MIT和Google联合在PoPETs 2025顶会上发布的研究《How Unique is Whose Web Browser? The Role of Demographics in Browser Fingerprinting among US Users》，基于8400名美国用户的真实数据，揭示了浏览器指纹的深层隐私风险——其作用不仅限于跨站追踪，还能间接推断用户的收入、年龄、性别及种族。看似零散的浏览器属性，组合后形成一套精准的人口画像工具，Device Memory（设备内存）只是其中最具代表性的一例。
一、关键属性背后的人口特征映射
1. Device Memory（设备内存）：收入水平的直接关联指标
该属性的设计初衷是降低隐私风险——W3C将其返回值限定为7个离散值（0.25、0.5、1、2、4、8等），熵值仅1.611 bits，表面上减少了信息泄露。但研究数据显示，设备内存与收入呈现强关联：内存值为2的用户中，60%以上来自低收入家庭；内存值≥8的用户，则集中于高收入群体。
核心逻辑源于硬件配置与购买力的绑定：高收入群体设备更换频率高，更倾向于选择旗舰机型或高配电脑，大内存成为标配；低收入群体受预算限制，多使用入门级设备或二手旧机，内存配置偏低且更换周期长，进一步固化了这一差异。作为硬件固有属性，设备内存无法通过常规操作修改，一旦被采集，便成为长期标识用户收入水平的稳定线索。研究的互信息分析也证实，其与收入的关联度在所有属性中位居前列，依靠这一属性，简单机器学习模型对低收入群体的推断AUROC就能达到0.605。
2. Screen Resolution（屏幕分辨率）：消费档次的可视化线索
屏幕分辨率直接反映设备档次：1920×1080及以上的高分辨率，多见于中高收入群体使用的旗舰机、高配电脑；1366×768等低分辨率，则常见于低收入群体的老旧设备或入门级产品。
研究表明，低收入群体的分辨率分布更为分散，匿名集规模更小，更易被精准定位；65岁以上老年群体的高分辨率设备占比，显著低于中青年群体。该属性采集成本低，且极难伪造，通过基础技术手段就能获取，成为信贷风控、广告定向等场景中低成本高效的群体划分工具。
3. User Agent（浏览器标识）：年龄与行为习惯的隐性载体
User Agent包含浏览器版本、操作系统等信息，背后映射着"设备更新频率—经济能力—行为习惯"的传导链。中高收入、中青年群体更注重设备更新，常用新版Chrome搭配Win10/11系统；老年人及低收入群体则多使用老旧系统或小众浏览器，更新意愿低，形成稳定的标识差异。
性别差异在这一属性上同样显著：女性的User Agent多样性更高，且其属于被动指纹——服务器通过HTTP请求头就能获取相关信息，浏览器无法拦截，导致女性面临更高的被动追踪风险；男性的User Agent熵值虽较低，但与其他属性组合后，指纹唯一率反而更高。
4. Languages（浏览器语言列表）：种族与族裔的直接信号
语言设置与用户种族、族裔深度绑定：语言列表包含"es-US"（西班牙语）的用户，大概率为西班牙裔；包含中文、日文、韩文的用户，以亚裔为主；仅保留"en-US"的用户，则多为美国本土主流人群。
研究数据显示，西班牙裔用户中，45%以上的语言列表包含"es-US"，亚裔用户的语言属性唯一率也显著高于其他种族。该属性由用户基于自身需求主动配置，与生活背景深度绑定，且属于被动指纹，服务器可无感知采集，为人口特征细化推断提供关键支撑。
5. WebGL Unmasked Renderer（显卡渲染器）：设备档次与性别的隐藏关联
显卡型号与设备价格直接相关：新款独显、高端核显多对应高收入群体的旗舰设备，老旧集显则常见于低收入群体的入门设备。同时，该属性存在明显的性别差异：男性使用的GPU型号更为多样，其熵值比女性样本高68%，这也是男性用户指纹唯一率更高的核心原因之一。
作为主动指纹属性，需通过JavaScript采集，与其他属性组合后，既能提升用户唯一标识的成功率，也能为人口特征推断提供关键补充信息。
6. Platform（平台：Win/macOS/iOS/Android）：人口分层的高效依据
平台选择本质上是品牌定价对人群的筛选：macOS/iOS用户中，高收入、中青年群体占比极高；低端Android用户则以低收入或老年群体为主。研究显示，iOS用户的平均收入水平，比低端Android用户高出3倍以上。
该属性获取成本极低，通过基础采集流程就能实现，仅凭平台类型即可快速完成用户粗分类，为后续的精准人口特征推断奠定基础。
二、风险的差异化分布：弱势群体的集中暴露
研究的核心警示在于，浏览器指纹的隐私风险并非均匀分布，而是集中于弱势群体，形成系统性差异：
低收入群体面临多重属性的风险叠加——Device Memory偏小、分辨率分布分散、WebGL型号多样，导致其匿名集仅3.5人，成为最易被追踪的群体；老年群体的指纹唯一率高达84.5%，且对追踪的担忧程度最高，但因设备更新缓慢、使用习惯固定，长期追踪风险显著高于其他年龄段；少数族裔则因语言设置的特殊性，被动追踪风险高于主流人群。
这些属性的组合推断能力，已能支撑信贷风控等场景的初步筛查——通过设备内存、平台类型、分辨率等属性形成的画像，可辅助判断用户的经济状况与还款能力，成为传统风控手段的补充。
三、研究带来的核心启示
这一研究指出了"隐私保护仅需降低属性熵值"的认知局限——Device Memory的案例证明，单纯限制属性取值范围，可能反而强化其与人口特征的绑定。对浏览器厂商而言，未来的隐私设计需兼顾"降熵"与"去关联"，避免属性值成为群体分层的工具；对用户而言，需重视设备内存、硬件型号等不可修改属性的泄露风险，可通过隐私浏览器的属性伪装功能降低风险；对政策制定者而言，需关注技术手段带来的隐性数据应用边界，明确这类人口推断行为的合规范围。
该研究的数据集已开源（https://github.com/aberke/fingerprinting-study），为后续隐私保护技术研发、政策制定提供了重要的实证基础，也让浏览器指纹的人口推断风险成为行业需要应对的实际问题。
参考文献
基于MIT和Google的实证研究，浏览器指纹可通过Device Memory、Platform、Screen Resolution、User Agent、Languages、WebGL等属性推断用户收入、年龄、性别及族裔，建议优先实施Memory（内存≥8GB关联高收入）、Platform（iOS/macOS用户平均收入比低端Android高3倍）、Resolution（高分辨率为中高收入群体特征）三个特征用于额度冷启动和风险分层：高内存+高端平台可适当提升初始额度，低内存+低端Android需加强核验，同时监控指纹唯一率（<5人匿名集需风险预警），注意特征仅作为辅助画像，禁止将种族性别作为决策因子以符合合规要求。