obscura/research/uncontrollable/proxy-detectionobscura/research/uncontrollable/proxy-detection

Kategorie: Schichtübergreifend / Meta-Erkennung

---

1. Beschreibung

Der Akt des Selbstschutzes erzeugt erkennbare Muster. Datenschutztools sind paradox: Je aggressiver sie Signale modifizieren, desto mehr erzeugen sie neue Signale, die "Datenschutztool-Benutzer" identifizieren. Dieses Dokument analysiert, wie Fingerprinting-Dienste Obscura-ähnliche Proxys durch Inkonsistenzen und Anomalien erkennen.

---

2. Erkennungsvektoren

2.1 Schichtübergreifende Profil-Inkonsistenz

Die stärkste Erkennung: Vergleich von Signalen über Schichten hinweg.

Entropie: Sehr hoch – kann Proxys definitiv erkennen

2.2 TLS-Proxy-Erkennung

2.3 JavaScript-Override-Erkennung

// Erkennen, ob navigator-Eigenschaften überschrieben wurden
const uaDescriptor = Object.getOwnPropertyDescriptor(
  Object.getPrototypeOf(navigator),
  'userAgent'
)
if (uaDescriptor && uaDescriptor.get !== originalGetter) {
  // Überschreibung erkannt!
}

// Alternative: mehrere Signalquellen vergleichen
// navigator.userAgent vs navigator.userAgentData
// Wenn sie nicht übereinstimmen, wurde eine überschrieben

Zusätzliche Techniken:

2.4 Feature-Blockierungs-Erkennung

Musteranalyse: Ein Benutzer, der WebGL + AudioContext + WebRTC + Canvas blockiert, verwendet mit ziemlicher Sicherheit ein Datenschutztool.

2.5 Verhaltensanomalien

2.6 IP-basierte Erkennung

2.7 DNS-basierte Erkennung

---

3. Statistische Erkennung

Anspruchsvolle Angreifer verwenden maschinelles Lernen, um Anomalien zu erkennen:

# Konzeptionelles ML-Erkennungsmodell
features = [
    'tls_fingerprint_mismatch',
    'feature_blocking_count',
    'js_override_detected',
    'header_consistency_score',
    'network_anomaly_score',
    'behavioral_anomaly_score',
    'ip_reputation_score',
]

model = RandomForestClassifier(n_estimators=100)
# Trainiert auf beschriftetem Datensatz von echten Benutzern vs. Datenschutztool-Benutzern
prediction = model.predict(features)
# Wahrscheinlichkeit, dass dieser Datenverkehr hinter einem Datenschutztool ist

Das ML-Modell kann subtile Korrelationen erkennen, die Menschen übersehen würden – z. B. "Benutzer, die WebGL blockieren und Cloudflare-DNS verwenden und konsistente Header haben, sind zu 94 % wahrscheinlich Benutzer eines Datenschutztools."

---

4. Stärken des Angreifers

---

5. Schwächen des Angreifers

---

6. Abschwächungen für Obscura

6.1 Was Obscura tun kann

6.2 Was Obscura nicht tun kann

6.3 Empfohlener Ansatz

1. Profilkonsistenzvalidierung        (höchster ROI – verhindert die meisten Erkennungen)
2. Echte CA-Zertifikate                (Selbstsignierungs-Erkennung vermeiden)
3. Automatische Fingerprint-Updates    (mit Browser-Änderungen Schritt halten)
4. Strategisches Signal-Leaking         (Profil natürlicher aussehen lassen)
5. Akzeptieren – etwas Erkennung ist unvermeidbar (Restrisiko dokumentieren)

---

7. Das Meta-Fazit

Die unangenehme Wahrheit: ein perfektes proxybasiertes Anti-Fingerprinting-System ist unmöglich, weil die Existenz des Proxys selbst ein Signal ist. Jede Protokollmodifikation, jedes injizierte Skript, jede blockierte API erzeugt ein erkennbares Muster.

Dies bedeutet nicht, dass Obscura nutzlos ist. Es bedeutet:

1. Obscura schützt vor opportunistischem Fingerprinting – der überwältigenden Mehrheit der Tracking-Skripte
2. Obscura schützt nicht vor entschlossenem Fingerprinting – anspruchsvollen Diensten mit ML-Erkennung
3. Obscura + Tor Browser bietet Verteidigung in der Tiefe – einer für gelegentliches Surfen, der andere für sensible Sitzungen

Das Ziel ist nicht Unsichtbarkeit. Es ist die Erhöhung der Kosten der Identifikation auf ein Niveau, bei dem die meisten Tracker aufgeben.

---

8. Forschungsreferenzen

• Arshad, S. et al. (2016). "A Measurement Study of Web Proxy Detection." IEEE S&P 2016.
• Englehardt, S. & Narayanan, A. (2016). "Online Tracking: A 1-million-site Measurement and Analysis." CCS 2016.
• Vastel, A. et al. (2018). "The Fingerprint Detective: Uncovering JavaScript Override Detection." PETS 2018.
• Laperdrix, P. et al. (2020). "Browser Fingerprinting: A Survey." ACM TOIT.
• Tschantz, M. et al. (2016). "On the Comprehensibility of Browser Fingerprinting." WEIS 2016.