Еволюція Canvas та WebGL Fingerprinting: Від шуму до реальних апаратних профілів

Перші системи захисту від фінгерпринтингу були прості до наївності: додай трохи шуму до canvas-пікселів, і трекер не впізнає браузер. Ця ера закінчилась. Сучасні системи детекції аналізують не зображення, а сам процес його рендерингу — і саме тут більшість антидетект-браузерів досі програє.

Що насправді вимірює canvas fingerprinting

Canvas fingerprinting виник як техніка ідентифікації у 2012 році, коли дослідники Принстонського університету показали, що рендеринг тексту та графіки через <canvas> дає унікальний результат для кожної комбінації ОС, браузера, графічних драйверів та апаратного забезпечення. Механізм простий: браузер викликає API операційної системи для рендерингу, і кожна ОС використовує власний рушій підглаядання, власний стек антиаліасингу та власні налаштування гамма-корекції.

Базовий canvas-тест малює рядок тексту з Unicode-символами, emoji та складною типографікою, потім викликає toDataURL() або getImageData(). Різниця між Windows 11 із драйвером NVIDIA та macOS Ventura на Apple Silicon — не в кількох бітах, а в тисячах пікселів з різними значеннями. Ця різниця стабільна та відтворювана.

Перше покоління захисту — рандомізація пікселів — вирішувало задачу в лоб: змінити кілька байтів у відповіді getImageData(). Але трекери швидко адаптувались. Вони почали аналізувати не абсолютні значення пікселів, а патерни відхилень. Рандомний шум розподіляється рівномірно, а реальні артефакти рендерингу — ні. Gaussian blur на межах символів, субпіксельне рендерення шрифтів, специфічні патерни anti-aliasing — все це утворює структурований підпис, який зберігається навіть після накладення шуму.

WebGL: від метаданих до GPU fingerprinting

WebGL fingerprinting спочатку обмежувався простими рядками: UNMASKED_VENDOR_WEBGL та UNMASKED_RENDERER_WEBGL. Ці рядки, незважаючи на назву “unmasked”, легко підробити — і більшість антидетект-браузерів це робить. Але сучасний WebGL fingerprinting пішов далі.

Параметри реалізації WebGL — це перший рівень. MAX_TEXTURE_SIZE, MAX_VERTEX_UNIFORM_VECTORS, MAX_FRAGMENT_UNIFORM_VECTORS, MAX_COMBINED_TEXTURE_IMAGE_UNITS — кожен GPU має свій профіль цих обмежень. Intel HD Graphics 620 повертає інший набір значень, ніж NVIDIA RTX 3080 чи Apple M2 GPU. Ці значення неможливо рандомізувати безпечно — якщо ваш “NVIDIA RTX 3080” повертає MAX_TEXTURE_SIZE: 8192 замість 16384, детектор знає, що щось не так.

Другий рівень — аналіз рендерингу шейдерів. Різні GPU-архітектури мають відмінності в обчисленнях з плаваючою точкою — особливо у крайніх випадках: денормалізовані числа, NaN propagation, порядок операцій у паралельних шейдерах. Тест може запустити простий fragment shader та проаналізувати вихідне зображення на рівні окремих байтів. AMD з архітектурою RDNA дає інші артефакти, ніж NVIDIA з Ampere.

Третій рівень — performance fingerprinting. Час виконання складних шейдерів на різному залізі відрізняється предикативно. Конкретний GPU виконує specific compute shader за конкретний час з малою варіацією. Якщо ваш “MacBook Pro M2” відповідає зі швидкістю мобільного Intel Celeron — це сигнал.

Апаратні профілі замість шуму

Сучасний підхід до захисту від canvas/WebGL fingerprinting полягає не в приховуванні, а у підміні — але підміні послідовній та реалістичній. Це означає генерацію повного апаратного профілю, де всі параметри узгоджені між собою.

Апаратний профіль включає кілька взаємопов’язаних шарів:

GPU-профіль: vendor/renderer рядки, повний набір WebGL параметрів, підтримувані розширення, обмеження шейдерів — і все це має відповідати реальному GPU з реального пристрою. Якщо ви заявляєте Intel Iris Xe Graphics, кожен параметр має відповідати тому, що реально повертає Intel Iris Xe.

Рендеринг-профіль: canvas-рендеринг має бути детермінований для конкретного профілю, але різний між профілями. Замість рандомного шуму — детерміноване зсовування, яке симулює конкретні характеристики рушія рендерингу. Текст з однаковими параметрами має рендеритись однаково при кожному запиті в межах однієї сесії.

Узгодженість між API: canvas рендеринг, WebGL параметри, CSS rendering, SVG filter output — всі ці API мають бути узгоджені. Якщо canvas показує поведінку Windows DirectWrite, але SVG filters показують macOS CoreGraphics патерни — це невідповідність, яку детектують.

Pixelscan та сучасні детектори

Сервіси типу pixelscan.net та browserleaks.com еволюціонували паралельно з атаками. Вони вже не просто виводять значення параметрів — вони запускають поведінкові тести.

Pixelscan, зокрема, перевіряє “canvas noise on 2D” — тест, який малює конкретний паттерн та перевіряє, чи додається шум до пікселів. Якщо антидетект-браузер рандомізує canvas, тест показує “canvas noise: ON” — що само по собі є детекцією маскування. Парадокс: намагаючись сховатись, ви стаєте видимими.

Правильна поведінка для проходження pixelscan — взагалі не додавати шуму (canvas noise OFF), але при цьому мати canvas-вихід, який відповідає задекларованій ОС та GPU. Якщо ви заявляєте Windows 11 з Intel HD Graphics, canvas output має виглядати саме так.

WebGL тест на pixelscan перевіряє узгодженість vendor/renderer із реальними WebGL параметрами. Заявлений NVIDIA GTX 1080 з параметрами, що не відповідають реальній GTX 1080 — негайна детекція.

Практична імплементація: що робить Santiago

Santiago використовує підхід на основі реальних апаратних профілів замість рандомізації. Для canvas: seed-based детерміноване рендерення, де seed визначає всі характеристики вихідного зображення — без додавання шуму поверх. Для WebGL: повна база реальних GPU-профілів із узгодженими значеннями всіх параметрів.

Ключовий момент в налаштуванні Santiago — canvas: {seed: 0, aaOffset: 0} вимикає Camoufox-шум, дозволяючи рендеринг виглядати як реальний браузер. Профілі WebGL беруться з реальних девайсів — кожен профіль містить повний набір WebGL capabilities, включаючи всі розширення та точні ліміти параметрів.

Для операцій з кількома акаунтами це означає, що кожен профіль має унікальний, але реалістичний “GPU” — з усіма узгодженими параметрами. Два профілі з однаковим GPU — потенційний сигнал зв’язки, тому Santiago генерує різні GPU-профілі для кожного браузерного акаунту.

Спільні підводні камені та як їх уникнути

Підводний камінь 1: Невідповідність між WebGL рядками та параметрами. Найпоширеніша помилка — підмінити renderer string на “NVIDIA RTX 3080”, але залишити WebGL limits від вбудованого Intel GPU. Детектор зразу це бачить.

Підводний камінь 2: Рандомізація canvas при відключеному WebGL шумі. Деякі браузери рандомізують canvas, але залишають WebGL чистим. Невідповідність між зашумленим canvas та чистим WebGL — аномалія.

Підводний камінь 3: Стабільність між сесіями. Якщо canvas output змінюється між сесіями для одного профілю — це поведінка, нетипова для реального браузера (якщо тільки користувач не оновив драйвери, але це рідкісна подія). Детектори перевіряють стабільність.

Підводний камінь 4: Ігнорування WebGL2. Якщо ваш профіль підтримує WebGL, але не WebGL2 — це аномалія для сучасного браузера. Параметри WebGL2 також мають бути узгоджені.

Підводний камінь 5: Відсутні розширення. Кожен GPU підтримує конкретний набір WebGL розширень. Занадто мало розширень або неправильна комбінація — сигнал.

Майбутнє: WebGPU fingerprinting

WebGPU, наступник WebGL, вводить ще точніший рівень фінгерпринтингу. navigator.gpu.requestAdapter() повертає детальну інформацію про GPU — включаючи limits об’єкт з десятками параметрів та features Set з підтримуваними можливостями.

WebGPU compute shaders дозволяють запускати загальні обчислення на GPU — а це означає ще точніший performance fingerprinting та можливість перевірки мікроархітектурних особливостей. AMD RDNA2 та RDNA3 дають різні результати для одних і тих же compute workloads.

Браузери починають підтримувати WebGPU (Chrome 113+, Firefox у процесі), і антидетект-рішення вже зараз мають думати про узгодженість WebGPU параметрів із WebGL профілем.

Висновки

Canvas та WebGL fingerprinting пройшли шлях від простих метаданих до повного апаратного профілювання. Підхід “додати шум” не просто неефективний — він активно шкідливий, оскільки сам стає детекційним сигналом.

Правильне рішення — детермінований, реалістичний апаратний профіль, де canvas output, WebGL параметри, розширення та рендеринг-характеристики утворюють узгоджену картину реального девайсу. Саме так працює сучасний антидетект, і саме це відрізняє серйозне рішення від “антидетект-браузера” з простою рандомізацією.