普林斯頓大學研究人員對網絡追蹤技術的一項全面研究 顯示，一種新技術正被用于發(fā)掘互聯(lián)網用戶的隱私數(shù)據(jù)。此外研究還對當前正在使用的常用追蹤技術進行了量化分析。

　　這項研究發(fā)現(xiàn)的新技術利用 AudioContext API（應用程序接口）給計算設備的聲音環(huán)境打上指紋標簽。這款 API 不會收集計算設備播放或錄制的聲音，而是分析這些設備的聲音信號，將其作為標識符，從而跟蹤互聯(lián)網用戶。

　　關于這項技術，研究人員制作了一個 實時演示頁面。

　　研究發(fā)現(xiàn)，聲音指紋技術尚未得到廣泛使用。不過，常見的追蹤攔截和隱私保護工具，例如 Ghostery，也沒有將這項技術包括在內。

　　為了分析網站采用的追蹤技術，研究人員使用了開源工具 OpenWP，覆蓋了 Alexa 排名前 100 萬的網站。

　　研究指出：“如果沒有新的網頁技術提供全面支持，我們也無法發(fā)現(xiàn)并確定 AudioContext API 在設備指紋方面的應用。”

　　在互聯(lián)網上追蹤用戶信息已成為一場軍備競賽。與隱私保護相關的研究需要反映用戶實際的上網行為，從而得出真實的分析結果。

　　研究關注的其他追蹤技術還包括 WebRTC IP、Canvas 指紋識別、Canvas 字體指紋識別，以及電池 API15.

　　盡管 Ghostery 和火狐的第三方 cookie 攔截工具等隱私保護工具被證明有效，但研究人員發(fā)現(xiàn)，“模糊不清的追蹤技術”帶來了更多挑戰(zhàn)。他們表示：“當前的隱私保護工具大多不會攔截指紋腳本的‘長尾’端。”

　　因此，盡管聲音指紋技術并不常用，但這項技術足夠新穎，因此尚未被常用的隱私保護工具覆蓋在內。

　　研究人員認為，對于不斷變化的互聯(lián)網追蹤技術，機器學習未來將可能成為解決方案之一。他們希望，機器學習能自動探測并分類追蹤技術，最終取代當前人工需要去做的工作。

　　關于機器學習，研究人員表示：“如果獲得成功，那么這將極大地提升瀏覽器隱私保護工具的效率。今天，這樣的工具使用追蹤保護列表，而列表是由人工創(chuàng)建的，有可能出現(xiàn)很多‘假陽性’和‘假陰性’。大數(shù)據(jù)帶來了理想的基礎，以訓練分類工具探測及歸類追蹤技術。”