{"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\/fr\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"M\u00e9thode d'identification du syst\u00e8me utilisateur bas\u00e9e sur les informations GPU","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Des chercheurs de l'Universit\u00e9 Ben Gourion (Isra\u00ebl), de l'Universit\u00e9 de Lille (France) et de l'Universit\u00e9 d'Ad\u00e9la\u00efde (Australie) ont d\u00e9velopp\u00e9 une nouvelle technique d'identification des appareils utilisateurs en d\u00e9terminant les param\u00e8tres de fonctionnement du GPU dans le navigateur web. La m\u00e9thode, appel\u00e9e \u00ab Drawn Apart \u00bb, repose sur l'utilisation de WebGL pour obtenir un profil de performance du GPU, permettant d'am\u00e9liorer significativement la pr\u00e9cision des m\u00e9thodes de suivi passif, fonctionnant sans cookies et sans enregistrer d'identifiant sur le syst\u00e8me de l'utilisateur. <\/p>\n
Les m\u00e9thodes prenant en compte les caract\u00e9ristiques de rendu, les GPU, la pile graphique et les pilotes ont \u00e9t\u00e9 utilis\u00e9es auparavant, mais elles \u00e9taient limit\u00e9es \u00e0 la capacit\u00e9 de diff\u00e9rencier les appareils uniquement au niveau des diff\u00e9rents mod\u00e8les de cartes graphiques et de GPU, c'est-\u00e0-dire qu'elles pouvaient \u00eatre utilis\u00e9es uniquement comme un facteur suppl\u00e9mentaire pour augmenter la probabilit\u00e9 d'identification. La caract\u00e9ristique cl\u00e9 de la nouvelle m\u00e9thode \u00ab Drawn Apart \u00bb est qu'elle ne se limite pas \u00e0 la distinction entre diff\u00e9rents mod\u00e8les de GPU, mais cherche \u00e0 identifier les variations entre des GPU identiques d'un m\u00eame mod\u00e8le, dues \u00e0 h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 du processus de fabrication des puces, con\u00e7ues pour le calcul parall\u00e8le massif. Il est not\u00e9 que les variations r\u00e9sultant du processus de fabrication permettent de former des empreintes uniques pour les m\u00eames mod\u00e8les d'appareils.
<\/center> <\/p>\n
Il s'est av\u00e9r\u00e9 que ces diff\u00e9rences pouvaient \u00eatre identifi\u00e9es par le comptage du nombre de blocs d'ex\u00e9cution et l'analyse de leur performance dans le GPU. Des primitives bas\u00e9es sur un ensemble de fonctions trigonom\u00e9triques, d'op\u00e9rations logiques et de calculs \u00e0 virgule flottante ont \u00e9t\u00e9 utilis\u00e9es pour identifier les diff\u00e9rents mod\u00e8les de GPU. Pour r\u00e9v\u00e9ler les diff\u00e9rences entre les GPU identiques, le nombre de flux ex\u00e9cut\u00e9s simultan\u00e9ment lors de l'ex\u00e9cution des shaders de sommet a \u00e9t\u00e9 \u00e9valu\u00e9. On suppose que l'effet observ\u00e9 est caus\u00e9 par des diff\u00e9rences de conditions thermiques et de consommation d'\u00e9nergie entre les diff\u00e9rents exemplaires de puces (un effet similaire avait \u00e9t\u00e9 d\u00e9montr\u00e9 pour les CPU \u2014 des processeurs identiques ex\u00e9cutant le m\u00eame code montraient une consommation d'\u00e9nergie diff\u00e9rente). <\/p>\n
\u00c9tant donn\u00e9 que les op\u00e9rations via WebGL s'ex\u00e9cutent de mani\u00e8re asynchrone, il n'est pas possible d'utiliser directement l'API JavaScript performance.now() pour mesurer le temps d'ex\u00e9cution, c'est pourquoi trois astuces ont \u00e9t\u00e9 propos\u00e9es pour la mesure du temps : <\/p>\n
\n
onscreen \u2014 rendu de la sc\u00e8ne dans le canvas HTML avec mesure du temps d'ex\u00e9cution de la fonction de rappel, d\u00e9finie via l'API Window.requestAnimationFrame et appel\u00e9e apr\u00e8s la fin du rendu.\n
offscreen \u2014 utilisation de worker et rendu de la sc\u00e8ne dans l'objet OffscreenCanvas avec mesure du temps d'ex\u00e9cution de la commande convertToBlob.\n
GPU \u2014 rendu dans l'objet OffscreenCanvas, mais utilisant pour mesurer le temps le minuteur fourni dans WebGL, prenant en compte la dur\u00e9e d'ex\u00e9cution d'un ensemble de commandes du c\u00f4t\u00e9 GPU. <\/ul>\n
Lors de la cr\u00e9ation de l'identifiant sur chaque appareil, 50 v\u00e9rifications sont effectu\u00e9es, chacune couvrant 176 mesures de 16 caract\u00e9ristiques diff\u00e9rentes. L'exp\u00e9rience, au cours de laquelle des informations ont \u00e9t\u00e9 collect\u00e9es sur 2500 appareils avec 1605 GPU diff\u00e9rents, a montr\u00e9 une augmentation de l'efficacit\u00e9 des m\u00e9thodes d'identification combin\u00e9es de 67 % avec l'ajout du support Drawn Apart. En particulier, la m\u00e9thode combin\u00e9e FP-STALKER a en moyenne assur\u00e9 une identification pendant 17,5 jours, tandis qu'avec Drawn Apart, la dur\u00e9e d'identification a augment\u00e9 \u00e0 28 jours.
<\/center> <\/p>\n
\n
La pr\u00e9cision de la s\u00e9paration de 10 syst\u00e8mes \u00e9quip\u00e9s de puces Intel i5-3470 (GEN 3 Ivy Bridge) et GPU Intel HD Graphics 2500 dans le test onscreen \u00e9tait de 93 %, tandis qu'en offscreen \u2014 36,3 %.\n
Pour 10 syst\u00e8mes Intel i5-10500 (GEN 10 Comet Lake) avec une carte graphique NVIDIA GTX1650, la pr\u00e9cision \u00e9tait de 70 % et 95,8 %.\n
Pour 15 syst\u00e8mes Intel i5-8500 (GEN 8 Coffee Lake) avec GPU Intel UHD Graphics 630 \u2014 42 % et 55 %.\n
Pour 23 syst\u00e8mes Intel i5-4590 (GEN 4 Haswell) avec GPU Intel HD Graphics 4600 \u2014 32,7 % et 63,7 %.\n
Pour six smartphones Samsung Galaxy S20\/S20 Ultra avec GPU Mali-G77 MP11, la pr\u00e9cision d'identification dans le test screen \u00e9tait de 92,7 %, tandis que pour les smartphones Samsung Galaxy S9\/S9+ avec Mali-G72 MP18 \u2014 54,3 %. <\/ul>\n
<\/center> <\/p>\n
Il est \u00e0 noter que la pr\u00e9cision \u00e9tait influenc\u00e9e par la temp\u00e9rature du GPU, et que pour certains appareils, le red\u00e9marrage du syst\u00e8me entra\u00eenait une distorsion de l'identifiant. Lors de l'utilisation de cette m\u00e9thode en combinaison avec d'autres m\u00e9thodes d'identification indirecte, la pr\u00e9cision peut \u00eatre consid\u00e9rablement augment\u00e9e. La pr\u00e9cision devrait \u00e9galement \u00eatre am\u00e9lior\u00e9e gr\u00e2ce \u00e0 l'utilisation de shaders de calcul apr\u00e8s la stabilisation de la nouvelle API WebGPU. <\/p>\n
Les entreprises Intel, ARM, Google, Khronos, Mozilla et Brave ont \u00e9t\u00e9 inform\u00e9es du probl\u00e8me en 2020, mais les d\u00e9tails de la m\u00e9thode n'ont \u00e9t\u00e9 r\u00e9v\u00e9l\u00e9s que maintenant. Les chercheurs ont \u00e9galement publi\u00e9 des exemples fonctionnels \u00e9crits en JavaScript et GLSL, qui peuvent fonctionner avec ou sans affichage d'informations \u00e0 l'\u00e9cran. De plus, pour les syst\u00e8mes bas\u00e9s sur GPU Intel GEN 3\/4\/8\/10, des ensembles de donn\u00e9es pour la classification des informations extraites dans les syst\u00e8mes d'apprentissage automatique ont \u00e9t\u00e9 publi\u00e9s. \n Source : opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"M\u00e9thode](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"M\u00e9thode](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"M\u00e9thode](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n