Ben-Gurionin yliopiston (Israel), Lillen yliopiston (Ranska) ja Adelaiden yliopiston (Australia) tutkijat ovat kehittäneet uuden tekniikan käyttäjien laitteiden tunnistamiseen havaitsemalla GPU:n toimintaparametrit verkkoselaimessa. Menetelmä on nimeltään "Drawn Apart", ja se perustuu WebGL:n käyttöön GPU-suorituskykyprofiilin saamiseksi, mikä voi merkittävästi parantaa passiivisten seurantamenetelmien tarkkuutta, jotka toimivat ilman evästeiden käyttöä ja ilman tunnisteen tallentamista käyttäjän järjestelmään.
Aiemmin käytettiin menetelmiä, jotka ottavat huomioon renderöinnin, GPU:n, grafiikkapinon ja ajureiden ominaisuudet tunnistamisessa, mutta ne rajoittuivat kykyyn erottaa laitteita vain eri mallien näytönohjain- ja GPU-tasolla, ts. voidaan käyttää vain lisätekijänä tunnistamisen todennäköisyyden lisäämiseksi. Uuden "Drawn Apart" -menetelmän keskeinen piirre on, että se ei rajoitu erilaisten GPU-mallien erottamiseen, vaan yrittää tunnistaa eroja saman mallin identtisten GPU:iden välillä, jotka johtuvat massiiviseen rinnakkaiskäyttöön suunniteltujen sirujen valmistusprosessin heterogeenisyydestä. tietojenkäsittelyä. On huomattava, että tuotantoprosessin aikana syntyvät vaihtelut mahdollistavat ei-toistuvien vaikutelmien muodostamisen samoista laitemalleista.
Kävi ilmi, että nämä erot voidaan tunnistaa laskemalla suoritusyksiköiden lukumäärä ja analysoimalla niiden suorituskykyä GPU:ssa. Trigonometristen funktioiden joukkoon perustuvia tarkistuksia, loogisia operaatioita ja liukulukuja käytettiin primitiivinä eri GPU-mallien tunnistamiseen. Erojen tunnistamiseksi samoissa GPU:issa arvioitiin samanaikaisesti suoritettavien säikeiden määrä suoritettaessa vertex-varjostimia. Oletetaan, että havaittu vaikutus johtuu eroista lämpötilaolosuhteissa ja erilaisten sirujen virrankulutuksessa (aiemmin samanlainen vaikutus osoitettiin suorittimilla - identtiset prosessorit osoittivat erilaista virrankulutusta samaa koodia suoritettaessa).
Koska toiminnot WebGL:n kautta suoritetaan asynkronisesti, JavaScript API performance.now()-funktiota ei voida käyttää suoraan niiden suoritusajan mittaamiseen, joten ajan mittaamiseen on ehdotettu kolmea temppua:
- näytöllä — kohtauksen renderöiminen HTML-kankaalla, takaisinsoittotoiminnon vasteajan mittaaminen, asetettu Window.requestAnimationFrame API:n kautta ja kutsuttu, kun renderöinti on valmis.
- offscreen - käyttämällä työntekijää ja hahmontamalla kohtauksen OffscreenCanvas-objektiksi, mittaamalla convertToBlob-komennon suoritusaikaa.
- GPU – Piirrä OffscreenCanvas-objektiin, mutta käytä WebGL:n toimittamaa ajastinta mittaamaan aikaa, joka ottaa huomioon GPU-puolen komentojoukon keston.
Tunnusten luontiprosessin aikana kullekin laitteelle suoritetaan 50 testiä, joista jokainen kattaa 176 mittausta 16 eri ominaisuudella. Kokeilu, jossa kerättiin tietoja 2500 1605 laitteesta, joissa oli 67 17.5 erilaista GPU:ta, osoitti 28 %:n lisäyksen yhdistettyjen tunnistusmenetelmien tehokkuudessa, kun Drawn Apart -tuki lisättiin. Erityisesti yhdistetty FP-STALKER-menetelmä antoi tunnistuksen keskimäärin XNUMX päivässä, ja yhdistettynä Drawn Apart -menetelmään tunnistuksen kesto piteni XNUMX päivään.
- 10 järjestelmän erottelutarkkuus Intel i5-3470 -siruilla (GEN 3 Ivy Bridge) ja Intel HD Graphics 2500 GPU:lla näyttötestissä oli 93 % ja näytön ulkopuolisessa testissä 36.3 %.
- 10 Intel i5-10500 -järjestelmässä (GEN 10 Comet Lake), joissa oli NVIDIA GTX1650 -näytönohjain, tarkkuus oli 70 % ja 95.8 %.
- 15 Intel i5-8500 -järjestelmälle (GEN 8 Coffee Lake), joissa on Intel UHD Graphics 630 GPU - 42% ja 55%.
- 23 Intel i5-4590 (GEN 4 Haswell) -järjestelmälle, joissa on Intel HD Graphics 4600 GPU – 32.7 % ja 63.7 %.
- Kuuden Samsung Galaxy S20/S20 Ultra -älypuhelimen, jossa on Mali-G77 MP11 GPU, tunnistustarkkuus näyttötestissä oli 92.7 % ja Samsung Galaxy S9/S9+ -älypuhelimilla, joissa on Mali-G72 MP18, se oli 54.3 %.
On huomattava, että tarkkuuteen vaikutti GPU:n lämpötila, ja joissakin laitteissa järjestelmän uudelleenkäynnistys johti tunnisteen vääristymiseen. Kun menetelmää käytetään yhdessä muiden epäsuorien tunnistusmenetelmien kanssa, tarkkuutta voidaan parantaa merkittävästi. He aikovat myös lisätä tarkkuutta käyttämällä laskentavarjostimia uuden WebGPU API:n stabiloinnin jälkeen.
Intel, ARM, Google, Khronos, Mozilla ja Brave saivat ilmoituksen ongelmasta jo vuonna 2020, mutta menetelmän yksityiskohdat paljastuvat vasta nyt. Tutkijat julkaisivat myös JavaScriptillä ja GLSL:llä kirjoitettuja toimivia esimerkkejä, jotka voivat toimia tietojen näyttämisen kanssa ja ilman sitä. Lisäksi GPU Intel GEN 3/4/8/10 -pohjaisiin järjestelmiin on julkaistu tietojoukkoja poimittujen tietojen luokittelua varten koneoppimisjärjestelmissä.
Lähde: opennet.ru