普林斯顿大学研究人员对网络追踪技术的一项全面研究 显示，一种新技术正被用于发掘互联网用户的隐私数据。此外研究还对当前正在使用的常用追踪技术进行了量化分析。
这项研究发现的新技术利用 AudioContext API（应用程序接口）给计算设备的声音环境打上指纹标签。这款 API 不会收集计算设备播放或录制的声音，而是分析这些设备的声音信号，将其作为标识符，从而跟踪互联网用户。
关于这项技术，研究人员制作了一个 实时演示页面。
研究发现，声音指纹技术尚未得到广泛使用。不过，常见的追踪拦截和隐私保护工具，例如 Ghostery，也没有将这项技术包括在内。
为了分析网站采用的追踪技术，研究人员使用了开源工具 OpenWP，覆盖了 Alexa 排名前 100 万的网站。
研究指出：“如果没有新的网页技术提供全面支持，我们也无法发现并确定 AudioContext API 在设备指纹方面的应用。”
在互联网上追踪用户信息已成为一场军备竞赛。与隐私保护相关的研究需要反映用户实际的上网行为，从而得出真实的分析结果。
研究关注的其他追踪技术还包括 WebRTC IP、Canvas 指纹识别、Canvas 字体指纹识别，以及电池 API15.
尽管 Ghostery 和火狐的第三方 cookie 拦截工具等隐私保护工具被证明有效，但研究人员发现，“模糊不清的追踪技术”带来了更多挑战。他们表示：“当前的隐私保护工具大多不会拦截指纹脚本的‘长尾’端。”
因此，尽管声音指纹技术并不常用，但这项技术足够新颖，因此尚未被常用的隐私保护工具覆盖在内。
研究人员认为，对于不断变化的互联网追踪技术，机器学习未来将可能成为解决方案之一。他们希望，机器学习能自动探测并分类追踪技术，最终取代当前人工需要去做的工作。
关于机器学习，研究人员表示：“如果获得成功，那么这将极大地提升浏览器隐私保护工具的效率。今天，这样的工具使用追踪保护列表，而列表是由人工创建的，有可能出现很多‘假阳性’和‘假阴性’。大数据带来了理想的基础，以训练分类工具探测及归类追踪技术。”
