Ben-Gurion Unibertsitateko (Israel), Lilleko Unibertsitateko (Frantzia) eta Adelaideko Unibertsitateko (Australia) ikertzaileek erabiltzailearen gailuak identifikatzeko teknika berri bat garatu dute GPUren funtzionamendu-parametroak web arakatzaile batean detektatuz. Metodoari "Drawn Apart" deitzen zaio eta WebGL erabiltzean oinarritzen da GPUren errendimendu-profila lortzeko, eta horrek nabarmen hobetu dezake Cookierik erabili gabe eta erabiltzailearen sisteman identifikatzailerik gorde gabe funtzionatzen duten jarraipen-metodo pasiboen zehaztasuna.
Identifikatzeko orduan errendatzearen, GPUaren, grafikoen pila eta kontrolatzaileen ezaugarriak kontuan hartzen dituzten metodoak erabiltzen ziren aurretik, baina gailuak bereizteko ahalmenera mugatzen ziren bideo-txartelen eta GPU-ren eredu ezberdinen mailan soilik, hau da. identifikatzeko probabilitatea areagotzeko faktore gehigarri gisa soilik erabil daiteke. "Drawn Apart" metodo berriaren funtsezko ezaugarria da ez dela GPU eredu desberdinak bereiztera mugatzen, baizik eta eredu bereko GPU berdinen arteko desberdintasunak identifikatzen saiatzen dela, masiboki paralelorako diseinatutako txipen fabrikazio-prozesuaren heterogeneotasuna dela eta. informatika. Kontuan izan da ekoizpen-prozesuan sortzen diren aldaerek aukera ematen dutela gailu-eredu berberetarako errepikatzen ez diren moldeak osatzea.
Desberdintasun hauek exekuzio-unitateen kopurua zenbatuta eta GPU-n duten errendimendua aztertuz identifikatu daitezke. Funtzio trigonometriko, eragiketa logiko eta koma mugikorreko kalkulu multzo batean oinarritutako egiaztapenak erabili ziren primitibo gisa GPU eredu desberdinak identifikatzeko. GPU bereko desberdintasunak identifikatzeko, erpin itzaltzaileak exekutatzen direnean aldi berean exekutatzen diren hari kopurua kalkulatu da. Suposatzen da detektatutako efektua tenperatura-baldintzen desberdintasunak eta txip-en instantzia desberdinen energia-kontsumoek eragiten dutela (aurretik, antzeko efektu bat frogatu zen PUZetan - prozesadore berdinek energia-kontsumo desberdina erakusten zuten kode bera exekutatzen zutenean).
WebGL bidezko eragiketak modu asinkronoan egiten direnez, JavaScript API performance.now() ezin da zuzenean erabili haien exekuzio-denbora neurtzeko, beraz, hiru trikimailu proposatu dira denbora neurtzeko:
- pantailan β eszena HTML mihise batean errendatzea, deiaren itzulera funtzioaren erantzun-denbora neurtzea, Window.requestAnimationFrame APIaren bidez ezarri eta errendatzea amaitu ondoren deitu.
- offscreen - langile bat erabiliz eta eszena OffscreenCanvas objektu batean errendatuz, convertToBlob komandoaren exekuzio denbora neurtuz.
- GPU - Marraztu OffscreenCanvas objektu batera, baina erabili WebGL-k emandako tenporizadorea, GPU aldean komando multzo baten iraupena kontuan hartzen duen denbora neurtzeko.
NANa sortzeko prozesuan, gailu bakoitzean 50 proba egiten dira, bakoitzak 176 ezaugarri ezberdinetako 16 neurketa hartzen ditu. 2500 GPU ezberdin dituzten 1605 gailuren informazioa bildu zuen esperimentu batek identifikazio metodo konbinatuen eraginkortasuna % 67ko igoera erakutsi zuen Drawn Apart laguntza gehitzean. Bereziki, FP-STALKER metodo konbinatuak batez beste 17.5 eguneko epean eman zuen identifikazioa, eta Drawn Apart-ekin konbinatuta, identifikazioaren iraupena 28 egunetara igo zen.
- Intel i10-5 txip (GEN 3470 Ivy Bridge) eta Intel HD Graphics 3 GPU duten 2500 sistemen bereizketa zehaztasuna pantailako proban %93koa izan zen, eta pantailaz kanpoko proban %36.3koa izan zen.
- NVIDIA GTX10 bideo-txartelarekin 5 Intel i10500-10 sistemetarako (GEN 1650 Comet Lake) zehaztasuna % 70 eta % 95.8 izan zen.
- 15 Intel i5-8500 sistemetarako (GEN 8 Coffee Lake) Intel UHD Graphics 630 GPUrekin - % 42 eta % 55.
- Intel HD Graphics 23 GPU duten 5 Intel i4590-4 (GEN 4600 Haswell) sistemetarako - % 32.7 eta % 63.7.
- Mali-G20 MP20 GPU duten Samsung Galaxy S77/S11 Ultra sei telefonoetarako, pantailako proban identifikazio-zehaztasuna % 92.7koa izan zen, eta Mali-G9 MP9 duten Samsung Galaxy S72/S18+ telefonoetarako, % 54.3koa.
Kontuan izan da zehaztasuna GPUaren tenperaturak eragina izan zuela, eta gailu batzuentzat, sistema berrabiarazteko identifikatzailearen distortsioa ekarri zuen. Metodoa zeharkako beste identifikazio metodo batzuekin batera erabiltzean, zehaztasuna nabarmen handitu daiteke. WebGPU API berria egonkortu ondoren, zehaztasuna areagotzeko asmoa dute, konputazio-barratzaileak erabiliz.
Intel, ARM, Google, Khronos, Mozilla eta Brave 2020an jakinarazi zieten arazoaren berri, baina metodoaren xehetasunak orain baino ez dira azaltzen. Ikertzaileek Javascript-en eta GLSL-n idatzitako lan-adibideak ere argitaratu zituzten, pantailan informazioa bistaratu gabe eta funtziona dezaketenak. Halaber, Intel GEN 3/4/8/10 GPU-n oinarritutako sistemetarako, ikasketa automatikoko sistemetan ateratako informazioa sailkatzeko datu multzoak argitaratu dira.
Iturria: opennet.ru