures/p-8ac6f0acbebf-page-3-detail.webp" }, { "label": "Figure 2", "page": 3, "caption": { "en": "Flash-based HTTP-cookie respawning.", "fa": "باززایی کوکی HTTP با Flash." }, "insight": { "en": "A surviving storage vector restores the old identifier after the visible cookie is removed.", "fa": "محل ذخیرهٔ باقی‌مانده پس از حذف کوکی آشکار، شناسهٔ قدیمی را برمی‌گرداند." }, "image": "figures/p-8ac6f0acbebf-page-3-detail.webp" }, { "label": "Figure 5", "page": 10, "caption": { "en": "History coverage with and without modeled database merging.", "fa": "پوشش تاریخچه با و بدون ادغام مدل‌شدهٔ پایگاه." }, "insight": { "en": "Large privacy amplification is a model-based capacity claim, not observed server-side data transfer.", "fa": "تشدید بزرگ حریم خصوصی ادعای ظرفیت مدل‌شده است، نه انتقال دادهٔ سمت سرور مشاهده‌شده." }, "image": "figures/p-8ac6f0acbebf-page-10-detail.webp" } ], "thesisUse": { "en": "Synthesis: source for signal provenance, cross-site data flows and privacy constraints; its prevalence figures are collector prevalence, not bot prevalence.", "fa": "تحلیل ما: منبع منشأ سیگنال، جریان بین‌سایتی و ملاحظات حریم خصوصی؛ ارقام شیوع آن برای گردآورنده است، نه شیوع بات." }, "related": [ "p-da1ff6c88ab3", "p-514450aaef86", "p-a277039433bf" ], "keywords": [ "evercookie", "cookie syncing", "IndexedDB", "canvas", "respawning" ], "pdf": "papers/p-8ac6f0acbebf.pdf", "pages": 16, "sha256": "8ac6f0acbebf4bfa675675ada0cd42c0e061d4392c0fe1d6e646cde57fe81a4e", "sourcePath": "مقالات\\Browser fingerprinting\\2014 The web never forgets Persistent tracking mechanisms in the wild (CCS).pdf", "duplicates": [], "isNew": false }, { "id": "p-d1c6d28a95af", "title": "Cookieless Monster: Exploring the Ecosystem of Web-based Device Fingerprinting", "titleFa": "هیولای بی‌کوکی: بررسی زیست‌بوم اثرانگشت دستگاه در وب", "year": 2013, "authors": [ "Nick Nikiforakis", "Alexandros Kapravelos", "Wouter Joosen", "Christopher Kruegel", "Frank Piessens", "Giovanni Vigna" ], "venue": "IEEE Symposium on Security and Privacy", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "measurement", "signals", "evasion", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "What do commercial fingerprinting providers collect, how are their scripts deployed, and can browser identity spoofing defeat them?", "fa": "ارائه‌دهندگان تجاری اثرانگشت چه جمع می‌کنند، اسکریپت‌ها چگونه عرضه می‌شوند و آیا جعل هویت مرورگر مانع آن‌ها می‌شود؟" }, "idea": { "en": "Reverse-engineer BlueCava, Iovation and ThreatMetrix, measure deployment, test implementation quirks, and audit User-Agent-spoofing extensions.", "fa": "مهندسی معکوس BlueCava، Iovation و ThreatMetrix، سنجش استقرار، آزمایش ریزرفتارهای پیاده‌سازی و بررسی افزونه‌های جعل User-Agent." }, "result": { "en": "Commercial scripts used more invasive features than Panopticlick, and every tested spoofing extension left revealing inconsistencies. Browser feature evolution yielded 71 distinguishable feature sets across 202 Chrome versions.", "fa": "اسکریپت‌های تجاری از ویژگی‌های مداخله‌گرتر از Panopticlick استفاده می‌کردند و تمام افزونه‌های جعل آزموده‌شده ناسازگاری آشکارکننده داشتند. تحول قابلیت مرورگر در ۲۰۲ نسخهٔ Chrome، ۷۱ مجموعهٔ قابلیت متمایز تولید کرد." }, "sections": [ { "heading": { "en": "Ecosystem and threat model", "fa": "زیست‌بوم و مدل تهدید" }, "en": "Fingerprinting serves fraud control, account protection and advertising through largely the same client-side collection machinery. The paper analyzes publicly delivered client code, so server-side scoring and the ultimate purpose of each customer's use are not directly observable.", "fa": "اثرانگشت برای مقابله با تقلب، حفاظت حساب و تبلیغات عمدتاً از سازوکار یکسان گردآوری سمت کلاینت استفاده می‌کند. مقاله کد عرضه‌شده به کلاینت را تحلیل می‌کند؛ بنابراین امتیازدهی سمت سرور و هدف نهایی هر مشتری مستقیماً مشاهده‌پذیر نیست.", "pages": [ 1, 2, 6 ] }, { "heading": { "en": "Features and invasive channels", "fa": "ویژگی‌ها و کانال‌های مداخله‌گر" }, "en": "A taxonomy separates customization, user configuration, browser family, OS/applications and hardware/network data. Flash exposes fonts and richer OS information and can bypass a browser-configured HTTP proxy; dedicated native fingerprinting plugins can reveal far more system data.", "fa": "رده‌بندی مقاله شخصی‌سازی، تنظیم کاربر، خانوادهٔ مرورگر، سیستم‌عامل/برنامه و سخت‌افزار/شبکه را جدا می‌کند. Flash قلم و اطلاعات دقیق‌تر سیستم‌عامل را آشکار و می‌تواند پراکسی HTTP تنظیم‌شده در مرورگر را دور بزند؛ افزونهٔ اختصاصی بومی اطلاعات سیستم بیشتری می‌گیرد.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Delivery and deployment measurement", "fa": "عرضه و اندازه‌گیری استقرار" }, "en": "Fingerprint data may be sent by an advertising syndicator without first-party awareness, or bound to a first-party login/session for provider scoring. The Alexa top-10,000 crawl found 40 sites using the three known providers; a separate malware-oriented corpus is inherently skewed and cannot estimate general-web prevalence.", "fa": "دادهٔ اثرانگشت ممکن است توسط واسطهٔ تبلیغاتی بدون آگاهی سایت اصلی ارسال یا برای امتیازدهی ارائه‌دهنده به ورود/نشست سایت اصلی متصل شود. خزش ده‌هزار سایت نخست Alexa، چهل سایت با سه ارائه‌دهندهٔ شناخته‌شده یافت؛ پیکرهٔ جداگانهٔ متمرکز بر بدافزار سوگیری دارد و بیانگر شیوع کل وب نیست.", "pages": [ 6, 7 ] }, { "heading": { "en": "Implementation-derived browser identity", "fa": "هویت مرورگر از پیاده‌سازی" }, "en": "Testing 68 installations examined property enumeration, mutation, deletion, vendor-specific features and native-function formatting. A separate 187-feature test over 202 Chrome versions found 109 changing features and 71 distinguishable feature sets, exposing finer distinctions than the declared browser family.", "fa": "آزمون ۶۸ نصب، ترتیب پیمایش ویژگی، تغییر، حذف، قابلیت اختصاصی فروشنده و قالب تابع بومی را بررسی کرد. آزمون جداگانهٔ ۱۸۷ قابلیت در ۲۰۲ نسخهٔ Chrome، ۱۰۹ قابلیت متغیر و ۷۱ مجموعهٔ متمایز یافت و تمایز ظریف‌تری از خانوادهٔ اظهارشده آشکار کرد.", "pages": [ 8, 9, 10, 11 ] }, { "heading": { "en": "Spoofing-extension audit", "fa": "بررسی افزونه‌های جعل" }, "en": "Eight Firefox and three Chrome extensions were inspected through navigator/screen and HTTP headers while active. All were incomplete: some retained vendor/platform clues, some produced impossible screen/device combinations, and some changed only one of the HTTP and JavaScript User-Agent surfaces.", "fa": "هشت افزونهٔ Firefox و سه افزونهٔ Chrome در حالت فعال از طریق navigator/screen و سرآیند HTTP بررسی شدند. همه ناقص بودند: برخی نشانهٔ فروشنده/سکو را نگه می‌داشتند، برخی ترکیب نمایشگر/دستگاه ناممکن می‌ساختند و برخی تنها یکی از دو سطح User-Agent در HTTP و جاوااسکریپت را تغییر می‌دادند.", "pages": [ 11, 12 ] }, { "heading": { "en": "Defenses and thesis implications", "fa": "دفاع‌ها و پیامد برای تز" }, "en": "Click-to-play can stop invisible Flash objects but is bypassable if a useful visible object carries the collector, and JavaScript standardization must account for subtle implementation choices. Synthesis: consistency between declared identity and independent behavior is a strong thesis theme, but legitimate privacy tools create similar anomalies and must form a benign comparison group.", "fa": "اجرای Flash با کلیک می‌تواند شیء پنهان را متوقف کند ولی اگر گردآورنده داخل شیء مفید و دیدنی باشد قابل دورزدن است؛ یکسان‌سازی جاوااسکریپت باید ریزانتخاب‌های پیاده‌سازی را هم پوشش دهد. تحلیل پیشنهادی: سازگاری هویت ادعایی و رفتار مستقل محور مهم تز است، اما ابزار مشروع حریم خصوصی هم ناهنجاری مشابه می‌سازد و باید گروه مقایسهٔ سالم باشد.", "pages": [ 12, 13 ] } ], "findings": [ { "en": "The known-provider crawl found 40 fingerprinting sites among Alexa's top 10,000.", "fa": "خزش ارائه‌دهندگان شناخته‌شده چهل سایت اثرانگشت‌گیر در ده‌هزار سایت نخست Alexa یافت.", "pages": [ 6 ] }, { "en": "68 installations supported discovery of consistent browser-specific object behavior; this was a mechanism study, not a representative population estimate.", "fa": "۶۸ نصب برای کشف رفتار ثابت و اختصاصی اشیای مرورگر بررسی شد؛ این مطالعهٔ سازوکار بود، نه برآورد نمایندهٔ جمعیت.", "pages": [ 8 ] }, { "en": "202 Chrome versions yielded 71 distinguishable sets from 109 features that changed across versions.", "fa": "۲۰۲ نسخهٔ Chrome از ۱۰۹ قابلیت متغیر، ۷۱ مجموعهٔ متمایز تولید کردند.", "pages": [ 10 ] }, { "en": "All 11 tested User-Agent-spoofing extensions had identity-hiding deficiencies.", "fa": "تمام یازده افزونهٔ جعل User-Agent آزموده‌شده نقص پنهان‌سازی هویت داشتند.", "pages": [ 11, 12 ] } ], "limitations": [ { "en": "Only three providers were reverse-engineered and the analysis was time-consuming and tied to their then-current scripts.", "fa": "فقط سه ارائه‌دهنده مهندسی معکوس شدند و تحلیل زمان‌بر و وابسته به اسکریپت آن دوره بود.", "pages": [ 6 ] }, { "en": "Server-side algorithms and motives cannot be inferred solely from client-side feature collection.", "fa": "الگوریتم سرور و انگیزهٔ استفاده فقط از گردآوری ویژگی سمت کلاینت قابل استنتاج نیست.", "pages": [ 6, 7 ] }, { "en": "Browser quirks and plugin channels are historical; inconsistencies alone do not establish that the user is a bot.", "fa": "ریزرفتار مرورگر و کانال افزونه تاریخی‌اند؛ ناسازگاری به‌تنهایی بات‌بودن کاربر را ثابت نمی‌کند.", "pages": [ 12, 13 ] } ], "figures": [ { "label": "Table I", "page": 3, "caption": { "en": "Taxonomy of attributes collected by Panopticlick and three commercial providers.", "fa": "رده‌بندی ویژگی‌های Panopticlick و سه ارائه‌دهندهٔ تجاری." }, "insight": { "en": "Shows which channels expose extra data beyond the original academic fingerprint.", "fa": "کانال‌های افشای دادهٔ اضافی نسبت به اثرانگشت دانشگاهی اولیه را نشان می‌دهد." }, "image": "figures/p-d1c6d28a95af-page-3-detail.webp" }, { "label": "Figure 2", "page": 5, "caption": { "en": "Proxy bypass using correlated JavaScript and Flash requests.", "fa": "دورزدن پراکسی با درخواست‌های همبستهٔ جاوااسکریپت و Flash." }, "insight": { "en": "The same token arriving from different IPs reveals proxy use in the historical Flash model.", "fa": "رسیدن توکن یکسان از IP متفاوت، استفاده از پراکسی را در مدل تاریخی Flash آشکار می‌کند." }, "image": "figures/p-d1c6d28a95af-page-5-detail.webp" }, { "label": "Figure 4", "page": 10, "caption": { "en": "Chrome minor versions versus distinguishable feature sets.", "fa": "نسخه‌های فرعی Chrome در برابر مجموعه‌های قابلیت متمایز." }, "insight": { "en": "Demonstrates informative capability evolution without equating it to unique physical-device identity.", "fa": "اطلاعات تحول قابلیت را نشان می‌دهد، بدون اینکه معادل هویت یکتای دستگاه فیزیکی باشد." }, "image": "figures/p-d1c6d28a95af-page-10-detail.webp" } ], "thesisUse": { "en": "Synthesis: develop cross-layer consistency features and include privacy-spoofing clients as hard negatives; this paper motivates the idea but supplies no current bot-detection benchmark.", "fa": "تحلیل ما: ویژگی سازگاری بین‌لایه‌ای طراحی و کلاینت جعل‌کننده برای حریم خصوصی به‌عنوان نمونهٔ سالم دشوار اضافه شود؛ مقاله ایده را انگیزه می‌دهد ولی بنچمارک کنونی تشخیص بات ندارد." }, "related": [ "p-dc486876446b", "p-514450aaef86", "p-e7ef4831b263" ], "keywords": [ "inconsistency", "User-Agent spoofing", "navigator", "proxy piercing", "commercial fingerprinting" ], "pdf": "papers/p-d1c6d28a95af.pdf", "pages": 15, "sha256": "d1c6d28a95af3476ed72d6393d3b8ace42a0eabd994971b812346826b8087b32", "sourcePath": "مقالات\\Browser fingerprinting\\2013 Cookieless monster Exploring the ecosystem of web-based device fingerprinting (S&P).pdf", "duplicates": [], "isNew": false }, { "id": "p-514450aaef86", "title": "FPDetective: Dusting the Web for Fingerprinters", "titleFa": "FPDetective: آشکارسازی اثرانگشت‌گیرها در وب", "year": 2013, "authors": [ "Gunes Acar", "Marc Juarez", "Nick Nikiforakis", "Claudia Diaz", "Seda Gürses", "Frank Piessens", "Bart Preneel" ], "venue": "ACM Conference on Computer and Communications Security (CCS)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "measurement", "detection", "privacy", "defense" ], "status": "full-text-reviewed", "sourceUrl": "https://doi.org/10.1145/2508859.2516674", "problem": { "en": "Can fingerprinting scripts be discovered by their actual collection behavior instead of a blacklist of already known providers?", "fa": "آیا می‌توان اسکریپت اثرانگشت را با رفتار واقعی گردآوری، به‌جای فهرست سیاه ارائه‌دهندگان شناخته‌شده، کشف کرد؟" }, "idea": { "en": "Instrument browser-native access to fingerprintable properties and fonts, capture/decompile Flash, and manually validate suspicious font-probing candidates.", "fa": "ثبت دسترسی به ویژگی‌های شناسا و قلم در کد بومی مرورگر، ضبط/واگردانی Flash و اعتبارسنجی دستی نمونه‌های مشکوک کاوش قلم." }, "result": { "en": "The crawler found JavaScript font-probing fingerprinting on 404 of one million homepages and font-enumerating Flash fingerprinting on 95 of 10,000. This detects fingerprinters, not bots.", "fa": "خزش، اثرانگشت‌گیری با کاوش قلمِ جاوااسکریپت را در ۴۰۴ صفحهٔ اصلی از یک میلیون و Flashِ شمارندهٔ قلم را در ۹۵ سایت از ده‌هزار یافت. این کار اثرانگشت‌گیر را کشف می‌کند، نه بات را." }, "sections": [ { "heading": { "en": "Detection target and scope", "fa": "هدف تشخیص و دامنه" }, "en": "The target is web code collecting device information for fingerprinting, not malicious automated clients. Font discovery is selected as a strong clue because bulk system-font enumeration has fewer ordinary uses than common feature detection.", "fa": "هدف، کد وب گردآورندهٔ اطلاعات دستگاه برای اثرانگشت است، نه کلاینت خودکار مخرب. کشف قلم نشانهٔ قوی انتخاب شده زیرا شمارش انبوه قلم سیستم کاربرد عادی کمتری از آزمون معمول قابلیت دارد.", "pages": [ 1, 3, 5 ] }, { "heading": { "en": "Instrumented collection framework", "fa": "چارچوب گردآوری با ابزارگذاری" }, "en": "Modified PhantomJS handles JavaScript and modified Chromium supports Flash, with native WebKit hooks logging navigator, screen, dimensions and font loads. mitmproxy captures SWFs, JPEXS decompiles them, and a central relational database joins traffic, calls and requested fonts.", "fa": "PhantomJS تغییر‌یافته جاوااسکریپت و Chromium تغییر‌یافته Flash را پوشش می‌دهد و قلاب بومی WebKit، navigator، screen، ابعاد و بارگذاری قلم را ثبت می‌کند. mitmproxy فایل SWF را ضبط، JPEXS آن را واگردانی و پایگاه رابطه‌ای مرکزی ترافیک، فراخوانی و قلم را متصل می‌کند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Candidate rules and manual verification", "fa": "قاعدهٔ کاندید و تأیید دستی" }, "en": "JavaScript candidates request more than 30 fonts, then are checked for browser/plugin/screen collection and data transmission. Flash candidates contain font-enumeration calls; manual inspection excludes legitimate players that use fonts only for display, so a single API access is not sufficient evidence.", "fa": "کاندید جاوااسکریپت بیش از سی قلم درخواست می‌کند و سپس برای گردآوری مرورگر/افزونه/نمایشگر و ارسال داده بررسی می‌شود. کاندید Flash فراخوانی شمارش قلم دارد؛ بررسی دستی پخش‌کنندهٔ مشروعِ استفاده‌کننده از قلم برای نمایش را حذف می‌کند، پس یک دسترسی API کافی نیست.", "pages": [ 5 ] }, { "heading": { "en": "Crawls and prevalence", "fa": "خزش‌ها و شیوع" }, "en": "The JavaScript study visits one million homepages and separately 25 same-domain links on each of 100,000 sites; Flash covers 10,000 homepages. JavaScript fingerprinting appears on 404 homepages from 13 providers, while the font-enumerating Flash table totals 95 sites and explicitly excludes another 50 Flash objects without font enumeration.", "fa": "مطالعهٔ جاوااسکریپت یک میلیون صفحهٔ اصلی و جداگانه ۲۵ پیوند هم‌دامنه در هر یک از صدهزار سایت را می‌بیند؛ Flash ده‌هزار صفحهٔ اصلی را پوشش می‌دهد. اثرانگشت جاوااسکریپت در ۴۰۴ صفحه از سیزده ارائه‌دهنده دیده شد؛ جدول Flashِ شمارندهٔ قلم ۹۵ سایت است و پنجاه شیء دیگر بدون شمارش قلم را صریحاً کنار می‌گذارد.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "Defensive bypass findings", "fa": "نتایج دورزدن دفاع" }, "en": "A CSS @font-face local() exception bypassed Tor Browser's font-per-document cap and could signal absent fonts via network fallback requests, even without JavaScript. Firegloves could be bypassed with getBoundingClientRect and left OS/version inconsistencies; setting Do Not Track did not change observed collection on tested sites.", "fa": "استثنای local() در CSS @font-face سقف قلم هر سند Tor Browser را دور می‌زد و حتی بدون جاوااسکریپت نبود قلم را با درخواست شبکهٔ جایگزین اعلام می‌کرد. Firegloves با getBoundingClientRect دور زده می‌شد و ناسازگاری نسخه/سیستم‌عامل باقی می‌گذاشت؛ فعال‌کردن Do Not Track گردآوری مشاهده‌شدهٔ سایت‌های آزموده را تغییر نداد.", "pages": [ 8, 9 ] }, { "heading": { "en": "Measurement limitations and thesis use", "fa": "محدودیت اندازه‌گیری و کاربرد در تز" }, "en": "Coverage is a lower bound because form-gated paths, CAPTCHAs, conditional execution and non-font techniques can evade the crawl/rules. Synthesis: instrument feature collection to document what anti-bot systems consume, but maintain separate detection tasks and assess collector intent with contextual evidence.", "fa": "پوشش کران پایین است زیرا مسیرهای پشت فرم، CAPTCHA، اجرای شرطی و روش‌های بدون قلم از خزش/قاعده عبور می‌کنند. تحلیل پیشنهادی: گردآوری ویژگی ابزارگذاری شود تا مصرف سامانهٔ ضدبات مستند باشد، اما وظایف تشخیص جدا بمانند و قصد گردآورنده با شاهد زمینه‌ای سنجیده شود.", "pages": [ 7, 8, 10, 11 ] } ], "findings": [ { "en": "404/1,000,000 homepages contained JavaScript font-probing fingerprinting from 13 providers.", "fa": "۴۰۴/۱٬۰۰۰٬۰۰۰ صفحهٔ اصلی، اثرانگشت با کاوش قلمِ جاوااسکریپت از سیزده ارائه‌دهنده داشتند.", "pages": [ 7 ] }, { "en": "The font-enumerating Flash table contains 95/10,000 sites; 50 additional non-font-enumerating Flash objects are explicitly excluded from that table.", "fa": "جدول Flashِ شمارندهٔ قلم ۹۵/۱۰٬۰۰۰ سایت دارد؛ پنجاه شیء Flash دیگر بدون شمارش قلم از جدول مستثنا شده‌اند.", "pages": [ 7, 8 ] }, { "en": "Native font-load logs agreed with an independent fontconfig comparison in a 10,000-site validation crawl.", "fa": "ثبت بومی بارگذاری قلم در خزش اعتبارسنجی ده‌هزار سایت با مقایسهٔ مستقل fontconfig منطبق بود.", "pages": [ 7 ] }, { "en": "Tor's local-font exception and Firegloves' incomplete surface coverage both enabled historical bypasses.", "fa": "استثنای قلم محلی Tor و پوشش ناقص Firegloves هر دو دورزدن تاریخی را ممکن کردند.", "pages": [ 8, 9 ] } ], "limitations": [ { "en": "Font-centered criteria miss other fingerprinting families, while dynamic crawling misses conditional or gated behavior.", "fa": "معیار قلم‌محور خانواده‌های دیگر اثرانگشت و خزش پویا رفتار شرطی یا پشت مانع را از دست می‌دهد.", "pages": [ 5, 8 ] }, { "en": "Fingerprint collection alone cannot prove the provider's downstream use or that the client is a bot.", "fa": "گردآوری اثرانگشت به‌تنهایی کاربرد بعدی ارائه‌دهنده یا بات‌بودن کلاینت را ثابت نمی‌کند.", "pages": [ 9, 10 ] } ], "figures": [ { "label": "Figure 1", "page": 4, "caption": { "en": "Architecture of browser instrumentation, traffic capture, Flash decompilation and storage.", "fa": "معماری ابزارگذاری مرورگر، ضبط ترافیک، واگردانی Flash و ذخیره‌سازی." }, "insight": { "en": "Useful blueprint for auditable data collection, with native and network observations combined.", "fa": "الگوی مناسب گردآوری قابل‌ممیزی با ترکیب مشاهدهٔ بومی و شبکه." }, "image": "figures/p-514450aaef86-page-4-detail.webp" }, { "label": "Table 1", "page": 7, "caption": { "en": "JavaScript font-probing providers and crawl counts.", "fa": "ارائه‌دهندگان کاوش قلم جاوااسکریپت و شمار خزش." }, "insight": { "en": "Distinguishes homepages and inner pages; prevalence depends on crawl coverage.", "fa": "صفحهٔ اصلی و داخلی را جدا می‌کند؛ شیوع به پوشش خزش وابسته است." }, "image": "figures/p-514450aaef86-page-7-detail.webp" }, { "label": "Table 2", "page": 8, "caption": { "en": "Font-enumerating Flash fingerprinting on the top 10,000 sites.", "fa": "اثرانگشت Flashِ شمارندهٔ قلم در ده‌هزار سایت نخست." }, "insight": { "en": "The 95-site subtotal has a narrower definition than later surveys' broader 145-site total.", "fa": "زیرمجموعهٔ ۹۵ سایت تعریف محدودتری از مجموع گسترده‌تر ۱۴۵ سایت در مرورهای بعدی دارد." }, "image": "figures/p-514450aaef86-page-8-detail.webp" } ], "thesisUse": { "en": "Synthesis: a methodology source for transparent instrumentation and false-positive review; classify it under fingerprinting-script detection, never under human-versus-bot accuracy.", "fa": "تحلیل ما: منبع روش‌شناسی ابزارگذاری شفاف و بازبینی مثبت کاذب؛ در تشخیص اسکریپت اثرانگشت دسته‌بندی شود، نه دقت انسان در برابر بات." }, "related": [ "p-d1c6d28a95af", "p-8ac6f0acbebf", "p-c3831a18da8c" ], "keywords": [ "font probing", "dynamic analysis", "FPDetective", "Flash", "fingerprinting-script detection" ], "pdf": "papers/p-514450aaef86.pdf", "pages": 13, "sha256": "514450aaef86a5be301f425464ee4a1bcc47a8c4f9a2aa10b019b4d09e7698c0", "sourcePath": "مقالات\\Browser fingerprinting\\2013 FPDetective dusting the web for fingerprinters (CCS).pdf", "duplicates": [], "isNew": false }, { "id": "p-c3d94881585e", "title": "Host Fingerprinting and Tracking on the Web: Privacy and Security Implications", "titleFa": "اثرانگشت و ردیابی میزبان در وب: پیامدهای حریم خصوصی و امنیت", "year": 2012, "authors": [ "Ting-Fang Yen", "Yinglian Xie", "Fang Yu", "Roger Peng Yu", "Martín Abadi" ], "venue": "Network and Distributed System Security Symposium (NDSS)", "kind": "paper", "domains": [ "fingerprinting", "intersection" ], "topics": [ "network", "measurement", "detection", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "How much identifying information is already present in ordinary service logs, and can it detect stealthy cookie-forwarding abuse?", "fa": "در گزارش‌های معمول سرویس چه مقدار اطلاعات شناسایی وجود دارد و آیا می‌توان سوءاستفادهٔ پنهانِ ارسال کوکی به میزبان‌های دیگر را کشف کرد؟" }, "idea": { "en": "Construct host-tracking graphs from identifier/IP binding windows, validate against Windows Update hardware IDs, and flag deviations from normal host mobility.", "fa": "ساخت گراف ردیابی میزبان از پنجره‌های اتصال شناسه/IP، اعتبارسنجی با شناسهٔ سخت‌افزار Windows Update و کشف انحراف از جابه‌جایی معمول میزبان." }, "result": { "en": "UA+IP achieved 80.62% precision and 68.84% recall under the paper's host-mapping metrics. Mobility analysis led to discovery of more than 75,000 bot Hotmail accounts, not a generic browser bot classifier.", "fa": "UA+IP طبق سنجه‌های نگاشت میزبان مقاله به صحت ۸۰٫۶۲٪ و بازیابی ۶۸٫۸۴٪ رسید. تحلیل جابه‌جایی به کشف بیش از ۷۵٬۰۰۰ حساب بات Hotmail انجامید؛ این یک طبقه‌بند عمومی باتِ مرورگر نیست." }, "sections": [ { "heading": { "en": "Passive observer and identifiers", "fa": "مشاهده‌گر منفعل و شناسه‌ها" }, "en": "The observer consumes application logs containing User-Agent, IP, timestamps, cookies or login identifiers, without new client probes. The target is a host rather than a person, and shared hosts, NATs and proxies complicate this mapping.", "fa": "مشاهده‌گر گزارش برنامه با User-Agent، IP، زمان، کوکی یا شناسهٔ ورود را بدون پرس‌وجوی تازه از کلاینت مصرف می‌کند. هدف میزبان است، نه شخص، و دستگاه مشترک، NAT و پراکسی این نگاشت را دشوار می‌کنند.", "pages": [ 1, 2, 3 ] }, { "heading": { "en": "Binding-window graph", "fa": "گراف پنجرهٔ اتصال" }, "en": "A fingerprint observed at an IP over an interval defines a binding window whose events can be attributed to a candidate host. Combining these windows across time and addresses creates a graph; longer reliable windows trade coverage for stronger host attribution.", "fa": "اثر انگشتی که در بازه‌ای زمانی روی یک IP دیده می‌شود، پنجرهٔ اتصالی می‌سازد که رویدادهای آن به میزبان احتمالی نسبت داده می‌شوند. ترکیب پنجره‌ها در زمان و نشانی‌های مختلف گراف می‌سازد؛ پنجره‌های طولانی‌تر و مطمئن‌تر، پوشش را با انتساب دقیق‌تر مبادله می‌کنند.", "pages": [ 2, 3, 15 ] }, { "heading": { "en": "Large service datasets and validation", "fa": "داده‌های بزرگ سرویس و اعتبارسنجی" }, "en": "August 2010 logs cover Hotmail (308 million unique IPs), Bing (131 million) and sampled Windows Update events (74 million). Hardware-ID overlap validates a restricted subset with repeated events; the datasets are private and Microsoft-service users dominate the sample.", "fa": "گزارش‌های اوت ۲۰۱۰ شامل Hotmail با ۳۰۸ میلیون IP یکتا، Bing با ۱۳۱ میلیون و نمونهٔ Windows Update با ۷۴ میلیون است. هم‌پوشانی شناسهٔ سخت‌افزار زیرمجموعهٔ محدودِ دارای رویداد تکراری را اعتبارسنجی می‌کند؛ داده‌ها خصوصی‌اند و کاربران سرویس‌های Microsoft نمونه را شکل می‌دهند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Metrics and identification results", "fa": "سنجه‌ها و نتایج شناسایی" }, "en": "Precision is the fraction of fingerprints corresponding to exactly one hardware ID; recall is the fraction of hardware IDs corresponding to exactly one fingerprint. UA+IP reached 80.62%/68.84%, UA+/24 reached 79.33%/69.43%, and cookie ID reached 82.35%/68.64%; these are graph mapping metrics, not request classifier precision/recall.", "fa": "صحت سهم اثرانگشت‌های متناظر با دقیقاً یک شناسهٔ سخت‌افزار و بازیابی سهم شناسه‌های سخت‌افزار متناظر با دقیقاً یک اثرانگشت است. UA+IP به ۸۰٫۶۲٪/۶۸٫۸۴٪، UA+/24 به ۷۹٫۳۳٪/۶۹٫۴۳٪ و شناسهٔ کوکی به ۸۲٫۳۵٪/۶۸٫۶۴٪ رسید؛ این‌ها سنجهٔ نگاشت گراف‌اند، نه صحت/بازیابی طبقه‌بند درخواست.", "pages": [ 4, 5 ] }, { "heading": { "en": "Cookie churn and coordinated abuse", "fa": "تعویض کوکی و سوءاستفادهٔ هماهنگ" }, "en": "Tracking recognized 88% of one-time cookies as belonging to users who later returned, and 33% of those users exhibited privacy-preserving behavior. Anomalous cross-AS cookie mobility exposed nine distributed bot groups; subsequent January 2011 logs linked the suspicious Danish source IP to over 75,000 accounts used to receive and test spam.", "fa": "ردیابی ۸۸٪ کوکی‌های یک‌باردیده‌شده را به کاربران بازگشتی نسبت داد و ۳۳٪ این کاربران رفتار محافظت از حریم خصوصی داشتند. جابه‌جایی غیرعادی کوکی بین ASها نه گروه بات توزیع‌شده را آشکار کرد؛ گزارش ژانویهٔ ۲۰۱۱، IP مبدأ مشکوک در دانمارک را به بیش از ۷۵٬۰۰۰ حساب دریافت و آزمایش هرزنامه پیوند داد.", "pages": [ 2, 7, 8, 11, 12, 13 ] }, { "heading": { "en": "Limits and thesis design", "fa": "محدودیت و طراحی تز" }, "en": "Coarse IP prefixes and hashed UAs can remain identifying, so simple anonymization does not remove tracking risk. Synthesis: combine browser signals with temporal/network relationships for bot campaigns, while allowing legitimate mobility and reporting host attribution separately from bot detection.", "fa": "پیشوند درشت IP و User-Agent هش‌شده همچنان می‌توانند شناسا باشند؛ ناشناس‌سازی ساده خطر ردیابی را حذف نمی‌کند. تحلیل پیشنهادی: سیگنال مرورگر با روابط زمانی/شبکه برای کشف کارزار بات ترکیب شود، جابه‌جایی مشروع مجاز باشد و انتساب میزبان جدا از تشخیص بات گزارش گردد.", "pages": [ 5, 13, 14, 15 ] } ], "findings": [ { "en": "UA alone yielded 62.01% precision and 72.11% recall over the validated subset.", "fa": "UA به‌تنهایی در زیرمجموعهٔ اعتبارسنجی‌شده صحت ۶۲٫۰۱٪ و بازیابی ۷۲٫۱۱٪ داشت.", "pages": [ 4, 5 ] }, { "en": "UA+IP entropy was 20.29 bits versus 11.59 bits for UA alone.", "fa": "آنتروپی UA+IP برابر ۲۰٫۲۹ بیت و UA به‌تنهایی ۱۱٫۵۹ بیت بود.", "pages": [ 5 ] }, { "en": "Using /24 prefixes preserved much of UA+IP's host-identification precision: 79.33% versus 80.62%.", "fa": "استفاده از پیشوند /24 بیشتر صحت شناسایی UA+IP را حفظ کرد: ۷۹٫۳۳٪ در برابر ۸۰٫۶۲٪.", "pages": [ 5 ] }, { "en": "More than 75,000 accounts associated with the suspicious source were confirmed in later Hotmail investigation.", "fa": "در بررسی بعدی Hotmail بیش از ۷۵٬۰۰۰ حساب مرتبط با مبدأ مشکوک تأیید شد.", "pages": [ 12 ] } ], "limitations": [ { "en": "Validation needs repeated overlapping events and therefore favors stable, active clients.", "fa": "اعتبارسنجی به رویدادهای تکراری هم‌پوشان نیاز دارد و به سود کلاینت‌های فعال و پایدار سوگیری دارد.", "pages": [ 4 ] }, { "en": "Private historical Microsoft datasets and bot filtering in Bing limit reproducibility and generalization.", "fa": "خصوصی و تاریخی بودن داده‌های Microsoft و پالایش بات‌های شناخته‌شده در Bing بازتولید و تعمیم را محدود می‌کند.", "pages": [ 3, 4 ] } ], "figures": [ { "label": "Figure 2", "page": 3, "caption": { "en": "A host-tracking graph composed of identifier/IP binding windows.", "fa": "گراف ردیابی میزبان از پنجره‌های اتصال شناسه/IP." }, "insight": { "en": "Shows how temporal context turns an imperfect identifier into a host hypothesis.", "fa": "نشان می‌دهد زمینهٔ زمانی چگونه شناسهٔ ناقص را به فرضیهٔ میزبان تبدیل می‌کند." }, "image": "figures/p-c3d94881585e-page-3-detail.webp" }, { "label": "Table 2", "page": 5, "caption": { "en": "Validated precision and recall for common identifiers.", "fa": "صحت و بازیابی اعتبارسنجی‌شدهٔ شناسه‌های معمول." }, "insight": { "en": "The definitions are one-to-one host mapping, so these values cannot be reused as bot-classification scores.", "fa": "تعاریف بر نگاشت یک‌به‌یک میزبان استوارند؛ این اعداد نباید امتیاز طبقه‌بندی بات قلمداد شوند." }, "image": "figures/p-c3d94881585e-page-5-detail.webp" }, { "label": "Table 10", "page": 12, "caption": { "en": "Statistics of nine cookie-forwarding bot groups.", "fa": "آمار نه گروه باتِ ارسال‌کنندهٔ کوکی." }, "insight": { "en": "The distributed account/IP pattern provides campaign evidence beyond one browser fingerprint.", "fa": "الگوی حساب/IP توزیع‌شده شواهد کارزار را فراتر از یک اثرانگشت فراهم می‌کند." }, "image": "figures/p-c3d94881585e-page-12-detail.webp" } ], "thesisUse": { "en": "Synthesis: an early intersection paper for temporal graph features and cookie movement; use a separate labeled bot dataset before claiming detection accuracy.", "fa": "تحلیل ما: یک منبع اولیه برای تقاطع دو حوزه، ویژگی‌های گراف زمانی و جابه‌جایی کوکی است؛ ادعای دقت تشخیص به دادهٔ بات برچسب‌دار مستقل نیاز دارد." }, "related": [ "p-dc486876446b", "p-d1c6d28a95af", "p-e7ef4831b263" ], "keywords": [ "host-tracking graph", "binding window", "cookie churn", "AS", "cookie forwarding" ], "pdf": "papers/p-c3d94881585e.pdf", "pages": 16, "sha256": "c3d94881585ec057d2f7dc9acce098e02d557a67171a9bd376285987eff6bfc6", "sourcePath": "مقالات\\Browser fingerprinting\\2012 Host Fingerprinting and Tracking on the Web Privacy and Security Implications (NDSS).pdf", "duplicates": [], "isNew": false }, { "id": "p-da1ff6c88ab3", "title": "Pixel Perfect: Fingerprinting Canvas in HTML5", "titleFa": "کمال پیکسلی: اثرانگشت Canvas در HTML5", "year": 2012, "authors": [ "Keaton Mowery", "Hovav Shacham" ], "venue": "Web 2.0 Security and Privacy (W2SP)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "signals", "hardware", "foundations", "privacy" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Can graphics rendering expose stable device information even when browser APIs conceal the GPU and driver?", "fa": "آیا رندر گرافیک حتی هنگام پنهان‌بودن GPU و درایور در API مرورگر، اطلاعات پایدار دستگاه را آشکار می‌کند؟" }, "idea": { "en": "Render controlled text and WebGL scenes, read the exact pixels, and compare or hash outputs to fingerprint the graphics/software stack.", "fa": "رندر متن و صحنهٔ WebGL کنترل‌شده، خواندن پیکسل‌های دقیق و مقایسه یا هش خروجی برای اثرانگشت پشتهٔ گرافیکی/نرم‌افزاری." }, "result": { "en": "In 294 Mechanical Turk experiments the combined fingerprint had 116 distinct values and sample entropy 5.73 bits, with repeat trials producing identical pixels on the same tested system.", "fa": "در ۲۹۴ آزمایش Mechanical Turk، اثرانگشت ترکیبی ۱۱۶ مقدار متمایز و آنتروپی نمونهٔ ۵٫۷۳ بیت داشت و تکرار آزمون روی دستگاه آزموده‌شده پیکسل یکسان تولید می‌کرد." }, "sections": [ { "heading": { "en": "Rendering as information leakage", "fa": "رندر به‌عنوان نشت اطلاعات" }, "en": "HTML5 delegates rendering to operating-system font libraries and graphics drivers, creating visible implementation differences. A canvas output can reveal the underlying stack even when no explicit GPU identifier is exposed.", "fa": "HTML5 رندر را به کتابخانهٔ قلم سیستم‌عامل و درایور گرافیک می‌سپارد و تفاوت پیاده‌سازی مشاهده‌پذیر می‌شود. خروجی Canvas حتی بدون شناسهٔ صریح GPU می‌تواند پشتهٔ زیربنایی را آشکار کند.", "pages": [ 1, 2 ] }, { "heading": { "en": "Threat model and collection APIs", "fa": "مدل تهدید و API گردآوری" }, "en": "Any website executing JavaScript can render its own controlled resources and read pixels using getImageData or toDataURL. Same-origin restrictions still prevent reading a canvas tainted by foreign resources, but do not stop the attacker's own generated tests.", "fa": "هر سایت دارای اجرای جاوااسکریپت می‌تواند منابع کنترل‌شدهٔ خود را رندر و با getImageData یا toDataURL پیکسل را بخواند. محدودیت هم‌مبدأ خواندن Canvas آلوده به منابع خارجی را منع می‌کند، اما مانع آزمون تولیدشدهٔ خود مهاجم نیست.", "pages": [ 2, 3 ] }, { "heading": { "en": "Text and WebGL probes", "fa": "آزمون‌های متن و WebGL" }, "en": "The tests render text in system and downloaded web fonts and render a three-dimensional scene through WebGL. Font rasterization, anti-aliasing and GPU/driver implementations alter pixel arrays; a hash gives a compact black-box identifier while labeled comparison can infer device characteristics.", "fa": "آزمون‌ها متن را با قلم سیستمی و قلم وبِ بارگیری‌شده و صحنهٔ سه‌بعدی را با WebGL رندر می‌کنند. رسترکردن قلم، هموارسازی لبه و پیاده‌سازی GPU/درایور آرایهٔ پیکسل را تغییر می‌دهد؛ هش شناسهٔ فشرده و مقایسهٔ برچسب‌دار مشخصات دستگاه را می‌دهد.", "pages": [ 3, 4, 5 ] }, { "heading": { "en": "Experimental sample", "fa": "نمونهٔ آزمایش" }, "en": "Mechanical Turk participants supplied browser/platform/graphics information and repeated controlled renders. The study analyzes 294 experiments with limited browser/OS diversity, and tables group identical text and WebGL outputs rather than proving a globally unique identifier for every physical device.", "fa": "شرکت‌کنندگان Mechanical Turk اطلاعات مرورگر، سکو و گرافیک را همراه رندر تکراری ارائه کردند. مطالعه ۲۹۴ آزمایش با تنوع محدود مرورگر/سیستم‌عامل را تحلیل می‌کند و جدول‌ها خروجی متن و WebGL یکسان را گروه‌بندی می‌کنند، نه اینکه یکتایی جهانی هر دستگاه فیزیکی را ثابت کنند.", "pages": [ 5, 6, 8, 9, 11, 12 ] }, { "heading": { "en": "Observed diversity and pixel differences", "fa": "تنوع مشاهده‌شده و تفاوت پیکسل" }, "en": "The sample produced 116 distinct fingerprint values and 5.73 bits of entropy even without high diversity in its browser/OS population. Difference maps show small, localized rendering variations that disappear to casual visual inspection but survive exact pixel comparison.", "fa": "نمونه حتی با تنوع کم جمعیت مرورگر/سیستم‌عامل، ۱۱۶ مقدار متمایز و ۵٫۷۳ بیت آنتروپی تولید کرد. نقشهٔ اختلاف، تفاوت کوچک و موضعی رندر را نشان می‌دهد که در مشاهدهٔ عادی پنهان اما در مقایسهٔ دقیق پیکسل باقی است.", "pages": [ 1, 6, 7, 8, 10 ] }, { "heading": { "en": "Defenses and use in this thesis", "fa": "دفاع‌ها و کاربرد در تز" }, "en": "Blocking or standardizing graphics APIs can reduce leakage but may damage legitimate rich-web functionality; naive small independent noise can be averaged over repeated probes. Synthesis: canvas is a behavioral signal for stack consistency, but neither a universal device identifier nor independent proof that a client is human.", "fa": "مسدودسازی یا یکسان‌سازی API گرافیک نشت را کم می‌کند ولی می‌تواند کاربرد مشروع وب غنی را مختل کند؛ نویز مستقل کوچک با تکرار پرس‌وجو قابل میانگین‌گیری است. تحلیل پیشنهادی: Canvas سیگنال رفتاری سازگاری پشته است، نه شناسهٔ جهانی دستگاه و نه گواه مستقل انسان‌بودن.", "pages": [ 9, 10 ] } ], "findings": [ { "en": "294 experiments produced 116 distinct combined fingerprint values and 5.73 bits of sample entropy.", "fa": "۲۹۴ آزمایش، ۱۱۶ مقدار اثرانگشت ترکیبی متمایز و آنتروپی نمونهٔ ۵٫۷۳ بیت تولید کرد.", "pages": [ 1 ] }, { "en": "Repeated trials on the same tested user configuration yielded pixel-identical outputs.", "fa": "تکرار آزمون روی پیکربندی آزموده‌شدهٔ یک کاربر خروجی پیکسلی یکسان داد.", "pages": [ 1 ] }, { "en": "Text alone and WebGL expose different parts of the rendering stack and can be combined.", "fa": "متن تنها و WebGL بخش‌های متفاوت پشتهٔ رندر را آشکار می‌کنند و قابل ترکیب‌اند.", "pages": [ 6, 7, 8 ] } ], "limitations": [ { "en": "A small historical convenience sample does not establish population-scale uniqueness or modern browser behavior.", "fa": "نمونهٔ کوچک، تاریخی و در دسترس، یکتایی در مقیاس جمعیت یا رفتار مرورگرهای جدید را ثابت نمی‌کند.", "pages": [ 5, 6 ] }, { "en": "Matching hashes identifies a rendering configuration; multiple devices can share it, and stack updates can change it.", "fa": "تطبیق هش یک پیکربندی رندر را شناسایی می‌کند؛ چند دستگاه ممکن است مشترک باشند و به‌روزرسانی پشته آن را تغییر دهد.", "pages": [ 8, 9 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Minimal example of rendering text on canvas.", "fa": "نمونهٔ حداقلی رندر متن روی Canvas." }, "insight": { "en": "Shows the ordinary API calls enabling the signal; data extraction, not drawing alone, is the fingerprinting step.", "fa": "فراخوانی عادی API مولد سیگنال را نشان می‌دهد؛ استخراج داده، نه صرف رسم، مرحلهٔ اثرانگشت است." }, "image": "figures/p-da1ff6c88ab3-page-3-detail.webp" }, { "label": "Figure 10", "page": 10, "caption": { "en": "Original WebGL rendering and pixel-difference maps for a device group.", "fa": "رندر اصلی WebGL و نقشه‌های اختلاف پیکسل برای یک گروه دستگاه." }, "insight": { "en": "Tiny graphics-stack differences become measurable even when images look similar.", "fa": "تفاوت‌های کوچک پشتهٔ گرافیکی حتی در تصاویر ظاهراً مشابه قابل اندازه‌گیری می‌شوند." }, "image": "figures/p-da1ff6c88ab3-page-10-detail.webp" } ], "thesisUse": { "en": "Synthesis: foundational explanation of canvas/WebGL signals and why claimed GPU identity should be checked against rendering; pair with Picasso for adversarial challenge-response.", "fa": "تحلیل ما: شرح بنیادی سیگنال Canvas/WebGL و ضرورت بررسی هویت ادعایی GPU با رندر؛ برای چالش‌پاسخ در برابر مهاجم با Picasso مقایسه شود." }, "related": [ "p-5cd83a08f11b", "p-8ac6f0acbebf", "p-e7ef4831b263" ], "keywords": [ "canvas", "WebGL", "pixel hash", "rendering", "GPU" ], "pdf": "papers/p-da1ff6c88ab3.pdf", "pages": 12, "sha256": "da1ff6c88ab3c7c7474d9419760b2317be4825bb68dce35eb635a38476712f17", "sourcePath": "مقالات\\Browser fingerprinting\\2012 Pixel perfect Fingerprinting canvas in HTML5.pdf", "duplicates": [], "isNew": false }, { "id": "p-5cd83a08f11b", "title": "Fingerprinting Information in JavaScript Implementations", "titleFa": "اطلاعات اثرانگشت در پیاده‌سازی‌های جاوااسکریپت", "year": 2011, "authors": [ "Keaton Mowery", "Dillon Bogenreif", "Scott Yilek", "Hovav Shacham" ], "venue": "Web 2.0 Security and Privacy (W2SP)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "signals", "hardware", "privacy", "authentication", "foundations" ], "status": "full-text-reviewed", "sourceUrl": "", "problem": { "en": "Can JavaScript execution behavior reveal the real browser, platform and extension state when ordinary self-reported attributes are hidden or forged?", "fa": "آیا رفتار اجرای جاوااسکریپت هنگام پنهان‌سازی یا جعل ویژگی‌های اظهارشده، مرورگر واقعی، سکوی اجرا و وضعیت افزونه را آشکار می‌کند؟" }, "idea": { "en": "Measure a normalized benchmark timing vector and independently probe whether scripts from selected domains execute under NoScript's whitelist.", "fa": "اندازه‌گیری بردار نرمال‌شدهٔ زمان اجرای بنچمارک و، به‌صورت مستقل، آزمودن اجرای اسکریپت دامنه‌های منتخب تحت فهرست مجاز NoScript." }, "result": { "en": "Across 1,015 configurations, browser-version classification reached 79.8% and browser-family classification 98.2%; separate NoScript probing exposed whitelist membership.", "fa": "در ۱٬۰۱۵ پیکربندی، تشخیص نسخهٔ مرورگر ۷۹٫۸٪ و تشخیص خانوادهٔ مرورگر ۹۸٫۲٪ بود؛ آزمون مستقل NoScript عضویت دامنه‌ها در فهرست مجاز را آشکار می‌کرد." }, "sections": [ { "heading": { "en": "Two distinct attack surfaces", "fa": "دو سطح حملهٔ متفاوت" }, "en": "The first technique infers a machine's software/hardware through relative JavaScript performance. The second reveals user-customized NoScript permissions, which may expose preferences even though it does not measure processor behavior.", "fa": "روش نخست نرم‌افزار و سخت‌افزار دستگاه را از کارایی نسبی جاوااسکریپت استنتاج می‌کند. روش دوم مجوزهای شخصی‌سازی‌شدهٔ NoScript را آشکار می‌سازد که می‌تواند ترجیحات کاربر را لو بدهد، بدون آنکه رفتار پردازنده را اندازه بگیرد.", "pages": [ 1, 2 ] }, { "heading": { "en": "Threat model", "fa": "مدل تهدید" }, "en": "A web attacker can execute JavaScript on a permitted page and cannot be assumed to trust a reported User-Agent. For Tor, the paper additionally considers a rogue exit node injecting content; authentication benefits depend on an adversary not reproducing all execution characteristics.", "fa": "مهاجم وب روی صفحهٔ دارای مجوز جاوااسکریپت اجرا می‌کند و نباید User-Agent اظهارشده را معتبر فرض کند. برای Tor، مقاله گرهٔ خروجی مخرب و تزریق محتوا را نیز بررسی می‌کند؛ مزیت احراز هویت وابسته به ناتوانی مهاجم در بازتولید تمام مشخصات اجراست.", "pages": [ 2 ] }, { "heading": { "en": "Timing-vector construction", "fa": "ساخت بردار زمان اجرا" }, "en": "The suite contains 39 tests from SunSpider, V8 and custom code; each runs five times and the minimum positive time is retained. An 800-ms inter-test delay reduces interference, then normalization suppresses absolute speed differences before Euclidean-distance matching to representative vectors.", "fa": "مجموعه شامل ۳۹ آزمون SunSpider، V8 و کد اختصاصی است؛ هر آزمون پنج بار اجرا و کمترین زمان مثبت نگه داشته می‌شود. فاصلهٔ ۸۰۰ میلی‌ثانیه‌ای تداخل را کم می‌کند و نرمال‌سازی پیش از تطبیق فاصلهٔ اقلیدسی، تفاوت سرعت مطلق را کاهش می‌دهد.", "pages": [ 2, 3 ] }, { "heading": { "en": "Dataset and evaluation design", "fa": "داده و طرح ارزیابی" }, "en": "Mechanical Turk provided 1,015 accepted configurations after excluding 185 unusable submissions; 47 accepted entries disagreed with the User-Agent on OS. Reference vectors generally average the first ten examples, but small classes and even larger reference samples are included in the reported classification evaluation.", "fa": "پس از حذف ۱۸۵ پاسخ نامعتبر، Mechanical Turk تعداد ۱٬۰۱۵ پیکربندی پذیرفته‌شده فراهم کرد؛ سیستم‌عامل ۴۷ پاسخ با User-Agent ناسازگار بود. بردار مرجع معمولاً میانگین ده نمونهٔ نخست است، اما نمونه‌های کلاس کوچک و حتی دادهٔ مرجع کلاس‌های بزرگ در ارزیابی گزارش‌شده حضور دارند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Classification and extension results", "fa": "نتایج طبقه‌بندی و افزونه" }, "en": "Version matching correctly classified 810 of 1,015 browsers; 176 of the 205 mistakes were between Chrome major versions. Browser-family accuracy was 98.2%, while OS and microarchitecture analysis needed narrower browser groups; NoScript probing depends on finding suitable scripts whose execution can be observed.", "fa": "تطبیق نسخه ۸۱۰ مرورگر از ۱٬۰۱۵ را درست تشخیص داد؛ ۱۷۶ مورد از ۲۰۵ خطا بین نسخه‌های اصلی Chrome بود. دقت خانوادهٔ مرورگر ۹۸٫۲٪ بود، اما تحلیل سیستم‌عامل و ریزمعماری به گروه‌های محدودتر نیاز داشت؛ آزمون NoScript به یافتن اسکریپت‌هایی وابسته است که اجرای آن‌ها مشاهده‌پذیر باشد.", "pages": [ 4, 5, 6, 7, 8 ] }, { "heading": { "en": "Cost, defenses and thesis connection", "fa": "هزینه، دفاع و ارتباط با تز" }, "en": "The original suite took 190.8 seconds on Firefox 3.6, including about 156 seconds of deliberate delay, making it unsuitable as a cheap request-level signal. Synthesis: behavior-derived consistency checks may complement declared attributes, but modern timers, JIT revisions, load noise and leakage-free testing must be assessed anew.", "fa": "مجموعهٔ اولیه در Firefox 3.6 حدود ۱۹۰٫۸ ثانیه زمان می‌برد که نزدیک ۱۵۶ ثانیهٔ آن تأخیر عمدی بود؛ بنابراین سیگنال ارزانی برای هر درخواست نیست. تحلیل پیشنهادی: آزمون سازگاری مبتنی بر رفتار می‌تواند ویژگی‌های اظهارشده را تکمیل کند، اما زمان‌سنج‌های جدید، نسخه‌های JIT، نویز بار و جداسازی دادهٔ آزمون باید دوباره سنجیده شوند.", "pages": [ 3, 9 ] } ], "findings": [ { "en": "Browser-version accuracy was 810/1,015 = 79.8%; family accuracy was 98.2%.", "fa": "دقت نسخه ۸۱۰/۱٬۰۱۵ برابر ۷۹٫۸٪ و دقت خانواده ۹۸٫۲٪ بود.", "pages": [ 4 ] }, { "en": "Chrome major-version errors accounted for 176 of 205 misclassifications.", "fa": "خطا بین نسخه‌های اصلی Chrome شامل ۱۷۶ مورد از ۲۰۵ خطای طبقه‌بندی بود.", "pages": [ 4 ] }, { "en": "39 tests, five runs per test and 800-ms pauses produced a 190.8-second suite on Firefox 3.6.", "fa": "۳۹ آزمون، پنج اجرای هر آزمون و وقفه‌های ۸۰۰ میلی‌ثانیه‌ای، در Firefox 3.6 مجموعه‌ای با زمان ۱۹۰٫۸ ثانیه ساخت.", "pages": [ 2, 3 ] } ], "limitations": [ { "en": "Reported evaluation includes reference/training samples and sparse version categories, so it is not an independent held-out accuracy estimate.", "fa": "ارزیابی گزارش‌شده شامل دادهٔ مرجع/آموزش و کلاس‌های نسخهٔ کم‌نمونه است؛ بنابراین برآورد آزمون مستقل نیست.", "pages": [ 4 ] }, { "en": "Ground truth partly relies on user reports and assumes User-Agent strings are not forged during collection.", "fa": "حقیقت مبنا تا حدی به گزارش کاربران متکی و در گردآوری User-Agent جعل‌نشده فرض شده است.", "pages": [ 3 ] }, { "en": "High latency and sensitivity to implementation changes limit deployment; this is not a labeled human-versus-bot evaluation.", "fa": "تأخیر زیاد و حساسیت به تغییر پیاده‌سازی، استقرار را محدود می‌کند؛ این ارزیابی برچسب‌دار انسان در برابر بات نیست.", "pages": [ 3, 9 ] } ], "figures": [ { "label": "Table 2", "page": 4, "caption": { "en": "Browser version classification outcomes.", "fa": "نتایج طبقه‌بندی نسخهٔ مرورگر." }, "insight": { "en": "Highlights that version recognition is harder than family recognition; reference samples are included.", "fa": "نشان می‌دهد تشخیص نسخه از خانواده دشوارتر است؛ دادهٔ مرجع نیز در نتایج حضور دارد." }, "image": "figures/p-5cd83a08f11b-page-4-detail.webp" }, { "label": "Table 3", "page": 4, "caption": { "en": "Pairwise distances between Chrome version profiles.", "fa": "فاصلهٔ دوبه‌دوی پروفایل نسخه‌های Chrome." }, "insight": { "en": "Small distances explain confusion among frequent incremental releases.", "fa": "فاصله‌های کوچک، اشتباه میان انتشارهای افزایشی نزدیک را توضیح می‌دهند." }, "image": "figures/p-5cd83a08f11b-page-4-detail.webp" } ], "thesisUse": { "en": "Synthesis: compare claimed identity with measured execution behavior, but treat benchmark cost and train/test contamination as explicit baseline limitations.", "fa": "تحلیل ما: هویت ادعاشده با رفتار اجرای اندازه‌گیری‌شده مقایسه شود، ولی هزینهٔ بنچمارک و هم‌پوشانی آموزش/آزمون محدودیت صریح خط مبنا باشند." }, "related": [ "p-da1ff6c88ab3", "p-d1c6d28a95af", "p-e7ef4831b263" ], "keywords": [ "JavaScript engine", "timing", "JIT", "NoScript", "microarchitecture" ], "pdf": "papers/p-5cd83a08f11b.pdf", "pages": 11, "sha256": "5cd83a08f11bf49c11ba1cbf4cca07b4b38d43c9a0fd539b4cf25ccc429b300c", "sourcePath": "مقالات\\Browser fingerprinting\\2011 Fingerprinting information in JavaScript implementations.pdf", "duplicates": [], "isNew": false }, { "id": "p-dc486876446b", "title": "How Unique Is Your Web Browser?", "titleFa": "مرورگر وب شما چقدر یکتا است؟", "year": 2010, "authors": [ "Peter Eckersley" ], "venue": "Privacy Enhancing Technologies Symposium (PETS)", "kind": "paper", "domains": [ "fingerprinting" ], "topics": [ "foundations", "measurement", "privacy", "signals" ], "status": "full-text-reviewed", "sourceUrl": "https://panopticlick.eff.org", "problem": { "en": "Can ordinary browser configuration identify users without a stored cookie, and can changing fingerprints still be linked?", "fa": "آیا تنظیمات معمول مرورگر بدون ذخیرهٔ کوکی کاربران را متمایز می‌کند و آیا اثرانگشت‌های تغییرکرده همچنان پیوندپذیرند؟" }, "idea": { "en": "Combine eight browser measurements, estimate their empirical information content, and use returning visitors to test a simple fingerprint-change linking heuristic.", "fa": "ترکیب هشت اندازه‌گیری مرورگر، برآورد محتوای اطلاعاتی آن‌ها و استفاده از بازدیدکنندگان بازگشتی برای آزمون یک روش سادهٔ پیوند اثرانگشتِ تغییرکرده." }, "result": { "en": "Among 470,161 fingerprint instances, 83.6% were unique; uniqueness reached 94.2% for Flash/Java-enabled browsers. This is identification in a self-selected historical sample, not bot-classification accuracy.", "fa": "از ۴۷۰٬۱۶۱ نمونهٔ اثرانگشت، ۸۳٫۶٪ یکتا بودند؛ در مرورگرهای دارای Flash یا Java این مقدار ۹۴٫۲٪ بود. این نتیجه شناسایی در نمونه‌ای تاریخی و خودانتخاب‌شده است، نه دقت طبقه‌بندی بات." }, "sections": [ { "heading": { "en": "Research question and privacy model", "fa": "پرسش پژوهش و مدل حریم خصوصی" }, "en": "The paper asks whether browsers expose enough diversity to become persistent identifiers. A tracker can combine a fingerprint with an IP address to recognize a returning browser or regenerate an association after cookie deletion.", "fa": "مقاله می‌پرسد آیا تنوع اطلاعات آشکارشدهٔ مرورگر برای ساخت شناسهٔ پایدار کافی است. ردیاب می‌تواند اثرانگشت را با نشانی IP ترکیب کند تا مرورگر بازگشتی را بشناسد یا پس از حذف کوکی ارتباط قبلی را بازیابی کند.", "pages": [ 2, 3, 4 ] }, { "heading": { "en": "Measurements and information theory", "fa": "اندازه‌گیری‌ها و نظریهٔ اطلاعات" }, "en": "The eight components include User-Agent, HTTP Accept headers, plugins, timezone, screen size/color depth, fonts, cookie availability and a partial supercookie test. Entropy measures population diversity; surprisal measures the rarity of an observed value, and correlated components cannot simply have their entropies added.", "fa": "هشت مؤلفه شامل User-Agent، سرآیندهای Accept، افزونه‌ها، منطقهٔ زمانی، اندازه و عمق رنگ نمایشگر، قلم‌ها، پذیرش کوکی و آزمون ناقص ابرکوکی است. آنتروپی تنوع جمعیت و خوداطلاعی کمیابی یک مقدار را می‌سنجد؛ آنتروپی مؤلفه‌های وابسته را نباید ساده با هم جمع کرد.", "pages": [ 4, 5, 6, 7 ] }, { "heading": { "en": "Collection and preprocessing", "fa": "گردآوری و پیش‌پردازش" }, "en": "Panopticlick invited informed volunteers and showed them uniqueness feedback, encouraging some visitors to change their configurations. Deduplication using cookies and IP/fingerprint observations reduced 1,043,426 hits to 470,161 fingerprint instances; identical machines and changing IPs remained sources of uncertainty.", "fa": "Panopticlick داوطلبان آگاه را جذب می‌کرد و بازخورد یکتایی می‌داد؛ این بازخورد بعضی افراد را به تغییر تنظیمات ترغیب می‌کرد. حذف تکرار با کوکی و مشاهدهٔ IP/اثرانگشت، ۱٬۰۴۳٬۴۲۶ مراجعه را به ۴۷۰٬۱۶۱ نمونه رساند؛ دستگاه‌های همسان و تغییر IP همچنان منشأ عدم‌قطعیت بودند.", "pages": [ 7, 8 ] }, { "heading": { "en": "Uniqueness results", "fa": "نتایج یکتایی" }, "en": "The complete sample yielded 83.6% unique fingerprints and an entropy lower bound of 18.1 bits. For browsers exposing Flash or Java, 94.2% were unique and entropy was at least 18.8 bits; these bounds describe the sampled distribution rather than the entire Internet.", "fa": "در کل نمونه، ۸۳٫۶٪ اثرانگشت‌ها یکتا و کران پایین آنتروپی ۱۸٫۱ بیت بود. در مرورگرهایی که Flash یا Java را آشکار می‌کردند، یکتایی ۹۴٫۲٪ و آنتروپی دست‌کم ۱۸٫۸ بیت بود؛ این کران‌ها توزیع نمونه را توصیف می‌کنند، نه سراسر اینترنت.", "pages": [ 1, 2, 9, 10 ] }, { "heading": { "en": "Evolution and linkability", "fa": "تغییر و پیوندپذیری" }, "en": "Among 8,833 cookie-accepting visitors returning over more than 24 hours, 37.4% changed at least one fingerprint. The heuristic searched for sufficiently similar predecessor fingerprints, showing that a changed identifier need not imply lost linkability; precision of accepted guesses and coverage are separate questions.", "fa": "از ۸٬۸۳۳ بازدیدکنندهٔ پذیرندهٔ کوکی با مراجعاتی در بازهٔ بیش از ۲۴ ساعت، ۳۷٫۴٪ دست‌کم یک تغییر اثرانگشت داشتند. روش ابتکاری پیشینیان به‌اندازهٔ کافی مشابه را جست‌وجو می‌کرد و نشان داد تغییر شناسه الزاماً پیوندپذیری را قطع نمی‌کند؛ صحت حدس‌های پذیرفته‌شده و پوشش دو پرسش جدا هستند.", "pages": [ 11, 12, 13 ] }, { "heading": { "en": "Defenses, limitations and thesis connection", "fa": "دفاع‌ها، محدودیت‌ها و ارتباط با تز" }, "en": "Rare privacy modifications can increase distinguishability, whereas coordinated standardization offers larger anonymity sets. Synthesis for this thesis: use the paper to define entropy, uniqueness and longitudinal linkability, and evaluate bot detection with separate labels and error metrics.", "fa": "تغییرات نادر برای حریم خصوصی ممکن است تمایزپذیری را افزایش دهند، درحالی‌که یکسان‌سازی هماهنگ مجموعه‌های ناشناسی بزرگ‌تری می‌سازد. تحلیل پیشنهادی برای تز: این مقاله مبنای تعریف آنتروپی، یکتایی و پیوندپذیری زمانی باشد و تشخیص بات با برچسب و سنجهٔ خطای جدا ارزیابی شود.", "pages": [ 14, 15, 16, 17 ] } ], "findings": [ { "en": "83.6% of 470,161 fingerprint instances were unique; another 5.3% occurred exactly twice.", "fa": "۸۳٫۶٪ از ۴۷۰٬۱۶۱ نمونه یکتا و ۵٫۳٪ دیگر دقیقاً دو بار مشاهده شدند.", "pages": [ 2 ] }, { "en": "Flash/Java-enabled browsers had 94.2% uniqueness and at least 18.8 bits of entropy.", "fa": "مرورگرهای دارای Flash/Java یکتایی ۹۴٫۲٪ و دست‌کم ۱۸٫۸ بیت آنتروپی داشتند.", "pages": [ 1, 2 ] }, { "en": "37.4% of the 8,833 qualifying repeat visitors changed their fingerprint at least once.", "fa": "۳۷٫۴٪ از ۸٬۸۳۳ بازدیدکنندهٔ بازگشتی واجد شرایط دست‌کم یک تغییر داشتند.", "pages": [ 2 ] }, { "en": "The abstract reports 99.1% correct linking guesses and 0.86% false positives; the introduction rounds the latter to 0.87%. Preserve this small reporting discrepancy.", "fa": "چکیده صحت حدس پیوند ۹۹٫۱٪ و مثبت کاذب ۰٫۸۶٪ را می‌دهد؛ مقدمه عدد دوم را ۰٫۸۷٪ ذکر می‌کند. این اختلاف جزئی گزارش باید حفظ شود.", "pages": [ 1, 2 ] } ], "limitations": [ { "en": "Volunteers were privacy-conscious and uniqueness feedback could induce artificial configuration changes.", "fa": "داوطلبان به حریم خصوصی حساس بودند و بازخورد یکتایی می‌توانست تغییر مصنوعی تنظیمات ایجاد کند.", "pages": [ 2, 7 ] }, { "en": "Legacy plugin/font exposure and the 2010 sample should not be treated as current prevalence or universal bot-detection evidence.", "fa": "افشای قلم و افزونه‌های قدیمی و نمونهٔ سال ۲۰۱۰ بیانگر شیوع کنونی یا شاهد عمومی تشخیص بات نیست.", "pages": [ 5, 17 ] } ], "figures": [ { "label": "Table 1", "page": 5, "caption": { "en": "Browser measurements and collection channels.", "fa": "اندازه‌گیری‌های مرورگر و کانال گردآوری آن‌ها." }, "insight": { "en": "Separates HTTP, JavaScript and plugin-derived information; the fingerprint does not exhaust all possible features.", "fa": "اطلاعات HTTP، جاوااسکریپت و افزونه را جدا می‌کند؛ اثرانگشت شامل همهٔ ویژگی‌های ممکن نیست." }, "image": "figures/p-dc486876446b-page-5-detail.webp" } ], "thesisUse": { "en": "Synthesis: retain this as the foundational identification baseline, then contrast its self-selected uniqueness with the 2018 commercial-site study and distinguish fingerprint rarity from maliciousness.", "fa": "تحلیل ما: این پژوهش مبنای اولیهٔ شناسایی باشد؛ یکتایی نمونهٔ خودانتخاب‌شده با مطالعهٔ تجاری ۲۰۱۸ مقایسه شود و کمیابی اثرانگشت از مخرب‌بودن تفکیک گردد." }, "related": [ "p-46990bde16d7", "p-c3831a18da8c", "p-c3d94881585e" ], "keywords": [ "entropy", "surprisal", "anonymity set", "Panopticlick", "linkability" ], "pdf": "papers/p-dc486876446b.pdf", "pages": 19, "sha256": "dc486876446bf65944a1f225e0419e6eb986bfbb016e2a728586485a9524dbbb", "sourcePath": "مقالات\\Browser fingerprinting\\2010 How unique is your web browser.pdf", "duplicates": [], "isNew": false }, { "id": "new-botgraph-spam", "title": "BotGraph: Large Scale Spamming Botnet Detection", "titleFa": "BotGraph: تشخیص بات‌نت اسپم در مقیاس بزرگ", "year": 2009, "authors": [ "Yao Zhao", "Yinglian Xie", "Fang Yu", "Qifa Ke", "Yuan Yu", "Yan Chen", "Eliot Gillum" ], "venue": "6th USENIX Symposium on Networked Systems Design and Implementation (NSDI09)", "kind": "paper", "domains": [ "bots" ], "topics": [ "detection", "behavior", "network", "measurement" ], "status": "full-text-reviewed", "sourceUrl": "https://www.usenix.org/conference/nsdi-09/botgraph-large-scale-spamming-botnet-detection", "problem": { "en": "Find coordinated email-account abuse.", "fa": "یافتن سوءاستفاده هماهنگ حساب ایمیل." }, "idea": { "en": "Signup EWMA plus shared-login-AS account graphs.", "fa": "EWMA ثبت‌نام و گراف حساب با AS ورود مشترک." }, "result": { "en": "26.55M accounts;estimated FP0.44%.", "fa": "۲۶٫۵۵میلیون حساب؛تخمینFP=.44٪." }, "sections": [ { "heading": { "en": "Threat", "fa": "تهدید" }, "en": "Many accounts share rotating bot infrastructure.", "fa": "حساب‌های متعدد زیرساخت بات چرخشی دارند.", "pages": [ 3, 4 ] }, { "heading": { "en": "Edges", "fa": "یال‌ها" }, "en": "Count shared ASes;start threshold2;components>100.", "fa": "شمارش AS مشترک؛آستانه۲؛مؤلفه>۱۰۰.", "pages": [ 4, 5 ] }, { "heading": { "en": "Pruning", "fa": "هرس" }, "en": "Keep groups with≥80% sending>3emails/day.", "fa": "گروه با≥۸۰٪ ارسال>۳ایمیل/روز حفظ می‌شود.", "pages": [ 6 ] }, { "heading": { "en": "Scale", "fa": "مقیاس" }, "en": "221.5GB January2008;240machines;95minutes.", "fa": "۲۲۱٫۵GB ژانویه۲۰۰۸؛۲۴۰ماشین؛۹۵دقیقه.", "pages": [ 9 ] }, { "heading": { "en": "Detection", "fa": "تشخیص" }, "en": "Graph known-spammer recall76.84%/85.80% in2007/2008.", "fa": "recall اسپمر شناخته‌شده گراف76.84٪/85.80٪ در۲۰۰۷/۲۰۰۸.", "pages": [ 12, 13 ] }, { "heading": { "en": "Validation", "fa": "اعتبارسنجی" }, "en": "Naming and signup-date proxies estimate errors.", "fa": "نام‌گذاری و تاریخ ثبت‌نام خطا را تخمین می‌زنند.", "pages": [ 12, 13 ] } ], "findings": [ { "en": "Graph finds54.10% previously unreported January accounts.", "fa": "گراف54.10٪ حساب ژانویه پیش‌تر گزارش‌نشده می‌یابد.", "pages": [ 12 ] }, { "en": "AS binding can evade prefilter.", "fa": "اتصال به AS ثابت فیلتر اولیه را دور می‌زند.", "pages": [ 13 ] }, { "en": "Unrelated to2019sitemap BotGraph.", "fa": "مستقل ازBotGraph نقشه سایت۲۰۱۹.", "pages": [ 1 ] } ], "limitations": [ { "en": "Private historical Hotmail data.", "fa": "داده تاریخی خصوصی Hotmail.", "pages": [ 10 ] }, { "en": "No complete independent labels.", "fa": "برچسب مستقل کامل نیست.", "pages": [ 12 ] }, { "en": "Threshold assumptions limit coverage.", "fa": "فرض آستانه پوشش را محدود می‌کند.", "pages": [ 6, 13 ] } ], "figures": [ { "label": "Figure 1", "page": 3, "caption": { "en": "Signup/login pipeline", "fa": "خط‌لوله ثبت‌نام/ورود" }, "insight": { "en": "Two stages.", "fa": "دو مرحله." }, "analysis": { "en": "Our methodological proposal: evaluate burst detection and campaign correlation separately and then measure the additional accounts recovered by their combination. Hold out complete campaigns over time and inspect false positives at group level, so many correlated accounts cannot inflate an apparently strong independent-sample result.", "fa": "پیشنهاد روش‌شناختی ما: کشف جهش و هم‌بستگی کارزار را جدا بسنجیم و سپس حساب اضافه کشف‌شده از ترکیب را اندازه بگیریم. کارزار کامل را در زمان کنار بگذاریم و مثبت کاذب را در سطح گروه بررسی کنیم تا حساب‌های هم‌بسته نتیجه ظاهراً مستقل را متورم نکنند." }, "image": "figures/new-botgraph-spam-page-3-detail.webp" }, { "label": "Figure 2", "page": 5, "caption": { "en": "Component-size transition", "fa": "گذار اندازه‌مؤلفه" }, "insight": { "en": "Threshold transition.", "fa": "گذار آستانه." }, "analysis": { "en": "Our methodological proposal: vary edge definitions and component thresholds against matched legitimate shared-network populations. A sensitivity study should examine corporate NAT, VPN pools and coordinated approved automation before treating the appearance of a large connected component as sufficient reason for restriction.", "fa": "پیشنهاد روش‌شناختی ما: تعریف یال و آستانه مؤلفه را در جمعیت مشروع شبکه مشترک مشابه تغییر دهیم. تحلیل حساسیت باید NAT شرکتی، مجموعه VPN و خودکارسازی هماهنگ مجاز را پیش از کافی دانستن مؤلفه متصل بزرگ برای محدودسازی بررسی کند." }, "image": "figures/new-botgraph-spam-page-5-detail.webp" }, { "label": "Figure 3", "page": 6, "caption": { "en": "Group-email distributions", "fa": "توزیع ایمیل‌گروه" }, "insight": { "en": "Group evidence.", "fa": "شواهد گروه." }, "analysis": { "en": "Our methodological proposal: compare group aggregates after controlling for group size, activity level and service-specific usage. Test slower coordinated attackers alongside high-volume legitimate groups, asking whether count and size features supply new evidence or simply restate an assumption that heavy activity is malicious.", "fa": "پیشنهاد روش‌شناختی ما: تجمیع گروه را پس از کنترل اندازه گروه، فعالیت و کاربرد ویژه خدمت مقایسه کنیم. مهاجم هماهنگ آهسته و گروه مشروع پرترافیک را آزمون کنیم تا مشخص شود ویژگی تعداد و اندازه شاهد تازه می‌دهد یا فقط فرض مخرب بودن فعالیت زیاد را تکرار می‌کند." }, "image": "figures/new-botgraph-spam-page-6-detail.webp" }, { "label": "Table 3", "page": 11, "caption": { "en": "Monthly detection", "fa": "کشف ماهانه" }, "insight": { "en": "Monthly union.", "fa": "اجتماع ماهانه." }, "analysis": { "en": "Our methodological proposal: maintain separate totals for unique accounts, request volume and confirmed campaigns, with explicit deduplication across collection periods. Compare marginal gains from each detector stage against independently adjudicated cases rather than summing overlapping detections or interpreting a discovery count as recall.", "fa": "پیشنهاد روش‌شناختی ما: حساب یکتا، حجم درخواست و کارزار تأییدشده را با حذف تکرار صریح بین دوره‌ها جدا نگه داریم. سود افزایشی هر مرحله را با موارد مستقلاً داوری‌شده مقایسه کنیم، نه جمع کشف هم‌پوشان یا تفسیر تعداد کشف به‌عنوان recall." }, "image": "figures/new-botgraph-spam-page-11-detail.webp" }, { "label": "Table 7", "page": 13, "caption": { "en": "Known-spammer coverage", "fa": "پوشش اسپمرشناخته‌شده" }, "insight": { "en": "Restricted recall.", "fa": "recall محدود." }, "analysis": { "en": "Our methodological proposal: evaluate a stratified sample outside the previously reported-spammer set as well as inside it. Separate coverage of an existing complaint list from recall over the intended threat population, and use blinded case review to estimate how often newly flagged groups are actually abusive.", "fa": "پیشنهاد روش‌شناختی ما: نمونه طبقه‌بندی‌شده بیرون از فهرست اسپمر گزارش‌شده را همراه داخل آن ارزیابی کنیم. پوشش فهرست شکایت موجود را از recall جمعیت تهدید هدف جدا و بازبینی کور را برای تخمین سوءاستفاده واقعی گروه تازه پرچم‌خورده استفاده کنیم." }, "image": "figures/new-botgraph-spam-page-13-detail.webp" } ], "thesisUse": { "en": "Our thesis proposal: add campaign-level correlation to individual browser evidence, but never infer abuse solely from shared infrastructure. Model accounts, sessions, browser signatures and network endpoints as separate node types, with time-bounded edges and privacy-aware aggregation. Compare fingerprints that repeatedly occur across many suspicious accounts with ordinary shared devices, corporate NAT, VPNs and accessibility services. Define independently confirmed campaign labels and measure account-, campaign- and request-level recall separately. Evaluate what happens when attackers keep identities within one network region or distribute them across isolated browsers; quantify increased operational cost instead of claiming universal detection. Calibrate pruning against a realistic legitimate population and investigate each false-positive group. Use temporal holdouts and campaign-disjoint splits to avoid leaking correlated accounts between train and test. Establish retention limits and permit legitimate coordinated automation; group correlation should support contextual authorization decisions, not silently become a cross-site identity graph. Modern graph models may help, but validate them against simple counting and sequential baselines before accepting their extra complexity.", "fa": "پیشنهاد ما برای تز: هم‌بستگی کارزار را به شاهد مرورگر فردی اضافه کن، ولی از زیرساخت مشترک به‌تنهایی سوءاستفاده نتیجه نگیر. حساب، نشست، امضای مرورگر و مقصد شبکه را نوع گره جدا با یال محدود زمانی و تجمیع حافظ حریم خصوصی مدل کن. اثرانگشت تکرارشونده بین حساب مشکوک را با دستگاه مشترک معمول، NAT شرکتی، VPN و خدمات دسترس‌پذیری مقایسه کن. برچسب کارزار مستقل تأیید و recall حساب، کارزار و درخواست را جدا اندازه بگیر. حفظ هویت مهاجم در یک منطقه شبکه یا پخش آن در مرورگرهای منفرد را آزمون و هزینه عملیاتی اضافه را بسنج، نه ادعای تشخیص جهانی. هرس را با جمعیت مشروع واقعی کالیبره و هر گروه مثبت کاذب را بررسی کن. کنارگذاری زمان و تقسیم جداکارزار از نشت حساب هم‌بسته جلوگیری کند. محدودیت نگهداری داشته باش و خودکارسازی هماهنگ مشروع را مجاز بدان؛ هم‌بستگی گروه باید تصمیم مجوز زمینه‌ای را پشتیبانی کند، نه گراف هویت بین‌سایتی پنهان. مدل گراف جدید ممکن است مفید باشد ولی پیش از پذیرش پیچیدگی، مقابل شمارش ساده و خط مبنای ترتیبی اعتبارسنجی کن." }, "related": [ "new-botgraph-sitemap", "p-00fcd1b4467c", "p-79a8187df7aa" ], "keywords": [ "botnet", "account abuse", "EWMA", "shared-AS graph", "distributed computation" ], "pdf": "papers/new-botgraph-spam.pdf", "pages": 14, "sha256": "041358944f7949e2f2e3c4719d6a005053e8a2051a5b44c1a366013d28edd26b", "duplicates": [], "downloadUrl": "https://www.usenix.org/events/nsdi09/tech/full_papers/zhao/zhao.pdf", "downloaded": "2026-10-12", "isNew": true }, { "id": "p-7c3b9df46660", "title": "Digital Scales: Web Security and Privacy (Local Persian presentation)", "titleFa": "ترازوی دیجیتال: تقابل امنیت وب و حریم خصوصی (ارائه محلی)", "year": null, "authors": [], "venue": "Local Persian NotebookLM slide deck; publication date unavailable", "kind": "local-report", "domains": [ "bots", "intersection" ], "topics": [ "detection", "privacy", "network", "behavior", "evasion" ], "status": "full-presentation-reviewed", "sourceUrl": "", "problem": { "en": "The fourteen-page visual deck explains security/privacy tensions in bot defense. It is a generated presentation with no selectable text, authorship metadata or independent experiment.", "fa": "ارائه تصویری چهارده‌صفحه‌ای تعارض امنیت و حریم خصوصی در دفاع بات را شرح می‌دهد. ارائه تولیدشده است و متن قابل‌انتخاب، فراداده نویسنده یا آزمایش مستقل ندارد." }, "idea": { "en": "Use visual categories for network signals, fingerprints and behavioral biometrics, followed by evasion, GDPR/AI Act issues and PET trade-offs. The notes are based on visual inspection of all fourteen pages.", "fa": "سیگنال شبکه، اثر انگشت و بیومتریک رفتاری بصری دسته‌بندی می‌شوند و سپس فرار، مسائل GDPR و AI Act و مبادله PET می‌آیند. یادداشت بر مشاهده تصویری تمام چهارده صفحه مبتنی است." }, "result": { "en": "The deck supplies a learning map rather than new research findings. Its privacy/legal and cryptographic simplifications need confirmation against the underlying review and authoritative sources.", "fa": "ارائه نقشه یادگیری می‌دهد، نه یافته پژوهشی جدید. ساده‌سازی حریم خصوصی، حقوق و رمزنگاری آن باید با مرور اصلی و منبع معتبر تطبیق یابد." }, "sections": [ { "heading": { "en": "Artifact and visual review", "fa": "نوع اثر و بررسی تصویری" }, "en": "All fourteen pages were reviewed as rendered images because the extracted text is empty. The NotebookLM mark identifies a generated deck; its title and content are not evidence of a separate peer-reviewed study.", "fa": "تمام چهارده صفحه به‌صورت تصویر رندرشده بررسی شدند چون متن استخراجی خالی است. نشان NotebookLM ارائه تولیدشده را مشخص می‌کند؛ عنوان و محتوا شاهد مطالعه داوری‌شده مستقل نیست.", "pages": [ 1, 14 ] }, { "heading": { "en": "Traffic and data-source categories", "fa": "ترافیک و دسته منبع داده" }, "en": "The deck contrasts human, benign-bot and malicious-bot traffic and classifies network, fingerprint and behavioral inputs. The 50/20/30 traffic split is an illustrative claim without an attached sampling method, so it should not become an empirical thesis result.", "fa": "ارائه ترافیک انسان، بات مفید و مخرب را مقایسه و ورودی شبکه، اثر انگشت و رفتار را دسته‌بندی می‌کند. تقسیم ۵۰/۲۰/۳۰ ادعای آموزشی بدون روش نمونه‌گیری پیوست است و نباید نتیجه تجربی تز شود.", "pages": [ 2, 3 ] }, { "heading": { "en": "Evasion and privacy gradient", "fa": "فرار و طیف حریم خصوصی" }, "en": "IP rotation, browser automation and behavior mimicry are paired with rate, header and CAPTCHA defenses. A visual gradient links richer signals to greater privacy risk, but provides no quantitative utility-versus-leakage curve.", "fa": "چرخش IP، خودکارسازی مرورگر و تقلید رفتار در برابر دفاع نرخ، هدر و CAPTCHA قرار می‌گیرند. طیف بصری سیگنال غنی‌تر را به ریسک حریم خصوصی بیشتر وصل می‌کند ولی منحنی کمّی سودمندی در برابر نشت ندارد.", "pages": [ 4, 5 ] }, { "heading": { "en": "Legal concepts: presentation claims", "fa": "مفاهیم قانونی: ادعاهای ارائه" }, "en": "Slides discuss personal-data identifiability, lawful basis, biometric processing and significant automated decisions. These compressed statements need context: not all behavioral data processing has identical legal classification, and the deck should not substitute for current legal guidance.", "fa": "اسلاید شناسایی‌پذیری داده شخصی، مبنای قانونی، پردازش بیومتریک و تصمیم خودکار مهم را بحث می‌کند. گزاره فشرده زمینه می‌خواهد؛ همه پردازش داده رفتاری رده حقوقی یکسان ندارد و ارائه جایگزین راهنمای حقوقی جاری نیست.", "pages": [ 6, 7, 8 ] }, { "heading": { "en": "PETs and engineering costs", "fa": "PET و هزینه مهندسی" }, "en": "Minimization, differential privacy, homomorphic encryption and secure multiparty computation are illustrated as complementary approaches. The deck mentions noise, computational expense and coordination, but its phrase about absolute HE security is too strong without a threat model and parameter assumptions.", "fa": "کمینه‌سازی، حریم خصوصی تفاضلی، رمزنگاری همومورفیک و محاسبات امن چندجانبه به‌عنوان راه مکمل تصویر می‌شوند. ارائه نویز، هزینه محاسبه و هماهنگی را می‌گوید ولی تعبیر امنیت مطلق HE بدون مدل تهدید و فرض پارامتر بیش از حد قوی است.", "pages": [ 9, 10, 11, 12 ] }, { "heading": { "en": "Governance and thesis learning aid", "fa": "حکمرانی و ابزار یادگیری تز" }, "en": "The final pages argue that PETs need organizational safeguards, documentation and human oversight. Thesis inference: use the deck as a conceptual index to the actual review; replace simplified claims with testable requirements, source citations and explicit privacy metrics.", "fa": "صفحات آخر PET را نیازمند محافظ سازمانی، مستندسازی و نظارت انسانی می‌دانند. برداشت تز: ارائه را نمایه مفهومی مرور اصلی قرار دهید و ادعای ساده‌شده را با الزام آزمون‌پذیر، استناد منبع و معیار حریم خصوصی صریح جایگزین کنید.", "pages": [ 13, 14 ] } ], "findings": [ { "en": "The file is a local generated slide deck, not a separate scientific article.", "fa": "فایل ارائه تولیدشده محلی است، نه مقاله علمی جداگانه.", "pages": [ 1, 14 ] }, { "en": "The deck organizes three signal families and four PET families.", "fa": "ارائه سه خانواده سیگنال و چهار خانواده PET را سامان می‌دهد.", "pages": [ 3, 9, 12 ] }, { "en": "No new bot-detection benchmark or privacy evaluation is present.", "fa": "بنچمارک جدید تشخیص بات یا ارزیابی حریم خصوصی وجود ندارد.", "pages": [ 12, 14 ] } ], "limitations": [ { "en": "Empty text layer: notes were created through visual reading, not reliable automatic text extraction.", "fa": "لایه متن خالی است؛ یادداشت با خواندن تصویری ساخته شده، نه استخراج خودکار قابل‌اعتماد.", "pages": [ 1, 14 ] }, { "en": "No embedded publication date or identified author; 2026 is only local project context.", "fa": "تاریخ انتشار یا نویسنده مشخص تعبیه نشده؛ ۲۰۲۶ فقط زمینه پروژه محلی است.", "pages": [ 1 ] }, { "en": "Simplified legal and security statements should be checked against primary evidence.", "fa": "گزاره ساده‌شده حقوقی و امنیتی باید با شاهد اولیه بررسی شوند.", "pages": [ 6, 7, 8, 12 ] } ], "figures": [ { "label": "Slide 3", "page": 3, "caption": { "en": "Three data-source families for bot detection.", "fa": "سه خانواده منبع داده تشخیص بات." }, "insight": { "en": "A useful conceptual organization without performance measurements.", "fa": "سامان‌دهی مفهومی مفید بدون سنجش عملکرد است." }, "image": "figures/p-7c3b9df46660-page-3-detail.webp" }, { "label": "Slide 12", "page": 12, "caption": { "en": "PET comparison matrix.", "fa": "ماتریس مقایسه PET." }, "insight": { "en": "Shows qualitative trade-offs; absolute-security wording requires caveat.", "fa": "مبادله کیفی را نشان می‌دهد؛ عبارت امنیت مطلق نیازمند محدودسازی است." }, "image": "figures/p-7c3b9df46660-page-12-detail.webp" }, { "label": "Slide 13", "page": 13, "caption": { "en": "Legal, technical and organizational safeguards.", "fa": "محافظ قانونی، فنی و سازمانی." }, "insight": { "en": "Avoids treating cryptography alone as compliance.", "fa": "مانع یکی‌گرفتن رمزنگاری تنها با انطباق می‌شود." }, "image": "figures/p-7c3b9df46660-page-13-detail.webp" } ], "thesisUse": { "en": "Our synthesis: keep as a bilingual learning companion to the original review, with generated-presentation status visible and numerical claims excluded from empirical evidence.", "fa": "تحلیل ما: همراه یادگیری دوزبانه مرور اصلی باشد؛ وضعیت ارائه تولیدشده نمایان و ادعاهای عددی از شاهد تجربی جدا بمانند." }, "related": [ "p-fccc1b4673c3" ], "keywords": [ "NotebookLM", "privacy trade-off", "PETs", "GDPR", "AI Act", "local presentation" ], "pdf": "papers/p-7c3b9df46660.pdf", "pages": 14, "sha256": "7c3b9df4666026a64f602f65f12206ef4b94f6fbbe69946918bcb48f9b4f8489", "sourcePath": "مقالات\\Balancing Web Bot Detection, Privacy, and EU Regulatory Compliance\\Digital_Scales_of_Privacy_and_Security.pdf", "duplicates": [], "isNew": false } ], "glossary": [ { "term": { "en": "Browser fingerprint", "fa": "اثرانگشت مرورگر" }, "definition": { "en": "A set of observations about browser, software and device configuration. A fingerprint can distinguish or link sessions, but is not proof of a real-world identity.", "fa": "مجموعه‌ای از مشاهدات دربارهٔ مرورگر، نرم‌افزار و پیکربندی دستگاه. می‌تواند نشست‌ها را متمایز یا مرتبط کند، اما اثبات هویت واقعی شخص نیست." }, "relevance": { "en": "Separate identifying a configuration, linking a user and detecting automation in the thesis.", "fa": "در تز، شناسایی پیکربندی، پیوند کاربر و تشخیص خودکارسازی را جدا تعریف کن." }, "keys": [ "fingerprint", "foundations" ] }, { "term": { "en": "Web bot", "fa": "بات وب" }, "definition": { "en": "Software that automates web requests or interactions. Automation may be legitimate, unwanted or malicious depending on the service policy and action.", "fa": "نرم‌افزاری که درخواست یا تعامل وب را خودکار می‌کند. خودکارسازی بسته به سیاست سرویس و عمل می‌تواند مجاز، ناخواسته یا مخرب باشد." }, "relevance": { "en": "A bot label alone does not establish abuse. Define exactly what your classifier predicts.", "fa": "برچسب بات به‌تنهایی سوءاستفاده را اثبات نمی‌کند؛ خروجی طبقه‌بندت را دقیق تعریف کن." }, "keys": [ "bots", "behavior", "detection" ] }, { "term": { "en": "Entropy", "fa": "آنتروپی" }, "definition": { "en": "Shannon entropy H(X) = −Σ p(x) log₂p(x), in bits, measures uncertainty in a feature distribution. It is population-dependent; correlated feature entropies cannot simply be added.", "fa": "آنتروپی شانون H(X) = −Σ p(x) log₂p(x) با واحد بیت، عدم قطعیت توزیع ویژگی را می‌سنجد. به جمعیت وابسته است و آنتروپی ویژگی‌های همبسته را نمی‌توان ساده جمع کرد." }, "relevance": { "en": "High entropy is not equivalent to high bot detection accuracy.", "fa": "آنتروپی بالا معادل صحت بالای تشخیص بات نیست." }, "keys": [ "entropy", "foundations" ] }, { "term": { "en": "Uniqueness", "fa": "یکتایی" }, "definition": { "en": "The fraction of observed fingerprints that occur only once in the measured sample. This depends on sample size, collection channel and population.", "fa": "سهم اثرانگشت‌هایی که فقط یک‌بار در نمونهٔ اندازه‌گیری‌شده دیده شده‌اند. به اندازهٔ نمونه، روش گردآوری و جمعیت وابسته است." }, "relevance": { "en": "Never transfer a volunteer-study uniqueness rate directly to all web users.", "fa": "نرخ یکتایی مطالعهٔ داوطلبانه را مستقیماً به همهٔ کاربران وب تعمیم نده." }, "keys": [ "uniqueness", "foundations", "measurement" ] }, { "term": { "en": "Stability", "fa": "پایداری" }, "definition": { "en": "How consistently a feature or fingerprint remains the same across repeated observations of the same environment. Updates and noise can change it.", "fa": "میزان ثابت‌ماندن ویژگی یا اثرانگشت در مشاهدات تکراری یک محیط. به‌روزرسانی و نویز می‌توانند آن را تغییر دهند." }, "relevance": { "en": "Temporal consistency rules must account for legitimate updates.", "fa": "قواعد سازگاری زمانی باید به‌روزرسانی مشروع را در نظر بگیرند." }, "keys": [ "stability", "authentication" ] }, { "term": { "en": "Anonymity set", "fa": "مجموعهٔ ناشناسی" }, "definition": { "en": "The group of users who are indistinguishable under the observed features. A smaller set gives less concealment among similar users.", "fa": "گروه کاربرانی که با ویژگی‌های مشاهده‌شده تمایزپذیر نیستند. گروه کوچک‌تر پوشش کمتری میان کاربران مشابه می‌دهد." }, "relevance": { "en": "Coarse-grained detection aims to classify environments while avoiding individual-level identity.", "fa": "تشخیص درشت‌دانه محیط را طبقه‌بندی می‌کند و تلاش دارد از شناسایی فردی پرهیز کند." }, "keys": [ "anonymity", "privacy" ] }, { "term": { "en": "Active vs passive signals", "fa": "سیگنال فعال و منفعل" }, "definition": { "en": "Passive signals arrive with ordinary traffic, such as request headers. Active measurement requests computation or probes browser APIs; definitions vary across papers.", "fa": "سیگنال منفعل همراه ترافیک معمول، مانند سرآیند، می‌آید. اندازه‌گیری فعال محاسبه یا پرس‌وجوی API مرورگر می‌خواهد؛ تعریف مقاله‌ها ممکن است متفاوت باشد." }, "relevance": { "en": "Record collection cost and exact definition rather than assuming an API call is harmless.", "fa": "هزینهٔ گردآوری و تعریف دقیق را ثبت کن؛ خواندن API را خودبه‌خود بی‌اثر فرض نکن." }, "keys": [ "signals", "network" ] }, { "term": { "en": "Canvas fingerprinting", "fa": "اثرانگشت Canvas" }, "definition": { "en": "Draw prescribed content and observe rendered pixels. Fonts, graphics stack and implementation differences can influence output.", "fa": "رسم محتوای مشخص و مشاهدهٔ پیکسل‌های رندرشده؛ فونت، پشتهٔ گرافیکی و تفاوت پیاده‌سازی می‌توانند خروجی را تغییر دهند." }, "relevance": { "en": "Distinguish a rendering signal from a guaranteed device identifier.", "fa": "سیگنال رندر را از شناسهٔ تضمین‌شدهٔ دستگاه جدا کن." }, "keys": [ "canvas", "signals" ] }, { "term": { "en": "WebGL", "fa": "وب‌جی‌ال" }, "definition": { "en": "A web graphics API whose capabilities and rendering outputs may expose information about graphics hardware, drivers and implementation.", "fa": "API گرافیکی وب که توانایی‌ها و خروجی رندر آن ممکن است اطلاعات سخت‌افزار، درایور و پیاده‌سازی را نشان دهند." }, "relevance": { "en": "An attribute mismatch can be a consistency signal; privacy defenses can produce similar mismatches.", "fa": "عدم تطابق می‌تواند سیگنال ناسازگاری باشد؛ دفاع حریم خصوصی هم ممکن است همین علامت را تولید کند." }, "keys": [ "WebGL", "signals", "hardware" ] }, { "term": { "en": "Audio fingerprinting", "fa": "اثرانگشت صوتی" }, "definition": { "en": "Observe outputs or numerical behavior of browser audio processing. The environment can affect the resulting values without recording a microphone.", "fa": "مشاهدهٔ خروجی یا رفتار عددی پردازش صوتی مرورگر؛ محیط می‌تواند بدون ضبط میکروفن بر مقادیر اثر بگذارد." }, "relevance": { "en": "Do not conflate audio computation with voice biometrics.", "fa": "محاسبهٔ صوتی را با زیست‌سنجی صدا یکی ندان." }, "keys": [ "audio", "signals" ] }, { "term": { "en": "Font enumeration", "fa": "شمارش فونت" }, "definition": { "en": "Infer available fonts from rendering or layout differences. Font sets often correlate with operating system and installed software.", "fa": "استنتاج فونت‌های در دسترس از تفاوت رندر یا چیدمان؛ مجموعهٔ فونت با سیستم‌عامل و نرم‌افزارهای نصب‌شده همبسته است." }, "relevance": { "en": "A font feature may identify an environment rather than whether a person controls it.", "fa": "ویژگی فونت ممکن است محیط را بشناسد، نه اینکه انسانی آن را کنترل می‌کند." }, "keys": [ "fonts", "signals" ] }, { "term": { "en": "API / prototype surface", "fa": "سطح API و پیش‌نمونه" }, "definition": { "en": "The set and structural characteristics of properties and methods exposed by a browser implementation. Version and engine differences alter this surface.", "fa": "مجموعه و ویژگی‌های ساختاری خاصیت‌ها و متدهای ارائه‌شده توسط پیاده‌سازی مرورگر؛ نسخه و موتور این سطح را تغییر می‌دهند." }, "relevance": { "en": "Useful for coarse environment authenticity; keep a current legitimate-browser baseline.", "fa": "برای اصالت درشت‌دانهٔ محیط مفید است؛ خط پایهٔ مرورگر مشروع را به‌روز نگه دار." }, "keys": [ "prototype", "signals", "detection" ] }, { "term": { "en": "Spatial inconsistency", "fa": "ناسازگاری فضایی" }, "definition": { "en": "A conflicting relationship between two or more attributes in a single observation, such as a claimed platform and incompatible browser capabilities.", "fa": "رابطهٔ متناقض دو یا چند ویژگی در یک مشاهده، مانند سکوی ادعاشده و توانایی ناسازگار مرورگر." }, "relevance": { "en": "A rule violation indicates a mismatch, not automatically malicious intent.", "fa": "نقض قاعده نشان‌دهندهٔ عدم تطابق است، نه لزوماً نیت مخرب." }, "keys": [ "inconsistency", "detection" ] }, { "term": { "en": "Temporal inconsistency", "fa": "ناسازگاری زمانی" }, "definition": { "en": "A feature change across observations that violates an expected temporal relationship. Session linkage and allowed update intervals matter.", "fa": "تغییر ویژگی در مشاهدات متوالی که رابطهٔ زمانی مورد انتظار را نقض می‌کند. پیوند نشست و بازهٔ مجاز به‌روزرسانی مهم‌اند." }, "relevance": { "en": "Evaluate legitimate browser upgrades, privacy randomization and shared devices.", "fa": "ارتقای مشروع مرورگر، تصادفی‌سازی حریم خصوصی و دستگاه مشترک را بیازما." }, "keys": [ "inconsistency", "stability" ] }, { "term": { "en": "Anti-detect browser", "fa": "مرورگر ضدشناسایی" }, "definition": { "en": "A browser or configured environment that alters observable attributes to present a different profile. Privacy-oriented changes and fraud-oriented changes can overlap.", "fa": "مرورگر یا محیط تنظیم‌شده‌ای که ویژگی‌های قابل مشاهده را برای نمایش نمایهٔ متفاوت تغییر می‌دهد. تغییرات حریم خصوصی و تقلب ممکن است هم‌پوشانی داشته باشند." }, "relevance": { "en": "Do not label every privacy-tool user as a bot.", "fa": "هر کاربر ابزار حریم خصوصی را بات برچسب نزن." }, "keys": [ "evasion", "defense" ] }, { "term": { "en": "Headless browser", "fa": "مرورگر بدون رابط نمایشی" }, "definition": { "en": "A browser operated without its usual visible graphical interface. It can run the real rendering and networking stack.", "fa": "مرورگری که بدون رابط گرافیکی معمول کنترل می‌شود و می‌تواند پشتهٔ واقعی رندر و شبکه را اجرا کند." }, "relevance": { "en": "Headless, automated and malicious are three different properties.", "fa": "بی‌نمایش‌بودن، خودکاربودن و مخرب‌بودن سه ویژگی متفاوت‌اند." }, "keys": [ "headless", "evasion" ] }, { "term": { "en": "Behavioral biometrics", "fa": "زیست‌سنجی رفتاری" }, "definition": { "en": "Quantitative patterns in actions such as mouse movement, typing and scrolling. These depend on person, input device, task and interface.", "fa": "الگوهای کمّی در حرکت ماوس، تایپ و اسکرول؛ وابسته به فرد، وسیلهٔ ورودی، تکلیف و رابط‌اند." }, "relevance": { "en": "Evaluate task and accessibility effects before interpreting unusual behavior as automation.", "fa": "اثر تکلیف و دسترس‌پذیری را پیش از تعبیر رفتار غیرمعمول به خودکارسازی بسنج." }, "keys": [ "behavior", "mouse", "keystroke" ] }, { "term": { "en": "Inter-key / hold latency", "fa": "تأخیر بین کلید / نگه‌داشت کلید" }, "definition": { "en": "Inter-key latency describes timing between keystrokes; hold latency is the time from keydown to keyup. Papers may define inter-key variants differently.", "fa": "تأخیر بین کلید زمان‌بندی بین ضربه‌هاست؛ نگه‌داشت فاصلهٔ keydown تا keyup است. تعریف انواع تأخیر بین کلید در مقاله‌ها متفاوت است." }, "relevance": { "en": "Write the exact event-pair definition and include paste-only sessions.", "fa": "زوج رویداد دقیق را تعریف کن و نشست‌های فقط چسباندن متن را هم در نظر بگیر." }, "keys": [ "keystroke", "behavior" ] }, { "term": { "en": "Replay attack", "fa": "حملهٔ بازپخش" }, "definition": { "en": "Reuse recorded genuine observations or interaction traces. A realistic trace need not match the current task or page context.", "fa": "استفادهٔ مجدد از مشاهدات واقعی یا رد تعامل ضبط‌شده؛ رد واقع‌نما لزوماً با تکلیف یا صفحهٔ فعلی سازگار نیست." }, "relevance": { "en": "Separate same-context and cross-context replay in your evaluation.", "fa": "بازپخش هم‌زمینه و بین‌زمینه را در ارزیابی جدا کن." }, "keys": [ "replay", "evasion" ] }, { "term": { "en": "DTW", "fa": "هم‌ترازی زمانی پویا" }, "definition": { "en": "Dynamic Time Warping compares sequences by allowing a nonlinear alignment of their time axes. It can detect similar shapes under timing variation.", "fa": "هم‌ترازی زمانی پویا دنباله‌ها را با تغییر غیرخطی هم‌ترازی محور زمان مقایسه می‌کند و شباهت شکل را زیر تغییر زمان‌بندی می‌یابد." }, "relevance": { "en": "A repeated legitimate gesture may also look similar; choose thresholds using legitimate history.", "fa": "حرکت مشروع تکراری هم می‌تواند شبیه باشد؛ آستانه را با سابقهٔ مشروع انتخاب کن." }, "keys": [ "DTW", "behavior" ] }, { "term": { "en": "GAN", "fa": "شبکهٔ مولد تخاصمی" }, "definition": { "en": "A generator learns to create samples while a discriminator learns to distinguish them from a target distribution. Their training objectives interact.", "fa": "مولد ساخت نمونه را می‌آموزد و ممیز تمایز آن از توزیع هدف را؛ هدف‌های آموزش این دو در تعامل‌اند." }, "relevance": { "en": "A convincing trajectory is not proof of successful end-to-end bot evasion.", "fa": "مسیر حرکتی متقاعدکننده اثبات فرار موفق بات در سامانهٔ کامل نیست." }, "keys": [ "GAN", "evasion" ] }, { "term": { "en": "Reinforcement learning", "fa": "یادگیری تقویتی" }, "definition": { "en": "An agent chooses actions and learns from rewards over interactions with an environment. The reward and query access define the learned objective.", "fa": "عامل با انتخاب عمل و دریافت پاداش از تعامل محیط می‌آموزد. تعریف پاداش و دسترسی پرس‌وجو هدف آموخته‌شده را تعیین می‌کند." }, "relevance": { "en": "Report attacker feedback, budget and environment; do not assume unlimited detector access.", "fa": "بازخورد، بودجه و محیط مهاجم را گزارش کن؛ دسترسی نامحدود به ممیز را فرض نکن." }, "keys": [ "reinforcement", "evasion" ] }, { "term": { "en": "JA3 / JA4 / TLS fingerprint", "fa": "اثرانگشت TLS و JA3 / JA4" }, "definition": { "en": "Represent characteristics of a TLS handshake, such as protocol choices, ciphers and extensions. They usually describe the client stack rather than the human controlling it.", "fa": "نمایشی از ویژگی‌های دست‌دهی TLS مانند انتخاب پروتکل، رمزها و افزونه‌ها؛ معمولاً پشتهٔ کلاینت را توصیف می‌کنند نه انسان کنترل‌کننده را." }, "relevance": { "en": "Real-browser bots can share a human TLS fingerprint.", "fa": "باتِ مرورگر واقعی می‌تواند اثر TLS انسانی داشته باشد." }, "keys": [ "JA4", "TLS", "network" ] }, { "term": { "en": "HTTP fingerprint", "fa": "اثرانگشت HTTP" }, "definition": { "en": "A pattern in request headers, their order, protocol behavior or related metadata. It complements browser-exposed features.", "fa": "الگویی در سرآیند درخواست، ترتیب آن، رفتار پروتکل یا فرادادهٔ مرتبط؛ مکمل ویژگی‌های قابل مشاهدهٔ مرورگر است." }, "relevance": { "en": "Test cross-layer agreement, while separating proxy changes from automation.", "fa": "سازگاری بین لایه‌ها را بیازما و تغییر پراکسی را از خودکارسازی جدا کن." }, "keys": [ "HTTP", "network" ] }, { "term": { "en": "Honeysite / ground truth", "fa": "وب‌سایت طعمه / حقیقت مبنا" }, "definition": { "en": "An instrumented research site receives controlled or solicited traffic. Ground truth is the independently established class used to evaluate predictions.", "fa": "وب‌سایت ابزارگذاری‌شدهٔ پژوهشی ترافیک کنترل‌شده یا دعوت‌شده می‌گیرد. حقیقت مبنا کلاس مستقلاً تعیین‌شده برای ارزیابی پیش‌بینی است." }, "relevance": { "en": "A vendor detector label is not independent ground truth for evaluating another detector.", "fa": "برچسب ممیز تجاری حقیقت مبنای مستقل برای ارزیابی ممیز دیگر نیست." }, "keys": [ "honeysite", "measurement" ] }, { "term": { "en": "False positive rate", "fa": "نرخ مثبت کاذب" }, "definition": { "en": "FPR = FP / (FP + TN): the fraction of actual negatives incorrectly flagged positive. It is different from one minus precision.", "fa": "FPR = FP / (FP + TN): سهم نمونه‌های واقعاً منفی که اشتباهاً مثبت علامت خورده‌اند؛ با یک منهای دقت متفاوت است." }, "relevance": { "en": "Report FPR on legitimate users, especially privacy and assistive-tool cohorts.", "fa": "FPR کاربران مشروع، خصوصاً گروه ابزار حریم خصوصی و کمکی را گزارش کن." }, "keys": [ "FPR", "detection" ] }, { "term": { "en": "Precision / recall / F1", "fa": "دقت / بازخوانی / F1" }, "definition": { "en": "Precision = TP/(TP+FP); recall = TP/(TP+FN); F1 is their harmonic mean. The positive class and averaging method must be stated.", "fa": "دقت TP/(TP+FP)، بازخوانی TP/(TP+FN) و F1 میانگین هارمونیک آن‌هاست. کلاس مثبت و روش میانگین‌گیری باید مشخص باشند." }, "relevance": { "en": "Accuracy, F1 and fraud-cluster coverage are not interchangeable results.", "fa": "صحت، F1 و پوشش خوشهٔ تقلب نتایج قابل جایگزینی نیستند." }, "keys": [ "F1", "detection" ] }, { "term": { "en": "Base-rate effect", "fa": "اثر نرخ پایه" }, "definition": { "en": "Prediction reliability depends on the prevalence of the positive class. Even low FPR can yield many false alarms when bots are rare.", "fa": "قابلیت اعتماد پیش‌بینی به شیوع کلاس مثبت وابسته است. حتی FPR پایین در جمعیت با بات اندک می‌تواند هشدار کاذب زیادی بدهد." }, "relevance": { "en": "Estimate precision under plausible deployment prevalences rather than only a balanced test set.", "fa": "دقت را در شیوع‌های محتمل استقرار برآورد کن، نه فقط مجموعهٔ آزمون متوازن." }, "keys": [ "FPR", "detection" ] }, { "term": { "en": "Data leakage", "fa": "نشت داده در ارزیابی" }, "definition": { "en": "Information unavailable at prediction time or shared between training and testing can inflate apparent performance. Label-derived features are a common risk.", "fa": "اطلاعات ناموجود در زمان پیش‌بینی یا مشترک بین آموزش و آزمون می‌تواند عملکرد ظاهری را بالا ببرد؛ ویژگی مشتق از برچسب خطر رایج است." }, "relevance": { "en": "Split users, devices, bot families and time periods; audit every feature origin.", "fa": "کاربر، دستگاه، خانوادهٔ بات و دورهٔ زمانی را جدا کن و منشأ هر ویژگی را بررسی کن." }, "keys": [ "leakage", "measurement" ] }, { "term": { "en": "Concept drift", "fa": "تغییر توزیع و مفهوم" }, "definition": { "en": "The relationship between observed data and labels changes over time as browsers, user behavior or attackers evolve.", "fa": "رابطهٔ دادهٔ مشاهده‌شده و برچسب در زمان با تغییر مرورگر، رفتار کاربر یا مهاجم تغییر می‌کند." }, "relevance": { "en": "Reserve a future time window and measure rule decay after browser updates.", "fa": "بازهٔ زمانی آینده را نگه دار و افت قواعد پس از به‌روزرسانی مرورگر را بسنج." }, "keys": [ "drift", "measurement" ] }, { "term": { "en": "Closed world / open world", "fa": "جهان بسته / جهان باز" }, "definition": { "en": "Closed-world testing uses the known evaluated classes. Open-world deployment may include unseen agents, browser configurations or attack families.", "fa": "آزمون جهان بسته با کلاس‌های شناخته‌شدهٔ مطالعه انجام می‌شود. در جهان باز عامل، پیکربندی یا خانوادهٔ حملهٔ نادیده ممکن است ظاهر شود." }, "relevance": { "en": "Include an unknown or abstain decision rather than forcing every observation into a known class.", "fa": "تصمیم ناشناخته یا خودداری را در نظر بگیر؛ هر مشاهده را به کلاس شناخته‌شده مجبور نکن." }, "keys": [ "ai-agents", "detection" ] }, { "term": { "en": "Ablation study", "fa": "مطالعهٔ حذف مؤلفه" }, "definition": { "en": "Remove or isolate a component or feature group and measure how behavior changes under an otherwise comparable setup.", "fa": "مؤلفه یا گروه ویژگی را حذف یا جدا می‌کند و تغییر عملکرد را در شرایط قابل مقایسه می‌سنجد." }, "relevance": { "en": "Use browser-only, behavior-only, network-only and fused baselines.", "fa": "خط پایهٔ فقط مرورگر، فقط رفتار، فقط شبکه و ترکیبی بساز." }, "keys": [ "detection", "signals" ] }, { "term": { "en": "Differential privacy / federated learning", "fa": "حریم خصوصی تفاضلی / یادگیری فدرال" }, "definition": { "en": "Federated learning trains across decentralized data holders. Differential privacy limits how much an individual contribution can influence released results; FL alone is not a privacy guarantee.", "fa": "یادگیری فدرال روی دارندگان دادهٔ غیرمتمرکز آموزش می‌دهد. حریم خصوصی تفاضلی اثر مشارکت فرد بر خروجی منتشرشده را محدود می‌کند؛ فدرال‌بودن به‌تنهایی تضمین حریم خصوصی نیست." }, "relevance": { "en": "Report threat model, privacy budget and performance tradeoff together.", "fa": "مدل تهدید، بودجهٔ حریم خصوصی و مصالحهٔ عملکرد را باهم گزارش کن." }, "keys": [ "federated", "privacy" ] }, { "term": { "en": "Risk-based authentication", "fa": "احراز هویت مبتنی بر ریسک" }, "definition": { "en": "Use contextual signals to decide whether an authentication attempt needs stronger verification. Fingerprint matching is supporting evidence, not a secret.", "fa": "استفاده از سیگنال زمینه برای تصمیم دربارهٔ نیاز تلاش ورود به بررسی قوی‌تر. تطابق اثرانگشت شاهد کمکی است، نه راز." }, "relevance": { "en": "A phishing site may observe and replay fingerprint values.", "fa": "وب‌سایت فیشینگ می‌تواند مقدار اثرانگشت را مشاهده و بازپخش کند." }, "keys": [ "authentication", "phishing" ] }, { "term": { "en": "Website vs browser fingerprinting", "fa": "اثرانگشت وب‌سایت در برابر مرورگر" }, "definition": { "en": "Website fingerprinting infers which site is visited, often from encrypted-traffic patterns. Browser fingerprinting characterizes the client environment.", "fa": "اثرانگشت وب‌سایت حدس می‌زند کدام سایت بازدید شده، غالباً از الگوی ترافیک رمز‌شده. اثرانگشت مرورگر محیط کلاینت را توصیف می‌کند." }, "relevance": { "en": "Similar terminology does not make the detection task or threat model equivalent.", "fa": "شباهت نام به معنای یکسان‌بودن مسئلهٔ تشخیص یا مدل تهدید نیست." }, "keys": [ "website-fingerprinting" ] }, { "term": { "en": "Web application fingerprinting", "fa": "شناسایی برنامهٔ وب" }, "definition": { "en": "Infer server-side application type or version from assets, content or responses. The target is the website software rather than its visitor.", "fa": "استنتاج نوع یا نسخهٔ نرم‌افزار سایت از فایل، محتوا یا پاسخ؛ هدف نرم‌افزار وب‌سایت است نه بازدیدکننده." }, "relevance": { "en": "Keep these papers in an adjacent branch to avoid mixing their accuracy with client bot detection.", "fa": "برای مخلوط‌نکردن صحت آن‌ها با تشخیص بات، این مقاله‌ها را در شاخهٔ مجاور نگه دار." }, "keys": [ "web-app-fingerprinting" ] }, { "term": { "en": "AI browsing agent", "fa": "عامل مرورگر هوشمند" }, "definition": { "en": "An AI-driven controller performs multi-step tasks through browser or application tools. Its network and event traces often reflect the automation implementation.", "fa": "کنترل‌گر هوش مصنوعی تکلیف چندمرحله‌ای را با ابزار مرورگر یا برنامه اجرا می‌کند. رد شبکه و رویداد آن غالباً پیاده‌سازی خودکارسازی را منعکس می‌کند." }, "relevance": { "en": "A detector may recognize an automation artifact rather than intelligence or malicious intent.", "fa": "ممیز ممکن است رد خودکارسازی را بشناسد، نه هوشمندی یا نیت مخرب را." }, "keys": [ "ai-agents" ] }, { "term": { "en": "SHAP / feature importance", "fa": "SHAP و اهمیت ویژگی" }, "definition": { "en": "Model explanations attribute predictions or training gain to features. Attribution depends on the model, background data and correlated predictors.", "fa": "توضیح مدل، سهم پیش‌بینی یا سود آموزش را به ویژگی نسبت می‌دهد؛ این نسبت به مدل، دادهٔ مرجع و پیش‌بین‌های همبسته وابسته است." }, "relevance": { "en": "Importance is not proof of causation or robustness under an attacker.", "fa": "اهمیت اثبات رابطهٔ علی یا مقاومت در برابر مهاجم نیست." }, "keys": [ "SHAP", "detection" ] }, { "term": { "en": "Data minimization", "fa": "کمینه‌سازی داده" }, "definition": { "en": "Collect and retain only what is needed for a defined purpose, with attention to identifiability, retention and access.", "fa": "گردآوری و نگهداری فقط دادهٔ لازم برای هدف مشخص، با توجه به قابلیت شناسایی، مدت نگهداری و دسترسی." }, "relevance": { "en": "Compare coarse, short-lived signals to persistent high-entropy identifiers.", "fa": "سیگنال درشت‌دانه و کوتاه‌عمر را با شناسهٔ پایدار پرآنتروپی مقایسه کن." }, "keys": [ "privacy", "defense" ] } ], "path": [ { "title": { "en": "Define the target", "fa": "اول مسئله را دقیق تعریف کن" }, "description": { "en": "Learn the distinction between uniqueness, tracking, browser authenticity and bot detection. A model cannot answer an undefined label question.", "fa": "تفاوت یکتایی، رهگیری، اصالت مرورگر و تشخیص بات را یاد بگیر. مدل نمی‌تواند سؤال برچسب‌گذاری مبهم را حل کند." }, "ids": [ "p-c3831a18da8c", "p-dc486876446b", "p-46990bde16d7" ] }, { "title": { "en": "Understand the observable surfaces", "fa": "سطح‌های قابل مشاهده را بشناس" }, "description": { "en": "Trace rendering, sensors, JavaScript structures and measurement tools. Ask what each signal identifies and how it can legitimately change.", "fa": "رندر، حسگر، ساختار جاوااسکریپت و ابزار اندازه‌گیری را دنبال کن. بپرس هر سیگنال چه چیزی را می‌شناسد و چگونه مشروع تغییر می‌کند." }, "ids": [ "p-da1ff6c88ab3", "p-e7ef4831b263", "p-95cb8105b803", "p-0d20e9e54055" ] }, { "title": { "en": "Study bots independently", "fa": "تشخیص بات را مستقلاً مطالعه کن" }, "description": { "en": "Compare unlabeled traffic separation with mouse-based detection and behavioral evasion. Keep dataset labels and evaluation units visible.", "fa": "تفکیک ترافیک بدون برچسب را با تشخیص ماوس و فرار رفتاری مقایسه کن. برچسب داده و واحد ارزیابی را روشن نگه دار." }, "ids": [ "new-automated-traffic", "new-becaptcha-mouse", "p-5f73ed0cc29a", "p-b2d483606620" ] }, { "title": { "en": "Connect fingerprints to bot defense", "fa": "اثر انگشت را به دفاع بات وصل کن" }, "description": { "en": "Move from individual uniqueness to environment authenticity, spatial constraints and temporal consistency. Read the exact metric behind each headline number.", "fa": "از یکتایی فردی به اصالت محیط، محدودیت فضایی و سازگاری زمانی برو. معیار دقیق پشت هر عدد برجسته را بخوان." }, "ids": [ "new-fp-scanner", "p-00fcd1b4467c", "p-df0b0b0c4107", "p-79a8187df7aa" ] }, { "title": { "en": "Evaluate the new agent setting", "fa": "عامل‌های جدید را ارزیابی کن" }, "description": { "en": "Compare browser, behavior and network evidence. Test unfamiliar agents, tasks and system configurations rather than relying on random session splits alone.", "fa": "شواهد مرورگر، رفتار و شبکه را مقایسه کن. عامل، تکلیف و پیکربندی ناآشنا را بیازما و تنها به تقسیم تصادفی نشست اکتفا نکن." }, "ids": [ "new-fp-agent", "new-minimal-agent", "new-multilayer-agents", "new-tls-ja4" ] }, { "title": { "en": "Audit measurement and privacy", "fa": "اندازه‌گیری و حریم خصوصی را ممیزی کن" }, "description": { "en": "Ask which pages your crawler misses and which legitimate users defenses may penalize. A security benefit does not by itself resolve privacy or legal questions.", "fa": "بپرس خزنده چه صفحه‌هایی را از دست می‌دهد و دفاع کدام کاربر مشروع را جریمه می‌کند. سود امنیتی به‌تنهایی مسائل حریم خصوصی یا حقوقی را حل نمی‌کند." }, "ids": [ "new-beyond-crawl", "new-detecting-bot-detection", "p-52bae580e935", "p-fccc1b4673c3", "new-see-thesis" ] } ], "questions": [ { "title": { "en": "Does fusion survive unseen bots?", "fa": "آیا ترکیب سیگنال در برابر بات نادیده دوام دارد؟" }, "description": { "en": "Hypothesis: coarse browser consistency plus lightweight behavior offers better robustness than either alone. This is a proposed experiment, not a novelty claim.", "fa": "فرضیه: سازگاری درشت‌دانهٔ مرورگر با رفتار سبک از هرکدام به‌تنهایی مقاوم‌تر است. این طرح آزمایش است، نه ادعای نوآوری اثبات‌شده." }, "evaluation": { "en": "Hold out complete bot/agent families, users and devices. Compare single-layer and fused baselines at fixed legitimate-user FPR; report confidence intervals and latency.", "fa": "خانوادهٔ کامل بات/عامل، کاربر و دستگاه را از آموزش جدا نگه دار. خط پایهٔ تک‌لایه و ترکیبی را در FPR ثابت کاربر مشروع مقایسه کن؛ فاصلهٔ اطمینان و تأخیر را گزارش کن." }, "ids": [ "p-79a8187df7aa", "new-fp-agent", "new-multilayer-agents" ] }, { "title": { "en": "Can rules avoid penalizing privacy users?", "fa": "آیا قواعد می‌توانند کاربران حریم خصوصی را جریمه نکنند؟" }, "description": { "en": "Hypothesis: conditioning rules on browser defense families may lower false alarms while preserving detection of inconsistent spoofing.", "fa": "فرضیه: شرطی‌کردن قواعد بر خانوادهٔ دفاع مرورگر می‌تواند هشدار کاذب را کم و تشخیص جعل ناسازگار را حفظ کند." }, "evaluation": { "en": "Include Tor, Brave, extension users, assistive technologies and ordinary browsers. Use consented human labels independent of vendor judgments. Track per-cohort FPR and recall.", "fa": "Tor، Brave، افزونه، ابزار کمکی و مرورگر عادی را وارد کن. برچسب انسانی رضایت‌مند و مستقل از قضاوت محصول تجاری بگیر. FPR و بازخوانی هر گروه را بسنج." }, "ids": [ "new-fp-scanner", "p-79a8187df7aa", "new-double-edged-shield" ] }, { "title": { "en": "How quickly do consistency rules age?", "fa": "قواعد سازگاری با چه سرعتی کهنه می‌شوند؟" }, "description": { "en": "Hypothesis: browser-version changes explain part of rule degradation, allowing controlled refresh rather than blanket retraining.", "fa": "فرضیه: تغییر نسخهٔ مرورگر بخشی از افت قواعد را توضیح می‌دهد و به‌روزرسانی کنترل‌شده را ممکن می‌کند." }, "evaluation": { "en": "Collect repeated versions and future windows; distinguish legitimate changes from attacks. Compare frozen rules to version-aware refresh using explicit review budgets.", "fa": "نسخه‌های تکراری و بازهٔ آینده را جمع کن؛ تغییر مشروع را از حمله جدا ساز. قواعد ثابت و تازه‌سازی آگاه از نسخه را با بودجهٔ بازبینی مشخص مقایسه کن." }, "ids": [ "p-df0b0b0c4107", "p-79a8187df7aa" ] }, { "title": { "en": "Which signal survives replay?", "fa": "کدام سیگنال در برابر بازپخش می‌ماند؟" }, "description": { "en": "Hypothesis: task context and cross-layer agreement distinguish a realistic trace from an appropriate trace better than shape alone.", "fa": "فرضیه: زمینهٔ تکلیف و توافق بین‌لایه‌ای، رد واقع‌نما را از رد مناسب بهتر از شکل تنها جدا می‌کنند." }, "evaluation": { "en": "Evaluate synthetic, same-task replay, cross-task replay and human-driven browser sessions separately. Include legitimate repetitive tasks in the negative class.", "fa": "دادهٔ مصنوعی، بازپخش همان تکلیف، بازپخش تکلیف متفاوت و نشست مرورگر انسانی را جدا بسنج. تکلیف مشروع تکراری را هم در کلاس منفی وارد کن." }, "ids": [ "new-becaptcha-mouse", "new-mouse-sophistication", "p-5f73ed0cc29a", "new-minimal-agent" ] }, { "title": { "en": "How much data does the decision need?", "fa": "تصمیم واقعاً به چه مقدار داده نیاز دارد؟" }, "description": { "en": "Hypothesis: a small nonpersistent feature set can retain useful detection performance. Minimize first; measure the tradeoff instead of promising anonymity.", "fa": "فرضیه: مجموعهٔ کوچک ویژگی ناپایدار می‌تواند عملکرد مفیدی نگه دارد. ابتدا کمینه کن و مصالحه را بسنج؛ ناشناسی را بدون آزمون وعده نده." }, "evaluation": { "en": "Plot recall at fixed FPR against feature count, collection time, identifier stability and compute cost. Compare early-session abstention with immediate blocking.", "fa": "بازخوانی در FPR ثابت را برحسب تعداد ویژگی، زمان جمع‌آوری، پایداری شناسه و هزینهٔ محاسبه رسم کن. خودداری از تصمیم زودهنگام را با مسدودسازی فوری مقایسه کن." }, "ids": [ "p-df0b0b0c4107", "new-minimal-agent", "new-fp-fed", "p-fccc1b4673c3" ] }, { "title": { "en": "Is the detector learning labels or attacks?", "fa": "ممیز برچسب را می‌آموزد یا حمله را؟" }, "description": { "en": "Hypothesis: metadata leakage and repeated fingerprint families inflate apparent accuracy in repository-based evaluations.", "fa": "فرضیه: نشت فراداده و تکرار خانوادهٔ اثرانگشت صحت ظاهری ارزیابی مبتنی بر مخزن را بالا می‌برند." }, "evaluation": { "en": "Remove label-derived metadata, group identical client stacks, hold out future traffic and use independently known operators. Compare random and grouped splits.", "fa": "فرادادهٔ مشتق از برچسب را حذف کن؛ پشته‌های یکسان را گروه‌بندی و ترافیک آینده را جدا کن؛ گردانندهٔ مستقل معلوم داشته باش. تقسیم تصادفی و گروهی را مقایسه کن." }, "ids": [ "new-tls-ja4", "p-00fcd1b4467c", "new-automated-traffic" ] } ] }