手机没有偷听你,但它比偷听更懂你:把「精准推送」拆成一个熵预算问题
热榜上那篇「抓包 72 小时」的结论,和我自己的观察一致:麦克风权限在后台几乎不会被静默调用,音频上报的流量特征也找不到。于是讨论很快滑向两种立场——「肯定在偷听,只是藏得深」和「都是巧合,你想多了」。
这两句都不对。真正的问题不是「有没有打开麦克风」,而是:
为什么在完全没有语音输入的前提下,系统依然能高置信度地知道「这台设备是谁」?
答案不在音频里,在标识符的熵里。这篇文章不复述体验,而是把「精准」拆成一个可以计算的工程问题:给它一个熵预算公式,跑四组模拟实验量化每一层特征的贡献,再解释为什么你的抓包软件注定抓不到东西。
一、先把「精准」变成一个可计算的问题
所有的用户画像、归因、推荐,第一步都是同一个动作:把两条来自不同来源的日志,判断是不是同一台设备同一个人。这个动作在工程上叫重识别(re-identification)。
它有一个非常干净的数学形式。假设总共有 N 台设备,你手里有一组特征 ,每个特征的香农熵是 ,那么:
- 供给端:这组特征能提供的信息量上界是 bit(假设特征独立);
- 需求端:要把一台设备从 N 台里唯一挑出来,需要 bit。
于是重识别的充分条件可以粗暴写成:
Σ H(f_i) ≥ log2(N) → 指纹可唯一定位
Σ H(f_i) < log2(N) → 指纹只能缩小候选集,需要别的机制补
这个不等式比任何「他有 200 个权限」的讨论都有用,因为它把「隐私」从道德问题变成了预算问题:你采集的每个字段都在往预算里充值,而人群规模决定了你要花多少。
二、实验一:每个「无害字段」贡献多少熵
我用真实分布形状(机型、装机量用 Zipf 长尾,其余按常见取值分布)模拟了 5 万台设备的采集记录,计算单字段熵。代码很短:
import math, random, bisect
from collections import Counter
def sampler(n, s): # Zipf 采样器,避免每轮重建权重
cum, acc = [], 0.0
for i in range(n):
acc += 1.0 / ((i + 1) ** s); cum.append(acc)
return lambda: bisect.bisect_left(cum, random.random() * acc)
MODEL = sampler(216, 0.9) # 216 款主流机型
APP = sampler(5000, 1.0) # 5000 个常见 App,长尾
def entropy(vals):
c, n = Counter(vals), len(vals)
return -sum((v / n) * math.log2(v / n) for v in c.values())
# 5 万台设备的采集记录
rows = [{
"机型": MODEL(),
"分辨率": random.choice([(1080,2400),(1260,2800),(1440,3200),(1200,2670)]),
"字体档": random.randrange(30),
"时区": random.choice(["Asia/Shanghai"]*9 + ["UTC","Asia/Hong_Kong"]),
"传感器档": random.choice(sensor_offsets), # 陀螺仪/加速度计零点偏移,量化 200 档
"IP前两段": IP(),
"装机集合": tuple(sorted(APP() for _ in range(random.randint(25, 70)))),
} for _ in range(50000)]
for k in rows[0]:
print(k, round(entropy([str(r[k]) for r in rows]), 2), "bit")
输出(本次运行的实测值):
| 字段 | 熵 | 备注 |
|---|---|---|
| 机型 | 6.44 bit | 216 款机型的长尾分布 |
| 分辨率 | 2.58 bit | 只有 4~6 种 |
| 字体档 | 4.91 bit | 厂商字体包 30 档 |
| 时区 | 0.87 bit | 国内基本没区分度 |
| 传感器档 | 7.56 bit | 校准零点,每台设备物理上略有差异 |
| IP 前两段 | 9.92 bit | 按地域 Zipf 分布 |
| 装机集合 | 15.61 bit | 40~60 个 App 的组合,几乎是名字本身 |
单看任何一个都不致命:分辨率 2.58 bit 能说什么?时区 0.87 bit 更是毫无意义。但熵是可加的。
三、实验二:重识别率不是线性增长,是跳变
同样是 5 万台设备,按「看起来最无害 → 最敏感」的顺序逐层叠加特征,统计能唯一定位的比例:
| 特征组合 | ΣH | 唯一率 |
|---|---|---|
| 机型 | 6.4 bit | 0.00% |
| + 分辨率 | 9.0 bit | 0.00% |
| + 字体档 | 13.9 bit | 21.24% |
| + 时区 | 14.8 bit | 31.46% |
| + 传感器档 | 22.4 bit | 96.92% |
| + IP 前两段 | 32.3 bit | 99.98% |
| + 装机集合 | 47.9 bit | 100.00% |
这张表是整篇文章的核心。请注意三个台阶:
- 前两步完全是 0。这就是「我们只采集了机型和分辨率,属于设备信息,不算个人信息」这类说法的来源——单看确实不构成识别。
- 加上字体档,直接跳到 21%。字体列表这种「为了适配显示效果」的字段,从来没被当成隐私项,但它贡献了 4.91 bit。
- 加上传感器校准零点,冲到 97%。这一列最反直觉:它不是 ID,不是 MAC,甚至不是用户能感知的东西,但它是模拟器件的物理指纹——同一型号的两颗陀螺仪,出厂零偏不会完全一样。iOS 生态里著名的DeviceCheck / 早期 fingerprinting 研究,就是靠这类亚像素级差异做设备区分。
也就是说:「匿名化」在工程上常常只是把 47.9 bit 砍到 22.4 bit,而后者在 5 万台规模下依然能定位 97% 的设备。 把 ID 字段删掉,从来不等于匿名。
四、实验三:为什么小城市「特别准」,大城市「没那么准」
上面的 22.4 bit 有个隐含前提:它描述的是指纹空间的大小,不是人群大小。,这个数字是个分水岭。
固定只用「机型 + 分辨率 + 字体档 + 时区」(ΣH ≈ 14.8 bit),改变模拟人群规模:
| 人群规模 N | 唯一率 |
|---|---|
| 1,000 | 91.20% |
| 5,000 | 70.02% |
| 20,000 | 47.45% |
| 100,000 | 20.48% |
| 500,000 | 4.76% |
这就是为什么同一个广告系统,在三四线城市能做出「神了」的效果,在一线城市大库里就显得笨。不是算法有地域歧视,是熵预算和人口规模的比例变了。
工程上的推论很直接:当 超过特征熵预算时,单靠「静态指纹」不够用了,系统必须引入第二类机制——共现缝合(identity stitching)。这也解释了一个现象:越是用户量大的平台,越执着于让你登录、绑手机号、开定位——那是在买熵。
五、实验四:零共享 ID,也能把两个 App 的匿名 ID 缝成同一台设备
假设 App A 和 App B 各自生成了一个随机 uid,双方没有任何共享字段,也没有 IDFA/OAID。它们还能对上号吗?能——用 WiFi。
原理朴素得可怕:你家路由器的 BSSID 是固定的,公司的是固定的,常去的咖啡店也是固定的。 一个人反复连接的那几个 BSSID 集合,本身就是一个高区分度的指纹。
我用 2000 台设备模拟:每台设备有 1~3 个常连 BSSID,25% 的设备会额外连上商场/写字楼类高密度热点;两端各自有 35% 的观测漏报(切网、没开 WiFi、未上报)。然后只用倒排索引 + 投票做匹配:
from collections import Counter, defaultdict
idx = defaultdict(set) # BSSID -> 观测到它的 B 端 uid
for uid_b, bssids in B.items():
for b in bssids:
idx[b].add(uid_b)
def match(bssids_a):
votes = Counter()
for b in bssids_a:
for uid_b in idx[b]:
votes[uid_b] += 1
top = votes.most_common(2)
if not top:
return None
if len(top) > 1 and top[0][1] == top[1][1]:
return None # 平票,宁可不判,避免污染画像
return top[0][0] # 票数最高者胜出
结果:
- 可判定样本 515 / 2000(25.8%),其中判对 476 个 → 精度 92.4%;
- 换算下来,23.8% 的设备在零共享 ID 的情况下被唯一对上号;
- 误判几乎全部来自高密度热点(最热的一个 BSSID 覆盖 71 台设备,平均 4.8 台)。
23.8% 听起来不高?但请注意这是最朴素的一版:只要三个 BSSID、不区分时间。真实系统会加上:
- 时间桶对齐:同一 BSSID + 同一 10 分钟窗口,碰撞率立刻下降一个数量级;
- IP + 时间桶:运营商 NAT 后的出口 IP 变化模式,是移动端归因的经典信号;
- 基站 Cell ID 序列:通勤路线本质上是一条轨迹特征;
- 剪贴板口令、Universal Link、归因回调:最直接的跨 App 传递通道;
- 设备指纹作为 tie-breaker:把上面第三节的 22 bit 拿来给投票打破平票。
所以「两家公司怎么知道我是同一个人」这个问题,答案往往不是「它们共享了数据」,而是它们各自观测到了同一个物理世界的锚点(同一个路由器、同一段路、同一个 IP 出口),然后在服务端把两个随机 ID 缝在一起。
六、那「我刚说完就被推」到底怎么解释
如果既没有偷听,也没有共享 ID,那种「说出来就推」的恐怖体验从哪来?三个机制叠加,足够解释绝大多数案例:
1. 曝光基数 × 品类覆盖 = 必然命中。 一个日活在千万级的 App,用户每天被动接触的广告位数量在几十到上百个量级。广告主按品类包段投放时,用户所在人群包(比如「25-35 岁、一线、母婴兴趣」)本身就被高频覆盖。你一天看到 80 条广告,其中只要 1 条恰好对应你刚聊过的东西,记忆就会被强化;另外 79 条不相关的,大脑不会记录。
2. 确认偏误的采样偏差。 这不是玄学,是标准的幸存者偏差:命中的被记住,未命中的被丢弃。心理学上叫 illusory correlation,工程上叫观测窗口偏差。
3. 输入法 / 搜索 / 剪贴板的正规通道。 你在微信里打了「露营」,输入法云联想、系统搜索、剪贴板读取(有权限时)都可能把「露营」这个词变成兴趣标签。这条路径不需要麦克风,且技术上完全合法(在授权范围内)。
真正应该警惕的不是「有没有录音」,而是「我的兴趣标签被多少个 SDK 拼出来了」。前者是一个可以审计的权限问题,后者是一个难以审计的熵积累问题。
七、为什么你抓包抓不到东西
回到热榜那篇文章的实验:抓包 72 小时、翻遍请求,也没找到音频上报。这不是方法不对,而是现代 App 的上报链路已经系统性地绕开了朴素抓包:
- 证书固定(certificate pinning):OkHttp 的
CertificatePinner、iOS 的NSURLSession委托校验,让 mitmproxy 的中间人证书直接被拒; - QUIC / HTTP3:走 UDP 443,很多抓包工具默认不解;
- 系统级通道:推送、后台任务、系统 SDK 的上报不完全走 App 进程;
- 采样上报 + 聚合上报:不是每条行为都上报,而是本地聚合后批量发送,单条流量看不出语义;
- 加密载荷 + 自定义协议:protobuf + 私有加密,body 是二进制黑盒。
所以「抓不到」不能证明「没有采集」,只能证明抓包这个观测手段的分辨率不够。想验证,得换观测点:
# 1) 看谁真的碰了麦克风/相机/定位(AppOps 审计,不需要 root)
adb shell appops get com.example.app RECORD_AUDIO
adb shell dumpsys appops --op RECORD_AUDIO | grep -A2 "com.example.app"
# 2) 看谁在后台联网、连了谁(DNS 层面,比 TLS 内容更可见)
adb shell dumpsys netstats detail | grep -i "uid="
adb shell settings put global private_dns_mode hostname
adb shell settings put global private_dns_specifier dns.example.com # 自建 DNS 记录查询日志
# 3) 看权限的"实际使用"而非"是否声明"
adb shell dumpsys package com.example.app | grep -A30 "granted=true"
# 4) 传感器是否被高频读取(侧信道指纹的典型特征)
adb shell dumpsys sensorservice | head -60
判断标准不是「有没有 audio 请求」,而是**「一个电商 App 为什么需要每秒 50 次读取加速度计」**——这才是侧信道指纹的真实形态。
八、给开发者的三条硬约束
作为写代码的人,这件事落到我们头上是三个具体动作,而不是一句「注意隐私合规」:
1. 把熵预算写进评审清单。 每个新增采集字段,都问一句「它贡献多少 bit」。一个可落地的审查函数:
def entropy_budget(fields, population: int) -> str:
"""fields: {字段名: 熵(bit)},population: 预估覆盖设备数"""
supply = sum(fields.values())
demand = math.log2(max(population, 1))
ratio = supply / demand
verdict = "可唯一定位" if supply >= demand else "仅可缩小候选集"
return f"供给 {supply:.1f}bit / 需求 {demand:.1f}bit = {ratio:.2f} → {verdict}"
在 CI 里跑一遍,任何让比值越过 1.0 的 PR 都必须走隐私评审。这比事后写整改报告有效得多。
2. 「去标识化」不能作为合规结论。 上文第三节已经证明:删掉 ID 后仍有 22.4 bit 的残余熵,在 5 万台规模下能定位 97%。合规文档里写「已去标识化,不构成个人信息」之前,请先算一遍 ΣH 和 。《个人信息保护法》里的「匿名化」标准是无法复原且不能识别,而「哈希过的 ID」两者都不满足。
3. 区分「必要」与「顺手」。 一个天气 App 要 BSSID 做什么?一个记账 App 要加速度计做什么?SDK 清单里那些「为了提升服务体验」的字段,往往是熵预算超支的主要来源。真正该被审计的不是权限弹窗的数量,而是每个字段的采集动机能否写进一句话。
九、结论:偷听是伪命题,熵才是战场
把四组实验连起来看,会得到一个不太舒服的结论:
- 你不需要被录音,机型的 6.44 bit + 字体档的 4.91 bit + 传感器零点的 7.56 bit 就已经构成了物理层面的身份证;
- 你不需要被共享数据,同一批常连 BSSID 就能让两个互不相识的 App 在服务端把你看成一个人;
- 你不需要惊讶于「说出来就推」,曝光基数 × 品类覆盖 × 确认偏误 就足以生产这种体验。
未来的方向也很清楚:监管和技术都在从「管标识符」转向「管熵」。iOS 的 ATT 把 IDFA 变成需授权,SKAdNetwork / AdAttributionKit 用差分隐私 + 延迟回传来替代个体级归因;Android 的 Privacy Sandbox 把「人群包」搬进系统进程,让 App 只能拿到主题标签而不是设备 ID。这些设计的共同点不是「禁止采集」,而是给每个 App 一个熵上限——你能问的问题变粗了,自然就缝不出个体。
所以下次再看到「手机到底有没有偷听」的讨论,我更愿意换个问法:
在没有任何一个字段被称为「身份」的前提下,这套系统一共收集了多少 bit?人群规模又有多大?
算完这两个数,你就知道答案了。而这套算术,比任何一次 72 小时的抓包都更能说明问题。
文中实验代码均在本机以模拟分布运行,用于量化熵预算与重识别率的关系,数值对应文中表格,不代表任何真实平台的实际数据。