Метод за идентификация на потребителския система, основан на информация за GPU

Изследователи от Университета Бен-Гурион (Израел), Университета Лилля (Франция) и Университета Аделаида (Австралия) разработиха нова техника за идентификация на устройства на потребителите чрез определяне на параметрите на работа на GPU в уеб браузъра. Методът получи наименование „Drawn Apart“ и е основан на използването на WebGL за получаване на профил на производителността на GPU, което позволява значително повишаване на точността на пасивните методи за проследяване, които работят без използване на бисквитки и без запазване на идентификатора на системата на потребителя.

Методите, които отчитат спецификите на отрисовката, GPU, графичния стек и драйверите, са се използвали и преди, но те бяха ограничени до възможността за разделяне на устройства само на ниво различни модели видеокарти и GPU, т.е. можеха да се използват само като допълнителен фактор за повишаване на вероятността за идентификация. Ключовата характеристика на новия метод „Drawn Apart“ е, че той не е ограничен до разделяне на различни модели GPU, а се опитва да разкрие разликите между идентични GPU от един модел, предизвикани от хетерогенността на производствения процес на чипове, предназначени за масивни паралелни изчисления. Отбелязва се, че вариациите, възникващи в производствения процес, позволяват да се формират неповторими отпечатъци за едни и същи модели устройства.

Оказа се, че тези разлики могат да бъдат открити чрез преброяване на броя блокове на изпълнение и анализ на тяхната производителност в GPU. Като примитиви за разкритие на различни модели GPU бяха използвани проверки, базирани на набор от тригонометрични функции, логически операции и изчисления с плаваща запетая. За разкритие на разликите в идентични GPU се оценяваше броят на едновременните изпълняващи се потоци при изпълнение на върхови шейдъри. Предполага се, че откритият ефект е причинен от разликите в температурните режими и енергопотреблението на различни екземпляри чипове (по-рано подобен ефект беше демонстриран за CPU — идентични процесори при изпълнение на един и същ код показваха различно енергопотребление).

Тъй като операциите чрез WebGL се изпълняват асинхронно, за измерване на времето за изпълнение им не може да се използва директно JavaScript API performance.now(). Затова за измерване на времето са предложени три метода:

• onscreen — визуализация на сцената в HTML canvas с измерване на времето за задействане на callback-функцията, зададена чрез API Window.requestAnimationFrame и извиквана след завършване на визуализацията.
• offscreen — използване на worker и визуализация на сцената в обект OffscreenCanvas с измерване на времето за изпълнение на командата convertToBlob.
• GPU — визуализация в обект OffscreenCanvas, но използване на таймер, предоставен в WebGL, за измерване на времето, което отразява продължителността на изпълнението на набора от команди на GPU.

При създаването на идентификатор на всяко устройство се извършват 50 проверки, всяка от които обхваща 176 измервания на 16 различни характеристики. Експеримент, при който бяха събрани данни за 2500 устройства с 1605 различни GPU, показа увеличение на ефективността на комбинираните методи за идентификация с 67% при добавяне на поддръжка на Drawn Apart. По-специално, комбинираният метод FP-STALKER осигуряваше идентификация средно за 17.5 дни, а в комбинация с Drawn Apart продължителността на идентификацията нарасна до 28 дни.

• Точността на разделяне за 10 системи с чипове Intel i5-3470 (GEN 3 Ivy Bridge) и GPU Intel HD Graphics 2500 в теста onscreen беше 93%, а в offscreen — 36.3%.
• За 10 системи Intel i5-10500 (GEN 10 Comet Lake) с видеокарта NVIDIA GTX1650 точността достигна 70% и 95.8%.
• За 15 системи Intel i5-8500 (GEN 8 Coffee Lake) с GPU Intel UHD Graphics 630 — 42% и 55%.
• За 23 системи Intel i5-4590 (GEN 4 Haswell) с GPU Intel HD Graphics 4600 — 32.7% и 63.7%.
• За шест смартфона Samsung Galaxy S20/S20 Ultra с GPU Mali-G77 MP11 в теста с изход на екрана точността на идентификацията беше 92.7%, а за смартфоните Samsung Galaxy S9/S9+ с Mali-G72 MP18 — 54.3%.

Отбелязва се, че точността е била повлияна от температурата на GPU, а за някои устройства, рестартирането на системата е водело до изкривяване на идентификатора. При комбиниране на метода с други методи за косвена идентификация точността може да бъде значително увеличена. Също така се планира увеличаване на точността чрез използването на изчислителни шейдъри след стабилизацията на новия API WebGPU.

Компаниите Intel, ARM, Google, Khronos, Mozilla и Brave бяха уведомени за проблема още през 2020 година, но детайлите на метода бяха разкрити едва сега. Включително изследователите публикуваха написани на JavaScript и GLSL работещи примери, които могат да работят с изход и без изходна информация на екрана. Също така за системи, базирани на GPU Intel GEN 3/4/8/10, бяха публикувани комплектни данни за класификация на извлечената информация в машинното обучение.

Източник: opennet.ru