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

Categoria: Tra Livelli / Meta-Rilevamento

---

1. Descrizione

L'atto di proteggersi crea pattern rilevabili. Gli strumenti privacy sono paradossali: più aggressivamente modificano i segnali, più creano nuovi segnali che identificano "utente di strumento privacy". Questo documento analizza come i servizi di fingerprinting rilevano proxy simili a Obscura attraverso incoerenze e anomalie.

---

2. Vettori di Rilevamento

2.1 Incoerenza del Profilo tra Livelli

Il rilevamento più potente: confrontare i segnali tra livelli.

Entropia: Molto Alta: può rilevare definitivamente i proxy

2.2 Rilevamento Proxy TLS

2.3 Rilevamento Override JavaScript

// Rileva se le proprietà di navigator sono state sovrascritte
const uaDescriptor = Object.getOwnPropertyDescriptor(
  Object.getPrototypeOf(navigator),
  'userAgent'
)
if (uaDescriptor && uaDescriptor.get !== originalGetter) {
  // Override rilevato!
}

// Alternativa: confronta fonti di segnale multiple
// navigator.userAgent vs navigator.userAgentData
// Se discordano, uno è stato sovrascritto

Tecniche aggiuntive:

2.4 Rilevamento Blocco Funzionalità

Analisi pattern: Un utente che blocca WebGL + AudioContext + WebRTC + Canvas è quasi certamente usando uno strumento privacy.

2.5 Anomalie Comportamentali

2.6 Rilevamento Basato su IP

2.7 Rilevamento Basato su DNS

---

3. Rilevamento Statistico

Gli attaccanti sofisticati usano l'apprendimento automatico per rilevare anomalie:

# Modello ML concettuale per rilevamento
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)
# Addestrato su dataset etichettato di utenti reali vs utenti di strumenti privacy
prediction = model.predict(features)
# Probabilità che questo traffico sia dietro uno strumento privacy

Il modello ML può rilevare correlazioni sottili che gli umani non vedrebbero: es. "gli utenti che bloccano WebGL e usano DNS Cloudflare e hanno header coerenti sono al 94% probabilmente utenti di uno strumento privacy."

---

4. Punti di Forza dell'Attaccante

---

5. Debolezze dell'Attaccante

---

6. Mitigazioni per Obscura

6.1 Cosa Può Fare Obscura

6.2 Cosa Non Può Fare Obscura

6.3 Approccio Raccomandato

1. Validazione coerenza profilo            (massimo ROI: previene la maggior parte del rilevamento)
2. Certificati CA reali                     (evita rilevamento CA auto-firmato)
3. Aggiornamenti automatici fingerprint     (stare al passo con i cambiamenti del browser)
4. Perdita strategica di segnali            (rendere il profilo più naturale)
5. Accetta: un certo rilevamento è inevitabile (documenta il rischio residuo)

---

7. La Meta-Conclusione

La verità scomoda: un sistema anti-fingerprinting perfetto basato su proxy è impossibile perché l'esistenza del proxy è di per sé un segnale. Ogni modifica del protocollo, ogni script iniettato, ogni API bloccata crea un pattern rilevabile.

Questo non significa che Obscura sia inutile. Significa:

1. Obscura protegge dal fingerprinting opportunistico: la stragrande maggioranza degli script di tracciamento
2. Obscura non protegge dal fingerprinting determinato: servizi sofisticati con rilevamento ML
3. Obscura + Tor Browser fornisce difesa in profondità: uno per la navigazione casuale, l'altro per sessioni sensibili

L'obiettivo non è l'invisibilità. È aumentare il costo dell'identificazione al punto in cui la maggior parte dei tracker si arrende.

---

8. Riferimenti di Ricerca

• 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.