Wat is Canvas Fingerprinting?

Canvas-fingerprinting is een techniek om browsers te identificeren waarbij verborgen tekst of vormen op een HTML5-canvas worden getekend, de pixels worden uitgelezen en het resultaat wordt gehasht. Kleine verschillen in lettertypes, GPU-stuurprogramma’s en anti-aliasing zorgen ervoor dat de hash verrassend stabiel is voor een bepaald apparaat. Daarom maken zowel fraudebestrijders als trackers er al jaren gebruik van.

Hoe canvas fingerprinting werkt

Een script maakt een canvas-element buiten het scherm aan, geeft een vaste tekenreeks weer (vaak een pangram), past kleuren en schaduwen toe en roept vervolgens een API aan, zoals toDataURL() om pixelgegevens te exporteren. Die output wordt door een hashfunctie gehaald om een korte identificatiecode te genereren. Dezelfde computer produceert meestal dezelfde hash, totdat het besturingssysteem, de browser of de grafische instellingen veranderen.

De techniek werd in 2012 beschreven in peer-reviewed beveiligingsliteratuur, toen onderzoekers aantoonden dat de canvas-uitvoer per systeem voldoende varieerde om tracking mogelijk te maken (USENIX Security 2012). Commerciële fraudebestrijdingssystemen namen later dezelfde techniek over, omdat bots en headless browsers vaak afwijken van de weergaveprocessen van echte gebruikers.

Canvas is maar één laag binnen het bredere concept van device fingerprinting. Teams combineren het meestal met WebGL-signalen, lettertypelijsten en de user-agent-string, zodat één ruisende API het hele model niet kan ondermijnen.

Waarom de weergave op verschillende apparaten verschilt

Het weergeven is wiskundig gezien niet identiek op alle systemen. Besturingssystemen passen verschillende font-hinting toe. GPU’s verwerken transparantie op verschillende manieren. Subpixel-antialiasing hangt af van de beelddichtheid. Zelfs identieke HTML en JavaScript kunnen bij rastering verschillende bytepatronen opleveren, en dat is precies wat de vingerafdruk registreert.

Vanuit het oogpunt van de verdediger onderscheiden die verschillen standaardautomatisering van gewone consumentenlaptops en -telefoons. Bots voor de massamarkt die op goedkope cloud-VM’s draaien, delen soms één canvas-hash over duizenden sessies, terwijl echte gebruikers verspreid zijn over veel hashes. In combinatie met verdacht gedrag, zoals een scroll-diepte van nul of het invullen van formulieren in milliseconden, vormen herhaalde canvas-collisies sterk bewijs van scripting.

Ontwijkingsmanoeuvres gaan beide kanten op. Goedkope automatisering kan één ‘headless’ profiel hergebruiken, waardoor het canvas ongewoon stabiel is op een manier die mensen zelden evenaren. Goed gefinancierde fraudekits kunnen tekenparameters willekeurig variëren, zodat elke sessie een nieuwe hash oplevert terwijl andere signalen (WebGL-leveranciersstrings, audio-vingerafdrukken, invoertiming) nog steeds clusteren. Die wapenwedloop is de reden waarom leveranciers het canvas als een gecorreleerde eigenschap beschouwen, en niet als een enkele filter.

Relevantie voor adverteerders en uitgevers

Ongeldig verkeer blaast het aantal klikken en vertoningen op zonder dat er klanten uit voortkomen. Uit het PPC-fraudeonderzoek van ClickPatrol blijkt dat tot ongeveer 21 procent van het betaalde zoekverkeer in de onderzochte datasets niet-menselijk kan zijn, met grote verschillen per branche. Aanvallers weten dat platforms kijken naar IP-diversiteit, dus wisselen ze willekeurig van proxy’s terwijl ze oppervlakkige browserstacks hergebruiken. Canvas plus ‘sibling’-signalen helpen die discrepantie op te sporen.

Onderzoeken van externe partijen onderstrepen dezelfde druk op conversietrajecten buiten de zoekresultaten. Het rapport ‘2024 State of Fake Traffic’ van CHEQ beschreef 17,9% van het geanalyseerde verkeer als ongeldig, een stijging ten opzichte van 11,3% het jaar ervoor, op basis van miljarden datapunten van bedrijven (CHEQ, 2024). Canvas is niet de enige manier om dat verkeer te herkennen, maar het helpt wel om gescripte weergaven te onderscheiden van de typische diversiteit bij consumenten, zelfs als de IP-adressen aannemelijk lijken.

Adverteerders die leads genereren, zien hetzelfde patroon bij ongewenste leads: tientallen ‘unieke’ bezoekers die één zeldzame canvas-signatuur delen en formulieren invullen via wegwerpdomeinen. Zonder correlatie op canvas-niveau lijken CRM-systemen druk bezet, terwijl de kwaliteit van de pijplijn instort.

De budgetrisico’s lopen op bij CPC. Stel dat je 8 euro per klik betaalt in de juridische niche; vijftig gecoördineerde sessies die canvas-output van automatiseringsklasse delen, kosten nog steeds 400 euro vóór terugbetalingen, en ze verstoren de statistieken op zoekwoordniveau die de volgende dag bij het bieden worden gebruikt. Teams in niches met hoge CPC’s moeten fingerprint-drift en -conflicten behandelen als belangrijke statistieken, niet als onbelangrijke details bij het opsporen van fouten.

Ook uitgevers die geld verdienen aan display-advertenties hebben schone sessies nodig. Wanneer geautomatiseerde browsers een premium locatie veinzen, kunnen canvas- en WebGL-kenmerken nog steeds meer lijken op beelden uit datacenters dan op die van telefoons. Die discrepantie ondersteunt bezwaren bij netwerken bij het aantonen van de kwaliteit van het verkeer.

Hoe ClickPatrol signalen van de canvas-klasse verwerkt

ClickPatrol beoordeelt elke interactie aan de hand van meer dan achthonderd gegevenspunten. Kenmerken afgeleid van canvas worden in dat model meegenomen, maar ze zijn nooit de enige doorslaggevende factor. Een mens kan browsen via een privacybestendige browser die willekeurige canvas-uitvoer teruggeeft; door canvas te zien als één stem van de vele, voorkomen we dat die gebruikers worden geblokkeerd, terwijl we toch grootschalige botfarms kunnen opsporen.

Bij ClickPatrol analyseren we meer dan 800 gegevenspunten per klik, inclusief kenmerken op het gebied van weergave die verband houden met canvas en WebGL, en combineren we die vervolgens met netwerkcontext zoals proxy-risico en ISP-categorie, plus interactiepatronen die overeenkomen met verdachte klikken. Het doel is overeenstemming tussen onafhankelijke signaalgroepen, niet één enkele API-aanroep.

Teams die leveranciers evalueren, moeten lezen hoe ClickPatrol nepverkeer en vals-positieve resultaten vaststelt. Operationele details over gegevensverwerking vind je onder gegevensverzameling en naleving van privacyregels.

Tegenmaatregelen in browsers en ethiek

De Tor Browser en sommige privacy-experimenten van Chromium voegen ruis toe aan het uitlezen van canvas, waardoor elke laadbeurt een andere hash oplevert. Dat vermindert het volgen van gebruikers over meerdere sessies heen, en het verandert ook hoe fraudemodellen getraind moeten worden: verdedigers vertrouwen meer op frequentie, consistentie en overeenstemming tussen signalen dan op een vaste canvas-string.

De bescherming tegen fingerprinting van Firefox en de intelligente trackingpreventie van Safari verminderen na verloop van tijd ook de stabiliteit van sommige API’s met hoge entropie. Voor fraudeteams is de operationele reactie om plotselinge pieken in ‘onbekende’ of roulerende canvas-buckets in de gaten te houden en gedragsdrempels aan te scherpen wanneer legitieme privacytools gangbaar worden bij een doelgroep.

Toezichthouders beschouwen stabiele identificatiegegevens vaak als persoonsgegevens. Het gebruik van canvas-output uitsluitend om geautomatiseerde advertentiefraude te blokkeren, met bewaartermijnen en duidelijke doeleinden, sluit beter aan bij beveiligingsuitzonderingen dan het gebruik van dezelfde hash om mensen op het open web te volgen voor niet-gerelateerde advertenties. Koppel je beleidswerk aan de AVG-vragen die je juridisch adviseur al stelt.

Verliesprognoses uit de sector houden de businesscase in beeld. Juniper Research schatte dat wereldwijd in 2022 ongeveer 68 miljard dollar aan digitale advertentie-uitgaven verloren ging door fraude (Juniper Research, februari 2022). Een betere aanpak van fingerprinting lost niet elke dollar van dat totaal op, maar het maakt het moeilijker voor bots om goedkope render-stacks te hergebruiken.

Checklist voor detectie en beveiliging

  • Correlatie zoeken, niet veroordelen: vergelijk canvas-family-hashes met timing, proxyrisico en ISP-categorie voordat je blokkeert.
  • Let op headless-signalen: Ontbrekende of standaard canvas-strings verschijnen vaak naast lege WebGL-vendor-strings in automatiseringsframeworks.
  • Leg extra nadruk op programma’s met hoge CPC: Niches met hoge CPC vragen om strengere beoordeling, omdat elke ongeldige klik meer kost.
  • Houd mensen op de hoogte bij bezwaren: gebruik de terugbetalingsprocedures van Google als je naast je eigen blokkades ook credits op platformniveau nodig hebt.
  • Koppel canvas aan draaiboeken voor click fraud: als klik-ID’s onvoldoende diepgang hebben in de analytics, exporteer dan vingerafdrukfamilies samen met tijdstempels om platforms te laten zien waarom een piek niet door mensen kwam.

Lees over advertentiefraudetechnieken in 2026 en hoe je botverkeer uit Google Ads kunt blokkeren voor stappen die naast canvas-scoring in een volledig programma passen.

Abisola Tanzako, Content Manager at ClickPatrol

Geschreven en gecontroleerd door

Abisola Tanzako

Content Manager bij ClickPatrol (specialist in click fraud en ongeldig verkeer)

Abisola schrijft over botverkeer, advertentiefraude en PPC-bescherming, op basis van platformdata van ClickPatrol bij 1.793+ bedrijven.

Laatst bijgewerkt: 28 oktober 2026

Probeer ClickPatrol 7 dagen gratis

Vul je zakelijke e-mailadres in en ga meteen door naar het aanmaken van je account.

Kaartcheck van € 0,01In 2 minuten ingesteldBinnen 7 dagen opzeggen, dan betaal je niets meer

Elke e-mail heeft een afmeldlink. Lees ons privacybeleid.