指纹跟踪技术(指纹浏览器)前世：
1 ) .第一代
第一代指纹跟踪是像cookie这样的服务端在客户端设置标记的跟踪技术，evercookie是cookie的强化版。
.第二代
第二代指纹跟踪是一种设备指纹技术，用于发现IP背后的设备。 在js中检索操作系统、分辨率、像素比等一系列信息，传递给后台计算，合并设备。 唯一性可以保证，但很难完全保证正确性。 主要原因在于浏览器的指纹认证。 此后，第二代技术中重要的canvas指纹、浏览器插件指纹发生了变化，使得浏览器指纹很难集成到同一个设备中。
因为设备指纹相同，概率很高，是相同的设备； 但是，如果设备的指纹不同，则不一定是同一设备。
.第三代
第三代指纹跟踪技术是发现设备后面的人。 用人的习惯、人的行为等来合并人的技术很复杂。
.总结
第一代、第二代指纹跟踪技术可以通过js直接采集信息，第三代指纹跟踪技术目前最常见的情况是2017年RSA创新沙盒冠军统一身份技术。 但是，在RSA答辩现场，您会发现统一身份在移动端安装软件并收集信息的不仅仅是js。 关于在网络上的使用，任重而道远。
那么，2.5代指纹认证技术——浏览器指纹认证技术。
浏览器指纹识别功能
这款paper有很多创新之处，最重要的是深入研究了显卡的渲染方法，发现图像的哪些部分用于硬件渲染，哪些部分仅用于软件渲染，或者与浏览器相关，等等
让我们聚焦于有趣的特征。 文章中使用的所有特征如下。
这些特征大多见于其他设备指纹的paper，目前广泛用于设备指纹项目。 例如canvas指纹是单浏览器识别中比较有区分度的特征。
比较一下开源fp2的指纹列表：
fp2中的是一些常规的跟踪项目，而且用过就知道了，其中很多项目没什么区别。 例如：
Has session storage or not
has本地存储or not
has索引数据库
hasiespecific‘add behavior’
Has open DB
Is AdBlock installed or not
hastheusertamperedwithitslanguages 1
hastheusertamperedwithitsscreenresolution 1
Has the user tampered with its OS 1
hastheusertamperedwithitsbrowser
这些项目只能大致区分，没有实际参考价值。
但是，在这个paper中，去掉了这些区分度低的特征，使用了另一种特征。 可见，图形渲染图像是特征表的task(a )-task，这些task的浏览器稳定性非常高，即浏览器的影响不是很大。 现在，让我拿几个任务来介绍一下。
1 ) .首先，用paper简要介绍了图像渲染。
在此之前，首先介绍一下基本的画布设置。 画布的大小是256256。 画布的轴定义如下： [ 0，0，0 ]是画布的中心。 其中，x轴沿向右延伸的水平线，y轴沿向下延伸的垂直线，z轴沿远离屏幕的方向延伸。 存在功率为[R:0.3，G:0.3，B:0.3]的环境光，照相机位于[ 0，0，-7]的位置。 这两个组件是必需的。 否则，模型完全是黑色的。 在本文的其馀部分中，所有任务使用相同的基本设置，除非例如指定具有2D特征的任务(d )或其他具有附加指示灯的任务。
2 ) .这里列举几个典型的task
(1)任务(a ) a ) :纹理
图(a )的任务是测试片段着色器的常规纹理特性。
具体而言，Suzanne模型出现在随机生成纹理的画布上。 纹理大小为256256的正方形是通过随机选择每个像素的颜色创建的。 也就是说，在一个像素的三个基本颜色(红、绿、蓝)之间创建0到255的三个随机值，并将三个基本颜色混合起来用作像素的颜色。
之所以选择这个随机生成的纹理，是因为这个纹理比普通纹理有更多的指纹特征。 这是因为，如果片段着色器将纹理映射到模型，则片段着色器必须在纹理中插入点，才能将纹理映射到模型上的每个点。 插入值的算法因显卡而异，纹理变化较大时差异会放大。 因此，必须生成一种纹理，使相邻像素对之间的颜色发生很大变化。
)2) task(d ) d )线和曲线
图(d )的任务是测试线和曲线。 在画布上画曲线和三条不同角度的直线。 具体遵循y=256-100cos(2.0x/100.0 ) 30 cos (4.0x/100.0 )6cos (6.0x/100.0 )。 其中[ 0，0 ]是画布的左上角，x轴向右增加，y轴增加，三行的起点和终点为{ [ 38.4，115.2 ]、[ 89.6，204.8 ]、{ [ 89.6，89.6 ]、[1]
53.6,204.8]}和{[166.4,89.6]，[217.6,204.8]}。 选择这些特定的线条和曲线，以便测试不同的渐变和形状。（3） task（f）：光
图（f）中的任务是测试漫射点光和Suzanne模型的相互作用。 漫射点光在照亮物体时会引起漫反射。 具体地说，该光是在RGB上具有相同值的白色，对于每种原色，光的功率为2，光源位于[3.0，-4.0，-2.0]。
在这个任务中选择一个大胆的导师，因为纹理是各种颜色的，单色光可能会减少纹理上的一些微妙差异。 光线的强度需要精心设计。非常弱的光线不会照亮Suzanne模型，模型就会不可见；非常强的光会使一切变白，减少指纹特征。 在6台机器的小规模实验中，功率从0增加到255，我们发现当光功率为2时，这些机器之间的像素差异最大。光照位置可随机选择，不会影响特征指纹识别结果。
可以看到这些任务深入研究了图片渲染引擎的特征，js没办法直接获取到显卡的设置和驱动，但是通过这种方法，当不同的显卡渲染同一张图片时，因设置不同，渲染出来的图片hash也不同。用这种图片hash作为特征，其实是从侧面得到机器显卡的特征，同一台机器在不同的浏览器上用到同一个显卡，所以可以看到这些task的浏览器稳定性都很高，总共10余种 task。
3）. Paper中除了这些task，还有一些其他新颖的东西
（1） CPU内核数量
这个在之前的设备指纹方案中都是没有使用到的，现代浏览器可以用navigator .hardware Concurrency来获取。如果不支持这个方法，则可以利用另一种方式获取，具体来说是，当增加Web Worker的数量时，可以监视payload的完成时间。当计算量达到一定的程度，Web Woker完成payload的时间显著增加，达到硬件并发的限制，从而判断核心的数量。一些浏览器（如Safari）会将Web Workers的可用内核数量减少一半，所以在获取浏览器指纹时，我们需要将获取到的核心数量加倍。
（2） writing script(language)
这个其实可以理解为语言，但不是当前浏览器所使用的语言，而是系统支持的所有语言，比如中文简体、中文繁体、英语，js中并没有接口直接获取这种语言，但是这里作者想到了另一种方法，就是在页面中用所有的语言写两个字，如果系统支持该语言，那么就能正常写出来；如果不支持，显示出来的就是方框。通过这种方法获取系统支持的语言。
（3）AudioContext
可能熟悉设备指纹的同学都知道，AudioContext在很多设备指纹项目上都用到了。具体来说，现有的指纹识别工作使用OscillatorNode产生一个三角波，然后将波传Dynamics Compressor Node，一个调节声音的信号处理模块，产生压缩效果。 然后，经处理的音频信号通过Analyser Node转换为频率域。该paper指出，频域在不同的浏览器中是不同的，这个特征受浏览器的影响，不能完全反应出声卡的特征。也就是说，现有的方案只能识别单浏览器。但是他们发现，频率和峰值的比，在浏览器之间是相对稳定的。因此，在频率和值的坐标系上创建一个间距很小的列表，并将峰值频率和峰值映射到相应的格子。 如果一个格子包含一个频率或值，我们将格子标记为1，否则为0，这样的格子列表用作浏览器特征。
除了波形处理外，还能从音频设备上获取以下信息：采样率、最大通道数、输入数、输出数、通道数、通道数模式和通道解释。这是现有的设备指纹工作没有用到的又一个跨浏览特征.。
4）. 在demo站中，从我电脑上收集到的信息如下
浏览器测试的结果，的确能够浏览器识别，看到这里，由衷的佩服该项目。
查看代码
在我看来，十多个task，AudioContext，CPU core number，writing script，浏览器稳定性都如此之高，做一些机器学习的分析工作，算一算相似性，真的非常容易达到浏览器识别的目的。
但我们来看看后端分析代码，如下：.
这是代码中获取到的从前端传来的特征，然后就该通过这些特征计算浏览器指纹了。
但是，他只是简单的把这些项目加到一起hash了一下，就作为浏览器指纹。
虽然demo站说明了浏览器指纹还在开发中，并没有什么复杂的计算，跟paper中提到的分析方式完全不同，跟我预期的什么机器学习的方式也不同。
但是，浏览器的特征倒是选用了一些稳定性极高的特征，所以直接hash也能进行浏览器识别。
Paper中的思路真的很好，所以沿着这个思路，我们还有很多工作要做。
最后说一句
该paper中一直提到的IP不可信的问题，既然是黑客溯源，对面是黑客，提出这个观点也无可厚非，毕竟大家都会挂VPN或者用肉鸡。但是IP作为一个重要信息，在设备指纹项目中，还是有用武之地的。
我个人的观点：IP虽然不可信，但是短时间的IP是可信的。
各位可以自己去试试 IP+设备指纹的区分度还是很好的，而且很大程度上能解决一部分浏览器识别的问题。