自动检测未授权的重新标识的制作方法

相关申请的交叉引用

本申请要求于2019年5月14日提交的美国专利申请序列号16/412,027的优先权，该申请的内容通过引用并入本文。

背景技术：

现今，人们在网上购买商品而不是去实体店是很常见的。当人们访问不同的网页和域进行购物时，关于人们的信息通常会被第三方使用cookie追踪。cookie使第三方能够追踪一个人访问的网页、该人访问每个网页的频率、该人在查看新网页之前在每个网页上停留的时间、该人在每个网页上所做的任何选择、每个网页的内容、该人在每个网页处执行的任何数据条目等。第三方通常是内容提供方，它们使用从cookie采集的数据，以基于通过cookie为每个用户采集的数据为用户选择用户定向内容。当用户查看可能与被显示给用户的内容无关的网页时，用户定向内容可以向用户显示。

为了停止不想要的追踪以及因此由第三方内容提供方选择的用户定向内容，网站和web浏览器通常向用户呈现选项，其向用户询问用户是否想要启用或禁用cookie。不幸的是，即使用户选择禁用cookie的选项，第三方内容提供方仍然可以忽略用户的选择，并且无论如何都要使用cookie，或者绕过用户的选择以使用重新标识技术(例如确定性或概率方法、基于电子邮件的身份同步、基于电话的身份同步、服务器到服务器同步、远程过程调用等)禁用cookie。在用户选择禁用cookie的选项并因此认为他们没有被追踪或接收用户定向内容之后，这些重新标识技术允许第三方内容提供方追踪用户的活动。

在用户选择了禁用cookie的选项之后，计算机系统或web浏览器可能难以确定用户是否正在被第三方内容提供方追踪。无论用户是否被追踪，相同的内容都可以由计算机设备请求，并被呈现给用户。例如，用户可以打开浏览器，并选择禁用cookie的选项。用户可以访问讨论汽车的网页，然后访问另一网页，其中描述汽车的内容出现在网站的侧边功能区中。相同的内容可以被呈现为从关于汽车的网站追踪用户的结果，或者可以被随机选择并呈现。尽管用户选择了禁用cookie的选项，先前的系统和方法无法确定内容如何被选择(例如定向或随机选择)，以标识内容提供方是否正在追踪用户。尽管web浏览器当前可以阻挡追踪用户的第三方内容提供方，即使在不被追踪的选项被选择之后，先前的系统和方法也无法标识正在这样做的内容提供方。

技术实现要素：

本文讨论的系统和方法提供了一种机器学习模型(例如神经网络、支持向量机、随机森林等)，该机器学习模型可以自动确定尽管用户选择了否则会阻止他们被追踪的选项，内容提供方正在追踪用户的概率。神经网络的输入可以是在网页上向用户示出的内容片段与用户先前查看或输入到浏览器中的其他网页、域和关键词的共同特点。其他输入可以是在接收到相同内容片段之前在不同计算机处查看或提供输入的用户之间的共同网页、域和关键词。这些输入中的每个输入都可以与神经网络中的不同权重相关联，以确定表示具体内容提供方正在追踪web用户的在线活动的概率的二进制分类。权重可以被微调以提高神经网络的性能，从而在神经网络接收更多输入并产生输出时，准确确定内容提供方追踪用户的概率。系统可以获得由神经网络确定的内容提供方正在追踪用户的概率，并确定该概率是否高于管理员选择的阈值。如果概率高于阈值，则系统可以防止内容提供方向用户提供内容。来自计算机设备的任何内容请求(其被发送给被确定追踪用户的内容提供方)可以被重定向到其他内容提供方。

有利地，通过实施本文讨论的系统和方法，在用户选择防止提供方这样做的选项之后，系统可以自动标识追踪web浏览器用户的第三方内容提供方。不使用本文讨论的系统和方法的系统可以依赖于委托、vpn、用户代理擦除、指纹标识(例如url参数中的唯一标识)、电子邮件匹配和减少、电话号码匹配和减少等，以标识和防止内容提供方追踪用户。这些技术中的每种技术可以取决于第三方追踪用户的方式使用，但它们并非对所有追踪技术都有效。进一步地，实施这些标识和防止技术并不总是可行的，因为它们可能难以扩展、过于昂贵或难以实施。

幸运的是，本文描述的系统和方法可以被用于准确且自动地确定第三方是否在追踪用户，而不管第三方如何执行追踪，然后防止第三方向web浏览器提供任何更多内容。系统可以基于由内容提供方提供的内容的特点和由用户先前查看的内容的特点来这样做。使用具有二进制分类输出的神经网络，系统可以区分被随机选择并呈现给用户的内容和作为定向追踪产品的内容之间的差异，即使在用户访问包含与所显示内容类似的特点的网站后，内容被显示给用户。因此，第三方内容提供方无需通过追踪其web浏览器活动来侵犯人们的隐私，因为在被标识以追踪希望隐藏其web浏览器活动的用户之后，他们将被防止向web用户提供内容。

在本文描述的一个方面中，一种用于检测匿名计算设备的第三方重新标识的方法被提供。该方法包括：由计算系统的分析器取回提供给匿名计算设备的内容项的日志；由分析器标识在第一预定时间段内提供给多个匿名计算设备的第一内容项；针对多个匿名计算设备中的每个匿名计算设备，由分析器生成第二内容项的标识集合，确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值；由分析器标识第一内容项的提供方；以及响应于在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值的确定，由计算系统防止将匿名计算设备对内容项的请求传输给所标识的提供方。

在一些实现方式中，第二内容项的标识包括由每个匿名计算设备访问的网页的标识。在一些实现方式中，第二内容项的标识包括由每个匿名计算设备访问的域的标识。在一些实现方式中，第二内容项的标识包括与由每个匿名计算设备访问的域相关联的关键词的标识。在一些实现方式中，该方法还包括：由分析器确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合的大小超过在标识集合的每个其他对之间具有最高预测能力的信号或信号组合的大小。在一些实现方式中，该方法还包括：由分析器确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合是第三标识集合所共有的。在一些实现方式中，防止传输请求还包括：由计算设备从匿名计算设备接收对内容项的请求；以及由计算系统将请求重定向到第二提供方。

在一些实现方式中，防止传输请求还响应于：由分析器标识第三内容项，该第三内容项由所标识的提供方在第一预定时间段内提供给多个匿名计算设备；针对多个匿名计算设备中的每个匿名计算设备，在第二预定时间段内接收第三内容项之前，由分析器生成由匿名计算设备取回的第四内容项的标识集合；以及由分析器确定在第四内容项的第一标识集合与第四内容项的第二标识集合之间具有最高预测能力的信号或信号组合超过阈值。

在一些实现方式中，该方法还包括：响应于在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值的确定，递增与所标识的提供方相关联的计数器。在一些实现方式中，防止传输请求还响应于与所标识的提供方相关联的计数器超过第二阈值。

在另一方面中，一种用于检测匿名计算设备的第三方重新标识的系统被描述。该系统包括计算系统，该计算系统包括处理器、存储器设备和网络接口，该处理器执行分析器。分析器被配置为：从存储器设备取回提供给匿名计算设备的内容项的日志；标识在第一预定时间段内提供给多个匿名计算设备的第一内容项；针对多个匿名计算设备中的每个匿名计算设备，在第二预定时间段内接收到第一内容项之前，生成由匿名计算设备取回的第二内容项的标识集合；确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值；以及标识第一内容项的提供方；并且其中网络接口被配置为响应于确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值，防止将匿名计算设备对内容项的请求传输给所标识的提供方。

在一些实现方式中，第二内容项的标识包括由每个匿名计算设备访问的网页的标识。在一些实现方式中，第二内容项的标识包括由每个匿名计算设备访问的域的标识。在一些实现方式中，第二内容项的标识包括与由每个匿名计算设备访问的域相关联的关键词的标识。在一些实现方式中，分析器还被配置为：确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合的大小超过在标识集合的每个其他对之间具有最高预测能力的信号或信号组合的大小。

在一些实现方式中，分析器还被配置为：确定在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合是第三标识集合所共有的。在一些实现方式中，网络接口还被配置为：从匿名计算设备接收对内容项的请求；以及将请求重定向到第二提供方。

在一些实现方式中，分析器还被配置为：标识第三内容项，该第三内容项由所标识的提供方在第一预定时间段内提供给多个匿名计算设备；针对多个匿名计算设备中的每个匿名计算设备，在第二预定时间段内接收第三内容项之前，生成由匿名计算设备取回的第四内容项的标识集合；以及确定在第四内容项的第一标识集合与第四内容项的第二标识集合之间具有最高预测能力的信号或信号组合超过阈值。

在一些实现方式中，分析器还被配置为：响应于在第一标识集合与第二标识集合之间具有最高预测能力的信号或信号组合超过阈值的确定，递增与所标识的提供方相关联的计数器。在一些实现方式中，网络接口还被配置为：响应于与所标识的提供方相关联的计数器超过第二阈值，防止传输请求。

一个方面的可选特征可以与任何其他方面组合。

附图说明

一个或多个实现方式的细节是在下面的附图和描述中陈述的。本公开的其他特征、方面和优点将通过描述、附图和权利要求而变得显而易见，其中：

图1a是根据一些实现方式的两个序列的框图，每个序列包括用户查看第一网页和第二网页，并且在第二网页处被提供有内容；

图1b是根据一些实现方式的系统的实现方式的框图，该系统用于确定第三方是否追踪多个用户的活动；

图2是根据一些实现方式的机器学习模型的框图，该机器学习模型具有来自由用户查看的内容的历史的输入以及指示第三方是否追踪用户的活动的输出；

图3是根据一些实现方式的图示了方法的流程图，该方法用于确定第三方是否基于来自神经网络的输出来追踪用户的活动；以及

图4是根据一些实现方式的图示了另一方法的流程图，该另一方法用于确定第三方是否基于来自神经网络的输出来追踪用户的活动。

在各个附图中，相同的附图标记和名称指示相同的元件。

具体实施方式

在用户选择了禁用浏览器中的cookie或者启用移动设备上的lat的选项之后，计算机系统或web浏览器可能难以确定用户是否正在被第三方内容提供方追踪。例如，用户可以打开浏览器，并选择禁用cookie的选项。用户可以访问讨论汽车的网页，然后访问与汽车无关的另一网页，其中出现汽车的内容。相同的内容可以被呈现为从关于汽车的网站追踪用户的结果，或者被随机选择并且由服务器上下文地选择和呈现。尽管用户选择了禁用cookie的选项，先前的系统和方法无法确定内容如何被选择(例如定向或随机选择或上下文地选择)，以标识内容提供方是否正在追踪用户。尽管web浏览器当前可以阻挡追踪用户的内容提供方，即使在不被追踪的选项被选择之后，先前的系统和方法也无法标识正在这样做的内容提供方。因此，需要一种自动标识和防止内容提供方违背其意愿追踪用户的方法。

例如，在一些实现方式中，首先参照图1a，图示了两个序列102和116的框图，每个序列102和116包括设备取回和显示第一网页，然后取回和显示第二网页并在第二网页处被提供有内容。在一些实现方式中，序列102可以是第一用户设备104取回并显示网站106，然后取回并显示另一网站112的序列。内容服务器108可以监视设备访问的不同网页。在一些实现方式中，序列116可以是另一设备118取回并显示网站120，然后取回并显示另一网站126的序列。内容服务器122可以向用户设备118提供随机或上下文定向的内容。

在一些实现方式中，在序列102处，用户设备104取回并显示网站106。该网站可能与购买不同的运动、爱好或宠物或任何其他这种内容相关，或者可能与购物无关。该网站还可以具有与网站内容相关的特点，这些特点作为cookie被存储在用户设备上，作为小文件或网站文件。cookie通常是由正被访问的网站的域生成和存储的第一方cookie，但cookie也可以是第三方cookie，它们是由与设备访问的域不同的域存储的cookie。第三方cookie通常由内容提供方存储在用户设备中，以追踪对特定用户设备执行的web活动。内容提供方可以使用cookie来基于设备或与设备相关联的用户的追踪web活动来选择，并向设备呈现用户定向内容。在序列102中，第三方cookie可以被存储在用户设备104上，以追踪该设备访问了讨论例如汽车的网站106。在一些实现方式中，在打开网站或web浏览器时，设备的用户可以被呈现有启用或禁用cookie的选项。该选项可以针对第三方和/或第一方cookie。如果用户选择禁用cookie的选项，则这可能意味着用户不希望被追踪并希望保留他们的隐私。

内容服务器108可以是服务器或处理器，其被配置为在从用户设备接收到请求之后在网站的专用内容空间处向用户提供内容。内容服务器108可以包括行为监视器110。在一些实现方式中，行为监视器110可以包括应用、服务器、服务、守护进程、例程或其他可执行逻辑，以监视用户在不同用户设备处的web浏览和/或搜索行为。在一些实现方式中，行为监视器110可以通过确定性或概率方法、基于电子邮件的身份同步、基于电话的身份同步、服务器到服务器同步、远程过程调用应用、ip地址监视等来监视用户的行为。在一些实现方式中，行为监视器110可以在用户使用诸如谷歌chrome的隐身模式等隐私保护浏览器时监视用户的行为，例如尽管设备没有保留cookie，但基于来自设备ip地址或类似数据的追踪请求。行为监视器110可以通过第三方cookie以外的方法追踪用户的web浏览行为，用户通常通过禁用选择主动禁用或者可以被web浏览器自动禁用，除非用户选择启用第三方cookie的选项。

行为监视器110可以标识用户查看了网站106，例如example.com，并标识网站的内容(例如通过取回网站的副本，标识与网站或域相关联的关键词等)。因此，行为监视器110可以在另一网站112(诸如website.com)处提供与example.com相关的内容。例如，如果example.com与汽车相关，则行为监视器可以确定example.com与汽车相关，并在用户查看另一网站(诸如website.com)时提供与汽车相关的附加内容。附加内容114可以是响应于标识用户通过行为监视器110查看了相关网站由内容提供方提供并且作为标识结果在另一网站处提供的内容的示例。

序列116可以类似于序列102，但是随机地或经由上下文定向而不是作为任何行为监视的结果，附加内容被选择并且提供给用户。在序列116中，设备118可以经由用户设备118取回并显示网站120，例如example.com。设备的用户可能已经选择不允许第三方cookie。设备可以随后取回并显示另一网站126，例如website.com。附加内容128可以由内容服务器122在website.com处提供，并且可以被随机选择或上下文地选择，而不是经由追踪过去的浏览或搜索行为来选择。

内容服务器122可以是服务器或处理器，其被配置为在接收到来自用户设备的请求时从内容提供方向网站和/或用户设备提供附加内容。内容服务器122可以与内容服务器108类似或相同。内容服务器122被示出为包括上下文选择器124。在一些实现方式中，上下文选择器124可以包括应用、服务器、服务、守护进程、例程或其他可执行逻辑，以用于上下文地选择要被提供给访问网站或其他主要内容的设备的附加内容。在一些实现方式中，上下文选择器124可以使用随机数生成或伪随机数生成技术来选择内容。在一些实现方式中，上下文选择器124可以基于内容将在其上提供的网页的上下文来选择内容。在所示示例中，内容服务器122可以提供与序列102的内容服务器108所提供的相同的与汽车相关的内容。在用户访问与序列102的用户相同的网站之后，内容服务器122提供与汽车相关的内容，其web活动被内容服务器108追踪。

从序列102和116中可以看出，用户可以访问相同的网站，并被呈现有相同的内容，同时查看另一网站，而不管他们是否被追踪。序列102包括追踪用户的第三方，尽管用户选择了禁用第三方cookie和不被追踪的选项。第三方基于追踪选择并提供内容。在序列116处，用户在从内容提供方接收到与序列102中相同的内容之前访问相同的网页，但是在序列116处，内容被上下文地选择和提供，而不是作为任何追踪的结果被选择。因此，缺乏本文讨论的实现方式的用户和系统可能难以标识第三方何时基于向他们示出的内容追踪用户。用户选择禁用第三方cookie的选项，因此第三方就无法追踪他们的web活动，并维护他们的隐私。对于用户和web浏览器而言，仅基于所提供的内容很难确定他们何时被追踪。因此，需要自动确定用户何时被追踪，因此为内容提供方中继内容的处理器可以阻止第三方追踪用户并保护用户的隐私。

幸运的是，本文描述的系统和方法可以被用于准确且自动地确定第三方是否在追踪用户，而不管第三方如何执行追踪，然后防止第三方向用户设备提供任何更多内容。系统可以基于由内容提供方提供的内容的特点和由用户先前查看的内容的特点来这样做。使用具有二进制分类输出的神经网络，系统可以区分被上下文地选择并呈现给用户的内容和作为定向追踪产品的内容之间的差异，即使在用户访问包含与所显示内容类似的特点的网站后，内容被显示给用户。因此，在被标识为追踪希望隐藏其web浏览器活动的用户后，第三方内容提供方可能被防止向web用户提供内容，从而提高用户隐私。

例如，参照图1b，根据一些实现方式，用于确定第三方是否正在追踪多个用户的活动的系统134的实现方式被示出。在一些实现方式中，系统134被示出为包括内容提供方136和164、用户设备140、142和144以及重新标识服务器146。内容提供方136和164、用户设备140、142和144以及重新标识服务器146中的每一个可以通过网络139彼此通信，并与其他设备通信。网络139可以包括同步或异步网络。内容提供方136和164可以在接收到来自用户设备中的一个用户设备的请求之后向用户设备140、142和144提供内容。在提供内容时，使用存储在重新标识服务器146中的指令，重新标识服务器146可以确定内容提供方136或164是否正在追踪用户设备140、142和144处的用户的web活动。重新标识服务器146可以使用自动确定内容提供方136或164正在追踪用户的概率的神经网络(或任何其他机器学习模型)来这样做。重新标识服务器146可以确定该概率是否高于预定阈值，并且如果该概率高于阈值，则通过将对内容的请求重定向到其他内容提供方，或通过阻挡由内容提供方136或164提供的任何内容被传输给用户设备140、142和144，防止内容提供方136或164向用户设备140、142和144提供内容。

用户设备140、142和144(通常称为(多个)用户设备)可以包括任何类型和形式的媒体设备或计算设备，包括台式计算机、膝上型计算机、便携式计算机、平板计算机、可穿戴计算机、嵌入式计算机、智能电视、机顶盒、控制台、物联网(iot)设备或智能设备或者任何其他类型和形式的计算设备。(多个)客户端设备可以被不同地称为客户端、设备、客户端设备、计算设备、用户设备、匿名计算设备或任何其他这种术语。客户端设备和中介调制器可以经由任何适当的网络接收媒体流，包括局域网(lan)、诸如互联网等广域网(wan)、卫星网络、电缆网络、宽带网络、光纤网络、微波网络、蜂窝网络、无线网络或者这些或其他这种网络的任何组合。在许多实现方式中，网络可以包括可以是相同或不同类型的多个子网，并且可以包括多个附加设备(未图示)，包括网关、调制解调器、防火墙、路由器、交换机等。

在一些实现方式中，由重新标识服务器146执行的每个操作可以由用户设备140、142和144执行。用户设备140、142和144可以包括机器学习模型(例如神经网络、随机森林、支持向量机等)，它可以基于机器学习模型中的信号输入来确定内容提供方提供用户定向内容的概率。机器学习模型可以在用户设备140、142和144的浏览器上实施。用户设备140、142和144可以用于确定用户接收的内容是否是用户定向内容或者用户是否被追踪的输入示例可以包括但不限于在接收内容之前由查看者查看的内容、先前查看的内容的特点、内容、内容的特点、内容将在其上提供的网页、网页的特点等。如果概率高于阈值，则用户设备140、142和144可以防止提供用户定向内容的内容提供方未来向用户设备提供内容。

例如，用户设备可以访问专用于购买鞋子的网页。当用户设备的用户确定要购买哪些鞋子时，用户设备可以取回示出鞋子的多个网页。用户可以停止购物，并转到关于宠物的网页。在查看宠物的网页时，用户可以接收与用户查看的先前页面上的鞋子类似的内容示出。计算设备的浏览器可以实施下述机器学习模型，以确定鞋子内容是否是用户定向内容。浏览器可以使用先前查看的网页和域以及网页的特点，作为输入以及与接收到的内容和该内容在其上提供的网页相关联的输入。机器学习模型可以接收输入，并确定内容是被追踪内容和/或提供内容的内容提供方正在追踪用户设备的概率。浏览器可以将概率与预定阈值进行比较。如果概率大于阈值，则浏览器可以确定该内容是用户定向内容和/或提供该内容的内容提供方正在追踪用户。浏览器未来可能会阻止浏览器接收来自内容提供方的内容。否则，如果概率低于阈值，则浏览器可以基于网页的上下文来确定要被提供的内容，而不是作为被追踪用户的结果来提供。

在一些实现方式中，用户设备140、142和144可以取回其他用户设备的日志，以确定用户设备140、142和144在接收到内容之前查看的具有最高预测能力的交集和/或信号或信号组合。如果用户设备140、142和144在接收相同内容之前查看过类似内容，则当类似内容被用作机器学习模型中的输入时，强信号可以与共同查看的内容相关联。

在一些实现方式中，内容提供方136可以是第三方内容提供方，其可以追踪在用户设备140、142和144处执行的web活动，并且向用户设备140、142和144处的用户提供与web活动相关的内容。尽管用户实施了追踪预防技术(例如禁用按照网站/域或通过web浏览器的第三方cookie，使用委托或vpn，用户代理擦除，标识内容提供方136的唯一id并拒绝与id相关联的数据，减少来自与内容提供方136相关联的电子邮件地址的电子邮件，减少来自与内容提供方136相关联的号码的电话呼叫等)，内容提供方136仍可以追踪web活动。内容提供方136可以使用从被追踪的web活动采集的数据，以继续提供与被追踪的web活动相关的用户定向内容。

例如，用户可以在用户设备140处打开web浏览器，并且立即被呈现有启用或禁用第三方cookie的选项。用户可以选择禁用第三方cookie的选项，因为用户想要保护他/她的隐私，并且不想在浏览互联网时被追踪。取决于网站或web浏览器是否向用户呈现了阻挡第三方cookie的选项，然后网站或web浏览器可以阻挡要被安装在用户设备上的任何第三方cookie。然而，内容提供方136仍然可以使用各种技术(例如确定性或概率方法、基于电子邮件的身份同步、基于电话的身份同步、服务器到服务器同步、远程过程调用应用等)来追踪用户设备140处的活动。内容提供方136可以使用所追踪的活动来标识用户所关联的活动的特点，并且在专用于从内容提供方接收和呈现内容的地点处从与所标识的特点相关联的内容138中选择内容。

例如，用户设备140处的用户可以由内容提供方136使用上面列出的技术中的一种技术来追踪。用户可以在查看不同网页的同时访问与鞋子相关的网页。内容提供方136可以标识用户访问了与鞋子相关的网页，并标识与鞋子相关的内容138。当用户访问与其他主题(例如运动)相关的网站和域时，用户设备140可以向内容提供方136发送请求，以使内容被显示在专用内容空间中，并且基于用户访问与鞋子相关的网页，内容提供方136可以提供与鞋子相关的内容。在一些实现方式中，在被传输给内容提供方138之前，对内容提供方的请求首先被传输给重新标识服务器146。

在一些实现方式中，重新标识服务器146可以包括一个或多个服务器或处理器，其被配置为确定内容提供方136或138是否正在追踪用户设备140、142和144处的用户的web活动和/或由内容提供方136或138提供的内容是否是用户定向内容。在一些实现方式中，重新标识服务器146被示出为包括处理器148和存储器150。重新标识服务器146可以被配置为标识用户是否已授予第三方同意标识他们，并追踪其web活动，标识可能正在追踪用户并向用户提供内容的内容提供方，实施具有与用户及其过去的web活动相关联的不同输入的神经网络以确定内容提供方是否正在追踪用户和/或由内容提供方提供的内容是否是用户定向内容，对内容提供方已被确定追踪用户或提供用户定向内容的频率进行计数，并且基于内容提供方是否被确定追踪用户或提供用户定向内容来从用户设备140、142和144向内容提供方传输对附加内容的请求。重新标识服务器146内的一个或多个组件可以促进重新标识服务器146内的每个组件与诸如内容提供方136和164以及用户设备140、142和144等外部组件之间的通信。重新标识服务器146可以包括多个连接设备，每个设备都提供部分必要的操作(例如作为服务器组、一组刀片服务器或多处理器系统)。

在一些实现方式中，处理器148可以包括一个或多个处理器，其被配置为在重新标识服务器146内的存储器150中的模块上执行指令。在一些实现方式中，处理器148执行分析器(未示出)，以执行存储器150内的模块，该模块可以被配置为确定第三方是否正在追踪使用互联网的用户的web活动。为此，分析器可以执行存储在重新标识服务器146的存储器150中的指令。在一些实现方式中，存储器150被示出为包括授权器152、内容标识器154、提供方标识器156、计数器158、应用160和发送器162。通过执行分析器来执行每个组件152、154、156、158、160和162的操作，处理器148可以自动确定在用户明确选择不被第三方追踪的选项之后，内容提供方136(或任何其他内容提供方)正在向互联网上的用户设备140、142和144提供用户定向内容的概率。处理器148可以用应用160来实施神经网络，以确定内容提供方136使用未授权的重新标识技术来提供用户定向内容的概率。处理器148可以将概率与阈值进行比较，以确定概率是否足够高以限制内容提供方136通过网络向用户设备提供内容的能力。在一些实现方式中，处理器148可以包括协处理器，或可以与协处理器通信，诸如张量处理单元(tpu)，其仅专用于使用机器学习技术来确定内容提供方136正在提供用户定向内容的或内容是由于追踪用户而提供的概率。

在一些实现方式中，授权器152可以包括应用、服务器、服务、守护进程、例程或其他可执行逻辑，以标识已经选择了禁用第三方标识/追踪的选项的用户。在一些实现方式中，授权器152向用户提供选项(例如经由用户界面、所提供的网页等)以启用或禁用第三方追踪，该选项是通过使用cookie执行的，并且被用于为每个用户选择用户定向内容。用户可以选择任一选项。授权器152还可以为用户提供启用或禁用第一方cookie的选项，这允许网站和/或域存储与用户相关并且特定于每个网站的数据。例如，购物网站可以包括包含购物者希望购买的商品的虚拟购物。第一方cookie可以允许商品在购物者继续购物时保留在购物车中，而不是在购物者离开与该购物车相关联的页面时消失。第一方cookie还可以用于将用户的用户名和密码存储在用户设备处，因此用户在重新进入网站时不必连续输入其用户名和密码。不幸的是，如果第一方cookie被启用，则第三方可以通过服务器到服务器同步技术使用第一方cookie追踪用户的web活动。

在接收到禁用用户追踪并因此禁用第三方cookie的选择时，授权器152可以自动阻挡第三方cookie被存储在关联的用户设备处。授权器152可以阻挡特定于用户在被呈现有禁用追踪的选项时正在使用的域或者经由web浏览器跨越所有域的第三方cookie。在一些实现方式中，阻挡第三方cookie可以是单个域或web浏览器的默认设置。因此，在这些实现方式中，第三方cookie可以被授权器152自动阻挡，除非用户手动改变设置以启用第三方追踪。尽管示出在服务器上，但在许多实现方式中，用户授权可以由用户计算设备所执行的授权器，诸如由浏览器或用户计算设备所执行的其他应用控制的不追踪标志加以控制。

除了向用户呈现启用或禁用第三方追踪的选项之外，授权器152可以存储与每个计算设备相关联的指示，其指示用户设备的用户不希望被追踪。授权器152可以从用户设备140、142或144接收指示，其指示用户已经选择了禁用第三方追踪的选项，或者用户设备可以经由web浏览器经由cookie自动阻挡第三方追踪。在接收到指示之后，授权器152可以向内容标识器154标识用户不希望被第三方追踪。

在一些实现方式中，内容标识器154可以包括应用、服务器、服务、守护程序、例程或其他可执行逻辑，以追踪已由授权器152确定已选择不被第三方追踪的用户的web活动，并确定web活动的内容。内容标识器154可以通过web浏览器自动地或者通过选择禁用追踪的选项从授权器152接收指示，其指示已经选择不接受第三方追踪的用户。当用户经由web浏览器浏览互联网时，内容标识器154可以生成用户访问和/或输入到浏览器中的网站、域和关键词搜索的日志，并将日志存储在重新标识服务器146内的数据库(未示出)中。

当生成与每个用户相关联的数据日志并将日志存储在数据库中时，内容标识器154可以标识每个用户访问或输入到每个用户的相应用户设备中的每个网页的内容、域和关键词。内容标识器154可以通过将域与重新标识服务器146的数据库内的表格进行比较来标识域或网页的内容。该表格可以包括与关联于互联网的不同域或网页相关的内容信息。例如，域可能与训练宠物相关联。该表格将在一列中具有域名(或网页url)，然后在另一列中具有内容描述符，指示该域是针对训练宠物的。如果用户访问与训练宠物相关的域，则内容标识器154可以从关联的url标识域，并通过在包含相关信息的表格中找到域和关联内容来确定域的内容与训练宠物相关。在一些实现方式中，代替使用域的url来确定内容，内容标识器154可以使用与域相关联的网页的最常见内容来确定与域相关联的内容。内容标识器154可以使用任何技术或方法来确定域的内容。

内容标识器154可以标识与用户访问的域相关联的不同网页的内容。为此，内容标识器154可以标识出现在每个网页上的常见术语和/或术语模式。例如，如果用户正在查看描述鞋子的网页，则内容标识器154可以标识与鞋子相关的术语，诸如高跟鞋、不同的鞋子品牌、不同的鞋子类型等。内容标识器154可以标识与鞋子相关的词语，并确定如果需要与鞋子相关的词语数量的阈值被满足，则网页与鞋子相关联。

在另一实现方式中，内容标识器154可以通过分析嵌入在网页上的图片或其他内容来标识与网页相关联的内容，包括视频、音频、文本等。例如，内容标识器154可以针对媒体或其他内容项扫描网页，标识网页上的任何媒体，然后基于媒体的内容来确定网页的内容。在一些实现方式中，内容标识器154可以使用对象识别技术来确定视频内的图片或图像的内容。例如，内容标识器154可以标识内容的图片的特点，并且将这些特点与已经用标识图片所关联的内容的标签标注的图片进行比较。如果内容标识器154可以标识与标注图片相同或类似的图片的充足特点，则内容标识器154可以确定图片的内容，并因此确定网页的内容。例如，如果网页包括鞋子的图片，则内容标识器154可以标识鞋子的特点，并在重新标识服务器146内的数据库内比较鞋子图片的特点。如果内容标识器154标识出足够共同的特点(即，满足阈值的充足特点)，则内容标识器可以确定与图片相关联的内容是鞋子，并且网页与鞋子相关联。内容标识器154可以使用任何技术或方法来标识与网页相关联的内容。

为了标识关键词的内容或者在搜索中使用或录入到用户设备中的术语，内容标识器154可以标识搜索中的词语，并将这些词语与重新标识服务器146内的数据库(未示出)中的词语进行比较。数据库可以包括分别用内容类型标注的术语，该类型指示词语与什么内容相关联，类似于域如何用内容类型标注。内容标识器154可以将关键词与数据库中的词语进行比较，并基于数据库中的匹配词语的内容标签来确定与每个关键词相关联的内容。内容标识器154可以使用任何技术或方法来标识与关键词相关联的内容类型。

在标识与每个关键词、网页和/或域相关联的内容时，重新标识服务器146可以用指示它与什么类型的内容相关联的标签来标注每个关键词、网页和/或域。例如，如果用户在谷歌搜索引擎中使用术语“狗”执行搜索，并访问与狗相关联的域，则内容标识器154可以自动确定与关键词“狗”和域相关联的内容是狗。内容标识器154然后可以用与狗相关联的标签来标注关键词和域，将关键词和域添加到用户在设定时间段内访问过的关键词、网页和域的日志，并将日志存储在重新标识服务器146内的关联数据库内。关键词、网页和域的内容可以是相应关键词、网页和域的特点，并且被用作下述神经网络中的输入。

在一些实现方式中，由内容提供方136提供的内容也可以被包括在内容日志中，并且用指示它与什么类型的内容相关联的标签来标注。例如，内容提供方可以发送与销售汽车相关的内容。内容标识器154可以标识该内容，用指示该内容与汽车相关联的标签来标注该内容，并将该内容添加到内容日志。

内容标识器154可以在任何时间长度内生成、更新和存储与用户在用户设备140、142或144处的web活动相关联的数据的日志。在一些实现方式中，内容标识器154可以生成并存储滚动窗口时间段，该滚动窗口时间段包括来自紧接在当前时间段之前的时间段的最近数据。例如，内容标识器154可以将数据存储在与用户的web活动的先前30天相关联的日志中。在一些实现方式中，随着每天的流逝，来自30天时间段之前的数据可以被去除，并且来自当天的新数据可以被添加到日志。因此，内容标识器154可以在用户设备140、142和144处追踪用户的当前兴趣，并且数据可以不受来自用户的不期望时间段的搜索、网页和域的影响。滚动窗口时间段可以是任何持续时间。

在一些实现方式中，日志可以被存储在用户设备140、142和144上。日志可以根据请求被提供给重新标识服务器146，以确定内容是否是用户定向内容和/或提供内容的内容提供方是否正在追踪接收内容的用户设备。进一步地，如果本文描述的方法是对用户设备执行的，则日志可以被使用，而无需将日志传输给另一用户设备或服务器。有利地，通过在用户设备140、142和144上存储日志，用户设备140、142和144中的每个用户设备都可以存储私有数据，而不与服务器共享数据。用户设备140、142和144的用户可能不希望与其他用户设备或服务器共享日志数据。

仍然参照图1b，重新标识服务器146被示出为包括应用160。应用160可以包括应用、服务器、服务、守护进程、例程或其他可执行逻辑，以实施下面参照图2示出和描述的神经网络中的输入，以确定在用户选择了不被追踪的选项之后，诸如内容提供方136和164的内容提供方是否正在提供用户定向内容。应用160可以接收由内容标识器154标识的输入，其与多个用户的最近web活动和呈现给多个用户的内容相关联。通过神经网络，应用160可以使用与输入相关联的权重来确定输出概率，该输出概率指示内容提供方正在提供用户定向内容的可能性。在一些实现方式中，神经网络可以是提供两个输出的二进制分类器，一个输出指示内容提供方正在提供用户定向内容，并且另一输出指示内容提供方基于与不同用户的web活动相关的输入来提供上下文定向内容。可以有任何数量的输入，并且每个输入都可以与任何权重相关联。在其他实现方式中，应用160实施统计分析或线性回归模型、随机森林、梯度提升决策树等，而不是神经网络，以确定内容提供方正在追踪用户或特定内容被定向的概率。

应用160可以实施到应用160的神经网络中的一个输入是由内容标识器154生成或选择的内容项的日志，该日志包括用户在从内容提供方136接收内容之前查看的内容。在一些实现方式中，应用160可以指定从日志接收数据的时间段，诸如例如在用户查看内容之前的30天。应用160可以从任何时间段标识所查看的内容。通过标识与内容项的日志中的内容相关联的标签，应用160可以标识内容和与该内容相关联的内容类型。如上所述，内容和内容类型可以与关键词、网页、域等相关联。一旦内容项被标识，应用160就可以将内容项输入到160的神经网络中，以确定内容提供方在未被授权这样做的同时向用户设备提供用户定向内容的概率。在一些实现方式中，内容项可以与所提供的内容项进行比较，与所提供的内容项类似的任何内容项可以具有更强的权重。如本文描述的，更强的权重也可以被称为更重或更高的权重。

在一些实现方式中，来自内容项日志的输入可以包括内容项日志的第一标识集合与内容项日志的第二标识集合之间的交集和/或信号或信号组合。具有最高预测能力的交集和/或信号或信号组合中的内容可以被输入到神经网络中。标识集合可以与特定用户的web活动相关联。例如，在用户a查看由内容提供方提供的特定内容片段之前的15天内，内容标识器154可以追踪由特定用户(用户a)查看或输入到用户设备中的内容。用户a的每个活动(例如所访问的每个网页或域或者输入到用户设备中的关键词)可以由应用160生成为第一标识集合。针对在任何时间段内查看由内容提供方提供的相同内容的任何数量的用户，标识集合可以被生成。因此，如果第二用户也查看了由内容提供方提供的相同内容，则应用160可以将来自第二用户的web活动的内容项标识为第二标识集合。应用160可以将在第一标识集合和第二标识集合之间具有最高预测能力的交集和/或信号或信号组合确定为共同内容，第一用户和第二用户在查看由内容提供方提供的内容之前的预定时间段查看该共同内容。预定时间段可以是任何长度。

例如，如果用户a和用户b都被呈现有与内容提供方136相关联的相同内容，则应用160可以标识在用户a和b被呈现有内容之前查看的所有内容。用户a可能访问过网页c、d、e和f，并且用户b可能访问过网页d、e、f和g。应用160可以将具有所查看内容的最高预测能力的交集和/或信号或信号组合确定为两个用户的网页d、e和f。应用160可以将网页d、e和f输入到神经网络中，作为与用户a和b之间的交集相关联的输入。神经网络可以使用输入和与输入相关联的权重，以确定内容提供方正在追踪用户a和b的web活动或者特定内容片段被定向的概率。应用160可以获得概率，并将该概率与预定阈值(诸如80％)进行比较。如果概率高于阈值，则应用160可以确定提供内容的内容提供方正在追踪用户(或正在提供用户定向内容)，并向发送器162发送信号，指示发送器162停止将来自所标识的内容提供方的内容提供给发送内容请求的用户设备。在其他实现方式中，应用160可以使用网页c、d、e、f和g的标识作为输入，并且神经网络可以对每个用户共有的网页(例如d、e和f)加权更重，并且仅由一个用户查看的网页(例如c和g)加权更轻。因此，具有最高预测能力的交集和/或信号或信号组合可能不需要被明确地标识，但是一旦训练就可以隐含在机器学习模型中。

应用160可以获得与具有最高预测能力的信号或信号组合相关联的数据。在被用于确定提供给用户的内容是否是用户定向的和/或内容提供方是否正在追踪用户时，具有最高预测能力的信号或信号组合可以是与最高权重或分数相关联的信号或信号组合。在一些实施例中，预测能力可以基于在从内容提供方接收内容之前查看相同内容的用户数量。例如，如果大量用户在接收相同内容之前访问了相同的网页或域，则这些信号可以具有最高预测能力。数量越大，预测能力越高。在一些实施例中，预测能力可以基于接收到的内容和在接收到内容之前查看的内容之间的特点的相似性。在一些实施例中，信号或信号组合可以包括在接收相同内容之前由多个用户查看的内容的交集，或者是该内容的交集。交集可以将信号输入(例如与相同的内容和/或内容特点相关联的信号输入)匹配到训练后的机器学习模型中。

信号或信号组合的最高预测能力可以为正或负。在一些实施例中，如果信号或信号组合指示内容是用户定向的或内容提供方正在追踪用户的高可能性，则最高预测能力可以为正。例如，在用户从内容提供方接收内容之前已经被多个用户共同查看的内容可以与正的预测能力相关联。在一些实施例中，如果信号或信号组合指示内容不是用户定向的可能性很大，则最高预测能力可以为负。例如，信号或信号组合可以与关联于负的预测能力的网页相关联，因为访问网页的用户在访问该网页之后接收上下文定向内容。

应用160可以获得与针对任何数量的用户具有最高预测能力的交集和/或信号或信号组合相关联的数据。例如，继续以上示例，如果第三用户(用户c)查看与用户a和b相同的内容片段，并且应用160经由内容标识器154确定用户c查看了网页d、e和g，则应用160可以确定在用户a、b和c之间具有网页d和e的最高预测能力的交集和/或信号或信号组合。在用户a、b和c之间具有最高预测能力的交集和/或信号或信号组合可以与具有与a和b相关联的最高预测能力的交集和/或信号或信号组合一起输入到神经网络中。在一些实现方式中，当神经网络自动确定内容提供方正在追踪用户或内容片段被定向的概率时，在用户a、b和c之间具有最高预测能力的交集和/或信号或信号组合可以与神经网络中的更强权重或更强信号相关联。

具有最高预测能力的交集和/或信号或信号组合可以针对查看相同内容的任何数量的查看者确定。在更多人之间查看的站点越常见，常见站点的权重就越大，并且神经网络确定内容提供方正在追踪用户或内容片段被定向的机会就越高。然而，如果由相同内容的查看者查看过的先前站点之间不存在强相关性，则神经网络可以确定内容提供方正在追踪用户或内容片段被定向的概率小。

例如，内容可以被提供给大量用户。在查看内容的用户中，50％的用户可能访问过网站a，30％的用户可能访问过网站b，并且20％的用户可能访问过网站c。根据访问每个站点的用户百分比，神经网络会对与网站a、b和c相关联的信号或信号组合进行加权。网站a可以与具有最大权重的信号或信号组合相关联，随后是网站b，进一步地随后是网站c。在一些实现方式中，权重可以与访问网站的用户百分比直接相关，尽管在其他实现方式中，权重可能与访问对应网站的用户百分比无关(例如如果某个网站始终与追踪用户或提供用户定向内容相关联，那么尽管访问站点的用户百分比较少，但它的权重可能会更大)。继续以上示例，与网站a相关联的神经网络内的信号或信号组合可能是与网站c相关联的信号或信号组合的2.5倍，因为50％的用户访问网站a，并且20％的用户访问网站c。

在一些实现方式中，与输入相关联的权重还可以基于用户何时查看与从内容提供方提供内容相关的内容。用户查看与其他用户查看的内容相交的内容与来自内容提供方的内容在时间上越接近，与具有最高预测能力的交集和/或信号或信号组合相关联的权重或信号越强。例如，如果用户a和b在从内容提供方提供内容之前30分钟都查看了网站c，则与用户a和b在提供内容之前一周访问过的网站相比，神经网络可以对与网站c相关联的输入加权更大。用户a和b可能在与内容提供方提供的不同时间查看过网站c，然而，通过取所得时间的平均值、将时间相加在一起或对两个用户之间的时间差进行归一化的任何其他方式，应用160考虑这些差异。例如，神经网络输入的权重可以与查看内容和网站之间的时间相关或与访问的常见网站的顺序相关，其中输入的权重仅与用户a和b访问网站的顺序相关联。

在一些实现方式中，基于与由内容提供方提供的内容的相似性，具有最高预测能力的交集和/或信号或信号组合的内容的特点可以与不同权重相关联，并且被用作应用160的神经网络中的输入。交集网站、关键词或域的特点可以分别是输入，并且具有与它相关联的唯一权重。特点的示例包括但不限于视频、图像、文本、颜色等。特点还可以包括内容类型。例如，特点可以包括内容所关注的不同主题，诸如动物、汽车、鞋子、运动、教育、学校等。在一些实现方式中，特点的权重可以取决于上述权重，其中与在用户被呈现有来自内容提供方的内容之前不常访问的内容的特点相比，最常访问的内容的特点具有更强的权重。进一步地，特点与所提供的内容的特点越类似，与特点的信号或信号组合相关联的权重越强。在时间上与来自内容提供方的内容更接近的所查看内容的特点也可以与更强的信号相关联。内容与所提供的内容之间的时间关系也可以是神经网络中的输入。

在一些实现方式中，应用160可以将所提供的内容由不同用户查看的网页标识为神经网络中的输入。由于网页所有者通常提供来自与网页相关的内容提供方的内容，因此包括来自与网页无关的内容提供方的内容的网页指示所提供的内容由于被第三方内容提供方追踪而被提供的高可能性。神经网络可以标识网页与所提供的内容之间的相似性。相似性越小，与网页相关联的权重越高。例如，如果用户正在查看描述汽车的网页，并且与鞋子相关的内容由内容提供方提供给网页，则与内容提供方所提供的内容也与汽车相关的情况相比，神经网络可以将更高的权重与网页相关联。进一步地，网页的特点可以是神经网络中的输入，类似于上述具有最高预测能力的交集和/或信号或信号组合的特点。

在一些实现方式中，神经网络中的另一输入可以是由内容提供方提供的内容。应用160可以将内容类型标识为神经网络的输入。由于与其他类型的内容相比，一些类型的内容可能更可能由追踪用户的内容提供方提供，因此这是有益的。例如，通过关联的神经网络，与关于运动的内容相比，应用160可以确定与鞋子相关的内容提供方的内容更可能与用户的未授权追踪相关联。因此，在神经网络中，与关于鞋子的内容输入相关联的权重可以高于与运动相关的内容输入的权重。不同类型的内容可以具有任何权重。

如将参照图2更详细地描述的，通过实施可以具有任何数量的隐藏层的神经网络，基于在由内容提供方提供内容之前有多少用户访问或查看相同内容，神经网络可以考虑不同权重。与不同输入和隐藏层相关联的权重可以被调整，因此在从内容提供方接收内容之前查看内容的时间元素以及在呈现来自内容提供方的内容之前查看相同内容的用户数量可以被适当地加权。使用训练神经网络的各种训练技术，诸如通过在确定内容提供方正在追踪用户或者内容片段是用户定向内容的概率之后使用参考材料和反向传播，神经网络可以自动学习不同输入的适当权重，因此创建算法，该算法可以准确地确定未授权的内容提供方正在追踪web浏览器用户或者向web浏览器用户提供用户定向内容的概率。

在确定内容提供方正在追踪用户或者内容正在向用户提供定向内容的概率(其明确地去除内容提供方这样做的任何潜在同意)并且确定概率高于预定阈值之后，应用160可以向发送器162发送信号，指示发送器162防止内容提供方接收请求从用户设备到内容提供方的任何未来传输。发送器162可以包括应用、服务器、服务、守护进程、例程或者其他可执行逻辑，以传输从用户设备140、142和144接收并且发送给内容提供方的内容请求。在一些实现方式中，内容提供方可以通过发送器162将内容发送回用户设备140、142和144。在其他实现方式中，内容提供方136将内容直接发送给用户设备140、142和144。发送器162可以防止内容请求从用户设备140、142和144到内容提供方的传输。

在一些实现方式中，诸如在服务器充当从内容提供方请求附加内容的客户端之间的中介的情况下，发送器162可以防止请求从用户设备140、142和144到内容提供方的传输，重新标识服务器146被确定为将未授权的定向内容提供给用户设备140、142和144。例如，当用户设备浏览互联网时，应用160可以确定内容提供方136将定向内容提供给用户设备140、142和144中的一个用户设备。应用160可以向发送器162发送信号，指示内容提供方136已经向用户设备提供了用户定向内容，并且发送器162可以将来自用户设备的任何未来请求重定向到内容提供方164。在一些实现方式中，发送器162可以重定向来自所有用户设备的请求，而在其他实现方式中，发送器162可以重定向来自用户设备的请求，内容提供方136已被捕获到向其提供用户定向内容。

在一些实现方式中，在重定向来自内容提供方136的内容请求之前，发送器162可以向被追踪的用户设备发送通知，指示该用户设备正在被追踪。发送器162还可以向用户设备发送信号，指示由用户设备接收的内容是用户定向内容。被追踪的用户设备处的用户可以被呈现有继续允许内容提供方136向用户设备提供内容或者阻挡来自内容提供方136的未来内容的选项。例如，发送器162可以向用户设备发送以下消息：“webelievecontentprovider136istryingtotrackyouagainstyourconsent.wouldyouliketoblocktheircookies？wouldyouliketouseourproxy/vpnservicetohelpkeepyourprivacysafe？(我们认为内容提供方136正试图违背您的同意追踪您。您想阻挡他们的cookie吗？您想使用我们的委托/vpn服务来帮助保护您的隐私安全吗？)”用户可以选择与这些问题相关联的选项，并且重新标识服务器146可以提供适当的服务。在其他实现方式中，已被标识为可能追踪用户，向用户提供定向内容的内容提供方可以被标识给每个客户端设备(例如在黑名单或其他列表中)，并且客户端设备可以被配置为不将请求传输给这种内容提供方，或可能会忽略或阻挡从这种内容提供方接收的内容。

在一些实现方式中，通过阻挡从内容提供方发送的所有内容，发送器162可以阻止内容提供方向用户设备提供内容。即使用户设备从具体提供方请求内容，发送器162也可以这样做。在一些实现方式中，发送器162可以生成并向监管者发送报告，指示内容提供方正在追踪用户或违背用户的意愿向用户提供用户定向内容。在一些实现方式中，发送器162可以向新闻媒体传输消息，该消息可以通知公众特定内容提供方正在追踪用户，即使用户明确选择不被追踪。

为了防止对内容的请求被发送给内容提供方，发送器162可能需要标识正在追踪用户或向用户提供用户定向内容的内容提供方。为此，发送器162可以向提供方标识器156发送信号，以标识执行未授权追踪的内容提供方。提供方标识器156可以包括应用、服务器、服务、守护进程、例程或其他可执行逻辑，以标识追踪用户并提供用户定向内容的内容提供方，尽管用户明确地采取步骤来阻止他们。提供方标识器156可以通过标识用户定向内容并探测用户定向内容的源来标识提供方。通常，用户定向内容的源已经在内容上留下指纹，诸如指示内容来自何处的标签，提供方标识器156可以使用该指纹来标识提供方。在一些实现方式中，内容提供方的指纹可以被存储在向查看者显示内容的web浏览器中。提供方标识器156可以从与web浏览器相关联的指纹标识提供方。

在一些实现方式中，未授权追踪或用户定向内容的肯定标识可能不足以使应用160确定内容提供方正在追踪用户，或违背其意愿向用户提供用户定向内容，尽管存在超过预定阈值的概率。在这些实现方式中，应用160可以要求内容标识器154标识由提供方标识器156标识的内容提供方提供的第二内容项，以追踪用户或违背其意愿向用户提供内容，并且应用160可以再次确定以下情况的概率：已标识的内容提供方是否违背其意愿追踪用户，或者该内容是否是用户定向内容。基于在用户从相同的所标识内容提供方接收第二内容项之前查看的内容的具有最高预测能力的交集和/或信号或信号组合、所提供的内容与所提供的内容被显示的网页的比较以及所提供内容的内容，应用160可以这样做。如果应用160再次确定内容提供方正在对用户执行未授权的追踪，或该内容是用户定向内容，则发送器162可以重定向指向内容提供方的来自用户设备的任何请求，该内容提供方被确定追踪或违背其意愿向用户提供用户定向内容。

在一些实现方式中，重新标识服务器146实施计数器158，以确定在用户采取措施以避免被追踪之后，特定内容提供方已被确定追踪用户或内容提供方所提供的内容是用户定向内容的次数。计数器158可以包括应用、服务器、服务、守护程序、例程或其他可执行逻辑，以在应用160确定内容提供方已被确定追踪用户或违背其意愿向用户提供定向内容的每个实例中递增计数器。在每个实例中，计数器158可以将与特定内容提供方相关联的计数器递增1。在一些实现方式中，重新标识服务器146的组件可以不防止内容提供方接收对内容的请求，直到与内容提供方相关联的计数器达到预定阈值为止。在达到阈值时，发送器162可以执行本文描述的系统和方法，以防止来自用户设备的请求到达与计数器相关联的内容提供方。

在一些实现方式中，用户可以重置提供用户定向内容或正在追踪用户的内容提供方的标识。用户可以访问接收到用户定向内容或被内容提供方追踪的计算设备，并选择从保持追踪已标识的内容的内部列表中去除每个内容提供方的选项，该每个内容提供方被确定已提供用户定向内容或被确定正在追踪用户。计算设备可以向重新标识服务器146发送信号，指示重新标识服务器146允许向列表上的内容提供方传输请求和内容以及从列表上的内容提供方传输请求和内容。用户可以选择列表上的全部或部分内容提供方。在一些实现方式中，如果本文描述的方法是对用户设备执行的，则用户设备可以请求并允许内容从所选内容提供方提供。

现在参照图2，根据一些实现方式，神经网络200的框图被示出，该神经网络200具有来自由用户查看的内容的历史的输入以及指示第三方是否追踪用户的活动或内容是否是用户定向内容的输出。在一些实现方式中，神经网络200可以是参照图1b示出和描述的应用160的一部分，并且被示出为包括内容项202、输入204、隐藏层208和输出层212的日志。神经网络200可以包括任何数量的组件。在一些实现方式中，神经网络200可以由张量处理单元实施，该张量处理单元专用于使用机器学习来确定内容提供方是否正在执行未授权的追踪或者内容是否是用户定向内容。神经网络200可以包括任何数量的组件。神经网络200可以作为参照图1示出和描述的由重新标识服务器146生成的内容项202的日志来操作，被用作输入204中的输入。来自输入204的信号或信号组合与权重相关联，并且被传输给隐藏层208。来自隐藏层208的信号或信号组合可以与权重相关联，并被传输给输出层212。神经网络200的组件202、204、208和212可以被实施，以确定内容提供方正在对不同用户执行未授权的追踪或内容是用户定向内容的概率。尽管示出有一个隐藏层，但是在一些实现方式中，神经网络200可以包括多于一个隐藏层。

在一些实现方式中，内容日志202可以是由匿名计算设备提供的内容项的日志。重新标识服务器146可以从web浏览器取回内容日志202，该内容日志与被提供有相同内容片段的不同计算设备相关联。内容日志202可以包括浏览历史，该浏览历史与包括不同用户查看的网页的不同设备相关联；用户录入、选择或者与网页或域相关联的关键词；以及用户访问的域。在一些实现方式中，内容日志202可以包括由重新标识服务器146标识的这些网页中的每个网页的特点。内容日志202还可以包括具有相同内容的最高预测能力的交集和/或信号或信号组合，该相同内容是多个用户在从内容提供方接收相同内容项之前查看的。内容日志202还可以包括内容提供方向多个用户提供的内容项以及内容项被显示的网页。进一步地，内容日志202可以包括登陆页面，该登陆页面与用户在点击内容项时登陆的内容项相关联。内容日志202可以包括任何数量的内容项和任何类型的内容。

输入204是神经网络200的第一层，其表示神经网络200的输入层。输入204可以在节点206处接收内容日志202的内容，作为神经网络200中的输入。每个输入可以是与内容日志202的输入相关联的节点，其向隐藏层208的节点210中的每个节点发送信号。基于在重新标识服务器146内的数据库中用数字标识输入，来自内容日志202的输入可以由重新标识服务器146转换为数值、二进制代码、矩阵、向量等。输入可以是所提供的内容项；所提供的内容项的特点；网页；域；关键词；输入是什么(即，具有最高预测能力的交集和/或信号或信号组合、所提供的内容、内容登录页面等)以及网页、域、其他输入的特点。例如，内容日志202的交集网页可以与数字12相关联，例如基于网页的特点(即，网页可以包括由内容提供方提供的内容所共有的特点，类似的共同特点越多，值越高)。基于重新标识服务器146内的数据库中的输入相关数字，重新标识服务器146可以将来自内容日志202的所有输入转换为数字。然后重新标识服务器146可以使用任何技术将数字归一化为-1和1之间的值，因此操作可以由隐藏层208的节点210关于数字执行。重新标识服务器146可以将数字归一化为任何值范围。在重新标识服务器146将数字转换为-1和1之间的值之后，神经网络200可以实施与来自节点206中的每个节点206的每个输入和信号相关联的权重，并且信号或信号组合可以被传输给隐藏层208。

隐藏层208是节点210的层，其从输入204接收输入信号或信号组合，关于输入信号或信号组合执行一个或多个操作，并向输出层212提供信号或信号组合。虽然一个隐藏层被示出，但可以存在任何数量的隐藏层。在一些实现方式中，隐藏层208可以与在查看内容提供方的内容之前查看类似内容的用户数量相关。基于节点206的值以及与在隐藏层208的节点206和节点210之间传输的信号或信号组合相关联的权重，神经网络200可以在隐藏层208处执行操作，诸如乘法、线性操作、sigmoid、双曲正切等。来自节点210的信号或信号组合可以被发送给输出层212，并且这些信号或信号组合中的每一个可以与权重相关联。

输出层212可以是神经网络200的层，其专用于提供在用户未授权内容提供方追踪用户之后他们这样做或者内容是否是用户定向内容的概率。输出层212被示出为包括两个节点，未授权的重新标识214和没有未授权的重新标识216。每个节点与由神经网络200基于来自内容日志202的输入确定的概率相关联。如果输入指示很可能内容提供方正在追踪用户，或者该内容是用户定向内容，则未授权的重新标识214可以与高概率相关联(例如概率超过50％)，并且没有未授权的重新标识216可以与低概率相关联(例如概率低于50％)。在概率与未授权的重新标识214和没有未授权的重新标识216中的每一个相关联之后，重新标识服务器146可以将概率与由管理员确定的阈值进行比较，以确定内容提供方是否正在违背其意愿追踪用户，或者内容是否是用户定向内容。

与在输入204和隐藏层208之间然后在隐藏层208和输出层212之间传播的信号或信号组合相关联的权重可以基于由管理员提供的训练数据来自动确定。训练数据可以包括作为神经网络200的输入的内容和内容特点以及基于输入的预期输出。神经网络200最初可以具有与其信号或信号组合中的每一个相关联的随机权重，但是在足够量的训练数据被输入到神经网络200中之后，权重可以被确定，以获得管理员标识为足够的确定性程度。在本文描述的系统和方法的一些实现方式中，与最高权重相关联的输入和信号或信号组合可以是与由内容提供方提供的内容、登陆页面和内容在被显示时正在显示的域相关联的特点。其他输入可以包括由内容提供方提供的内容的相似性。为了使用训练数据，神经网络可以是实施反向传播的监督系统。在训练数据被用作输入并且神经网络标识出输出的概率之后，神经网络可以从训练数据标识出期望输出，并标识出实际输出与期望输出之间的差异。神经网络可以将差异标识为差量，并修改权重，因此实际输出更接近预期输出。神经网络可以使用标识每个权重的变化程度的学习率来修改其信号或信号组合的权重，以用于被实施到神经网络200中的训练数据的迭代。随着越来越多的训练数据被馈送到神经网络中，信号或信号组合的权重可能会发生变化，并且差量可能会变小。因此，在一些实现方式中，结果可能会变得更加准确。

在一些实现方式中，神经网络200可以是半监督系统，其中用作系统中的输入的训练数据包括被标记有和没有输出数据以及有输入数据的数据。当有大量数据可用时，这是有利的，但人类需要花费大量时间用正确的输出标记数据。在半监督系统中，神经网络200可以接收仅包括输入的数据，以确定输出，并基于输出标记数据。新标记的数据然后可以与标记的数据集一起被实施到神经网络200中，以使用反向传播技术训练神经网络200。使用半监督系统，神经网络可以在标识内容时不断更新，并确定提供内容的内容提供方是否违背用户的意愿追踪用户，或者内容是否是用户定向内容。

现在参照图3，根据一些实施例，图示了方法300的流程图被示出，该方法300用于确定第三方是否基于来自神经网络的输出来追踪用户的活动，或者内容是否是用户定向内容。方法300可以包括任何数量的操作。在操作302中，重新标识服务器可以取回内容项的日志。内容项的日志可以包括任何数量的项目，包括但不限于已标识的内容项、内容项的特点、内容项被提供的网页、内容登陆页面、内容登陆页面的特点以及来自查看过内容项的用户的浏览历史的数据(即，域、网页、与网页和域相关联的关键词、域和网页的特点、表示浏览历史中与内容项相关的项目被查看的时间段、具有在不同用户之间查看的内容的最高预测能力的交集和/或信号或信号组合等)。基于每个内容项在将内容项与重新标识服务器内的数据库中的数字相关的表格中的位置，内容项日志中的每个项目可以与数字相关联。

在操作304中，重新标识服务器可以从内容项的日志标识第一内容项。第一内容项可以是由内容提供方提供的内容，重新标识服务器正在使用该内容来确定内容提供方在用户选择不被追踪的选项之后是否追踪用户，或者内容是否是用户定向内容。在操作306中，重新标识服务器可以从内容项的日志生成一组内容项的标识集合。标识可以由用户设备基于与不同用户的web活动相关联的存储内容生成。所存储的内容记录可以是与关联于用户的浏览器相关联的浏览历史。标识可以从任何数量的用户设备取回。在一些实现方式中，标识可以与在查看第一内容项的时间段内查看的内容相关联。

在操作308中，重新标识服务器可以标识在内容日志的不同用户的浏览历史之间具有最高预测能力的交集和/或信号或信号组合。在一些实现方式中，具有最高预测能力的交集和/或信号或信号组合是与多个用户之间的网页和域相关联的常见网站、域和关键词。重新标识服务器可以将共同内容项标识为重新标识服务器的神经网络中的唯一输入。神经网络可以使用这些输入，并确定提供第一内容项的内容提供方在提供内容之前追踪查看第一内容项的用户或者内容是否是用户定向内容的概率。如果概率不高于预定阈值，则在操作310中，重新标识服务器可以确定不太可能内容由于未授权的标识而被提供，并继续从提供方向计算设备传输内容。

然而，如果重新标识服务器确定概率高于阈值，则在操作312中，重新标识服务器可以标识提供第一内容项的内容提供方。重新标识服务器可以使用来自接收第一内容项的浏览器的信息来这样做，从而标识第一内容项的来源。在一些实现方式中，基于在用户被提供有第一内容项之前最常访问的网页，重新标识服务器可以标识内容提供方。例如，如果大多数用户在被呈现有第一内容项之前访问了网站a，则重新标识服务器可以确定追踪很可能在网站a处开始或发生。如果内容提供方在提供内容时使用错误标识符，以避免通过内容项被显示的浏览器进行任何标识，则这是有利的。

在操作314中，重新标识服务器可以递增与在操作312中标识的内容提供方相关联的计数器。重新标识服务器可以存储和递增任何数量的内容提供方的计数器，并且在内容提供方被确定违背其意愿追踪用户(即，在用户明确或被动地禁用第三方cookie或采取其他安全性措施之后)或如果内容是用户定向内容的每个实例中，递增内容提供方的相应计数器。在操作316中，在与所标识的内容提供方相关联的计数器被递增之后，重新标识服务器可以确定计数器是否超过预定阈值。预定阈值可以由管理员确定，并且可以是任何数字。如果计数器被确定为不高于阈值，那么在操作310中，由内容提供方提供的任何内容可以被传输给用户设备。

然而，如果计数器被确定为高于预定阈值，则在操作318中，重新标识服务器可以从用户设备接收对来自所标识的内容提供方的内容的请求，并且在操作320中，将该请求重定向到尚未被建立以违背其意愿追踪用户，或者如果内容是用户定向内容的第二内容提供方。基于与内容提供方相关的每个确定，重新标识服务器可以更新重新标识服务器的神经网络。进一步地，针对提供给不同用户的任何数量的内容项，重新标识服务器可以重复地重复以上操作。

现在参照图4，根据一些实施例，图示了另一方法400的流程图被示出，该另一方法400用于确定第三方是否基于来自神经网络的输出来追踪用户的活动，或者内容是否是用户定向内容。方法400可以由重新标识服务器或任何服务器执行。操作402、404、406、408、410和412可以与参照图3示出和描述的对应操作302、304、306、308、310和312相同或类似。在标识出可能违背用户的意愿追踪用户的内容提供方之后，或者如果内容是用户定向内容，则在操作414中，重新标识服务器可以标识由所标识的内容提供方提供的第三内容项。基于用户设备的浏览历史，重新标识服务器可以从由多个用户设备提供的内容日志标识第三内容项。在一些实现方式中，重新标识服务器可以从在操作402中取回的内容日志标识第三内容项。在一些实现方式中，在从多个用户设备取回另一内容日志之后，重新标识服务器可以标识第三内容项。

在操作416中，重新标识服务器可以从与第三内容项相关联的内容日志生成标识。重新标识服务器可以标识内容和内容的特点，类似于它在操作406中这样做的方式。重新标识服务器可以标识具有最高预测能力的交集和/或信号或信号组合，其表示在查看第三内容项之前由多个用户查看的共同内容，并且将具有最高预测能力的交集和/或信号或信号组合输入到重新标识服务器的神经网络中。在操作418中，通过神经网络，重新标识服务器可以确定基于具有最高预测能力的交集和/或信号或信号组合输入的神经网络的输出是否超过阈值。如果输出未超过阈值，则在操作420中，重新标识服务器可以继续将对内容的请求从用户设备传输给内容提供方。

然而，如果概率超过阈值，则在操作422中，重新标识服务器可以根据所标识的内容提供方接收来自用户设备的对内容的请求。在操作424中，重新标识服务器可以将请求重定向到尚未被建立以违背其意愿追踪用户，或者没有提供定向内容的第二内容提供方。基于与内容提供方相关的每个确定，重新标识服务器可以更新重新标识服务器的神经网络。进一步地，针对提供给不同用户的任何数量的内容项，重新标识服务器可以重复地重复以上操作。

有利地，通过实施本文描述的系统和方法，系统可以确定第三方内容提供方是否正在追踪不希望被追踪的用户的web活动，或者内容是否是用户定向内容。在确定第三方内容提供方是否正在追踪用户或者内容是否是用户定向内容方面，先前的方法没有成功，因为无论用户是否被追踪，相同的内容都可以显示给用户。然而，通过将输入提供到神经网络中，该神经网络在用户被提供有内容之前分析不同用户的浏览器历史，本文描述的系统和方法可以自动标识内容是否是用户定向内容或者内容提供方何时追踪用户，并防止他们这样做。因此，当用户在互联网上搜索网页时，用户可以在隐私方面感到安全。

针对本文讨论的系统收集与用户相关的个人信息或者可以利用个人信息的情况，用户可以被提供有这样的机会以控制程序或者特征是否可以收集个人信息(例如与用户的社交网络、社交动作或活动、用户的偏好或者用户的位置相关的信息)，或者控制是否和/或如何从内容服务器或其他数据处理系统接收可能与用户更相关的内容。另外，在特定数据被存储或使用之前，该特定数据可以按照一种或多种方式来匿名，使得在生成参数时，个人可标识信息被去除。例如，用户的身份可以被匿名，使得个人可标识信息无法针对用户确定，或者用户的地理位置可以被一般化，其中位置信息被获得(诸如一般化为城市、邮政编码或者州级)，使得用户的特定位置无法被确定。因此，用户可以控制关于他或她的信息如何被收集并且由内容服务器使用。

本说明书中描述的主题和操作的实现方式可以在数字电子电路系统或者计算机软件、固件或者硬件(包括本说明书中公开的结构及其结构等效物)或者它们中的一个或多个的组合中实施。本说明书中描述的主题的实现方式可以被实施为一个或多个计算机程序，即，编码在一个或多个计算机存储介质上的计算机程序指令的一个或多个模块，以用于由数据处理装置执行或者控制该数据处理装置的操作。备选地或者另外，程序指令可以被编码在人工生成的传播信号(例如机器生成的电气、光学或电磁信号，该信号被生成，以对用于传输给合适的接收器装置以供数据处理装置执行的信息进行编码)上。计算机存储介质可以是计算机可读存储设备、计算机可读存储衬底、随机或串行存取存储器阵列或设备或者它们中的一个或多个的组合，或者被包括在其中。而且，当计算机存储介质不是传播信号时，计算机存储介质可以是编码在人工生成的传播信号中的计算机程序指令的源或者目的地。计算机存储介质也可以是一个或多个单独的组件或者介质(例如多个cd、磁盘或者其他存储设备)，或者被包括在其中。因此，计算机存储介质可以是有形的。

本说明书中描述的操作可以被实施为由数据处理装置对数据执行的操作，该数据被存储在一个或多个计算机可读存储设备上或者从其他源接收。

术语“客户端”或“服务器”包括用于处理数据的所有种类的装置、设备和机器，诸如可编程处理器、计算机、片上系统或者前述中的多个或者组合。装置可以包括专用逻辑电路系统，例如fpga(现场可编程门阵列)或者asic(专用集成电路)。除了硬件之外，该装置还可以包括为探讨中的计算机程序创建执行环境的代码，例如构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行时间环境、虚拟机或者它们中的一个或多个的组合的代码。该装置和执行环境可以实现各种不同的计算模型基础设施，诸如web服务、分布式计算和网格计算基础设施。

计算机程序(也称为程序、软件、软件应用、脚本或者代码)可以用任何形式的编程语言(包括编译语言或者解释语言、陈述性语言或者程序语言)来编写，并且它可以按照任何形式(包括作为独立式程序，或者作为模块、组件、子例程、对象或者适合用于计算环境的其他单元)来部署。计算机程序可以但并非必须与文件系统中的文件相对应。程序可以被存储在保持其他程序或者数据(例如存储在标示语言文档中的一个或多个脚本)的文件的一部分中，或者被存储在专用于探讨中的程序的单个文件中，或者被存储在多个协作文件(例如存储一个或多个模块、子程序或者部分代码的文件)中。计算机程序可以被部署为在一个计算机上执行，或者在位于一个站点处或者分布在多个站点上并且通过通信网络互连的多个计算机上执行。

本说明书中描述的过程和逻辑流程可以由一个或多个可编程处理器执行，该一个或多个可编程处理器执行一个或多个计算机程序以通过对输入数据进行操作并且生成输出来执行动作。过程和逻辑流程也可以由专用逻辑电路系统(例如fpga(现场可编程门阵列)或者asic(专用集成电路))执行，并且装置也可以被实施为该专用逻辑电路系统。

适合于执行计算机程序的处理器包括通用和专用微处理器以及任何种类的数字计算机的任何一个或多个处理器。通常，处理器将接收来自只读存储器或者随机存取存储器或者两者的指令和数据。计算机的必要元件是用于根据指令执行动作的处理器以及用于存储指令和数据的一个或者多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个海量存储设备(例如磁盘、磁光盘或者光盘)，或者计算机将可操作地耦合以接收来自该海量存储设备的数据或者将数据传送给该海量存储设备或者进行两者。然而，计算机不需要具有这种设备。而且，计算机可以被嵌入到另一设备中，例如移动电话、个人数字助理(pda)、移动音频或者视频播放器、游戏机、全球定位系统(gps)接收器或者便携式存储设备(例如通用串行总线(usb)闪存驱动器)，仅举数例。适合于存储计算机程序指令和数据的设备包括所有形式的非易失性存储器、介质和存储器设备，包括：半导体存储器设备(例如eprom、eeprom和闪速存储器设备)；磁盘(例如内部硬盘或者可移除盘)；磁光盘；以及cd-rom盘和dvd-rom盘。处理器和存储器可以由专用逻辑电路系统补充，或者被并入到该专用逻辑电路系统中。

为了提供与用户的交互，本说明书中描述的主题的实现方式可以在计算机上实施，该计算机具有：用于向用户显示信息的显示设备，例如crt(阴极射线管)、lcd(液晶显示器)、oled(有机发光二极管)、tft(薄膜晶体管)、等离子体、其他灵活配置或者任何其他监视器；以及键盘、指向设备，例如鼠标、轨迹球等；或者触摸屏、触摸板等，用户可以通过它们来将输入提供给计算机。其他种类的设备也可以被用于提供与用户的交互；提供给用户的反馈可以是任何形式的传感反馈，例如视觉反馈、听觉反馈或者触觉反馈；并且来自用户的输入可以用任何形式(包括声学输入、语音输入或者触觉输入)来接收。另外，通过将文档发送给由用户使用的设备并且接收来自该设备的文档；通过响应于从web浏览器接收到的请求来将网页发送给在用户的客户端设备上的web浏览器，计算机可以与用户交互。

本说明书中描述的主题的实现方式可以被实施在包括后端组件的计算系统(例如作为数据服务器)、或者包括中间件组件的计算系统(例如应用服务器)、或者包括前端组件的计算系统(例如具有图形用户界面或者web浏览器的客户端计算机，用户可以通过该图形用户界面或者该web浏览器来与本说明书中描述的主题的实现方式交互)、或者包括一个或多个这种后端组件、中间件组件或前端组件的任何组合的计算系统中。系统的组件可以通过任何形式或介质的数字数据通信(例如通信网络)来互连。通信网络可以包括局域网(“lan”)和广域网(“wan”)、互联网络(例如互联网)以及对等网络(例如自组织对等网络)。

虽然本说明书包含了许多具体实施细节，但是这些细节不应该被解释为对任何发明或者可能被要求保护的内容的范围的限制，而是作为特定于特定发明的特定实现方式的特征的描述。在本说明书中在单独实现方式的上下文中描述的某些特征还可以组合地被实施在单个实现方式中。相反，在单个实现方式的上下文中描述的各种特征也可以单独地或者按照任何合适的子组合被实施在多个实现方式中。而且，虽然特征在上面可以被描述为以某些组合起作用，甚至描述为最初要求这种，但来自所要求保护的组合的一个或多个特征在一些情况下可以从组合中切除，并且所要求保护的组合可以针对子组合或者子组合的变形。

类似地，虽然操作在附图中按照特定顺序描绘，但是这不应该被理解为需要这种操作按照所示的特定顺序或者按照相继顺序来执行，或者所有图示的操作被执行以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。而且，在上述实现方式中的各种系统组件的分离不应该被理解为在所有实现方式中需要这种分离，并且应该理解的是，所描述的程序组件和系统通常可以一起被集成在单个软件产品中或者封装到多个软件产品中。

因此，本主题的特定实现方式已经被描述。其他实现方式在以下权利要求的范围内。在一些情况下，在权利要求中叙述的动作可以按照不同的顺序执行，并且仍然实现期望的结果。另外，在附图中描绘的过程不一定需要所示的特定顺序或者相继顺序，以实现期望的结果。在某些实现方式中，多任务或并行处理可以被利用。