Метод за идентификация на потребителската система въз основа на информация за GPU

Изследователи от университета Бен-Гурион (Израел), университета в Лил (Франция) и университета в Аделаида (Австралия) са разработили нова техника за идентифициране на потребителски устройства чрез откриване на работните параметри на GPU в уеб браузър. Методът се нарича „Drawn Apart“ и се основава на използването на WebGL за получаване на профил на производителност на GPU, което може значително да подобри точността на пасивните методи за проследяване, които работят без използването на бисквитки и без съхраняване на идентификатор в системата на потребителя.

По-рано бяха използвани методи, които отчитат характеристиките на рендиране, GPU, графичен стек и драйвери при идентифициране, но те бяха ограничени до възможността за отделяне на устройства само на ниво различни модели видеокарти и GPU, т.е. може да се използва само като допълнителен фактор за увеличаване на вероятността за идентифициране. Ключовата характеристика на новия метод "Drawn Apart" е, че той не се ограничава до разделянето на различни GPU модели, а се опитва да идентифицира разликите между идентични GPU от един и същи модел поради хетерогенността на производствения процес на чипове, предназначени за масово паралелно изчисления. Отбелязва се, че вариациите, които възникват по време на производствения процес, правят възможно формирането на неповтарящи се впечатления за едни и същи модели устройства.

Оказа се, че тези разлики могат да бъдат идентифицирани чрез преброяване на броя на изпълнителните единици и анализиране на тяхната производителност в GPU. Проверките, базирани на набор от тригонометрични функции, логически операции и изчисления с плаваща запетая, бяха използвани като примитиви за идентифициране на различни GPU модели. За да се идентифицират разликите в едни и същи графични процесори, беше оценен броят на едновременно изпълняваните нишки при изпълнение на вертексни шейдъри. Предполага се, че откритият ефект е причинен от разликите в температурните условия и консумацията на енергия на различни копия на чипове (по-рано подобен ефект беше демонстриран за процесори - идентични процесори показаха различна консумация на енергия при изпълнение на един и същ код).

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

• на екрана — рендиране на сцената в HTML платно, измерване на времето за реакция на функцията за обратно извикване, зададена чрез Window.requestAnimationFrame API и извикана след завършване на рендирането.
• извън екрана - използване на worker и изобразяване на сцената в обект OffscreenCanvas, измерване на времето за изпълнение на командата convertToBlob.
• GPU – Рисувайте към обект OffscreenCanvas, но използвайте осигурен от WebGL таймер за измерване на времето, което отчита продължителността на набор от команди от страна на GPU.

По време на процеса на създаване на ID се извършват 50 теста на всяко устройство, като всеки обхваща 176 измервания на 16 различни характеристики. Експеримент, който събра информация за 2500 устройства с 1605 различни GPU, показа 67% увеличение на ефективността на комбинираните методи за идентификация при добавяне на поддръжка на Drawn Apart. По-специално, комбинираният метод FP-STALKER осигурява идентификация в рамките на средно 17.5 дни, а когато се комбинира с Drawn Apart, продължителността на идентификацията се увеличава до 28 дни.

• Точността на разделяне на 10 системи с чипове Intel i5-3470 (GEN 3 Ivy Bridge) и графичен процесор Intel HD Graphics 2500 в теста на екрана е 93%, а в теста извън екрана е 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 графичен процесор Intel UHD Graphics 630 - 42% и 55%.
• За 23 системи Intel i5-4590 (GEN 4 Haswell) с графичен процесор Intel HD Graphics 4600 – 32.7% и 63.7%.
• За шест смартфона Samsung Galaxy S20/S20 Ultra с GPU Mali-G77 MP11, точността на идентификация в екранния тест е 92.7%, а за смартфоните Samsung Galaxy S9/S9+ с Mali-G72 MP18 е 54.3%.

Отбелязва се, че точността е повлияна от температурата на GPU, а за някои устройства рестартирането на системата доведе до изкривяване на идентификатора. При използване на метода в комбинация с други индиректни методи за идентификация, точността може да бъде значително повишена. Те също така планират да повишат точността чрез използването на изчислителни шейдъри след стабилизиране на новия WebGPU API.

Intel, ARM, Google, Khronos, Mozilla и Brave бяха уведомени за проблема още през 2020 г., но подробности за метода се разкриват едва сега. Изследователите също публикуваха работни примери, написани на JavaScript и GLSL, които могат да работят със и без показване на информация на екрана. Също така, за системи, базирани на GPU Intel GEN 3/4/8/10, са публикувани набори от данни за класифициране на извлечена информация в системи за машинно обучение.

Източник: opennet.ru