New Fingerprint, WebRTC, dan Canvas: Cara Sistem Anti-Fraud Mendeteksi Keterkaitan Antar Akun Iklan

Ketika seorang media buyer melihat pemberitahuan bahwa akun iklan barunya diblokir tepat setelah memulai kampanye, kecurigaan pertama biasanya jatuh pada proksi yang berkualitas buruk atau masalah pada akun itu sendiri. Namun, platform periklanan dan solusi anti-fraud dapat mengevaluasi kumpulan sinyal teknis, jaringan, dan perilaku yang jauh lebih luas bahkan sebelum kampanye diluncurkan.

Salah satu kumpulan sinyal tersebut adalah sidik jari digital perangkat (Digital Fingerprint). Sidik jari ini terbentuk dari puluhan parameter perangkat keras dan sistem dari browser, komputer, serta sistem operasi. Kecocokan atau anomali pada parameter ini dapat digunakan sebagai faktor tambahan saat mengevaluasi sesi dan mencari keterkaitan antar akun.

Sidik jari digital yang lengkap dapat mencakup komponen-komponen berikut:

• Parameter jaringan: alamat IP, geolokasi, penyedia layanan internet (ISP), zona waktu, dan data yang tersedia melalui WebRTC.
• Indikator perangkat keras: jumlah inti logis prosesor (Hardware Concurrency), memori RAM yang tersedia (Device Memory), spesifikasi kartu grafis, dan parameter WebGL.
• Rendering grafis: sidik jari Canvas, dukungan font, dan resolusi layar.
• Sistem media: AudioContext dan informasi tentang kapabilitas media yang tersedia pada perangkat.
• Lingkungan browser: User-Agent, paket bahasa, header HTTP Client Hints, format media yang didukung, dan karakteristik browser lainnya.

Canvas Fingerprinting: Bagaimana Rendering Grafis Membantu Membedakan Perangkat

Mekanisme Mendapatkan Hash Canvas

Teknologi HTML5 Canvas dirancang untuk menggambar grafik 2D dan 3D secara langsung di jendela browser. Pada saat yang sama, hasil rendering tersebut dapat digunakan sebagai salah satu sinyal untuk fingerprinting.

Sebuah skrip dapat meminta browser untuk me-render objek uji kecil: misalnya, potongan teks dengan berbagai font, gradien, bentuk, atau bayangan.

Hasilnya bergantung pada banyak parameter: prosesor grafis (GPU), driver, sistem operasi, browser, dan mekanisme rendering font. Karena itu, skenario grafis yang identik sekalipun pada konfigurasi yang berbeda dapat memberikan hasil yang sedikit berbeda.

Gambar yang dihasilkan dapat diubah menjadi nilai numerik atau hash dan digunakan bersama parameter lingkungan lainnya. Namun, hash Canvas yang identik dengan sendirinya tidak membuktikan bahwa akun-akun tersebut beroperasi dari perangkat fisik yang sama. Yang terpenting adalah gabungan sinyal dan konsistensinya.

Mengapa Modifikasi Buatan pada Canvas Juga Dapat Menciptakan Anomali

Beberapa alat memodifikasi hasil Canvas dengan menambahkan derau (noise) buatan. Pendekatan ini bertujuan untuk mempersulit identifikasi perangkat secara stabil, tetapi di sisi lain dapat menimbulkan masalah baru – inkonsistensi hasil.

Misalnya, jika sesi browser yang sama menunjukkan karakteristik yang sangat berbeda saat melakukan permintaan berulang ke Canvas, hal ini dapat terlihat tidak wajar.

Oleh karena itu, bagi sistem penilaian risiko, bukan hanya hash Canvas tertentu yang penting, melainkan juga seberapa selaras hash tersebut dengan WebGL, sistem operasi, browser, model perangkat, dan parameter lingkungan lainnya.

WebRTC: Dari Mana Data Jaringan Tambahan Dapat Muncul

Bagaimana WebRTC Berinteraksi dengan Jaringan

WebRTC (Web Real-Time Communication) – adalah kumpulan teknologi web untuk mengirimkan audio, video, dan data lainnya secara langsung antar browser.

Saat membangun koneksi semacam itu, browser dapat menggunakan ICE, STUN, dan TURN untuk menentukan rute jaringan yang tersedia.

Bergantung pada browser, konfigurasi jaringan, jenis proksi, dan pengaturan WebRTC, halaman web dapat memperoleh akses ke informasi tambahan mengenai lingkungan jaringan.

Jika data ini tidak selaras dengan alamat IP koneksi utama, GEO, atau parameter sesi lainnya, ketidaksesuaian tersebut dapat menjadi sinyal tambahan selama penilaian risiko.

Bagaimana Browser Antidetect Bekerja dengan WebRTC

Berbagai browser dan alat privasi dapat memproses WebRTC dengan cara yang berbeda: mempertahankan perilaku standar, membatasi akses ke data jaringan tertentu, atau mengubah nilai yang ditampilkan ke halaman web.

Mode WebRTC tertentu dengan sendirinya tidak dapat disebut secara universal sebagai «aman» atau «berbahaya». Yang jauh lebih penting adalah konsistensi lingkungan: alamat IP, GEO, zona waktu, bahasa, karakteristik browser, dan sinyal lainnya tidak boleh saling bertentangan.

Vektor Fingerprinting Tambahan: WebGL, AudioContext, dan Sinyal Perilaku

Sidik Jari Audio dan Font Sistem

Metode AudioContext bekerja dengan prinsip yang mirip dengan Canvas, tetapi menganalisis karakteristik pemrosesan sinyal audio oleh browser dan sistem.

Skrip dapat menghasilkan sinyal uji, memprosesnya melalui Web Audio API, dan mendapatkan hasil numerik. Hasil ini bergantung pada browser, sistem operasi, dan karakteristik lingkungan lainnya, sehingga dapat digunakan sebagai komponen tambahan dari fingerprint.

Parameter lainnya adalah font sistem. Dengan bantuan CSS, Canvas, dan pengukuran dimensi teks, ketersediaan jenis huruf tertentu dapat diketahui.

Kumpulan font yang tidak lazim atau ketidaksesuaiannya dengan sistem operasi yang dideklarasikan juga dapat membantu mempersempit kemungkinan konfigurasi perangkat.

Faktor Perilaku

Dalam lingkup antifraud dan deteksi bot yang lebih luas, bukan hanya parameter teknis perangkat yang dapat dianalisis, tetapi juga karakteristik interaksi pengguna dengan antarmuka.

Sinyal-sinyal tersebut dapat meliputi:

• pola pergerakan kursor;
• interval antar ketukan tombol keyboard;
• cara pengisian formulir;
• kecepatan melakukan tindakan berurutan;
• waktu yang dihabiskan di halaman sebelum berinteraksi dengan elemen-elemennya.

Satu sinyal perilaku yang terpisah biasanya tidak menentukan hasil secara tunggal. Konteks sesi secara keseluruhanlah yang berperan penting.

Parameter Apa Saja yang Membantu Sistem Mengevaluasi Konsistensi Lingkungan

Klasterisasi: Bagaimana Data Pembayaran Dapat Menciptakan Keterkaitan Antar Akun

Mengapa Lingkungan Browser Hanya Sebagian dari Gambaran Besar

Lingkungan browser dan jaringan yang stabil sekalipun tidak berarti platform akan mengevaluasi akun secara terpisah dari sinyal lainnya.

Informasi pembayaran juga dapat menjadi bagian dari konteks keseluruhan akun. Misalnya, keterkaitan dapat muncul karena:

• penggunaan satu instrumen pembayaran yang sama di beberapa akun iklan;
• masalah penagihan yang berulang atau tingkat penolakan (declines) yang tinggi;
• ketidaksesuaian data pembayaran dengan profil umum akun;
• penggunaan kembali rincian pembayaran yang sama pada banyak profil kerja.

Ini tidak berarti bahwa satu kecocokan akan secara otomatis menyebabkan pemblokiran semua akun. Namun, rincian pembayaran yang berulang dapat menciptakan hubungan teknis tambahan di antara akun-akun tersebut.

Distribusi Instrumen Pembayaran di Dalam Tim

Bagi tim yang mengelola beberapa akun iklan atau proyek, instrumen pembayaran yang terpisah membantu mengurangi ketergantungan operasional pada satu kartu saja.

Di Pay2.House, Anda dapat menerbitkan kartu virtual terpisah untuk berbagai akun iklan dan menetapkan batas pengeluaran (limit) tersendiri untuk masing-masing kartu.

Pendekatan ini menyederhanakan distribusi biaya dan kontrol anggaran: masalah pada satu kartu atau akun tertentu tidak berarti seluruh tim kehilangan alat pembayaran yang berfungsi.

Pada saat yang sama, kartu yang terpisah dengan sendirinya tidak menjamin tidak adanya keterkaitan antar akun – sistem periklanan dan anti-fraud dapat mempertimbangkan kumpulan sinyal yang jauh lebih luas.

Tingkatan Infrastruktur yang Perlu Dikontrol

Apa yang Harus Diperiksa Sebelum Meluncurkan Iklan

• Lingkungan jaringan. Pastikan alamat IP, GEO, dan parameter regional tidak saling bertentangan.
• Profil browser. Periksa apakah User-Agent, sistem operasi, WebGL, Canvas, bahasa, dan karakteristik lainnya sudah selaras.
• WebRTC. Pastikan browser tidak mengirimkan data jaringan tak terduga yang bertentangan dengan koneksi utama.
• Stabilitas fingerprint. Perubahan drastis pada parameter dari profil yang sama dapat terlihat tidak wajar.
• Infrastruktur pembayaran. Distribusikan instrumen pembayaran sejak awal, periksa limit yang tersedia, serta pastikan kartu berfungsi dengan baik.
• Stabilitas operasional. Hindari perubahan acak pada parameter penting akun tanpa alasan yang jelas.

Pertanyaan yang Sering Diajukan (FAQ)

Apakah cukup hanya mengubah User-Agent untuk mengubah sidik jari digital?

Tidak. User-Agent – hanyalah salah satu dari sekian banyak parameter lingkungan browser. WebGL, Canvas, AudioContext, font, karakteristik perangkat, dan sinyal lainnya tetap dapat diakses secara terpisah. Jika sinyal-sinyal tersebut bertentangan dengan User-Agent, hal itu justru dapat menciptakan anomali tambahan.

Layanan apa saja yang dapat digunakan untuk menganalisis fingerprint browser?

Untuk diagnostik teknis lingkungan browser, layanan seperti BrowserLeaks, Pixelscan, dan CreepJS sering digunakan. Layanan tersebut menampilkan berbagai komponen fingerprint dan membantu melihat kontradiksi antara parameter browser, jaringan, dan perangkat.

Meski demikian, hasil dari alat pemeriksa pihak ketiga tidak berarti platform periklanan mengevaluasi akun dengan model yang persis sama.

Apakah WebRTC yang dinonaktifkan secara otomatis menjadi sinyal yang mencurigakan?

Belum tentu. Berbagai browser, lingkungan korporat, dan alat privasi dapat membatasi WebRTC dengan cara yang berbeda-beda. Oleh karena itu, lebih tepat untuk mengevaluasi konsistensi lingkungan browser dan jaringan secara keseluruhan daripada hanya melihat satu parameter tertentu.

Dapatkah penggunaan satu kartu di beberapa akun iklan menciptakan keterkaitan di antara akun-akun tersebut?

Rincian pembayaran dapat menjadi salah satu sinyal yang menghubungkan akun satu sama lain. Namun, tidak ada aturan universal yang menyatakan bahwa penggunaan satu kartu secara otomatis menyebabkan pemblokiran semua akun yang terkait.

Bagi tim dengan beberapa proyek, pemisahan instrumen pembayaran terutama memudahkan pengontrolan biaya, limit, dan risiko operasional.

Kesimpulan

Fingerprint – bukanlah satu hash ajaib yang membuat sistem langsung mengenali pengguna seketika. Ini adalah gabungan sinyal jaringan, browser, perangkat keras, pembayaran, dan terkadang perilaku yang dapat dianalisis secara bersamaan.

Itulah mengapa infrastruktur perlu dilihat secara menyeluruh: mengontrol konsistensi lingkungan browser, parameter jaringan, dan proses pembayaran, alih-alih mencoba mencari satu pengaturan Canvas, mode WebRTC, atau BIN yang dianggap «paling aman».

Di sisi pembayaran, Pay2.House membantu tim mendistribusikan pengeluaran ke kartu-kartu virtual yang terpisah, menetapkan limit tersendiri, dan mengurangi ketergantungan pada satu instrumen pembayaran. Untuk melakukan scaling, hal ini memberikan infrastruktur yang lebih terkontrol tanpa harus menyimpan seluruh anggaran iklan di dalam satu kartu.