提升隐私保护:pyllyukko/user.js项目中的Referer头部优化策略
在浏览器隐私保护领域,Referer头部的处理一直是个重要话题。pyllyukko/user.js项目作为Firefox隐私强化配置的标杆,近期对其Referer相关设置进行了重要更新。
Referer头部是HTTP协议中的一个标准字段,用于告知服务器当前请求是从哪个页面链接过来的。然而,这个功能在带来便利的同时也带来了隐私风险——它可能泄露用户的浏览历史和敏感信息。
pyllyukko/user.js项目新增了两项关键配置来优化Referer头部的发送行为:
-
network.http.referer.trimmingPolicy = 2 这个设置将Referer头部信息精简到最低必要程度,仅包含协议(scheme)、主机名(host)和端口号(port)。例如,原本可能发送"https://example.com/page.html?id=123"的完整URL,现在只会发送"https://example.com"。
-
network.http.referer.XOriginTrimmingPolicy = 2 这个设置专门针对跨域请求,同样将Referer信息精简到协议、主机名和端口号。跨域请求是指从一个网站向另一个不同域名的网站发起的请求,这种场景下更需要保护用户隐私。
这两个设置的值为2时提供了最强的隐私保护级别,相比默认值0(发送完整URL)或1(去掉查询参数但保留路径)更加安全。这种配置可以有效防止:
- 第三方跟踪用户的具体浏览路径
- 敏感信息通过URL参数泄露
- 跨站点请求伪造(CSRF)攻击
值得注意的是,这种配置可能会影响某些依赖完整Referer信息的网站功能,但现代网站设计通常已经考虑到了Referer信息可能被限制的情况。对于绝大多数用户来说,这种隐私保护的收益远大于可能带来的极小兼容性问题。
pyllyukko/user.js项目的这一更新体现了其持续关注用户隐私保护的承诺,为Firefox用户提供了更强大的隐私防护能力。这些设置在保持基本网站功能的同时,最大限度地减少了个人信息泄露的风险。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00