{"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\/de\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"Benutzersystemidentifikation basierend auf Informationen \u00fcber die GPU","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Forscher der Ben-Gurion-Universit\u00e4t (Israel), der Universit\u00e4t Lille (Frankreich) und der Universit\u00e4t Adelaide (Australien) haben eine neue Technik zur Identifizierung von Benutzerger\u00e4ten entwickelt, indem sie die Arbeitsparameter der GPU im Webbrowser bestimmen. Diese Methode tr\u00e4gt den Namen \u201eDrawn Apart\u201c und basiert auf der Nutzung von WebGL, um ein Leistungsprofil der GPU zu erstellen, das die Genauigkeit passiver Verfolgungsmethoden erheblich erh\u00f6ht, die ohne Cookies und ohne Speicherung einer Kennung auf dem Benutzerger\u00e4t arbeiten. <\/p>\n
Methoden, die bei der Identifizierung die Merkmale der Rasterisierung, GPU, Grafik-Stack und Treiber ber\u00fccksichtigen, wurden bereits zuvor verwendet, waren jedoch auf die Unterscheidung von Ger\u00e4ten auf Modellbasis der Grafikkarten und GPUs beschr\u00e4nkt, d.h. konnten nur als zus\u00e4tzlicher Faktor zur Erh\u00f6hung der Identifikationswahrscheinlichkeit dienen. Ein zentrales Merkmal der neuen Methode \u201eDrawn Apart\u201c besteht darin, dass sie nicht nur die Unterscheidung zwischen verschiedenen GPU-Modellen begrenzt, sondern versucht, Unterschiede zwischen identischen GPUs desselben Modells zu erkennen, die durch die Inhomogenit\u00e4t des Herstellungsprozesses von Chips, die f\u00fcr massive parallele Berechnungen ausgelegt sind, bedingt sind. Es wird angemerkt, dass die Variationen, die im Herstellungsprozess auftreten, es erm\u00f6glichen, einzigartige Abdr\u00fccke f\u00fcr dieselben Ger\u00e4te zu bilden.
<\/center> <\/p>\n
Es stellte sich heraus, dass diese Unterschiede durch die Z\u00e4hlung der Ausf\u00fchrungsbl\u00f6cke und die Analyse ihrer Leistung in der GPU erkannt werden k\u00f6nnen. Als Primitive zur Identifikation verschiedener GPU-Modelle wurden Pr\u00fcfungen auf Basis trigonometrischer Funktionen, logischer Operationen und Berechnungen mit Gleitkommazahlen verwendet. Um Unterschiede zwischen identischen GPUs zu erkennen, wurde die Anzahl der gleichzeitig ausgef\u00fchrten Str\u00f6me bei der Ausf\u00fchrung von Vertex-Shadern bewertet. Es wird angenommen, dass der festgestellte Effekt durch Unterschiede in den Temperaturbedingungen und dem Energieverbrauch verschiedener Chip-Exemplare verursacht wird (ein \u00e4hnlicher Effekt wurde zuvor f\u00fcr CPUs demonstriert \u2014 identische Prozessoren wiesen bei der Ausf\u00fchrung identischen Codes unterschiedliche Energieverbrauchswerte auf). <\/p>\n
Da die Operationen \u00fcber WebGL asynchron ausgef\u00fchrt werden, kann die JavaScript-API performance.now() nicht direkt zur Messung der Ausf\u00fchrungszeit verwendet werden. Daher wurden drei Tricks zur Zeitmessung vorgeschlagen: <\/p>\n
\n
onscreen \u2014 die Darstellung der Szene im HTML-Canvas mit der Messung der Zeit der Ausf\u00fchrung der Callback-Funktion, die \u00fcber die API Window.requestAnimationFrame festgelegt und nach Abschluss der Darstellung aufgerufen wird.\n
Offscreen — Verwendung des Workers und Rendering der Szene im OffscreenCanvas-Objekt zur Messung der Ausf\u00fchrungszeit des Befehls convertToBlob.\n
GPU — Rendering im OffscreenCanvas-Objekt, jedoch Verwendung des Timers in WebGL zur Messung der Zeit, die f\u00fcr die Ausf\u00fchrung eines Befehlssatzes auf der GPU ben\u00f6tigt wird. <\/ul>\n
Bei der Erstellung der Identifikatoren auf jedem Ger\u00e4t werden 50 \u00dcberpr\u00fcfungen durchgef\u00fchrt, von denen jede 176 Messungen von 16 verschiedenen Merkmalen umfasst. Das Experiment, bei dem Informationen zu 2500 Ger\u00e4ten mit 1605 verschiedenen GPUs gesammelt wurden, zeigte eine Effizienzsteigerung der kombinierten Identifikationsmethoden um 67% durch die Hinzuf\u00fcgung der Unterst\u00fctzung von Drawn Apart. Insbesondere gew\u00e4hrte die kombinierte Methode FP-STALKER im Durchschnitt eine Identifikation \u00fcber 17,5 Tage, und in Kombination mit Drawn Apart erh\u00f6hte sich die Identifikationsdauer auf 28 Tage.
<\/center> <\/p>\n
\n
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 nur 36.3%.\n
F\u00fcr 10 Systeme mit Intel i5-10500 (GEN 10 Comet Lake) und NVIDIA GTX1650 betrug die Genauigkeit 70% und 95,8%.\n
F\u00fcr 15 Systeme Intel i5-8500 (GEN 8 Coffee Lake) mit GPU Intel UHD Graphics 630 betrugen die Werte 42% und 55%.\n
F\u00fcr 23 Systeme Intel i5-4590 (GEN 4 Haswell) mit GPU Intel HD Graphics 4600 betrugen die Werte 32.7% und 63.7%.\n
F\u00fcr sechs Smartphones Samsung Galaxy S20\/S20 Ultra mit GPU Mali-G77 MP11 betrug die Identifikationsgenauigkeit im Bildschirmtest 92.7%, w\u00e4hrend sie f\u00fcr die Smartphones Samsung Galaxy S9\/S9+ mit Mali-G72 MP18 bei 54.3% lag. <\/ul>\n
<\/center> <\/p>\n
Es wurde festgestellt, dass die Genauigkeit von der Temperatur der GPU beeinflusst wurde, und dass bei einigen Ger\u00e4ten ein Systemneustart zu einer Verzerrung des Identifikators f\u00fchrte. 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 erh\u00f6ht werden. <\/p>\n
Die Unternehmen Intel, ARM, Google, Khronos, Mozilla und Brave wurden bereits 2020 \u00fcber das Problem informiert, doch die Details der Methode wurden erst jetzt ver\u00f6ffentlicht. Die Forscher haben auch funktionierende Beispiele ver\u00f6ffentlicht, die in JavaScript und GLSL geschrieben sind und sowohl mit als auch ohne Ausgabe auf dem Bildschirm laufen k\u00f6nnen. Au\u00dferdem wurden Datens\u00e4tze f\u00fcr die Klassifizierung der extrahierten Informationen in maschinellen Lernsystemen f\u00fcr Intel GPU basierte Systeme der Generationen 3\/4\/8\/10 ver\u00f6ffentlicht. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Benutzersystemidentifikation](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Benutzersystemidentifikation](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Benutzersystemidentifikation](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n