2. 设备指纹采集原理

设备指纹的采集是风控实验的基础环节，其质量直接决定后续识别的准确率与稳定性。本章从浏览器端、移动端、网络层三个维度，系统拆解各采集通道的核心原理、技术实现与抗干扰策略。

2.1 浏览器端采集

浏览器端采集主要利用 JavaScript 调用底层图形、音频与渲染接口，生成与硬件、驱动、系统版本强相关的唯一性特征。此类特征无需用户授权即可获取，是 Web 端设备指纹的核心数据源。

2.1.1 Canvas 指纹

Canvas 指纹通过绘制特定文本或图形，利用不同设备在子像素渲染、抗锯齿算法、字体渲染引擎上的差异，生成唯一的图像哈希值。即使同一型号设备，因驱动版本或系统补丁不同，Canvas 输出也可能存在差异。

• 采集方式：HTMLCanvasElement.toDataURL() 或 CanvasRenderingContext2D.getImageData()
• 关键参数：文本内容、字体列表、字号、背景色、坐标偏移
• 稳定性：较高，但浏览器隐私模式或 Canvas 指纹拦截插件可导致失效

2.1.2 WebGL 指纹

WebGL 指纹通过获取 GPU 渲染能力、着色器支持、扩展列表、最大纹理尺寸等信息，构建硬件级标识。由于 GPU 型号与驱动版本组合的多样性，WebGL 指纹具有极高的区分度。

• 采集方式：WebGLRenderingContext.getParameter()、getExtension()
• 关键参数：GPU 名称、渲染器字符串、最大纹理单元数、着色器精度
• 稳定性：极高，但部分浏览器（如 Safari）限制 WebGL 参数访问

2.1.3 AudioContext 指纹

AudioContext 指纹利用不同设备在音频处理链（振荡器、增益节点、滤波器）上的微小延迟差异，生成音频信号哈希。该特征与声卡驱动、CPU 指令集、音频缓冲区大小相关。

• 采集方式：OfflineAudioContext 生成音频信号，计算输出缓冲区的哈希值
• 关键参数：采样率、缓冲区大小、振荡器频率、滤波器类型
• 稳定性：中等，受系统负载影响可能产生波动

2.2 移动端采集

移动端设备指纹采集依赖操作系统提供的硬件标识符与系统 API。由于 Android 与 iOS 在隐私策略上的差异，采集方式与可用字段存在显著区别。

2.2.1 移动端采集实验要点

• 权限模拟：在实验环境中模拟用户拒绝权限、权限撤销、权限过期三种场景
• 标识符回退链：设计 IMEI → OAID → Android ID → 随机 UUID 的回退策略，确保采集不中断
• 厂商差异：华为、小米、OPPO、vivo 对 OAID 的返回格式与重置策略存在差异，需分别测试

2.3 网络层采集

网络层采集不依赖客户端代码，通过服务端接收的请求头与传输层特征即可提取设备标识。该层采集无需用户授权，但受网络环境（代理、VPN、NAT）影响较大。

2.3.1 IP 地址

IP 地址提供设备所在网络的位置信息，分为公网 IP 与内网 IP。公网 IP 可定位到城市级别，但动态 IP、CDN 代理、VPN 会引入噪声。

• 采集方式：服务端 request.remote_addr 或 X-Forwarded-For 头
• 关键参数：IP 段、ASN 号、地理位置、代理检测标记
• 稳定性：低，Wi-Fi 切换或移动网络基站切换即变化

2.3.2 User-Agent

User-Agent 字符串包含操作系统、浏览器版本、设备型号等信息。虽然可被伪造，但结合其他特征可提升识别精度。

• 采集方式：HTTP 请求头 User-Agent
• 关键参数：浏览器名称/版本、操作系统、设备型号、渲染引擎
• 稳定性：中，浏览器升级或用户手动修改后变化

2.3.3 TLS 指纹

TLS 指纹（JA3/JA3S）通过分析 TLS 握手阶段的密码套件列表、扩展列表、椭圆曲线等参数，识别客户端库（如 OpenSSL、BoringSSL、SChannel）及其版本。不同设备或 SDK 的 TLS 实现存在细微差异。

• 采集方式：服务端解析 TLS Client Hello 消息，计算 JA3 哈希
• 关键参数：密码套件顺序、TLS 扩展类型、椭圆曲线组、压缩方法
• 稳定性：极高，除非客户端库版本升级

2.4 三端采集对比与实验设计要点