javascript - 无需 cookie 或本地存储的用户识别

Question

我正在构建一个分析工具，我目前可以从他们的用户代理获取用户的 IP 地址、浏览器和操作系统。

我想知道是否有可能在不使用 cookie 或本地存储的情况下检测到同一个用户？我不希望这里有代码示例；只是一个简单的提示，可以进一步了解。

忘了提到如果它是同一台计算机/设备，它需要跨浏览器兼容。基本上我是在设备识别之后，而不是真正的用户。

score 411 · Accepted Answer

介绍

如果我理解正确，您需要识别一个您没有唯一标识符的用户，因此您想通过匹配随机数据来确定他们是谁。您不能可靠地存储用户的身份，因为：

Cookies 可以删除
IP地址可以改变
浏览器可以改变
浏览器缓存可能被删除

Java Applet 或 Com 对象本来是使用硬件信息散列的简单解决方案，但现在人们非常注重安全性，很难让人们在他们的系统上安装这类程序。这使您无法使用 Cookie 和其他类似工具。

Cookie 和其他类似工具

您可能会考虑构建数据配置文件，然后使用概率测试来识别可能的用户。可以通过以下某种组合生成对此有用的配置文件：

IP地址
- 真实 IP 地址
- 代理IP地址（用户经常重复使用同一个代理）
饼干
- HTTP Cookie
- 会话 Cookie
- 第三方饼干
- Flash Cookies（大多数人不知道如何删除这些）
网络错误（不太可靠，因为错误得到修复，但仍然有用）
- PDF错误
- 闪虫
- Java 错误
浏览器
- 点击跟踪（很多用户每次访问都访问同一系列的页面）
- 浏览器指纹 - 已安装的插件（人们通常有不同的、有些独特的插件集）
- 缓存的图像（人们有时会删除他们的 cookie，但会留下缓存的图像）
- 使用 Blob
- URL（浏览器历史记录或 cookie 可能在 URL 中包含唯一的用户 ID，例如https://stackoverflow.com/users/1226894或http://www.facebook.com/barackobama?fref=ts）
- 系统字体检测（这是一个鲜为人知但通常是唯一的键签名）
HTML5 和 Javascript
- HTML5 本地存储
- HTML5 Geolocation API 和反向地理编码
- 架构、操作系统语言、系统时间、屏幕分辨率等。
- 网络信息接口
- 电池状态 API

当然，我列出的项目只是可以唯一标识用户的几种可能方式。还有很多。

使用这组随机数据元素来构建数据配置文件，下一步是什么？

下一步是开发一些模糊逻辑，或者更好的是人工神经网络（使用模糊逻辑）。无论哪种情况，想法都是训练您的系统，然后将其训练与贝叶斯推理相结合，以提高结果的准确性。

人工神经网络

PHP的NeuralMesh库允许您生成人工神经网络。要实现贝叶斯推理，请查看以下链接：

这时候，你可能会想：

为什么一个看似简单的任务需要这么多数学和逻辑？

基本上，因为它不是一个简单的任务。实际上，您要实现的是纯概率。例如，给定以下已知用户：

User1 = A + B + C + D + G + K
User2 = C + D + I + J + K + F

当您收到以下数据时：

B + C + E + G + F + K

您本质上要问的问题是：

接收到的数据（B + C + E + G + F + K）实际上是User1还是User2的概率是多少？这两场比赛中哪一场最有可能？

为了有效地回答这个问题，您需要了解频率与概率格式以及为什么联合概率可能是更好的方法。细节太多了，无法进入这里（这就是我给你链接的原因），但一个很好的例子是医学诊断向导应用程序，它使用症状的组合来识别可能的疾病。

考虑一下包含您的数据配置文件（上例中的 B + C + E + G + F + K）的一系列数据点作为症状，以及未知用户作为疾病。通过识别疾病，您可以进一步识别适当的治疗方法（将此用户视为 User1）。

显然，我们已经识别出超过 1 个症状的疾病更容易识别。事实上，我们可以识别的症状越多，我们的诊断几乎肯定会越容易和准确。

还有其他选择吗？

当然。作为替代措施，您可以创建自己的简单评分算法，并将其基于精确匹配。这不如概率有效，但可能更容易实现。

例如，考虑这个简单的分数图表：

+-------------+--------+------------+
| 物业 | 重量 | 重要性 |
+-------------+--------+------------+
| 真实IP地址 | 60 | 5 |
| 使用的代理 IP 地址 | 40 | 4 |
| HTTP Cookie | 80 | 8 |
| 会话 Cookie | 80 | 6 |
| 第三方饼干 | 60 | 4 |
| 快闪饼干 | 90 | 7 |
| PDF 错误 | 20 | 1 |
| 闪存错误 | 20 | 1 |
| Java 错误 | 20 | 1 |
| 频繁页面 | 40 | 1 |
| 浏览器指纹 | 35 | 2 |
| 已安装的插件 | 25 | 1 |
| 缓存图像 | 40 | 3 |
| 网址 | 60 | 4 |
| 系统字体检测 | 70 | 4 |
| 本地存储 | 90 | 8 |
| 地理位置 | 70 | 6 |
| 奥尔特 | 70 | 4 |
| 网络信息API | 40 | 3 |
| 电池状态 API | 20 | 1 |
+-------------+--------+------------+

对于您可以根据给定请求收集的每条信息，授予相关分数，然后在分数相同时使用重要性解决冲突。

概念证明

如需简单的概念证明，请查看Perceptron。感知器是一种RNA 模型，通常用于模式识别应用程序。甚至还有一个旧的PHP 类可以完美地实现它，但您可能需要根据您的目的对其进行修改。

尽管是一个很棒的工具，Perceptron 仍然可以返回多个结果（可能的匹配项），因此使用分数和差异比较仍然有助于确定这些匹配项中的最佳值。

假设

存储有关每个用户的所有可能信息（IP、cookie 等）
如果结果完全匹配，则将分数增加 1
如果结果不完全匹配，则将分数减 1

期待

生成 RNA 标签
生成模拟数据库的随机用户
生成单个未知用户
生成未知用户 RNA 和值
系统将合并 RNA 信息并教导感知器
训练感知器后，系统会有一组权重
您现在可以测试未知用户的模式，感知器将生成一个结果集。
存储所有正匹配
首先按分数对匹配项进行排序，然后按差异对匹配项进行排序（如上所述）
输出两个最接近的匹配，或者，如果没有找到匹配，则输出空结果

概念验证代码

$features = array(
    'Real IP address' => .5,
    'Used proxy IP address' => .4,
    'HTTP Cookies' => .9,
    'Session Cookies' => .6,
    '3rd Party Cookies' => .6,
    'Flash Cookies' => .7,
    'PDF Bug' => .2,
    'Flash Bug' => .2,
    'Java Bug' => .2,
    'Frequent Pages' => .3,
    'Browsers Finger Print' => .3,
    'Installed Plugins' => .2,
    'URL' => .5,
    'Cached PNG' => .4,
    'System Fonts Detection' => .6,
    'Localstorage' => .8,
    'Geolocation' => .6,
    'AOLTR' => .4,
    'Network Information API' => .3,
    'Battery Status API' => .2
);

// Get RNA Lables
$labels = array();
$n = 1;
foreach ($features as $k => $v) {
    $labels[$k] = "x" . $n;
    $n ++;
}

// Create Users
$users = array();
for($i = 0, $name = "A"; $i < 5; $i ++, $name ++) {
    $users[] = new Profile($name, $features);
}

// Generate Unknown User
$unknown = new Profile("Unknown", $features);

// Generate Unknown RNA
$unknownRNA = array(
    0 => array("o" => 1),
    1 => array("o" => - 1)
);

// Create RNA Values
foreach ($unknown->data as $item => $point) {
    $unknownRNA[0][$labels[$item]] = $point;
    $unknownRNA[1][$labels[$item]] = (- 1 * $point);
}

// Start Perception Class
$perceptron = new Perceptron();

// Train Results
$trainResult = $perceptron->train($unknownRNA, 1, 1);

// Find matches
foreach ($users as $name => &$profile) {
    // Use shorter labels
    $data = array_combine($labels, $profile->data);
    if ($perceptron->testCase($data, $trainResult) == true) {
        $score = $diff = 0;

        // Determing the score and diffrennce
        foreach ($unknown->data as $item => $found) {
            if ($unknown->data[$item] === $profile->data[$item]) {
                if ($profile->data[$item] > 0) {
                    $score += $features[$item];
                } else {
                    $diff += $features[$item];
                }
            }
        }
        // Ser score and diff
        $profile->setScore($score, $diff);
        $matchs[] = $profile;
    }
}

// Sort bases on score and Output
if (count($matchs) > 1) {
    usort($matchs, function ($a, $b) {
        // If score is the same use diffrence
        if ($a->score == $b->score) {
            // Lower the diffrence the better
            return $a->diff == $b->diff ? 0 : ($a->diff > $b->diff ? 1 : - 1);
        }
        // The higher the score the better
        return $a->score > $b->score ? - 1 : 1;
    });

    echo "<br />Possible Match ", implode(",", array_slice(array_map(function ($v) {
        return sprintf(" %s (%0.4f|%0.4f) ", $v->name, $v->score,$v->diff);
    }, $matchs), 0, 2));
} else {
    echo "<br />No match Found ";
}

输出：

Possible Match D (0.7416|0.16853),C (0.5393|0.2809)

“D”的打印_r：

echo "<pre>";
print_r($matchs[0]);


Profile Object(
    [name] => D
    [data] => Array (
        [Real IP address] => -1
        [Used proxy IP address] => -1
        [HTTP Cookies] => 1
        [Session Cookies] => 1
        [3rd Party Cookies] => 1
        [Flash Cookies] => 1
        [PDF Bug] => 1
        [Flash Bug] => 1
        [Java Bug] => -1
        [Frequent Pages] => 1
        [Browsers Finger Print] => -1
        [Installed Plugins] => 1
        [URL] => -1
        [Cached PNG] => 1
        [System Fonts Detection] => 1
        [Localstorage] => -1
        [Geolocation] => -1
        [AOLTR] => 1
        [Network Information API] => -1
        [Battery Status API] => -1
    )
    [score] => 0.74157303370787
    [diff] => 0.1685393258427
    [base] => 8.9
)

如果 Debug = true 您将能够看到Input (Sensor & Desired), Initial Weights, Output (Sensor, Sum, Network), Error, Correction and Final Weights。

+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| o  | x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | x9 | x10 | x11 | x12 | x13 | x14 | x15 | x16 | x17 | x18 | x19 | x20 | Bias | Yin | Y  | deltaW1 | deltaW2 | deltaW3 | deltaW4 | deltaW5 | deltaW6 | deltaW7 | deltaW8 | deltaW9 | deltaW10 | deltaW11 | deltaW12 | deltaW13 | deltaW14 | deltaW15 | deltaW16 | deltaW17 | deltaW18 | deltaW19 | deltaW20 | W1 | W2 | W3 | W4 | W5 | W6 | W7 | W8 | W9 | W10 | W11 | W12 | W13 | W14 | W15 | W16 | W17 | W18 | W19 | W20 | deltaBias |
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+
| 1  | 1  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1    | 0   | -1 | 0       | -1      | -1      | -1      | -1      | -1      | -1      | 1       | 1       | 1        | 1        | 1        | 1        | 1        | -1       | -1       | -1       | -1       | 1        | 1        | 0  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1         |
| -1 | -1 | 1  | 1  | 1  | 1  | 1  | 1  | -1 | -1 | -1  | -1  | -1  | -1  | -1  | 1   | 1   | 1   | 1   | -1  | -1  | 1    | -19 | -1 | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1         |
| -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --   | --  | -- | --      | --      | --      | --      | --      | --      | --      | --      | --      | --       | --       | --       | --       | --       | --       | --       | --       | --       | --       | --       | -- | -- | -- | -- | -- | -- | -- | -- | -- | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --        |
| 1  | 1  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1    | 19  | 1  | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1         |
| -1 | -1 | 1  | 1  | 1  | 1  | 1  | 1  | -1 | -1 | -1  | -1  | -1  | -1  | -1  | 1   | 1   | 1   | 1   | -1  | -1  | 1    | -19 | -1 | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0       | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0        | 0  | -1 | -1 | -1 | -1 | -1 | -1 | 1  | 1  | 1   | 1   | 1   | 1   | 1   | -1  | -1  | -1  | -1  | 1   | 1   | 1         |
| -- | -- | -- | -- | -- | -- | -- | -- | -- | -- | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --   | --  | -- | --      | --      | --      | --      | --      | --      | --      | --      | --      | --       | --       | --       | --       | --       | --       | --       | --       | --       | --       | --       | -- | -- | -- | -- | -- | -- | -- | -- | -- | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --  | --        |
+----+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+------+-----+----+---------+---------+---------+---------+---------+---------+---------+---------+---------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----------+----+----+----+----+----+----+----+----+----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----+-----------+

x1 到 x20 表示代码转换的特征。

// Get RNA Labels
$labels = array();
$n = 1;
foreach ( $features as $k => $v ) {
    $labels[$k] = "x" . $n;
    $n ++;
}

这是一个在线演示

使用的类：

class Profile {
    public $name, $data = array(), $score, $diff, $base;

    function __construct($name, array $importance) {
        $values = array(-1, 1); // Perception values
        $this->name = $name;
        foreach ($importance as $item => $point) {
            // Generate Random true/false for real Items
            $this->data[$item] = $values[mt_rand(0, 1)];
        }
        $this->base = array_sum($importance);
    }

    public function setScore($score, $diff) {
        $this->score = $score / $this->base;
        $this->diff = $diff / $this->base;
    }
}

修改后的感知器类

class Perceptron {
    private $w = array();
    private $dw = array();
    public $debug = false;

    private function initialize($colums) {
        // Initialize perceptron vars
        for($i = 1; $i <= $colums; $i ++) {
            // weighting vars
            $this->w[$i] = 0;
            $this->dw[$i] = 0;
        }
    }

    function train($input, $alpha, $teta) {
        $colums = count($input[0]) - 1;
        $weightCache = array_fill(1, $colums, 0);
        $checkpoints = array();
        $keepTrainning = true;

        // Initialize RNA vars
        $this->initialize(count($input[0]) - 1);
        $just_started = true;
        $totalRun = 0;
        $yin = 0;

        // Trains RNA until it gets stable
        while ($keepTrainning == true) {
            // Sweeps each row of the input subject
            foreach ($input as $row_counter => $row_data) {
                // Finds out the number of columns the input has
                $n_columns = count($row_data) - 1;

                // Calculates Yin
                $yin = 0;
                for($i = 1; $i <= $n_columns; $i ++) {
                    $yin += $row_data["x" . $i] * $weightCache[$i];
                }

                // Calculates Real Output
                $Y = ($yin <= 1) ? - 1 : 1;

                // Sweeps columns ...
                $checkpoints[$row_counter] = 0;
                for($i = 1; $i <= $n_columns; $i ++) {
                    /** DELTAS **/
                    // Is it the first row?
                    if ($just_started == true) {
                        $this->dw[$i] = $weightCache[$i];
                        $just_started = false;
                        // Found desired output?
                    } elseif ($Y == $row_data["o"]) {
                        $this->dw[$i] = 0;
                        // Calculates Delta Ws
                    } else {
                        $this->dw[$i] = $row_data["x" . $i] * $row_data["o"];
                    }

                    /** WEIGHTS **/
                    // Calculate Weights
                    $this->w[$i] = $this->dw[$i] + $weightCache[$i];
                    $weightCache[$i] = $this->w[$i];

                    /** CHECK-POINT **/
                    $checkpoints[$row_counter] += $this->w[$i];
                } // END - for

                foreach ($this->w as $index => $w_item) {
                    $debug_w["W" . $index] = $w_item;
                    $debug_dw["deltaW" . $index] = $this->dw[$index];
                }

                // Special for script debugging
                $debug_vars[] = array_merge($row_data, array(
                    "Bias" => 1,
                    "Yin" => $yin,
                    "Y" => $Y
                ), $debug_dw, $debug_w, array(
                    "deltaBias" => 1
                ));
            } // END - foreach

            // Special for script debugging
             $empty_data_row = array();
            for($i = 1; $i <= $n_columns; $i ++) {
                $empty_data_row["x" . $i] = "--";
                $empty_data_row["W" . $i] = "--";
                $empty_data_row["deltaW" . $i] = "--";
            }
            $debug_vars[] = array_merge($empty_data_row, array(
                "o" => "--",
                "Bias" => "--",
                "Yin" => "--",
                "Y" => "--",
                "deltaBias" => "--"
            ));

            // Counts training times
            $totalRun ++;

            // Now checks if the RNA is stable already
            $referer_value = end($checkpoints);
            // if all rows match the desired output ...
            $sum = array_sum($checkpoints);
            $n_rows = count($checkpoints);
            if ($totalRun > 1 && ($sum / $n_rows) == $referer_value) {
                $keepTrainning = false;
            }
        } // END - while

        // Prepares the final result
        $result = array();
        for($i = 1; $i <= $n_columns; $i ++) {
            $result["w" . $i] = $this->w[$i];
        }

        $this->debug($this->print_html_table($debug_vars));

        return $result;
    } // END - train
    function testCase($input, $results) {
        // Sweeps input columns
        $result = 0;
        $i = 1;
        foreach ($input as $column_value) {
            // Calculates teste Y
            $result += $results["w" . $i] * $column_value;
            $i ++;
        }
        // Checks in each class the test fits
        return ($result > 0) ? true : false;
    } // END - test_class

    // Returns the html code of a html table base on a hash array
    function print_html_table($array) {
        $html = "";
        $inner_html = "";
        $table_header_composed = false;
        $table_header = array();

        // Builds table contents
        foreach ($array as $array_item) {
            $inner_html .= "<tr>\n";
            foreach ( $array_item as $array_col_label => $array_col ) {
                $inner_html .= "<td>\n";
                $inner_html .= $array_col;
                $inner_html .= "</td>\n";

                if ($table_header_composed == false) {
                    $table_header[] = $array_col_label;
                }
            }
            $table_header_composed = true;
            $inner_html .= "</tr>\n";
        }

        // Builds full table
        $html = "<table border=1>\n";
        $html .= "<tr>\n";
        foreach ($table_header as $table_header_item) {
            $html .= "<td>\n";
            $html .= "<b>" . $table_header_item . "</b>";
            $html .= "</td>\n";
        }
        $html .= "</tr>\n";

        $html .= $inner_html . "</table>";

        return $html;
    } // END - print_html_table

    // Debug function
    function debug($message) {
        if ($this->debug == true) {
            echo "<b>DEBUG:</b> $message";
        }
    } // END - debug
} // END - class

结论

在没有唯一标识符的情况下识别用户并不是一件简单的事情。它依赖于收集足够数量的随机数据，您可以通过各种方法从用户那里收集这些数据。

即使您选择不使用人工神经网络，我也建议至少使用带有优先级和可能性的简单概率矩阵 - 我希望上面提供的代码和示例能够为您提供足够的帮助。

score 29 · Accepted Answer

这种技术（在没有 cookie 甚至没有 IP 地址的情况下检测相同的用户）称为浏览器指纹识别。基本上，您可以尽可能地抓取有关浏览器的信息 - 使用 javascript、flash 或 java（例如安装的扩展程序、字体等）可以获得更好的结果。之后，您可以根据需要存储散列的结果。

这不是万无一失的，但是：

83.6% 的浏览器拥有独特的指纹；在启用 Flash 或 Java 的用户中，94.2%。这不包括cookies！

更多信息：

score 7 · Accepted Answer

上面提到的指纹工作，但仍然可能遭受colisions。

一种方法是将 UID 添加到与用户的每次交互的 url 中。

http://someplace.com/12899823/user/profile

站点中的每个链接都使用此修饰符进行调整。它类似于 ASP.Net 过去在页面之间使用 FORM 数据的方式。

score 6 · Accepted Answer

你调查过 Evercookie吗？它可能会或可能不会跨浏览器工作。他们网站的摘录。

“如果用户在一个浏览器上获得 cookie 并切换到另一个浏览器，只要他们仍然有本地共享对象 cookie，cookie 就会在两个浏览器中重现。”

score 4 · Accepted Answer

您可以使用缓存的 png 来执行此操作，它会有点不可靠（不同的浏览器表现不同，如果用户清除缓存，它会失败），但这是一个选项。

1：设置一个数据库，将唯一的用户 ID 存储为十六进制字符串

2：创建一个生成用户ID的genUser.php（或任何语言）文件，将其存储在数据库中，然后从该十六进制字符串的值中创建一个真彩色.png（每个像素将是4个字节）并返回到浏览器。请务必设置内容类型和缓存标头。

3：在HTML或JS中创建一个像<img id='user_id' src='genUser.php' />

4：将该图像绘制到画布上ctx.drawImage(document.getElementById('user_id'), 0, 0);

5：使用读取该图像的字节，ctx.getImageData并将整数转换为十六进制字符串。

6：这是您的唯一用户 ID，现在缓存在您的用户计算机上。

score 2 · Accepted Answer

你可以用 etags 做到这一点。虽然我不确定这是否合法，因为一堆诉讼被提起了。

如果您正确警告您的用户，或者您有类似 Intranet 网站的内容，则可能没问题。

score 1 · Accepted Answer

您可能会创建一个 blob 来存储设备标识符...

缺点是用户需要下载blob（您可以强制下载），因为浏览器无法访问文件系统直接保存文件。

参考：

https://www.inkling.com/read/javascript-definitive-guide-david-flanagan-6th/chapter-22/blobs

score 1 · Accepted Answer

根据你所说的：

基本上我在设备识别之后不是真正的用户

最好的方法是发送 MAC 地址，即 NIC ID。

你可以看看这篇文章：如何在 PHP 中获取已连接客户端的 MAC 和 IP 地址？

score 0 · Accepted Answer

效率低下，但可能会给你想要的结果，那就是轮询你身边的 API。在客户端有一个后台进程，它会定期发送用户数据。您将需要一个用户标识符来发送到您的 API。一旦你有了它，你就可以发送与该唯一标识符相关的任何信息。

这消除了对 cookie 和本地存储的需要。

score 0 · Accepted Answer

我不敢相信，这里还没有提到http://browserspy.dk ！该站点描述了许多可用于构建分类器的功能（在模式识别方面）。

当然，为了评估这些特性，我特别建议使用 Support Vector Machines 和libsvm。

score 0 · Accepted Answer

在会话期间或跨会话跟踪它们？

如果您的站点是 HTTPS Everywhere，您可以使用 TLS 会话 ID 来跟踪用户的会话

score -2 · Accepted Answer

创建一个跨平台虚拟 (nsapi) 插件，并在用户下载它时（例如登录后）为插件名称或版本生成一个唯一名称。
为插件提供安装程序/根据策略安装它

这将要求用户自愿安装标识符。

安装插件后，任何（启用插件的）浏览器的指纹都将包含此特定插件。要将信息返回到服务器，需要一种算法来有效地检测客户端的插件，否则 IE 和 Firefox >= 28 用户将需要一个可能的有效标识表。

这需要对可能被浏览器供应商关闭的技术进行相对较高的投资。当您能够说服您的用户安装插件时，可能还会有安装本地代理、使用 vpn 或修补网络驱动程序等选项。

不想被识别的用户（或他们的机器）总是会找到一种方法来阻止它。

javascript - 无需 cookie 或本地存储的用户识别

12 回答 12

Related

Reference