Методы противодействия отслеживанию пользователей мобильных устройств со стороны персонализированного маркетинга

Целью исследования является разработка и проверка работоспособности метода противодействия отслеживанию пользователей мобильных устройств в задачах персонализированного маркетинга, прежде всего при доставке рекламных сообщений и формировании поведенческих профилей. Рассматривается сегмент мобильных браузеров, в котором используются цифровые отпечатки с локальными идентификаторами, параметрами программно-аппаратной среды и поведенческими атрибутами пользователей. Актуальность работы обусловлена тем, что мобильные устройства выступают основной платформой доступа к веб-ресурсам, а механизмы фингерпринтинга позволяют идентифицировать пользователя даже при ограничении стандартных средств трекинга.
Методы. Использованы методы системного анализа, сравнительного обзора научной литературы на русском, английском и китайском языках, а также оценка информативности атрибутов браузерного отпечатка на основе энтропии Шеннона. Экспериментальная оценка основана на результатах исследования, включавшего ручной сбор атрибутов с 63 устройств, работающих на операционной системе iOS по 12 характеристикам цифрового отпечатка браузера, применяемых в задачах фингерпринтинга и рекламного профилирования.
Результаты. По исследуемой выборке установлено, что наибольшая информативность содержится в атрибутах, связанных со шрифтами и агентом пользователя, в то время как параметры экрана, часовой пояс и часть разрешительных настроек имеют менее выраженную различительную возможность для пользователей. Предложен метод противодействия, сочетающий нормализацию атрибутов с высокой энтропией, ограниченную подмену наиболее информативных атрибутов, управление устойчивостью профиля во времени и сохранение приемлемой работоспособности веб-ресурсов.
Заключение. Для браузеров мобильных устройств баланс между приватностью, совместимостью и удобством обеспечивает не полное отключение активного контента и скриптов, а избирательная защита, основанная на работе с наиболее информативными атрибутами цифрового отпечатка.
Практическая значимость работы состоит в экспериментальном дополнении современных исследований по противодействию фингерпринтингу и существующих рекомендаций разработчиков браузеров по противодействию снятию цифровых отпечатков.

1. Прозрачность отслеживания приложений. Apple Developer. App Tracking Transparency. URL: https://developer.apple.com/documentation/AppTrackingTransparency

2. The First Early Evidence of the Use of Browser Fingerprinting for Online Tracking / Z. Liu, J. Dani, Y. Cao, S. Wu // Proceedings of the ACM on Web Conference 2025 (WWW '25). Association for Computing Machinery. New York, NY, USA, 2025. 4980-4995. https://doi.org/10.1145/3696410.3714548

3. General Data Protection Regulation. URL: https://gdpr-info.eu

4. The California Consumer Privacy Act. URL: https://theccpa.org

5. Apple Developer. User privacy and data use. URL: https://developer.apple.com/appstore/user-privacy-and-data-use/

6. Apple Support. If an app asks to track your activity. URL: https://support.apple.com/ru-ru/102420

7. Browser Fingerprinting: A Survey / P. Laperdrix, N. Bielova, B. Baudry, G. Avoine // ACM Transactions on the Web. 2020. Vol. 14. Р.1-33. https://doi.org/10.1145/3386040.

8. Осин А.В., Мурашко Ю.В. Обзор методов идентификации пользователя на основе цифровых отпечатков // Труды учебных заведений связи. 2023; 9(5):91-111. https://doi.org/10.31854/1813-324X-2023-9-5-91-111.

9. Annamalai M., Bilogrevic I., De Cristofaro E. Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions // arXiv preprint. 2025. https://doi.org/10.48550/arXiv.2502.01608

10. Gao F., Wang J., Liu J. Research on link detection technology based on dynamic browser fingerprint. 网络与信息安全学报. 2022. 8. URL: https://www.researchgate.net/publication/402886234_Research_on_link_detection_technology_based_on_dynamic_browser_fingerprint

11. Технология WebGL в Антифрод-системах и методы идентификации пользователей 01.11.24. URL: https://detect.expert/ru/blog/webgl-technology-in-anti-fraud-systemsand-user-id/

12. Зорин В.А., Мещеряков Р.В. Аналитический обзор нейросетевых алгоритмов обнаружения возгораний при чрезвычайных ситуациях // Вестник ЮУрГУ. Серия: Математика. Механика. Физика. 2025. Т. 17, № 2. С. 23-34. https://doi.org/10.14529/mmph250203

13. Tor Project. Fingerprinting protections. URL: https://support.torproject.org/torbrowser/features/fingerprinting-protections/

14. Nikiforakis N., Joosen W., Livshits B. PriVaricator: Deceiving Fingerprinters with Little White Lies. 2015. 820-830. WWW '15: Proceedings of the 24th International Conference on World Wide Web. https://doi.org/10.1145/2736277.2741090

15. Шелухин О. И., Игумнов В. О. Гибридный способ обеспечения конфиденциальности пользователя при работе с веб-браузером // Наукоемкие технологии в космических исследованиях Земли. 2022. Т.14, № 6. С. 4-11. https://doi.org/10.36724/2409-5419-2022-14-6-4-11

16. WebKit. Intelligent Tracking Prevention. URL: https://webkit.org/tracking-prevention/

17. Mozilla Support. Защита от снятия цифровых отпечатков. URL: https://support.mozilla.org/ru/kb/uvazhitelnaja-reklama-mozilla.

18. Brave. Fingerprinting protections in Brave. URL: https://brave.com/privacyupdates/3-fingerprint-randomization/

19. EFF. Cover Your Tracks. URL: https://coveryourtracks.eff.org