{"id":103157,"date":"2022-02-01T15:36:44","date_gmt":"2022-02-01T13:36:46","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu"},"modified":"2022-02-01T15:36:44","modified_gmt":"2022-02-01T13:36:46","slug":"metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"Metoden til identificering af brugerens system baseret p\u00e5 GPU-oplysninger","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Forskere fra Ben-Gurion Universitetet (Israel), Universitetet i Lille (Frankrig) og Universitetet i Adelaide (Australien) har udviklet en ny teknik til identifikation af brugerens enheder ved at bestemme GPU'ens driftsparametre i webbrowseren. Metoden er blevet kaldt \u201eDrawn Apart\u201c og er baseret p\u00e5 brugen af WebGL til at opn\u00e5 en GPU-ydeevneprofil, der markant kan \u00f8ge n\u00f8jagtigheden af passive sporingsmetoder, der fungerer uden brug af cookies og uden at gemme identifikatorer p\u00e5 brugerens system. <\/p>\n
Tidligere er metoder, der tager hensyn til tegneegenskaber, GPU, grafiske stacks og drivere blevet anvendt til identifikation, men de var begr\u00e6nset til at adskille enheder p\u00e5 niveauet for forskellige modeller af grafikkort og GPU'er, dvs. de kunne kun anvendes som en ekstra faktor for at \u00f8ge identifikationssandsynligheden. Den n\u00f8glefunktion i den nye metode \u201eDrawn Apart\u201c er, at den ikke kun begr\u00e6nser sig til at adskille forskellige GPU-modeller, men fors\u00f8ger at identificere forskelle mellem identiske GPU'er af samme model, hvilket skyldes uensartetheden i fremstillingsprocessen af chips, der er designet til massive parallelle beregninger. Det bem\u00e6rkes, at de variationer, der opst\u00e5r i fremstillingsprocessen, muligg\u00f8r dannelse af unikke aftryk for de samme enhedsmodeller.
<\/center> <\/p>\n
Det viste sig, at disse forskelle kan identificeres ved at t\u00e6lle antallet af udf\u00f8relsesblokke og analysere deres ydeevne i GPU'en. Som primitive til at identificere forskellige GPU-modeller blev der anvendt kontroller baseret p\u00e5 en r\u00e6kke trigonometriske funktioner, logiske operationer og flydende point-beregninger. For at identificere forskelle i identiske GPU'er blev antallet af samtidige tr\u00e5de vurderet under udf\u00f8relsen af vertex-shaderne. Det antages, at den identificerede effekt skyldes forskelle i temperaturregime og energiforbrug mellem forskellige chip-eksemplarer (tidligere blev en lignende effekt demonstreret for CPU'er \u2014 identiske processorer, der k\u00f8rte den samme kode, viste forskelligt energiforbrug). <\/p>\n
Da operationer gennem WebGL udf\u00f8res asynkront, kan JavaScript API performance.now() ikke bruges direkte til at m\u00e5le tiden for deres udf\u00f8relse, s\u00e5 der er foresl\u00e5et tre tricks til at m\u00e5le tiden: <\/p>\n
\n
onscreen \u2014 rendering af scenen i HTML canvas med m\u00e5ling af tiden for callback-funktionen, der er angivet via API Window.requestAnimationFrame og kaldt efter afslutning af rendering.\n
offscreen \u2014 brug af worker og rendering af scenen i objektet OffscreenCanvas med m\u00e5ling af udf\u00f8relsestiden for kommandoen convertToBlob.\n
GPU \u2014 rendering til objektet OffscreenCanvas, men brug af WebGL-timer til at m\u00e5le tiden, der tager hensyn til varigheden af udf\u00f8relsen af et s\u00e6t kommandoer p\u00e5 GPU'en. <\/ul>\n
Under oprettelse af en identifikator p\u00e5 hver enhed udf\u00f8res 50 kontroller, hver af dem d\u00e6kker 176 m\u00e5linger af 16 forskellige karakteristika. Eksperimentet, hvor der blev indsamlet information om 2500 enheder med 1605 forskellige GPU'er, viste en stigning i effektiviteten af de kombinerede identifikationsmetoder p\u00e5 67% ved at tilf\u00f8je st\u00f8tte til Drawn Apart. Specifikt leverede den kombinerede metode FP-STALKER i gennemsnit identifikation i 17,5 dage, mens varigheden af identifikation med Drawn Apart steg til 28 dage.
<\/center> <\/p>\n
\n
N\u00f8jagtigheden af opdelingen af 10 systemer med Intel i5-3470-chips (GEN 3 Ivy Bridge) og GPU Intel HD Graphics 2500 i onscreen-testen var 93%, mens det i offscreen var 36,3%.\n
For 10 systemer Intel i5-10500 (GEN 10 Comet Lake) med grafikkortet NVIDIA GTX1650 var pr\u00e6cisionen 70% og 95,8%.\n
For 15 systemer med Intel i5-8500 (GEN 8 Coffee Lake) med GPU Intel UHD Graphics 630 \u2014 42% og 55%.\n
For 23 systemer med Intel i5-4590 (GEN 4 Haswell) med GPU Intel HD Graphics 4600 \u2014 32,7% og 63,7%.\n
For seks smartphones Samsung Galaxy S20\/S20 Ultra med GPU Mali-G77 MP11 var n\u00f8jagtigheden af identifikation i sk\u00e6rmtesten 92,7%, mens den for smartphones Samsung Galaxy S9\/S9+ med Mali-G72 MP18 var 54,3%. <\/ul>\n
<\/center> <\/p>\n
Det bem\u00e6rkes, at temperaturen p\u00e5 GPU havde indflydelse p\u00e5 pr\u00e6cisionen, og at genstart af systemet for nogle enheder f\u00f8rte til forvr\u00e6ngning af identifikatoren. N\u00e5r metoden bruges i kombination med andre metoder til indirekte identifikation, kan pr\u00e6cisionen \u00f8ges v\u00e6sentligt. Der planl\u00e6gges ogs\u00e5 at h\u00e6ve pr\u00e6cisionen ved brug af compute shaders efter stabiliseringen af det nye API WebGPU. <\/p>\n
Virksomhederne Intel, ARM, Google, Khronos, Mozilla og Brave blev informeret om problemet allerede i 2020, men detaljerne om metoden blev f\u00f8rst offentliggjort nu. Forskerne offentliggjorde ogs\u00e5 funktionelle eksempler skrevet i JavaScript og GLSL, som kan arbejde med og uden sk\u00e6rmudgang. Derudover er der offentliggjort datas\u00e6t til klassificering af udvundet information i maskinl\u00e6ringssystemer for systemer baseret p\u00e5 Intel GPU GEN 3\/4\/8\/10. \n Kilde: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Metoden](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Metoden](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Metoden](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n