這起隱私漏洞的發現源於一個看似無關的硬體除錯過程。開發者 Matt Callaghan 在測試支援多點連接（Multipoint）的藍牙耳機時，發現當瀏覽器開啟阿里巴巴旗下的 AliExpress 頁面時，耳機無法正常地將音訊焦點從電腦切換到智慧型手機。在深入分析後，他發現該網頁在背景維持著一個活躍的音訊串流，儘管使用者完全聽不到任何聲音，但這個靜默的串流卻鎖定了系統的音訊通道，導致藍牙設備無法進入閒置狀態，進而造成多點切換失敗。
進一步對網頁資源進行去混淆處理後，發現這並非單純的程式錯誤，而是阿里巴巴所採用的 AWSC 反機器人套件（anti-bot suite）中內建的追蹤機制。該機制透過特定的 JavaScript 腳本（如 collina.js 和 fireyejs.js）執行音訊指紋識別（Audio Fingerprinting），旨在透過分析硬體處理音訊的方式來唯一識別使用者裝置。
音訊指紋識別的核心原理在於利用數位訊號處理（DSP）在不同硬體上的微小差異。該腳本會利用 Web Audio API（一種允許網頁合成與處理音訊的瀏覽器介面）建立一個合成的處理圖表，將一個已知波形的訊號傳送到數學轉換節點中。由於不同裝置的浮點運算單元（FPU）、指令集（例如 Intel 的 AVX 或 ARM 的 NEON）、作業系統的混音引擎以及廠商驅動程式在處理相同數學運算時會產生極其微小的數值差異，這些差異在頻域輸出中會形成獨特的特徵。
具體運作方式是腳本會創建一個振盪器（Oscillator）產生訊號，並將其通過壓縮器（Compressor）與分析器（Analyser），最後連接到一個增益節點（GainNode）。關鍵在於該增益節點被設定為零音量，這使得使用者感知不到聲音，但音訊圖表依然直接綁定到硬體的輸出端（ctx.destination）。這種做法不僅能悄悄收集硬體特徵，還因為維持了平台級的音訊串流，導致作業系統認為設備仍在播放聲音，從而觸發了前述的藍牙連接問題。
面對這種新型追蹤手段，不同瀏覽器採取了不同的防禦策略。Brave 瀏覽器採取的是一種稱為 Farbling 的技術，其原理是在音訊渲染緩衝區中動態注入確定性的偽隨機雜訊。這樣做可以確保每次會話提取的頻率數據都會隨機變化，使指紋失效，且不會影響正常網頁應用程式的聽覺體驗。而 Firefox 則在進階防指紋設定中採用數學分桶（Bucketing）與規範化處理，將音訊處理的精度強制限制在標準化的區間內，從而抹除 FPU 層級的微小差異。
此次事件揭露了現代 W3C 網頁標準中一個嚴重的權限漏洞。與要求明確使用者同意的地理位置 API（Geolocation API）或麥克風權限（getUserMedia）不同，初始化 AudioContext 並執行音訊合成完全不需要使用者許可。更糟糕的是，當音訊圖表輸出的是零振幅（無聲）訊號時，瀏覽器地址欄不會顯示任何音量圖示或警告，導致這種追蹤行為在視覺上完全不可見。
從企業安全工程的角度來看，電商平台部署客戶端風險評分腳本是為了防止帳號盜用、優惠券濫用或自動化撞庫攻擊（Credential Stuffing）。然而，在缺乏正式能力控制或標準化隔離機制的情況下，這種被動的反機器人防禦手段可能會與實體設備狀態產生衝突，並在未經告知的情況下侵害使用者的基礎隱私預期。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。