基于增强型OpenWPM数据分析的顶级网站网络追踪分析

《International Journal of Information Security》：Web tracking analysis on top websites through OpenWPM analytics enhancements

　　

如今，网站采用多种追踪机制来个性化用户体验并投放定向广告。虽然cookie仍是主要的追踪工具，但近期趋势表明，基于JavaScript方法的无状态指纹识别技术正被日益广泛地采用。然而，现有研究通常聚焦于特定的追踪技术，而同时详细审视多种有状态和无状态追踪机制的综合性分析仍然有限。为弥补这一空白，研究人员对OpenWPM-Data-Analytics进行了增强，以改进在使用OpenWPM（一种广泛用于网络隐私测量研究的框架）进行的扫描中对指纹识别机制的检测。利用这一增强后的测量与分析管线，研究人员对前1000个最常访问的网站进行了实证分析，联合考察了cookie、Web存储、Web分析工具以及浏览器指纹识别技术。结果表明，诸如cookie和Web存储等有状态追踪方法仍然非常普遍。然而，在近三分之一的被分析网站上检测到了指纹识别技术，其中JavaScript枚举（JavaScript Enumeration）和WebGL是最常见的机制。这一流行率高于此前自动化研究报告的结果，表明随着第三方cookie面临越来越多的限制，对指纹识别的依赖正在增加。此外，一半的被分析网站中存在Web分析工具。这些发现凸显了现代网络追踪日益增长的复杂性，以及改进当前检测与缓解策略的必要性，特别是针对那些更难被阻止和监管的指纹识别机制。

论文解读文章

研究背景与问题

现代网络生态系统高度依赖用户追踪技术，以实现个性化服务、精准广告投放、欺诈检测等功能。传统的追踪手段主要依赖于有状态机制，如HTTP cookie和Web存储（Web Storage），通过在客户端存储标识符来识别用户。然而，随着浏览器厂商和隐私法规（如GDPR）对第三方cookie的限制日益严格，网站开发者开始寻求替代方案。无状态的浏览器指纹识别（Browser Fingerprinting）技术应运而生，它通过收集用户浏览器和设备的独特属性（如Canvas渲染、WebGL特性、音频上下文等）来创建持久标识，无需在本地存储任何信息。

尽管已有大量关于网络追踪的研究，但现有工作往往局限于单一或少数几种追踪技术的分析。例如，一些研究专注于cookie的演变，另一些则专门探讨指纹识别。这种碎片化的研究视角难以全面揭示现代网站上多种追踪技术如何共存与协同工作，尤其是在第三方cookie受限后，指纹识别技术的实际普及程度及其与其他追踪手段的关联尚缺乏系统的量化评估。此外，许多自动化测量工具（如隐私扫描器）在检测需要用户交互才能触发的指纹识别行为方面存在局限性，可能导致低估其真实流行度。

为应对上述挑战，本研究旨在通过增强现有的开源测量框架，实现对多种有状态和无状态追踪机制的联合、大规模分析，从而提供一幅更完整的现代网络追踪全景图。

研究方法与技术路线

为达成研究目标，研究人员对基于OpenWPM的测量与分析管线进行了系统性增强。主要关键技术方法包括：

1. 1.
   扩展OpenWPM的JavaScript检测（JavaScript Instrumentation）配置：研究人员修改了OpenWPM的浏览器端检测脚本，以捕获更多用于指纹识别的JavaScript API调用信息，涵盖Canvas、Canvas字体（Canvas Font）、WebGL、WebRTC、音频上下文（Audio Context）以及JavaScript枚举（JavaScript Enumeration）等六类主动指纹识别技术。同时，也完善了对Web存储（Local Storage、Session Storage、IndexedDB）的访问记录。
2. 2.
   增强OpenWPM-Data-Analytics后处理框架：在原有框架基础上，研究人员新增了针对HTTP请求和cookie的分析器基类，并实现了多个新的子分析器，用于精准检测四大主流Web分析工具（Google Analytics、Meta Pixel、Microsoft UET/Clarity、Hotjar）以及上述各类指纹识别技术。分析框架还被扩展以支持对cookie和Web存储活动的数量统计。
3. 3.
   大规模自动化数据采集与处理：研究人员选取Tranco Top-1000列表中的网站作为目标，使用增强后的OpenWPM进行自动化爬取。爬虫仅访问各网站的着陆页（Landing Page），不模拟用户交互（如点击、滚动、登录）。采集到的原始数据随后由增强的OpenWPM-Data-Analytics进行处理，最终得到每个网站在各类追踪机制上的量化指标。

研究结果

6.1 总体统计数据

本次测量成功爬取了Tranco Top-1000中的996个网站。结果显示，99.90%的网站至少部署了一种所考察的追踪机制，仅有1个网站未检测到任何追踪活动。这证实了网络追踪在现代网站中的普遍性。

6.2 Cookie分析

Cookie依然是最普遍的追踪手段。在所有成功访问的网站中，99.40%设置了至少一个cookie。平均而言，每个网站设置了约22.72个cookie。其中，第一方cookie（First-Party Cookies）占主导地位（平均约12.34个），但第三方cookie（Third-Party Cookies）也相当普遍（平均约10.77个），出现在69.68%的网站中。这表明尽管面临限制，第三方cookie仍被广泛使用。

6.3 Web存储分析

Web存储同样非常普遍。约95.98%的网站使用了至少一种Web存储机制。具体而言，Local Storage的使用率为94.88%，Session Storage为54.82%，而IndexedDB的使用率较低，仅为8.33%。平均每个网站有约4.67次Local Storage写入和2.04次Session Storage写入。

6.4 Web分析工具分析

Web分析工具存在于半数以上的网站中（54.52%）。其中，Google Analytics占据绝对主导地位，出现在47.89%的网站中。其次是Meta Pixel（17.07%）和Microsoft UET/Clarity（13.65%），Hotjar的使用率最低（3.71%）。

6.5 指纹识别分析

指纹识别技术被检测到存在于29.82%（约三分之一）的被分析网站上。这是本研究最重要的发现之一，其流行率显著高于此前多数自动化研究报告的水平。在各类指纹识别技术中，JavaScript Enumeration最为常见（22.09%），其次是WebGL（14.66%）。Canvas（6.83%）、Canvas Font（5.02%）、WebRTC（3.92%）和Audio Context（2.91%）也有一定比例的应用。

6.6 追踪机制的共存分析

多种追踪机制在同一网站上共存的现象十分普遍。超过一半的网站（55.62%）同时使用了cookie、Web存储和Web分析工具。值得注意的是，在使用了指纹识别技术的网站中，绝大多数（96.64%）也同时部署了cookie，这表明指纹识别并非完全取代cookie，而是作为一种补充或强化手段。同时，指纹识别技术与第三方cookie之间存在弱正相关关系，暗示两者可能被用于相似的追踪目的。

总结与结论

讨论部分总结：

研究结果表明，现代网络追踪呈现出高度的复杂性和混合性。传统的有状态追踪（cookie和Web存储）依然是基石，几乎无处不在。然而，以指纹识别为代表的无状态追踪技术正在快速增长，其近30%的网站覆盖率远超以往预期。这一增长趋势与第三方cookie的逐步淘汰密切相关，网站正积极寻找替代方案以维持其追踪能力。不同追踪机制间的强共存性表明，网站运营者倾向于采用多层、冗余的追踪策略，以提升用户识别的鲁棒性。此外，Web分析工具的广泛集成进一步丰富了可用于追踪的数据源。这些发现对隐私保护实践和监管政策提出了严峻挑战：由于指纹识别技术更为隐蔽且难以通过简单的浏览器设置来阻止，传统的基于cookie同意的隐私控制模式可能不再充分有效。

研究结论部分翻译：

本研究通过对Tranco Top-1000网站的实证分析，揭示了现代网络追踪的复杂格局。研究人员的贡献主要体现在两个方面：首先，研究提供了对多种有状态和无状态追踪机制的最新联合测量结果，其中近三分之一的网站采用指纹识别技术的发现，标志着追踪生态的一个显著转变。其次，研究人员增强了OpenWPM及其数据分析框架，使其能够支持更广泛的追踪机制检测，为未来的纵向研究和可重复性测量奠定了基础。这些发现强调了开发新型检测与缓解策略的紧迫性，尤其是针对那些更难被阻断和监管的指纹识别机制。未来工作可以探索将本研究的测量框架应用于更大规模的网站集，并结合真实用户浏览会话数据，以克服自动爬取在检测交互触发式追踪方面的固有局限。