Ερευνητές από το πανεπιστήμιο Ben-Gurion (Ισραήλ), το Πανεπιστήμιο της Λιλ (Γαλλία) και το Πανεπιστήμιο της Αδελαΐδας (Αυστραλία) ανέπτυξαν μια νέα τεχνική για την αναγνώριση των συσκευών των χρηστών ανιχνεύοντας παραμέτρους λειτουργίας GPU σε ένα πρόγραμμα περιήγησης ιστού. Η μέθοδος ονομάζεται "Drawn Apart" και βασίζεται στη χρήση του WebGL για τη λήψη ενός προφίλ απόδοσης GPU, το οποίο μπορεί να βελτιώσει σημαντικά την ακρίβεια των μεθόδων παθητικής παρακολούθησης που λειτουργούν χωρίς τη χρήση Cookies και χωρίς αποθήκευση αναγνωριστικού στο σύστημα του χρήστη.
Μέθοδοι που λαμβάνουν υπόψη τα χαρακτηριστικά της απόδοσης, της GPU, της στοίβας γραφικών και των προγραμμάτων οδήγησης κατά την αναγνώριση χρησιμοποιούνταν προηγουμένως, αλλά περιορίζονταν στη δυνατότητα διαχωρισμού συσκευών μόνο στο επίπεδο διαφορετικών μοντέλων καρτών γραφικών και GPU, π.χ. θα μπορούσε να χρησιμοποιηθεί μόνο ως πρόσθετος παράγοντας για την αύξηση της πιθανότητας αναγνώρισης. Το βασικό χαρακτηριστικό της νέας μεθόδου "Drawn Apart" είναι ότι δεν περιορίζεται στον διαχωρισμό διαφορετικών μοντέλων GPU, αλλά προσπαθεί να εντοπίσει διαφορές μεταξύ πανομοιότυπων GPU του ίδιου μοντέλου λόγω της ετερογένειας της διαδικασίας κατασκευής των τσιπ που έχουν σχεδιαστεί για μαζικά παράλληλες χρήση υπολογιστή. Σημειώνεται ότι οι παραλλαγές που προκύπτουν κατά τη διαδικασία παραγωγής καθιστούν δυνατό τον σχηματισμό μη επαναλαμβανόμενων εκμαγείων για τα ίδια μοντέλα συσκευών.
Αποδείχθηκε ότι αυτές οι διαφορές μπορούν να εντοπιστούν μετρώντας τον αριθμό των μονάδων εκτέλεσης και αναλύοντας την απόδοσή τους στη GPU. Έλεγχοι που βασίζονται σε ένα σύνολο τριγωνομετρικών συναρτήσεων, λογικών πράξεων και υπολογισμών κινητής υποδιαστολής χρησιμοποιήθηκαν ως αρχέγονοι για τον εντοπισμό διαφορετικών μοντέλων GPU. Για τον εντοπισμό διαφορών στις ίδιες GPU, αξιολογήθηκε ο αριθμός των νημάτων που εκτελούνται ταυτόχρονα κατά την εκτέλεση των σκιαδόρων κορυφής. Υποτίθεται ότι το ανιχνευόμενο αποτέλεσμα προκαλείται από διαφορές στις συνθήκες θερμοκρασίας και την κατανάλωση ενέργειας διαφορετικών περιπτώσεων τσιπ (προηγουμένως, παρόμοιο αποτέλεσμα είχε αποδειχθεί για CPU - πανομοιότυποι επεξεργαστές έδειξαν διαφορετική κατανάλωση ενέργειας κατά την εκτέλεση του ίδιου κώδικα).
Επειδή οι λειτουργίες μέσω WebGL εκτελούνται ασύγχρονα, το JavaScript API performance.now() δεν μπορεί να χρησιμοποιηθεί απευθείας για τη μέτρηση του χρόνου εκτέλεσής τους, επομένως έχουν προταθεί τρία κόλπα για τη μέτρηση του χρόνου:
- επί της οθόνης — απόδοση της σκηνής σε καμβά HTML, μέτρηση του χρόνου απόκρισης της συνάρτησης επανάκλησης, που ορίζεται μέσω του Window.requestAnimationFrame API και καλείται μετά την ολοκλήρωση της απόδοσης.
- εκτός οθόνης - χρησιμοποιώντας έναν εργαζόμενο και απόδοση της σκηνής σε αντικείμενο OffscreenCanvas, μετρώντας το χρόνο εκτέλεσης της εντολής convertToBlob.
- GPU - Σχεδιάστε σε ένα αντικείμενο OffscreenCanvas, αλλά χρησιμοποιήστε ένα χρονόμετρο που παρέχεται από το WebGL για να μετρήσετε το χρόνο που λαμβάνει υπόψη τη διάρκεια ενός συνόλου εντολών στην πλευρά της GPU.
Κατά τη διαδικασία δημιουργίας ID, πραγματοποιούνται 50 δοκιμές σε κάθε συσκευή, καθεμία από τις οποίες καλύπτει 176 μετρήσεις 16 διαφορετικών χαρακτηριστικών. Ένα πείραμα που συνέλεξε πληροφορίες για 2500 συσκευές με 1605 διαφορετικές GPU έδειξε 67% αύξηση στην αποτελεσματικότητα των συνδυασμένων μεθόδων αναγνώρισης κατά την προσθήκη υποστήριξης Drawn Apart. Συγκεκριμένα, η συνδυασμένη μέθοδος FP-STALKER παρείχε ταυτοποίηση εντός 17.5 ημερών κατά μέσο όρο και όταν συνδυάστηκε με το Drawn Apart, η διάρκεια αναγνώρισης αυξήθηκε σε 28 ημέρες.
- Η ακρίβεια διαχωρισμού 10 συστημάτων με τσιπ Intel i5-3470 (GEN 3 Ivy Bridge) και Intel HD Graphics 2500 GPU στη δοκιμή στην οθόνη ήταν 93%, και στη δοκιμή εκτός οθόνης ήταν 36.3%.
- Για 10 συστήματα Intel i5-10500 (GEN 10 Comet Lake) με κάρτα βίντεο NVIDIA GTX1650, η ακρίβεια ήταν 70% και 95.8%.
- Για 15 συστήματα Intel i5-8500 (GEN 8 Coffee Lake) με Intel UHD Graphics 630 GPU - 42% και 55%.
- Για 23 συστήματα Intel i5-4590 (GEN 4 Haswell) με GPU Intel HD Graphics 4600 - 32.7% και 63.7%.
- Για έξι smartphone Samsung Galaxy S20/S20 Ultra με Mali-G77 MP11 GPU, η ακρίβεια αναγνώρισης στη δοκιμή επί της οθόνης ήταν 92.7%, και για τα smartphone Samsung Galaxy S9/S9+ με Mali-G72 MP18 ήταν 54.3%.
Σημειώνεται ότι η ακρίβεια επηρεάστηκε από τη θερμοκρασία της GPU και για ορισμένες συσκευές, η επανεκκίνηση του συστήματος οδήγησε σε παραμόρφωση του αναγνωριστικού. Όταν χρησιμοποιείται η μέθοδος σε συνδυασμό με άλλες μεθόδους έμμεσης αναγνώρισης, η ακρίβεια μπορεί να αυξηθεί σημαντικά. Σκοπεύουν επίσης να αυξήσουν την ακρίβεια μέσω της χρήσης υπολογιστικών shaders μετά τη σταθεροποίηση του νέου WebGPU API.
Οι Intel, ARM, Google, Khronos, Mozilla και Brave ειδοποιήθηκαν για το πρόβλημα το 2020, αλλά λεπτομέρειες της μεθόδου αποκαλύπτονται μόλις τώρα. Οι ερευνητές δημοσίευσαν επίσης παραδείγματα εργασίας γραμμένα σε JavaScript και GLSL που μπορούν να λειτουργήσουν με και χωρίς εμφάνιση πληροφοριών στην οθόνη. Επίσης, για συστήματα που βασίζονται σε GPU Intel GEN 3/4/8/10, έχουν δημοσιευτεί σύνολα δεδομένων για την ταξινόμηση εξαγόμενων πληροφοριών σε συστήματα μηχανικής εκμάθησης.
Πηγή: opennet.ru