💻 computer science

Invisible Trails? An Identity Alignment Scheme based on Online Tracking

Este artigo propõe um esquema de alinhamento de identidade baseado em rastreamento online que utiliza ataques passivos e ativos para desanonimizar usuários e identificar suas contas em diferentes plataformas, apresentando ainda um novo framework de avaliação e um protótipo funcional aplicado ao setor de criptomoedas.

Autores originais: Ruisheng Shi, Zhiyuan Peng, Tong Fu, Lina Lan, Qin Wang, Jiaqi Zeng

Publicado 2026-02-12

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ruisheng Shi, Zhiyuan Peng, Tong Fu, Lina Lan, Qin Wang, Jiaqi Zeng

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

🕵️‍♂️ O Mistério das Pegadas Invisíveis: Como sua Identidade "Vaza" na Internet

Imagine que você é um espião tentando manter sua identidade secreta. Você usa uma máscara em uma festa (o Site A, uma rede social estrangeira) e, depois, vai a um café usando roupas comuns (o Site B, uma rede social local onde você usa seu nome real). Você acha que, como mudou de roupa e de lugar, ninguém vai saber que você é a mesma pessoa.

O problema é que, sem você perceber, você está deixando "pegadas invisíveis" por onde passa. Este artigo científico mostra como criminosos ou investigadores podem usar essas pegadas para ligar o "espião mascarado" ao "cliente do café", revelando quem você é de verdade.

👣 O que são essas "Pegadas Invisíveis"?

Sabe quando você entra em uma loja e, mesmo sem falar seu nome, o vendedor nota que você gosta de sapatos azuis, olha o relógio às 14h e depois sai? Na internet, existem os "Trackers" (rastreadores). Eles são como pequenos sensores invisíveis espalhados por quase todos os sites. Eles não anotam seu nome, mas anotam o seu "ritmo":

"O usuário X clicou aqui às 10:05."
"O usuário X viu este post às 10:10."

🧩 O Plano: O Jogo de Combinar Horários

Os pesquisadores criaram um método chamado "Alinhamento de Identidade". Pense nisso como um jogo de quebra-cabeça de horários.

O rastro conhecido: O atacante sabe que você postou algo no Twitter às 15:00.
O rastro anônimo: O atacante olha os dados de um rastreador (que são anônimos, tipo "Usuário #999") e vê que o "Usuário #999" também fez uma atividade às 15:00.
A conexão: O atacante então olha o Site B (onde você é real) e vê que você postou algo às 15:01.
O "Checkmate": "Espera! O Usuário #999 e o João Silva agem exatamente nos mesmos horários. Eles devem ser a mesma pessoa!"

🎣 O Ataque "Ativo": A Isca de Pesca

O artigo vai além. Eles explicam que existe o Ataque Passivo (apenas observar) e o Ataque Ativo.

O ataque ativo é como um pescador. Se o atacante tem uma lista de suspeitos, mas não tem certeza de quem é quem, ele joga uma isca. Ele posta um assunto que sabe que o alvo gosta (por exemplo, uma notícia sobre criptomoedas ou um hobby específico). Quando o alvo "morde a isca" e comenta ou clica, ele deixa uma pegada nova e clara, confirmando: "É ele! O suspeito acabou de interagir com o tema que eu joguei!"

💰 Para que isso serve? (O Lado Bom e o Lado Perigoso)

O artigo menciona que essa tecnologia tem um uso muito importante para a justiça: caçar criminosos de criptomoedas.

Muitos criminosos usam moedas digitais para lavar dinheiro porque acham que são invisíveis. Mas, se o criminoso usa a criptomoeda e, ao mesmo tempo, navega em sites comuns, esse "ritmo de comportamento" pode permitir que a polícia ligue o endereço digital da carteira de dinheiro ao CPF real da pessoa.

⚠️ O Alerta de Privacidade

A conclusão é um aviso: a anonimidade na internet é uma ilusão. Mesmo que você não diga seu nome, o seu comportamento (o que você faz e, principalmente, quando você faz) é uma assinatura única. É como se o seu ritmo de caminhada fosse tão diferente que, mesmo de máscara, um policial conseguisse te reconhecer apenas pelo jeito que você anda.

Em resumo: O artigo prova que o "ritmo" da nossa vida digital é tão único quanto uma impressão digital, e que rastreadores de anúncios podem ser usados para desmascarar identidades, mesmo que tentemos nos esconder.

Resumo Técnico: "Invisible Trails? An Identity Alignment Scheme based on Online Tracking"

1. O Problema (O Desafio da Privacidade)

O artigo aborda a falha na anonimização de dados coletados por tecnologias de rastreamento de terceiros (third-party trackers), como cookies. Embora empresas aleguem proteger a privacidade através de técnicas de anonimização (como generalização e privacidade diferencial), os autores demonstram que os "rastros digitais" deixados pelos usuários permitem a correlação de identidades entre diferentes plataformas.

O problema central é o alinhamento de identidade (identity alignment): a capacidade de um atacante associar uma conta conhecida em um site (ex: Twitter) a uma conta anônima ou pseudônima em outro site (ex: um fórum de criptomoedas ou rede social doméstica), utilizando dados de comportamento temporal coletados por rastreadores.

2. Metodologia Proposta

Os autores propõem um esquema de alinhamento de identidade baseado em análise de comportamento temporal e introduzem dois tipos de ataques:

Coleta de Dados: Desenvolveram um coletor de dados que combina crawlers (para dados públicos e identificáveis) e rastreadores (para dados de comportamento anônimos, como carimbos de data/hora de navegação).
Algoritmo de Alinhamento de Identidade (Algorithm 2): O núcleo do método não busca informações pessoais diretas, mas sim a sincronia temporal. O algoritmo funciona em três etapas:
1. Filtra os horários de atividade de um usuário alvo no "Site A" (fonte).
2. Busca no conjunto de dados do rastreador (tracker) IDs de rastreamento que possuam atividades nos mesmos intervalos de tempo (dentro de uma granularidade de correspondência $\Delta t_m$ ).
3. Utiliza esses IDs para encontrar atividades no "Site B" (alvo) e identificar o nome de usuário correspondente.
Tipos de Ataque:
- Ataque Passivo: Analisa dados de rastreamento existentes e informações públicas para reduzir o conjunto de usuários anônimos a um grupo pequeno de suspeitos.
- Ataque Ativo: O atacante induz o usuário alvo a interagir com conteúdos específicos (ex: postar comentários ou responder a menções) para aumentar o volume de dados de comportamento, tornando o alinhamento muito mais preciso.

3. Principais Contribuições

Novo Esquema de Alinhamento: Um algoritmo capaz de lidar com dados incompletos, fragmentados e de domínios cruzados (ex: redes sociais internacionais vs. domésticas).
Framework de Avaliação: Introdução de métricas inéditas para medir o sucesso do alinhamento:
- Identity Alignment Success Rate (IASR): Taxa de sucesso na identificação.
- Anonymity Set Scaling Rate (ASSR): Capacidade de reduzir o tamanho do grupo de usuários anônimos.
- Accurately Identified User Proportion (AIUP): Proporção de usuários identificados com precisão absoluta (conjunto de tamanho 1).
Versatilidade: O método suporta alinhamento de múltiplas contas, múltiplos dispositivos e cenários de fronteira (cross-border).

4. Resultados Experimentais

Os experimentos foram realizados utilizando dados do Twitter e do Sina Weibo, simulando cenários de usuários ativos e inativos.

Granularidade Temporal: Descobriu-se que a precisão depende criticamente da granularidade de tempo ( $\Delta t_g$ ). Se a granularidade for muito pequena, o erro de sincronização do rastreador impede o match; se for muito grande, o conjunto de candidatos aumenta demais (reduzindo a precisão).
Densidade de Postagem: Quanto maior a frequência de postagens do usuário, maior a probabilidade de identificação precisa. Usuários que postam mais de 7 vezes por dia têm alta probabilidade de serem identificados.
Eficácia do Ataque Ativo: O ataque ativo demonstrou ser extremamente poderoso. Ao induzir apenas um usuário a enviar uma única mensagem, o índice de redução do conjunto de anonimato (ASSR) saltou drasticamente, permitindo a identificação precisa.

5. Significância e Aplicações Práticas

O trabalho tem implicações profundas tanto para a segurança quanto para a aplicação da lei:

Combate ao Crime Cibernético: Os autores demonstraram um protótipo funcional para rastrear criminosos que utilizam criptomoedas. O sistema permite ligar endereços de carteiras virtuais a identidades reais e localizações físicas através do alinhamento de contas em redes sociais.
Segurança de Redes Anônimas: O método pode ser usado para desanonimizar usuários na rede Tor, combatendo atividades ilícitas.
Conformidade Ética/Legal: O artigo ressalta que, embora a técnica seja poderosa, seu uso deve ser restrito a autoridades judiciais autorizadas para fins de investigação criminal, devido aos riscos de invasão de privacidade e violação de leis como o GDPR.