{"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\/es\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"M\u00e9todo de identificaci\u00f3n del sistema del usuario basado en informaci\u00f3n sobre la GPU","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Investigadores de la Universidad Ben-Guri\u00f3n (Israel), de la Universidad de Lille (Francia) y de la Universidad de Adelaida (Australia) han desarrollado una nueva t\u00e9cnica para identificar los dispositivos de los usuarios mediante la determinaci\u00f3n de los par\u00e1metros de funcionamiento de la GPU en el navegador web. El m\u00e9todo se denomina \"Drawn Apart\" y se basa en el uso de WebGL para obtener un perfil de rendimiento de la GPU, lo que permite aumentar significativamente la precisi\u00f3n de los m\u00e9todos de seguimiento pasivo que operan sin el uso de cookies y sin almacenar un identificador en el sistema del usuario. <\/p>\n
Los m\u00e9todos que consideran las caracter\u00edsticas de renderizado, la GPU, la pila gr\u00e1fica y los controladores ya se hab\u00edan utilizado anteriormente, pero estaban limitados a la capacidad de distinguir dispositivos solo a nivel de diferentes modelos de tarjetas gr\u00e1ficas y GPU, es decir, solo pod\u00edan aplicarse como un factor adicional para aumentar la probabilidad de identificaci\u00f3n. Una caracter\u00edstica clave del nuevo m\u00e9todo \"Drawn Apart\" es que no se limita a la distinci\u00f3n entre diferentes modelos de GPU, sino que intenta identificar diferencias entre GPU id\u00e9nticas de un mismo modelo, debido a la heterogeneidad del proceso de producci\u00f3n de chips dise\u00f1ados para c\u00e1lculos masivos en paralelo. Se se\u00f1ala que las variaciones que surgen durante la producci\u00f3n permiten formar moldes \u00fanicos para los mismos modelos de dispositivos.
<\/center> <\/p>\n
Se ha constatado que estas diferencias se pueden identificar mediante el recuento del n\u00famero de bloques de ejecuci\u00f3n y el an\u00e1lisis de su rendimiento en la GPU. Como primitivas para detectar diferentes modelos de GPU se utilizaron verificaciones basadas en un conjunto de funciones trigonom\u00e9tricas, operaciones l\u00f3gicas y c\u00e1lculos en punto flotante. Para identificar diferencias en GPUs id\u00e9nticas, se evalu\u00f3 el n\u00famero de hilos ejecutados simult\u00e1neamente al ejecutar sombreadores de v\u00e9rtices. Se supone que el efecto identificado se debe a diferencias en los modos t\u00e9rmicos y en el consumo de energ\u00eda de diferentes ejemplares de chips (anteriormente, un efecto similar se hab\u00eda demostrado para CPU: procesadores id\u00e9nticos al ejecutar el mismo c\u00f3digo mostraban diferentes consumos de energ\u00eda). <\/p>\n
Dado que las operaciones a trav\u00e9s de WebGL se realizan de manera as\u00edncrona, no se puede utilizar directamente el API de JavaScript performance.now() para medir el tiempo de su ejecuci\u00f3n, por lo que se propusieron tres trucos para medir el tiempo: <\/p>\n
\n
onscreen \u2014 renderizado de la escena en el canvas HTML con medici\u00f3n del tiempo de activaci\u00f3n de la funci\u00f3n de retorno de llamada establecida a trav\u00e9s de la API Window.requestAnimationFrame y que se llama despu\u00e9s de completar el renderizado.\n
offscreen \u2014 uso del worker y renderizado de la escena en el objeto OffscreenCanvas con medici\u00f3n del tiempo de ejecuci\u00f3n del comando convertToBlob.\n
GPU \u2014 renderizado en el objeto OffscreenCanvas, pero utilizando el temporizador proporcionado en WebGL para medir el tiempo, considerando la duraci\u00f3n de la ejecuci\u00f3n de un conjunto de comandos del lado del GPU. <\/ul>\n
En el proceso de creaci\u00f3n del identificador en cada dispositivo, se realizan 50 verificaciones, cada una abarcando 176 medidas de 16 caracter\u00edsticas diferentes. El experimento, en el cual se recopil\u00f3 informaci\u00f3n sobre 2500 dispositivos con 1605 GPU diferentes, mostr\u00f3 un aumento de la eficiencia de los m\u00e9todos de identificaci\u00f3n combinados del 67% al a\u00f1adir soporte para Drawn Apart. En particular, el m\u00e9todo combinado FP-STALKER proporcion\u00f3 un promedio de identificaci\u00f3n de 17.5 d\u00edas, mientras que con Drawn Apart, la duraci\u00f3n de la identificaci\u00f3n aument\u00f3 a 28 d\u00edas.
<\/center> <\/p>\n
\n
La precisi\u00f3n de la separaci\u00f3n de 10 sistemas con procesadores Intel i5-3470 (GEN 3 Ivy Bridge) y GPU Intel HD Graphics 2500 en la prueba onscreen fue del 93%, mientras que en offscreen fue del 36.3%.\n
Para 10 sistemas Intel i5-10500 (GEN 10 Comet Lake) con tarjeta gr\u00e1fica NVIDIA GTX1650, la precisi\u00f3n fue del 70% y 95.8%.\n
Para 15 sistemas Intel i5-8500 (GEN 8 Coffee Lake) con GPU Intel UHD Graphics 630 \u2014 42% y 55%.\n
Para 23 sistemas Intel i5-4590 (GEN 4 Haswell) con GPU Intel HD Graphics 4600 \u2014 32.7% y 63.7%.\n
Para seis smartphones Samsung Galaxy S20\/S20 Ultra con GPU Mali-G77 MP11, en la prueba con visualizaci\u00f3n en pantalla, la precisi\u00f3n de identificaci\u00f3n fue del 92.7%, mientras que para los smartphones Samsung Galaxy S9\/S9+ con Mali-G72 MP18 fue del 54.3%. <\/ul>\n
<\/center> <\/p>\n
Se observa que la precisi\u00f3n se vio afectada por la temperatura de la GPU, y para algunos dispositivos, reiniciar el sistema provocaba distorsiones en el identificador. Al combinar este m\u00e9todo con otros m\u00e9todos de identificaci\u00f3n indirecta, la precisi\u00f3n puede aumentar significativamente. Tambi\u00e9n se planea mejorar la precisi\u00f3n mediante el uso de shaders computacionales tras la estabilizaci\u00f3n del nuevo API WebGPU. <\/p>\n
Las empresas Intel, ARM, Google, Khronos, Mozilla y Brave fueron notificadas sobre el problema ya en 2020, pero los detalles del m\u00e9todo se revelaron solo ahora. Los investigadores tambi\u00e9n publicaron ejemplos funcionales escritos en JavaScript y GLSL que pueden trabajar tanto con salida como sin salida de informaci\u00f3n en pantalla. Adem\u00e1s, se han publicado conjuntos de datos para la clasificaci\u00f3n de informaci\u00f3n extra\u00edda en sistemas de aprendizaje autom\u00e1tico para sistemas basados en GPU Intel GEN 3\/4\/8\/10. \n Fuente: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"M\u00e9todo](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"M\u00e9todo](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"M\u00e9todo](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n