Esploristoj de la Universitato Ben-Gurion (Israelo), la Universitato de Lille (Francio) kaj la Universitato de Adelajdo (Aŭstralio) evoluigis novan teknikon por identigi uzantajn aparatojn per detektado de GPU-funkciaj parametroj en retumilo. La metodo nomiĝas "Drawn Apart" kaj baziĝas sur la uzo de WebGL por akiri profilon de rendimento de GPU, kiu povas signife plibonigi la precizecon de pasivaj spuraj metodoj, kiuj funkcias sen la uzo de Kuketoj kaj sen stoki identigilon en la sistemo de la uzanto.
Metodoj kiuj konsideras la trajtojn de bildigo, GPU, grafika stako kaj ŝoforoj dum identigado estis uzitaj antaŭe, sed ili estis limigitaj al la kapablo apartigi aparatojn nur je la nivelo de malsamaj modeloj de vidkartoj kaj GPUoj, t.e. povus nur esti utiligita kiel kroma faktoro por pliigi la verŝajnecon de identigo. La ĉefa trajto de la nova metodo "Drawn Apart" estas, ke ĝi ne limigas sin al apartigo de malsamaj GPU-modeloj, sed provas identigi diferencojn inter identaj GPU-oj de la sama modelo pro la heterogeneco de la produktada procezo de blatoj destinitaj por amase paralelaj. komputado. Oni rimarkas, ke variadoj, kiuj aperas dum la produktada procezo, ebligas formi ne-ripetajn impresojn por la samaj aparato-modeloj.
Rezultis, ke ĉi tiuj diferencoj povas esti identigitaj kalkulante la nombron da ekzekutunuoj kaj analizante ilian agadon en la GPU. Ĉekoj bazitaj sur aro de trigonometriaj funkcioj, logikaj operacioj kaj glitkomaj kalkuloj estis utiligitaj kiel primitivuloj por identigi malsamajn GPU-modelojn. Por identigi diferencojn en la samaj GPUoj, la nombro da samtempe efektivigantaj fadenoj dum efektivigado de verticaj ombriloj estis taksita. Oni supozas, ke la detektita efiko estas kaŭzita de diferencoj en temperaturkondiĉoj kaj energikonsumo de malsamaj okazoj de blatoj (antaŭe, simila efiko estis pruvita por CPUoj - identaj procesoroj montris malsaman energikonsumon dum ekzekuto de la sama kodo).
Ĉar operacioj per WebGL estas farataj nesinkrone, la JavaScript API performance.now() ne povas esti uzata rekte por mezuri ilian ekzekuttempon, do tri trukoj estis proponitaj por mezuri la tempon:
- surekrana — prezentante la scenon en HTML-kanvaso, mezurante la respondtempon de la revokfunkcio, agordita per la API Window.requestAnimationFrame kaj vokita post kiam la bildigo estas finita.
- offscreen - uzante laboriston kaj transdonante la scenon en objekton OffscreenCanvas, mezurante la ekzekuttempon de la komando convertToBlob.
- GPU - Desegnu al objekto OffscreenCanvas, sed uzu tempigilon provizitan de WebGL por mezuri tempon, kiu konsideras la daŭron de aro de komandoj ĉe la GPU-flanko.
Dum la kreadprocezo de ID, 50 testoj estas faritaj sur ĉiu aparato, ĉiu kovrante 176 mezuradojn de 16 malsamaj karakterizaĵoj. Eksperimento kiu kolektis informojn pri 2500 aparatoj kun 1605 malsamaj GPU-oj montris 67% pliiĝon en la efikeco de kombinitaj identigmetodoj aldonante Drawn Apart-subtenon. Aparte, la kombinita FP-STALKER-metodo disponigis identigon ene de 17.5 tagoj averaĝe, kaj kiam kombinite kun Drawn Apart, la identigdaŭro pliiĝis al 28 tagoj.
- La disiga precizeco de 10 sistemoj kun Intel i5-3470-blatoj (GEN 3 Ivy Bridge) kaj Intel HD Graphics 2500 GPU en la surekrana testo estis 93%, kaj en la eksterekrana testo ĝi estis 36.3%.
- Por 10 Intel i5-10500-sistemoj (GEN 10 Comet Lake) kun videokarto NVIDIA GTX1650, la precizeco estis 70% kaj 95.8%.
- Por 15 Intel i5-8500-sistemoj (GEN 8 Kafo-Lago) kun Intel UHD Graphics 630 GPU - 42% kaj 55%.
- Por 23 Intel i5-4590 (GEN 4 Haswell) sistemoj kun Intel HD Graphics 4600 GPU - 32.7% kaj 63.7%.
- Por ses inteligentaj telefonoj Samsung Galaxy S20/S20 Ultra kun Mali-G77 MP11 GPU, la identiga precizeco en la surekrana testo estis 92.7%, kaj por inteligentaj telefonoj Samsung Galaxy S9/S9+ kun Mali-G72 MP18 ĝi estis 54.3%.
Oni rimarkas, ke la precizeco estis tuŝita de la temperaturo de la GPU, kaj por iuj aparatoj, rekomenci la sistemon kaŭzis distordon de la identigilo. Kiam oni uzas la metodon en kombinaĵo kun aliaj nerektaj identigmetodoj, precizeco povas esti signife pliigita. Ili ankaŭ planas pliigi precizecon per la uzo de komputilaj ombriloj post stabiligo de la nova WebGPU API.
Intel, ARM, Google, Khronos, Mozilla kaj Brave estis sciigitaj pri la problemo jam en 2020, sed detaloj de la metodo nur nun estas malkaŝitaj. La esploristoj ankaŭ publikigis laborekzemplojn skribitajn en JavaScript kaj GLSL, kiuj povas funkcii kun kaj sen montri informojn sur la ekrano. Ankaŭ, por sistemoj bazitaj sur GPU Intel GEN 3/4/8/10, datumoj aroj estis publikigitaj por klasifiki ĉerpitajn informojn en maŝinlernantaj sistemoj.
fonto: opennet.ru