{"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":"Methode zur Identifizierung des Benutzersystems basierend auf GPU-Informationen","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 Leistungsparameter der GPU im Webbrowser bestimmen. Die Methode tr\u00e4gt den Namen \u201eDrawn Apart\u201c und basiert auf der Nutzung von WebGL zur Erstellung eines GPU-Leistungsprofils, das die Genauigkeit passiver Tracking-Methoden erheblich erh\u00f6ht, die ohne Cookies und ohne Speicherung einer Identifikation auf dem Benutzersystem funktionieren. <\/p>\n
Methoden, die bei der Identifikation die Besonderheiten von Rendering, GPU, Grafik-Stack und Treibern ber\u00fccksichtigen, wurden bereits fr\u00fcher verwendet, waren jedoch auf die M\u00f6glichkeit der Unterscheidung von Ger\u00e4ten nur auf der Ebene unterschiedlicher Grafikkartenmodelle und GPUs beschr\u00e4nkt, d.h. sie konnten nur als zus\u00e4tzlicher Faktor zur Erh\u00f6hung der Identifikationswahrscheinlichkeit eingesetzt werden. Ein zentrales Merkmal der neuen Methode \u201eDrawn Apart\u201c besteht darin, dass sie sich nicht auf die Unterscheidung verschiedener GPU-Modelle beschr\u00e4nkt, sondern versucht, Unterschiede zwischen identischen GPUs desselben Modells zu erkennen, die durch die Heterogenit\u00e4t im Produktionsprozess von Chips entstehen, die f\u00fcr massive parallelle Berechnungen ausgelegt sind. Es wird festgestellt, dass die w\u00e4hrend des Produktionsprozesses auftretenden Variationen die Bildung einzigartiger Abdr\u00fccke f\u00fcr dieselben Modellen von Ger\u00e4ten erm\u00f6glichen.
<\/center> <\/p>\n
Es stellte sich heraus, dass diese Unterschiede durch die Z\u00e4hlung der Ausf\u00fchrungsbl\u00f6cke und die Analyse ihrer Leistung auf der GPU festgestellt werden k\u00f6nnen. Als Primitives zur Identifizierung unterschiedlicher GPU-Modelle wurden Tests auf Basis eines Satzes von trigonometrischen Funktionen, logischen Operationen und Berechnungen mit Gleitkommazahlen verwendet. Um Unterschiede zwischen identischen GPUs zu erkennen, wurde die Anzahl der gleichzeitig ausgef\u00fchrten Threads w\u00e4hrend der Ausf\u00fchrung von Vertex-Shadern bewertet. Es wird angenommen, dass der festgestellte Effekt auf Unterschiede in den Temperaturbedingungen und dem Energieverbrauch verschiedener Chip-Exemplare zur\u00fcckzuf\u00fchren ist (\u00e4hnliche Effekte wurden zuvor f\u00fcr CPUs demonstriert - identische Prozessoren, die denselben Code ausf\u00fchren, zeigen unterschiedliche Energieverbrauchswerte). <\/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, weshalb drei Tricks zur Zeitmessung vorgeschlagen wurden: <\/p>\n
\n
onscreen - das Rendern der Szene im HTML-Canvas mit der Messung der Zeit des Callback-Funktionsaufrufs, die \u00fcber die API Window.requestAnimationFrame festgelegt und nach Abschluss des Renderings aufgerufen wird.\n
Offscreen \u2014 Verwendung von Worker und Rendering der Szene in das OffscreenCanvas-Objekt mit Messung der Ausf\u00fchrungszeit des Befehls convertToBlob.\n
GPU \u2014 Rendering im OffscreenCanvas-Objekt, aber Verwendung des WebGL-Timers zur Messung der Zeit unter Ber\u00fccksichtigung der Ausf\u00fchrungsdauer einer Reihe von Befehlen auf der GPU-Seite. <\/ul>\n
Bei der Erstellung einer Identifikation auf jedem Ger\u00e4t werden 50 \u00dcberpr\u00fcfungen durchgef\u00fchrt, von denen jede 176 Messungen von 16 verschiedenen Merkmalen umfasst. Ein Experiment, bei dem Informationen zu 2500 Ger\u00e4ten mit 1605 verschiedenen GPUs gesammelt wurden, zeigte eine Effizienzsteigerung der kombinierten Identifizierungsmethoden um 67 % durch die Unterst\u00fctzung von Drawn Apart. Insbesondere erm\u00f6glichte die kombinierte FP-STALKER-Methode im Durchschnitt eine Identifizierung innerhalb von 17,5 Tagen, w\u00e4hrend die Kombination mit Drawn Apart die Identifikationsdauer auf 28 Tage erh\u00f6hte.
<\/center> <\/p>\n
\n
Die Genauigkeit der Trennung von 10 Systemen mit Intel i5-3470-Chips (GEN 3 Ivy Bridge) und Intel HD Graphics 2500 im Onscreen-Test betrug 93 %, im Offscreen jedoch 36,3 %.\n
F\u00fcr 10 Systeme Intel i5-10500 (GEN 10 Comet Lake) mit NVIDIA GTX1650 betrug die Genauigkeit 70 % und 95,8 %.\n
F\u00fcr 15 Systeme Intel i5-8500 (GEN 8 Coffee Lake) mit Intel UHD Graphics 630 war die Genauigkeit 42 % und 55 %.\n
F\u00fcr 23 Systeme Intel i5-4590 (GEN 4 Haswell) mit GPU Intel HD Graphics 4600 \u2014 32,7 % und 63,7 %.\n
F\u00fcr sechs Smartphones Samsung Galaxy S20\/S20 Ultra mit GPU Mali-G77 MP11 betrug die Genauigkeit der Identifizierung im Test 92,7 %, w\u00e4hrend sie f\u00fcr die Smartphones Samsung Galaxy S9\/S9+ mit Mali-G72 MP18 \u2014 54,3 % lag. <\/ul>\n
<\/center> <\/p>\n
Es wurde festgestellt, dass die Genauigkeit von der Temperatur der GPU beeinflusst wurde und dass ein Neustart des Systems bei einigen Ger\u00e4ten zu einer Verzerrung der Identifikation f\u00fchrte. Durch die Kombination dieser Methode mit anderen indirekten Identifizierungsmethoden kann die Genauigkeit erheblich erh\u00f6ht werden. Au\u00dferdem soll die Genauigkeit durch den Einsatz von Compute Shadern nach der Stabilisierung der neuen API WebGPU verbessert werden. <\/p>\n
Die Unternehmen Intel, ARM, Google, Khronos, Mozilla und Brave wurden bereits 2020 \u00fcber das Problem informiert, aber die Details der Methode wurden erst jetzt bekannt gegeben. Die Forscher ver\u00f6ffentlichten unter anderem in JavaScript und GLSL geschriebene funktionale Beispiele, die sowohl mit als auch ohne Bildschirmausgabe arbeiten k\u00f6nnen. Zudem wurden Datens\u00e4tze zur Klassifikation extrahierter Informationen in Systemen des maschinellen Lernens ver\u00f6ffentlicht, die f\u00fcr Systeme mit GPU Intel GEN 3\/4\/8\/10 geeignet sind. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Methode](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Methode](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Methode](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n