Methode zur Identifizierung des Benutzersystems basierend auf GPU-Informationen

Forscher der Ben-Gurion Universität (Israel), der Universität Lille (Frankreich) und der Universität Adelaide (Australien) haben eine neue Technik zur Identifizierung von Benutzergeräten entwickelt, indem sie die Leistungsparameter der GPU im Webbrowser analysieren. Die Methode trägt den Namen „Drawn Apart“ und basiert auf der Verwendung von WebGL zur Erstellung eines GPU-Leistungsprofils, was die Genauigkeit passiver Tracking-Methoden erheblich verbessert, die ohne Cookies und ohne Speichern einer ID auf dem Benutzergerät funktionieren.

Methoden, die bei der Identifizierung die Besonderheiten der Darstellung, GPU, Grafik-Stack und Treiber berücksichtigen, wurden bereits früher verwendet, jedoch beschränkten sie sich auf die Möglichkeit, Geräte nur auf der Ebene unterschiedlicher Grafikmodell- und GPU-Modelle zu unterscheiden, d.h. sie konnten nur als zusätzlicher Faktor zur Erhöhung der Identifikationswahrscheinlichkeit angewendet werden. Ein zentrales Merkmal der neuen Methode "Drawn Apart" besteht darin, dass sie nicht auf die Unterscheidung unterschiedlicher GPU-Modelle beschränkt ist, sondern versucht, Unterschiede zwischen identischen GPUs desselben Modells aufzudecken, die durch die Heterogenität des Produktionsprozesses von Chips für massive parallele Berechnungen entstehen. Es wird festgestellt, dass die im Produktionsprozess auftretenden Variationen es ermöglichen, einzigartige Abdrücke für dieselben Modellgeräte zu bilden.

Es stellte sich heraus, dass diese Unterschiede durch die Zählung der Anzahl der Ausführungsblöcke und die Analyse ihrer Leistung in der GPU identifiziert werden können. Zur Identifizierung der verschiedenen GPU-Modelle wurden Prüfungen auf Basis eines Satzes von trigonometrischen Funktionen, logischen Operationen und Berechnungen mit Gleitkommazahlen verwendet. Um Unterschiede bei identischen GPUs festzustellen, wurde die Anzahl der gleichzeitig ausgeführten Threads bei der Ausführung von Vertex-Shadern bewertet. Es wird angenommen, dass der festgestellte Effekt durch Unterschiede in den Temperaturregimen und dem Energieverbrauch verschiedener Chip-Exemplare verursacht wird (früher wurde ein ähnlicher Effekt für CPUs demonstriert – identische Prozessoren wiesen bei der Ausführung des gleichen Codes unterschiedliche Energieverbrauchswerte auf).

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

• onscreen — die Darstellung der Szene im HTML-Canvas mit der Messung der Zeit, die für den Aufruf der Callback-Funktion benötigt wird, die über die API Window.requestAnimationFrame festgelegt und nach Abschluss des Renderings aufgerufen wird.
• offscreen — die Verwendung eines Workers und die Darstellung der Szene im Objekt OffscreenCanvas mit der Messung der Ausführungszeit des Befehls convertToBlob.
• GPU — Rendering in OffscreenCanvas object, but using it to measure time provided by the WebGL timer, accounting for the duration of command execution on the GPU side.

Bei der Erstellung einer Identifikation auf jedem Gerät werden 50 Überprüfungen durchgeführt, von denen jede 176 Messungen von 16 verschiedenen Merkmalen umfasst. Ein Experiment, bei dem Informationen zu 2500 Geräten mit 1605 verschiedenen GPUs gesammelt wurden, zeigte eine Effizienzsteigerung der kombinierten Identifizierungsmethoden um 67 % durch die Unterstützung von Drawn Apart. Insbesondere ermöglichte die kombinierte FP-STALKER-Methode im Durchschnitt eine Identifizierung innerhalb von 17,5 Tagen, während die Kombination mit Drawn Apart die Identifikationsdauer auf 28 Tage erhöhte.

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

Es wurde festgestellt, dass die Genauigkeit von der Temperatur der GPU beeinflusst wurde und dass ein Neustart des Systems bei einigen Geräten zu einer Verzerrung der Identifikation führte. Durch die Kombination dieser Methode mit anderen indirekten Identifizierungsmethoden kann die Genauigkeit erheblich erhöht werden. Außerdem soll die Genauigkeit durch den Einsatz von Compute Shadern nach der Stabilisierung der neuen API WebGPU verbessert werden.

Die Unternehmen Intel, ARM, Google, Khronos, Mozilla und Brave wurden bereits 2020 über das Problem informiert, aber die Details der Methode wurden erst jetzt bekannt gegeben. Die Forscher veröffentlichten unter anderem in JavaScript und GLSL geschriebene funktionale Beispiele, die sowohl mit als auch ohne Bildschirmausgabe arbeiten können. Zudem wurden Datensätze zur Klassifikation extrahierter Informationen in Systemen des maschinellen Lernens veröffentlicht, die für Systeme mit GPU Intel GEN 3/4/8/10 geeignet sind.

Quelle: opennet.ru