Die Electronic Frontier Foundation (eff) hat die von Google beworbene FLoC-API kritisiert Als Teil der Privacy Sandbox-Initiative hat Chrome 89 mit der experimentellen Implementierung einer Reihe von APIs begonnen, die Cookies von Drittanbietern ersetzen können, die zum Verfolgen von Bewegungen verwendet werden.
In Zukunft plant Google, die Verwendung von Tracking-Cookies vollständig zu entfernen und die Unterstützung von Chrome für Cookies von Drittanbietern zu beenden, die beim Besuch anderer Websites als der aktuellen Seitendomäne festgelegt werden.
Die FLoC-API dient dazu, die Interessenkategorie des Benutzers ohne individuelle Identifizierung und ohne Bezug zur Historie zu bestimmen Besuche auf bestimmten Websites.
Herde Mit dieser Option können Sie Benutzergruppen mit ähnlichen Interessen hervorheben ohne einzelne Benutzer zu identifizieren. Benutzerinteressen werden durch "Kohorten" identifiziert, kurze Bezeichnungen, die verschiedene Interessengruppen beschreiben.
Kohorten werden auf der Browserseite berechnet, indem Algorithmen für maschinelles Lernen auf das Durchsuchen von Verlaufsdaten und Inhalten angewendet werden, die im Browser geöffnet werden. Details verbleiben beim Benutzer, und nur allgemeine Informationen zu Kohorten, die Interessen widerspiegeln und es ihnen ermöglichen, relevante Werbung zu liefern, ohne einen bestimmten Benutzer zu verfolgen, werden nach außen übertragen.
Laut EFF kann die vorgeschlagene API einige Probleme durch andere ersetzen. Wenn eine Website Tags zu Interessen erhalten kann, werden die Bedingungen für die Diskriminierung von Benutzern gemäß ihren Präferenzen und Sichtweisen sowie für die aktive Nutzung räuberischer Ziele geschaffen.
Anstatt das Targeting ganz aufzugeben, versucht Google, es zu ersetzen die vorherige Ausrichtungr mit einer neuen Methode Anleitung mit ihren eigenen Problemen.
Einige seiner Vorschläge zeigen, dass er aus der anhaltenden Reaktion auf das Überwachungsgeschäftsmodell nicht die richtigen Lehren gezogen hat. Dieser Beitrag konzentriert sich auf einen solchen Vorschlag, das föderierte Kohortenlernen (FLoC), das vielleicht das ehrgeizigste und möglicherweise das schädlichste ist.
EFF ist der Ansicht, dass es Sache des Benutzers ist, zu entscheiden, welche Informationen an die einzelnen Standorte übertragen werden sollen und machen Sie sich keine Sorgen darüber, dass Spuren Ihrer früheren Aktivitäten verwendet werden können, um Sie beim Öffnen von Websites zu manipulieren. Die Einführung von FLoC kann dazu führen, dass Informationen über das Benutzerverhalten wie ein Stigma sind, wenn Sie von einer Site zur anderen folgen.
Zu den neuen Risiken gehören:
- Das Auftreten eines zusätzlichen Faktors zur versteckten Identifizierung des Browsers des Benutzers ("Browser-Fingerabdruck"). Obwohl die FLoC-Kohorten zu Tausenden zählen, können sie verwendet werden, um die Genauigkeit der Browseridentifikation zu verbessern, wenn sie in Kombination mit anderen indirekten Daten wie Bildschirmauflösung, Liste der unterstützten MIME-Typen und spezifischen Parametern in Headern (HTTP / 2 und HTTPS) verwendet werden ), installierte Plugins und Schriftarten, Verfügbarkeit bestimmter Web-APIs, grafikkartenspezifische Rendering-Funktionen mit WebGL und Canvas, CSS-Manipulation, Tastatur- und Mausfunktionen.
- Stellen Sie Trackern, die bereits Benutzer identifizieren, zusätzliche personenbezogene Daten zur Verfügung. Wenn beispielsweise ein Benutzer identifiziert und in seinem Konto angemeldet ist, kann der Dienst die Daten zu den in der Kohorte angegebenen Einstellungen explizit einem bestimmten Benutzer zuordnen und beim Ändern von Kohorten die Umwandlung von Einstellungen verfolgen.
- Reverse Engineering des Besuchsverlaufs basierend auf Kohortendaten ist nicht ausgeschlossen. Durch die Analyse des Kohortenzuweisungsalgorithmus kann beurteilt werden, welche Websites der Benutzer voraussichtlich besuchen wird. Es ist auch möglich, auf der Grundlage von Kohorten Schlussfolgerungen zu Alter, sozialem Status, Geschlechterorientierung, politischen Präferenzen, finanziellen Schwierigkeiten oder erlebten Widrigkeiten zu ziehen.
- Diskriminierung aufgrund von Benutzereinstellungen. Beispielsweise können Stellenangebote und Darlehen je nach ethnischer Zugehörigkeit, Religion, Geschlecht und Alter variieren. Kredite zu überhöhten Zinssätzen können Benutzern mit Geldnot auferlegt werden, und demografische und politische Präferenzen können verwendet werden, um die Glaubwürdigkeit von Fehlinformationen zu erhöhen.
Quelle: https://www.eff.org