GPU তথ্যের উপর ভিত্তি করে ব্যবহারকারী সিস্টেম সনাক্তকরণ পদ্ধতি

বেন-গুরিয়ন ইউনিভার্সিটি (ইসরায়েল), লিলি ইউনিভার্সিটি (ফ্রান্স) এবং ইউনিভার্সিটি অফ অ্যাডিলেড (অস্ট্রেলিয়া) এর গবেষকরা একটি ওয়েব ব্রাউজারে জিপিইউ অপারেটিং প্যারামিটার সনাক্ত করে ব্যবহারকারীর ডিভাইস সনাক্ত করার জন্য একটি নতুন কৌশল তৈরি করেছেন। পদ্ধতিটিকে "ড্রন এপার্ট" বলা হয় এবং এটি একটি GPU পারফরম্যান্স প্রোফাইল প্রাপ্ত করার জন্য WebGL-এর ব্যবহারের উপর ভিত্তি করে, যা কুকিজ ব্যবহার না করে এবং ব্যবহারকারীর সিস্টেমে একটি শনাক্তকারী সংরক্ষণ না করে কাজ করে এমন প্যাসিভ ট্র্যাকিং পদ্ধতিগুলির সঠিকতা উল্লেখযোগ্যভাবে উন্নত করতে পারে৷

যে পদ্ধতিগুলি চিহ্নিত করার সময় রেন্ডারিং, GPU, গ্রাফিক্স স্ট্যাক এবং ড্রাইভারগুলির বৈশিষ্ট্যগুলিকে বিবেচনা করে সেগুলি আগে ব্যবহার করা হয়েছিল, কিন্তু সেগুলি শুধুমাত্র ভিডিও কার্ড এবং GPU-এর বিভিন্ন মডেলের স্তরে ডিভাইসগুলিকে আলাদা করার ক্ষমতার মধ্যে সীমাবদ্ধ ছিল, যেমন সনাক্তকরণের সম্ভাবনা বাড়ানোর জন্য শুধুমাত্র একটি অতিরিক্ত ফ্যাক্টর হিসাবে ব্যবহার করা যেতে পারে। নতুন "ড্রন এপার্ট" পদ্ধতির মূল বৈশিষ্ট্য হল যে এটি বিভিন্ন জিপিইউ মডেলকে আলাদা করার মধ্যে সীমাবদ্ধ রাখে না, তবে ব্যাপকভাবে সমান্তরালভাবে ডিজাইন করা চিপগুলির উত্পাদন প্রক্রিয়ার ভিন্নতার কারণে একই মডেলের অভিন্ন জিপিইউগুলির মধ্যে পার্থক্য চিহ্নিত করার চেষ্টা করে। কম্পিউটিং এটি উল্লেখ করা হয়েছে যে উত্পাদন প্রক্রিয়া চলাকালীন উদ্ভূত বৈচিত্রগুলি একই ডিভাইস মডেলগুলির জন্য অ-পুনরাবৃত্ত কাস্ট গঠন করা সম্ভব করে।

দেখা গেল যে এই পার্থক্যগুলিকে এক্সিকিউশন ইউনিটের সংখ্যা গণনা করে এবং GPU-তে তাদের কর্মক্ষমতা বিশ্লেষণ করে চিহ্নিত করা যেতে পারে। ত্রিকোণমিতিক ফাংশন, লজিক্যাল ক্রিয়াকলাপ এবং ফ্লোটিং পয়েন্ট গণনাগুলির একটি সেটের উপর ভিত্তি করে চেকগুলি বিভিন্ন GPU মডেল সনাক্ত করতে আদিম হিসাবে ব্যবহৃত হয়েছিল। একই GPU-তে পার্থক্য চিহ্নিত করতে, ভার্টেক্স শেডারগুলি চালানোর সময় একযোগে কার্যকরী থ্রেডের সংখ্যা মূল্যায়ন করা হয়েছিল। অনুমান করা হয় যে সনাক্ত করা প্রভাবটি তাপমাত্রার অবস্থার পার্থক্য এবং চিপগুলির বিভিন্ন দৃষ্টান্তের শক্তি খরচের কারণে ঘটে (আগে, সিপিইউগুলির জন্য একই রকম প্রভাব প্রদর্শিত হয়েছিল - একই কোড চালানোর সময় অভিন্ন প্রসেসরগুলি বিভিন্ন শক্তি খরচ দেখিয়েছিল)।

যেহেতু WebGL-এর মাধ্যমে ক্রিয়াকলাপগুলি অ্যাসিঙ্ক্রোনাসভাবে সঞ্চালিত হয়, JavaScript API performance.now() তাদের কার্যকর করার সময় পরিমাপ করতে সরাসরি ব্যবহার করা যায় না, তাই সময় পরিমাপের জন্য তিনটি কৌশল প্রস্তাব করা হয়েছে:

• অনস্ক্রিন — একটি HTML ক্যানভাসে দৃশ্যটি রেন্ডার করা, কলব্যাক ফাংশনের প্রতিক্রিয়া সময় পরিমাপ করা, Window.requestAnimationFrame API এর মাধ্যমে সেট করা এবং রেন্ডারিং সম্পূর্ণ হওয়ার পরে কল করা হয়।
• অফস্ক্রিন - একজন কর্মী ব্যবহার করে এবং দৃশ্যটিকে একটি অফস্ক্রিন ক্যানভাস অবজেক্টে রেন্ডার করে, কনভার্টটোব্লব কমান্ডের কার্যকর করার সময় পরিমাপ করে।
• GPU - একটি অফস্ক্রিন ক্যানভাস অবজেক্টে আঁকুন, তবে সময় পরিমাপের জন্য একটি WebGL-প্রদত্ত টাইমার ব্যবহার করুন যা GPU পাশের কমান্ডের সেটের সময়কাল বিবেচনা করে।

আইডি তৈরির প্রক্রিয়া চলাকালীন, প্রতিটি ডিভাইসে 50টি পরীক্ষা করা হয়, প্রতিটিতে 176টি ভিন্ন বৈশিষ্ট্যের 16টি পরিমাপ রয়েছে। একটি পরীক্ষা যা 2500টি ভিন্ন জিপিইউ সহ 1605টি ডিভাইসে তথ্য সংগ্রহ করেছে ড্রোন অ্যাপার্ট সমর্থন যোগ করার সময় সম্মিলিত শনাক্তকরণ পদ্ধতির কার্যকারিতা 67% বৃদ্ধি পেয়েছে। বিশেষ করে, সম্মিলিত FP-STALKER পদ্ধতি গড়ে 17.5 দিনের মধ্যে শনাক্তকরণ প্রদান করে এবং যখন ড্রন এপার্টের সাথে মিলিত হয়, তখন সনাক্তকরণের সময়কাল 28 দিনে বৃদ্ধি পায়।

• Intel i10-5 চিপ (GEN 3470 Ivy Bridge) এবং Intel HD Graphics 3 GPU সহ 2500টি সিস্টেমের বিচ্ছেদ নির্ভুলতা অনস্ক্রিন পরীক্ষায় ছিল 93%, এবং অফস্ক্রিন পরীক্ষায় এটি ছিল 36.3%।
• NVIDIA GTX10 ভিডিও কার্ড সহ 5টি Intel i10500-10 সিস্টেমের (GEN 1650 Comet Lake) জন্য, যথার্থতা ছিল 70% এবং 95.8%৷
• Intel UHD গ্রাফিক্স 15 GPU সহ 5টি Intel i8500-8 সিস্টেমের জন্য (GEN 630 Coffee Lake) - 42% এবং 55%।
• Intel HD গ্রাফিক্স 23 GPU সহ 5টি Intel i4590-4 (GEN 4600 Haswell) সিস্টেমের জন্য - 32.7% এবং 63.7%।
• Mali-G20 MP20 GPU সহ ছয়টি Samsung Galaxy S77/S11 Ultra স্মার্টফোনের জন্য, অন-স্ক্রীন পরীক্ষায় শনাক্তকরণের নির্ভুলতা ছিল 92.7%, এবং Samsung Galaxy S9/S9+ স্মার্টফোনের জন্য Mali-G72 MP18 এর সাথে এটি ছিল 54.3%।

এটি উল্লেখ করা হয়েছে যে সঠিকতা GPU-এর তাপমাত্রা দ্বারা প্রভাবিত হয়েছিল এবং কিছু ডিভাইসের জন্য, সিস্টেমটি পুনরায় বুট করার ফলে সনাক্তকারীর বিকৃতি ঘটে। অন্যান্য পরোক্ষ সনাক্তকরণ পদ্ধতির সাথে সংমিশ্রণে পদ্ধতিটি ব্যবহার করার সময়, নির্ভুলতা উল্লেখযোগ্যভাবে বৃদ্ধি করা যেতে পারে। তারা নতুন WebGPU API এর স্থিতিশীলতার পরে কম্পিউট শেডার ব্যবহারের মাধ্যমে নির্ভুলতা বাড়ানোর পরিকল্পনা করেছে।

ইন্টেল, এআরএম, গুগল, ক্রোনোস, মোজিলা এবং ব্রেভকে 2020 সালে এই সমস্যা সম্পর্কে অবহিত করা হয়েছিল, তবে পদ্ধতির বিশদ বিবরণ এখন প্রকাশ করা হচ্ছে। গবেষকরা জাভাস্ক্রিপ্ট এবং জিএলএসএল-এ লেখা কাজের উদাহরণও প্রকাশ করেছেন যা স্ক্রিনে তথ্য প্রদর্শনের সাথে এবং ছাড়াই কাজ করতে পারে। এছাড়াও, GPU Intel GEN 3/4/8/10 ভিত্তিক সিস্টেমগুলির জন্য, মেশিন লার্নিং সিস্টেমে নিষ্কাশিত তথ্য শ্রেণীবদ্ধ করার জন্য ডেটা সেটগুলি প্রকাশ করা হয়েছে।

উত্স: opennet.ru