{"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\/et\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"Kasutaja s\u00fcsteemi identifitseerimise meetod, mis p\u00f5hineb GPU teabel","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Ben-Gurion \u00dclikooli (Iisrael), Lille \u00dclikooli (Prantsusmaa) ja Adelaide \u00dclikooli (Austraalia) teadlased on v\u00e4lja t\u00f6\u00f6tanud uue tehnika kasutaja seadmete tuvastamiseks, m\u00e4\u00e4rates GPU t\u00f6\u00f6 parameetreid veebibrauseris. Meetod sai nimeks «Drawn Apart» ja see p\u00f5hineb WebGLi kasutamisel GPU j\u00f5udluse profiili saamiseks, mis oluliselt suurendab passiivsete j\u00e4lgimismeetodite t\u00e4psust, t\u00f6\u00f6tades ilma k\u00fcpsiste ja ilma seadme kasutaja s\u00fcsteemis tuvastamata j\u00e4tmiseta. <\/p>\n
Varem on kasutatud meetodeid, mis arvestavad tuvastamisel joonistamise, GPU, graafikastaki ja draiverite erip\u00e4ra, kuid need olid piiratud seadmete eristamise v\u00f5imalusega ainult erinevate graafikakaartide ja GPU-de tasemel, s.t. neid sai kasutada ainult t\u00e4iendava tegurina tuvastamise t\u00f5en\u00e4osuse suurendamiseks. Uue meetodi «Drawn Apart» peamine omadus on see, et see ei piira erinevate GPU-de mudelite eristamist, vaid p\u00fc\u00fcab tuvastada erinevusi identsete sama mudeli GPU-de vahel, mis tulenevad kiipide tootmisprotsessi eba\u00fchtlusest, mis on ette n\u00e4htud massiliste paralleelsete arvutuste jaoks. Tootmisprotsessi k\u00e4igus ilmnevad variatsioonid v\u00f5imaldavad luua kordumatuid j\u00e4ljendeid sama seadme mudeli jaoks.
<\/center> <\/p>\n
Selgus, et neid erinevusi saab tuvastada tehes teatud t\u00e4itmisplokkide arvu arvestuse ja anal\u00fc\u00fcsides nende j\u00f5udlust GPU-s. Erinevate GPU mudelite tuvastamiseks kasutati primitivi, mis p\u00f5hinevad trigoonomeetriliste funktsioonide, loogiliste operatsioonide ja ujukomaarvutuste kogumil. \u00dcksikasjalike GPU-de vaheliste erinevuste tuvastamiseks hinnati samal ajal toimivate niitide arvu, kui t\u00e4ideti tippshaderid. Eeldatakse, et tuvastatud efekt on p\u00f5hjustatud erinevustest erinevate kiipide temperatuurire\u017eiimides ja energiatarbimises (varem on sarnane efekt demonstreeritud CPU-de puhul \u2014 samad protsessorid, kui nad k\u00e4ivitasid sama koodi, n\u00e4itasid erinevat energiatarbimist). <\/p>\n
Kuna WebGL operatsioonid toimuvad as\u00fcnkroonselt, ei saa nende t\u00e4itmise aega otse m\u00f5\u00f5ta JavaScript API performance.now() abil, seet\u00f5ttu on aja m\u00f5\u00f5tmiseks v\u00e4lja pakutud kolm nippi: <\/p>\n
\n
onscreen — stseeni joonistamine HTML canvas'is, m\u00f5\u00f5tes callback-funktsiooni aktiveerimise aega, mis on m\u00e4\u00e4ratud API Window.requestAnimationFrame'i kaudu ja mis kutsub \u00fcles p\u00e4rast joonistamise l\u00f5petamist.\n
offscreen \u2014 worker'i ja OffscreenCanvas objektis stseeni renderdamine, sealhulgas convertToBlob k\u00e4su t\u00e4itmise aja m\u00f5\u00f5tmine.\n
GPU \u2014 renderdamine OffscreenCanvas objektis, kuid kasutamine aja m\u00f5\u00f5tmiseks WebGL'i poolt tagatud ajam\u00f5\u00f5tjat, mis arvestab k\u00e4su t\u00e4itmise kestust GPU poolel. <\/ul>\n
Iga seadme identifikaatori loomise protsessis tehakse 50 kontrolli, millest iga\u00fcks katab 176 m\u00f5\u00f5tmist 16 erinevast omadusest. Eksperimendi k\u00e4igus, mille jooksul koguti teavet 2500 seadme kohta 1605 erineva GPU-ga, n\u00e4itas kombineeritud identifitseerimismeetodite t\u00f5hususe kasv 67% v\u00f5rra, kui lisati Drawn Apart tugi. Eelk\u00f5ige andis kombineeritud meetod FP-STALKER keskmiselt 17,5 p\u00e4eva identifitseerimise, samas kui koos Drawn Apartiga suurenes identifitseerimise kestus 28 p\u00e4evani.
<\/center> <\/p>\n
\n
10 Intel i5-3470 (GEN 3 Ivy Bridge) ja Intel HD Graphics 2500 kiibiga s\u00fcsteemi t\u00e4psus ekraanil oli 93%, aga offscreen \u2014 36.3%.\n
K\u00fcmne s\u00fcsteemi Intel i5-10500 (GEN 10 Comet Lake) ja NVIDIA GTX1650 graafikakaardiga oli t\u00e4psus vastavalt 70% ja 95,8%.\n
15 Intel i5-8500 (GEN 8 Coffee Lake) ja Intel UHD Graphics 630 GPU-ga s\u00fcsteemi puhul oli t\u00e4psus 42% ja 55%.\n
23 Intel i5-4590 (GEN 4 Haswell) ja Intel HD Graphics 4600 GPU-ga s\u00fcsteemi puhul oli t\u00e4psus 32.7% ja 63.7%.\n
Kuue Samsung Galaxy S20\/S20 Ultra telefoniga, millel on Mali-G77 MP11 GPU, oli ekraanil tuvastamise t\u00e4psus 92.7%, samas kui Samsung Galaxy S9\/S9+ telefonide puhul, millel on Mali-G72 MP18, oli see 54.3%. <\/ul>\n
<\/center> <\/p>\n
T\u00e4psuse peale m\u00f5jutas GPU temperatuur, samuti t\u00f5i m\u00f5nede seadmete s\u00fcsteemi taask\u00e4ivitamine kaasa identifikaatori moonutamise. Kui meetodit kasutatakse koos teiste kaudse tuvastamise meetoditega, v\u00f5ib t\u00e4psust m\u00e4rkimisv\u00e4\u00e4rselt suurendada. T\u00e4psust plaanitakse t\u00f5sta ka arvutuslike shaderite kasutamise kaudu p\u00e4rast uue API WebGPU stabiliseerumist. <\/p>\n
Intel, ARM, Google, Khronos, Mozilla ja Brave on probleemist teavitatud juba 2020. aastal, kuid meetodi \u00fcksikasjad on avalikustatud alles n\u00fc\u00fcd. Uurijad avaldasid t\u00f6\u00f6tavad n\u00e4idised, mis on kirjutatud JavaScriptis ja GLSL-is, mis v\u00f5ivad t\u00f6\u00f6tada nii v\u00e4ljastuse kui ka ilma ekraanile teabe kuvamiseta. Samuti on GPU Intel GEN 3\/4\/8\/10 s\u00fcsteemide jaoks avaldatud andmekogumid, et klassifitseerida v\u00e4lja t\u00f5mmatud teavet masin\u00f5ppes\u00fcsteemides. \n Allikas: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Kasutaja](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Kasutaja](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Kasutaja](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n