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

Categoría: Entre Capas / Meta-Detección

---

1. Descripción

El acto de protegerse crea patrones detectables. Las herramientas de privacidad son paradójicas: cuanto más agresivamente modifican las señales, más crean nuevas señales que identifican "usuario de herramienta de privacidad". Este documento analiza cómo los servicios de fingerprinting detectan proxies similares a Obscura mediante inconsistencias y anomalías.

---

2. Vectores de Detección

2.1 Inconsistencia de Perfil entre Capas

La detección más poderosa: comparar señales entre capas.

Entropía: Muy Alta — puede detectar proxies definitivamente

2.2 Detección de Proxy TLS

2.3 Detección de Anulación JavaScript

// Detectar si las propiedades de navigator han sido anuladas
const uaDescriptor = Object.getOwnPropertyDescriptor(
  Object.getPrototypeOf(navigator),
  'userAgent'
)
if (uaDescriptor && uaDescriptor.get !== originalGetter) {
  // ¡Anulación detectada!
}

// Alternativa: comparar múltiples fuentes de señal
// navigator.userAgent vs navigator.userAgentData
// Si discrepan, una ha sido anulada

Técnicas adicionales:

2.4 Detección de Bloqueo de Características

Análisis de patrones: Un usuario que bloquea WebGL + AudioContext + WebRTC + Canvas es casi seguro que está usando una herramienta de privacidad.

2.5 Anomalías de Comportamiento

2.6 Detección Basada en IP

2.7 Detección Basada en DNS

---

3. Detección Estadística

Los atacantes sofisticados usan aprendizaje automático para detectar anomalías:

# Modelo conceptual de detección ML
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)
# Entrenado en conjunto de datos etiquetado de usuarios reales vs usuarios de herramientas de privacidad
prediction = model.predict(features)
# Probabilidad de que este tráfico esté detrás de una herramienta de privacidad

El modelo ML puede detectar correlaciones sutiles que los humanos pasarían por alto — ej., "los usuarios que bloquean WebGL y usan Cloudflare DNS y tienen headers consistentes tienen un 94% de probabilidad de estar usando una herramienta de privacidad."

---

4. Fortalezas del Atacante

---

5. Debilidades del Atacante

---

6. Mitigaciones para Obscura

6.1 Lo Que Obscura Puede Hacer

6.2 Lo Que Obscura No Puede Hacer

6.3 Enfoque Recomendado

1. Validación de consistencia de perfil          (máximo ROI — previene la mayoría de detecciones)
2. Certificados CA reales                        (evitar detección de CA autofirmado)
3. Actualizaciones automáticas de fingerprint    (mantenerse al día con cambios de navegador)
4. Filtrado estratégico de señales               (hacer que el perfil parezca más natural)
5. Aceptar — algo de detección es inevitable     (documentar riesgo residual)

---

7. La Meta-Conclusión

La verdad incómoda: un sistema anti-fingerprinting perfecto basado en proxy es imposible porque la existencia del proxy es en sí misma una señal. Cada modificación de protocolo, cada script inyectado, cada API bloqueada crea un patrón detectable.

Esto no significa que Obscura sea inútil. Significa:

1. Obscura protege contra el fingerprinting oportunista — la gran mayoría de los scripts de rastreo
2. Obscura no protege contra el fingerprinting determinado — servicios sofisticados con detección ML
3. Obscura + Tor Browser proporciona defensa en profundidad — uno para navegación casual, el otro para sesiones sensibles

El objetivo no es la invisibilidad. Es aumentar el costo de identificación hasta el punto en que la mayoría de los rastreadores se rindan.

---

8. Referencias de Investigación

• 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.