TL;DR: falsificação de impressão digital do navegador
- As impressões digitais do navegador identificam um dispositivo pelo seu hash de canvas, parâmetros WebGL, pilha de fontes, user agent, geometria de tela e contexto de áudio. As ferramentas de falsificação alteram ou randomizam esses valores para que um dispositivo pareça muitos.
- A falsificação é software comum: playwright-stealth, Puppeteer-stealth, Canvas Fingerprint Defender e dezenas de módulos de furtividade estão disponíveis gratuitamente e são mantidos ativamente.
- A falsificação de atributos derrota detectores que verificam apenas atributos. Sinais comportamentais, características TLS e identidade de dispositivo entre sessões são muito mais difíceis de falsificar simultaneamente, e é aí que a detecção moderna de fraude ganha.
- O cside coleta mais de 250 sinais de navegadores de visitantes reais. Falsificar canvas e WebGL não é suficiente quando a cadência comportamental e os sinais de dispositivo entre sessões permanecem consistentes.
Que sinais de impressão digital as ferramentas de falsificação atacam
Uma impressão digital do navegador combina propriedades que o navegador expõe ao JavaScript em um identificador estável. Os sinais mais informativos incluem:
- Hash de canvas: desenha uma string fora da tela e gera um hash da saída de pixels. Diferentes GPUs e renderizadores de fontes produzem resultados sutilmente distintos.
- Parâmetros WebGL: a string do renderizador, o fornecedor e as extensões suportadas variam entre placas gráficas e versões de driver.
- Pilha de fontes: a enumeração de fontes revela quais fontes do sistema estão instaladas.
- Impressão digital do contexto de áudio: um gráfico de áudio fora da tela produz uma saída de ponto flutuante cujos bits de baixa ordem diferem por plataforma.
- Concorrência de hardware e memória do dispositivo: o número de núcleos de CPU e a memória reportada, valores aproximados que o navegador expõe através da API Navigator.
- User agent, resolução de tela, profundidade de cor e taxa de pixels: sinais de menor entropia, frequentemente usados em combinação.
- Hash do handshake TLS: sinal de camada de rede derivado da ordem dos conjuntos de cifras e extensões no ClientHello.
Por que a falsificação agora é software comum
A lacuna entre construir um bot que evade a detecção e comprar um script de furtividade foi completamente fechada. As ferramentas são públicas, mantidas e bem documentadas:
Playwright-stealth e Puppeteer-stealth corrigem as propriedades que os navegadores sem interface expõem por padrão: navigator.webdriver, um array navigator.plugins vazio, um array navigator.languages plano e codecs de mídia ausentes. No final de 2025, pesquisas da cside descobriram que o playwright-stealth estava sendo implantado aproximadamente dez vezes mais do que um ano antes.
Extensões de falsificação de canvas e WebGL como Canvas Fingerprint Defender randomizam a saída de pixels de chamadas de desenho de canvas por origem ou por sessão. Do ponto de vista do sistema de detecção, o dispositivo produz um hash de canvas diferente em cada solicitação, quebrando a continuidade do identificador.
FingerprintSwitcher e ferramentas similares permitem que um usuário defina um perfil de impressão digital sintética fixo e personifique um dispositivo completamente diferente.
Builds personalizados do Chromium usados por operações de fraude organizadas modificam o mecanismo de renderização diretamente. Esses são mais difíceis de detectar porque não dependem de patches JavaScript que podem ser detectados.
O que a falsificação não consegue facilmente imitar
A falsificação de atributos corrige os valores reportados, mas vários sinais são mais difíceis ou impossíveis de alterar de forma convincente:
Sinais comportamentais
Os movimentos do mouse, o comportamento de rolagem e a cadência de digitação são gerados por interação física. Um humano move o cursor em arcos suaves, pausa e corrige a direção. Um script de automação gera movimentos em linha reta, paradas exatas em pixels e temporização mecanicamente consistente. Os sinais comportamentais são coletados no nível da página e requerem execução de JavaScript dentro do contexto da página.
Características TLS
O handshake TLS ocorre antes que o JavaScript seja executado. A ordem dos conjuntos de cifras e a lista de extensões do ClientHello de um navegador refletem a biblioteca TLS subjacente, não as propriedades JavaScript falsificadas. Um bot baseado em Chromium pode corrigir navigator.userAgent para dizer Chrome 124, mas se sua biblioteca TLS não for a pilha TLS real do Chrome, o hash do handshake diverge.
Identidade de dispositivo entre sessões
Um hash de canvas falsificado é novo em cada sessão se o atacante usa randomização. Mas o GPU subjacente e o renderizador de fontes produzem artefatos sutis consistentes que sobrevivem à randomização se o detector está medindo o canal correto. A inteligência de dispositivo que correlaciona múltiplos sinais de baixa entropia entre sessões pode manter a identidade através de redefinições de canvas e WebGL.
Impressões digitais de inconsistência
Um navegador que afirma ser Chrome 124 no Windows 11 com uma tela 1920x1080, mas renderiza saída WebGL consistente com uma GPU MacBook Pro de 2020, é internamente inconsistente. Detectores que validam atributos declarados contra o comportamento de renderização real detectam falsificação inconsistente mesmo quando os valores falsificados são individualmente plausíveis.
Como o cside resiste à falsificação de impressão digital do navegador
A inteligência de dispositivo do cside coleta mais de 250 sinais em quatro camadas: rede, navegador, dispositivo e comportamento. A coleta é executada dentro de um snippet JavaScript próprio que é executado nos navegadores de visitantes reais na página ao vivo, não de um scanner ou rastreador.
Como o snippet é executado no contexto real do navegador para um carregamento de página real, ele vê sinais comportamentais que detectores de camada de rede nunca acessam. Um bot que corrige canvas e WebGL ainda gera movimentos de mouse, ritmo de rolagem e temporização de cliques semelhantes aos de uma máquina. A camada comportamental detecta o que a falsificação da camada de atributos não cobre.
A identidade de dispositivo entre sessões é mantida através de redefinições de impressão digital usando correlações sobre os mais de 250 sinais. Um dispositivo que rotaciona seu hash de canvas e renderizador WebGL por sessão ainda produz concorrência de hardware consistente, precisão de contexto de áudio consistente, artefatos de renderização de fontes consistentes e padrões comportamentais consistentes. A correlação agregada sobrevive à rotação.
