Метод за идентификация на системата на потребителя, основан на информация за GPU

Изследователи от Университета на Бен-Гурион (Израел), Университета в Лилля (Франция) и Университета в Аделаида (Австралия) разработиха нова техника за идентификация на потребителски устройства чрез определяне на параметрите на работа на GPU в уеб браузера. Методът е наречен „Drawn Apart“ и е основан на използването на WebGL за получаване на профил на производителността на GPU, позволяващ значително да се увеличи точността на пасивните методи за проследяване, работещи без използване на Cookie и без съхранение на идентификатор на системата на потребителя.

Методите, които вземат предвид особеностите на рендериране, GPU, графичния стек и драйвери, са били използвани и преди, но те са ограничени до разделяне на устройства само на ниво различни модели видеокарти и GPU, т.е. могат да се използват само като допълнителен фактор за повишаване на вероятността за идентификация. Ключовата особеност на новия метод „Drawn Apart“ е, че той не е ограничен до разделяне на различни модели GPU, а се опитва да установи различия между идентични GPU от един и същи модел, причинени от нееднородността на производствения процес на чиповете, проектирани за масивни паралелни изчисления. Отбелязва се, че вариациите, възникващи в процеса на производство, позволяват образуването на уникални отпечатъци за същите модели устройства.

Оказа се, че тези различия могат да бъдат установени чрез преброяване на броя на блоковете на изпълнение и анализ на тяхната производителност в GPU. Като примитиви за установяване на различия между различните модели GPU са използвани проверки, основани на набор от тригонометрични функции, логически операции и изчисления с плаваща запетая. За откриване на различия в идентични GPU е оценяван броят на изпълняваните потоци едновременно при извършването на вершинни шейдъри. Предполага се, че установеният ефект е предизвикан от разлики в температурните режими и енергийното потребление на различни екземпляри на чиповете (по-рано подобен ефект е демонстриран за CPU — идентични процесори при изпълнение на един и същи код показвали различно енергийно потребление).

Тъй като операциите чрез WebGL се извършват асинхронно, за измерване на времето на тяхното изпълнение не може директно да се използва JavaScript API performance.now(), затова бяха предложени три трика за измерване на времето:

• onscreen — визуализиране на сцената в HTML canvas с измерване на времето на callback-функцията, зададена чрез API Window.requestAnimationFrame и извиквана след завършване на визуализацията.
• offscreen — използване на worker и визуализиране на сцената в обект OffscreenCanvas с измерване на времето за изпълнение на команда convertToBlob.
• GPU — визуализиране в обект OffscreenCanvas, но използвайки предоставения в WebGL таймер за измерване на времето, който отразява продължителността на изпълнение на набор от команди на страната на GPU.

По време на създаването на идентификатор на всяко устройство се извършват 50 проверки, всяка от които обхваща 176 измервания на 16 различни характеристики. Експеримент, в който беше събрана информация за 2500 устройства с 1605 различни GPU, показа 67% увеличение на ефективността на комбинираните методи за идентификация при добавяне на поддръжка за Drawn Apart. В частност, комбинираният метод FP-STALKER в средно осигуряваше идентификация в продължение на 17.5 дни, докато в комбинация с Drawn Apart продължителността на идентификацията се увеличи до 28 дни.

• Точността на разделяне на 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 беше 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 визуализация на екрана точността на идентификацията бе 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 рестартиране на системата е водило до изкривяване на идентификатора. При използването на метода в комбинация с други методи за косвена идентификация точността може да бъде значително увеличена. Такъв е и планът за повишаване на точността чрез използването на изчислителни шейдъри след стабилизация на новия API WebGPU.

Компаниите Intel, ARM, Google, Khronos, Mozilla и Brave са били уведомени за проблема още през 2020 година, но подробностите за метода са разкрити едва сега. Изследователите също така публикуваха работни примери, написани на JavaScript и GLSL, които могат да работят с изход и без изходна информация на екрана. Също така, за системи на базата на GPU Intel GEN 3/4/8/10 са публикувани набори от данни за класификация на извлечената информация в системи за машинно обучение.

Източник: opennet.ru