Benutzersystemidentifikation basierend auf Informationen über die GPU

Forscher der Ben-Gurion-Universität (Israel), der Universität Lille (Frankreich) und der Universität Adelaide (Australien) haben eine neue Technik zur Identifizierung von Benutzergeräten entwickelt, die auf der Bestimmung von GPU-Arbeitsparametern im Webbrowser basiert. Die Methode wurde "Drawn Apart" genannt und basiert auf der Nutzung von WebGL zur Erfassung eines GPU-Leistungsprofils, das die Genauigkeit passiver Tracking-Methoden erheblich erhöht, die ohne Cookies und ohne Speicherung einer ID im Benutzersystem arbeiten.

Methoden, die bei der Identifizierung die Besonderheiten der Darstellung, der GPU, des Grafikstacks und der Treiber berücksichtigen, wurden bereits zuvor verwendet, waren jedoch auf die Möglichkeit der Trennung von Geräten nur auf der Ebene unterschiedlicher Modelle von Grafikkarten und GPUs beschränkt; das heißt, sie konnten lediglich als zusätzlicher Faktor zur Erhöhung der Identifikationswahrscheinlichkeit dienen. Ein Schlüsselmerkmal der neuen Methode "Drawn Apart" ist, dass sie sich nicht auf die Trennung verschiedener GPU-Modelle beschränkt, sondern versucht, Unterschiede zwischen identischen GPUs eines Modells zu identifizieren, die durch Inhomogenitäten im Produktionsprozess von Chips, die für massive parallele Berechnungen ausgelegt sind, verursacht werden. Es wird angemerkt, dass die im Produktionsprozess auftretenden Variationen es ermöglichen, einzigartige Abdrücke für dieselben Modellgeräte zu bilden.

Es stellte sich heraus, dass diese Unterschiede durch das Zählen der Anzahl der Ausführungsblöcke und die Analyse ihrer Leistung in der GPU identifiziert werden können. Als Primitive zur Identifizierung verschiedener GPU-Modelle wurden Prüfungen auf der Grundlage von trigonometrischen Funktionen, logischen Operationen und Fließkomma-Berechnungen verwendet. Um Unterschiede bei identischen GPUs zu identifizieren, wurde die Anzahl der gleichzeitig ausgeführten Threads während der Ausführung von Vertex-Shadern bewertet. Es wird vermutet, dass der identifizierte Effekt durch Unterschiede in den Temperaturregimen und dem Energieverbrauch unterschiedlicher Exemplare von Chips verursacht wird (früher wurde ein ähnlicher Effekt bei CPUs demonstriert – identische Prozessoren zeigten bei Ausführung desselben Codes unterschiedliche Energiewerte).

Da die Operationen über WebGL asynchron ausgeführt werden, kann die JavaScript-API performance.now() nicht direkt zur Messung der Ausführungszeit verwendet werden. Daher wurden drei Tricks zur Zeitmessung vorgeschlagen:

• onscreen – die Darstellung der Szene im HTML-Canvas mit der Messung der Reaktionszeit der Callback-Funktion, die über die API Window.requestAnimationFrame festgelegt und nach Abschluss der Darstellung aufgerufen wird.
• offscreen – Verwendung eines Workers und Darstellung der Szene im OffscreenCanvas-Objekt mit der Messung der Ausführungszeit des Befehls convertToBlob.
• GPU – Darstellung im OffscreenCanvas-Objekt, jedoch Verwendung des in WebGL bereitgestellten Timers zur Messung der Ausführungszeit eines Befehlssatzes auf der GPU.

Bei der Erstellung der Identifikatoren auf jedem Gerät werden 50 Überprüfungen durchgeführt, von denen jede 176 Messungen von 16 verschiedenen Merkmalen umfasst. Das Experiment, bei dem Informationen zu 2500 Geräten mit 1605 verschiedenen GPUs gesammelt wurden, zeigte eine Effizienzsteigerung der kombinierten Identifikationsmethoden um 67% durch die Hinzufügung der Unterstützung von Drawn Apart. Insbesondere gewährte die kombinierte Methode FP-STALKER im Durchschnitt eine Identifikation über 17,5 Tage, und in Kombination mit Drawn Apart erhöhte sich die Identifikationsdauer auf 28 Tage.

• Die Genauigkeit der Trennung von 10 Systemen mit Intel i5-3470-Chips (GEN 3 Ivy Bridge) und GPU Intel HD Graphics 2500 betrug im Onscreen-Test 93%, im Offscreen-Test jedoch 36,3%.
• Für 10 Systeme mit Intel i5-10500 (GEN 10 Comet Lake) und NVIDIA GTX1650 betrug die Genauigkeit 70% und 95,8%.
• Für 15 Systeme mit Intel i5-8500 (GEN 8 Coffee Lake) und GPU Intel UHD Graphics 630 lag die Genauigkeit bei 42% und 55%.
• Für 23 Systeme mit Intel i5-4590 (GEN 4 Haswell) und GPU Intel HD Graphics 4600 betrug die Genauigkeit 32,7% und 63,7%.
• Für sechs Smartphones Samsung Galaxy S20/S20 Ultra mit GPU Mali-G77 MP11 betrug die Identifikationsgenauigkeit im Bildschirmtest 92,7%, während für Smartphones Samsung Galaxy S9/S9+ mit Mali-G72 MP18 die Genauigkeit 54,3% betrug.

Es wurde festgestellt, dass die Genauigkeit von der Temperatur der GPU beeinflusst wurde, und dass bei einigen Geräten ein Systemneustart zu einer Verzerrung des Identifikators führte. Bei der Kombination dieser Methode mit anderen indirekten Identifikationsmethoden kann die Genauigkeit erheblich gesteigert werden. Die Genauigkeit soll auch durch den Einsatz von Berechnungs-Shadern nach der Stabilisierung der neuen API WebGPU erhöht werden.

Die Unternehmen Intel, ARM, Google, Khronos, Mozilla und Brave wurden bereits 2020 über das Problem informiert, doch die Details der Methode wurden erst jetzt veröffentlicht. Die Forscher haben auch funktionierende Beispiele veröffentlicht, die in JavaScript und GLSL geschrieben sind und sowohl mit als auch ohne Ausgabe auf dem Bildschirm laufen können. Außerdem wurden Datensätze für die Klassifizierung der extrahierten Informationen in maschinellen Lernsystemen für Intel GPU basierte Systeme der Generationen 3/4/8/10 veröffentlicht.

Quelle: opennet.ru