GPU जानकारी पर आधारित उपयोगकर्ता प्रणाली पहचान विधि

बेन-गुरियन विश्वविद्यालय (इज़राइल), लिली विश्वविद्यालय (फ्रांस) और एडिलेड विश्वविद्यालय (ऑस्ट्रेलिया) के शोधकर्ताओं ने वेब ब्राउज़र में जीपीयू ऑपरेटिंग मापदंडों का पता लगाकर उपयोगकर्ता उपकरणों की पहचान करने के लिए एक नई तकनीक विकसित की है। विधि को "ड्रॉन अपार्ट" कहा जाता है और यह GPU प्रदर्शन प्रोफ़ाइल प्राप्त करने के लिए WebGL के उपयोग पर आधारित है, जो निष्क्रिय ट्रैकिंग विधियों की सटीकता में काफी सुधार कर सकता है जो कुकीज़ के उपयोग के बिना और उपयोगकर्ता के सिस्टम पर एक पहचानकर्ता को संग्रहीत किए बिना काम करते हैं।

पहचान करते समय रेंडरिंग, जीपीयू, ग्राफिक्स स्टैक और ड्राइवरों की विशेषताओं को ध्यान में रखने वाली विधियों का उपयोग पहले किया गया था, लेकिन वे केवल वीडियो कार्ड और जीपीयू के विभिन्न मॉडलों के स्तर पर उपकरणों को अलग करने की क्षमता तक सीमित थे, यानी। इसका उपयोग केवल पहचान की संभावना बढ़ाने के लिए एक अतिरिक्त कारक के रूप में किया जा सकता है। नई "ड्रॉन अपार्ट" विधि की मुख्य विशेषता यह है कि यह खुद को अलग-अलग जीपीयू मॉडल को अलग करने तक ही सीमित नहीं रखती है, बल्कि बड़े पैमाने पर समानांतर के लिए डिज़ाइन किए गए चिप्स की निर्माण प्रक्रिया की विविधता के कारण एक ही मॉडल के समान जीपीयू के बीच अंतर की पहचान करने की कोशिश करती है। कंप्यूटिंग. यह ध्यान दिया गया है कि उत्पादन प्रक्रिया के दौरान उत्पन्न होने वाली विविधताएं समान डिवाइस मॉडल के लिए गैर-दोहराई जाने वाली छापें बनाना संभव बनाती हैं।

यह पता चला कि इन अंतरों को निष्पादन इकाइयों की संख्या की गणना करके और जीपीयू में उनके प्रदर्शन का विश्लेषण करके पहचाना जा सकता है। विभिन्न जीपीयू मॉडल की पहचान करने के लिए त्रिकोणमितीय कार्यों, तार्किक संचालन और फ़्लोटिंग पॉइंट गणनाओं के एक सेट पर आधारित चेक का उपयोग प्राइमेटिव के रूप में किया गया था। समान जीपीयू में अंतर की पहचान करने के लिए, वर्टेक्स शेडर्स को निष्पादित करते समय समवर्ती रूप से निष्पादित थ्रेड्स की संख्या का आकलन किया गया था। यह माना जाता है कि पाया गया प्रभाव तापमान की स्थिति और चिप्स के विभिन्न उदाहरणों की बिजली खपत में अंतर के कारण होता है (पहले, सीपीयू के लिए एक समान प्रभाव प्रदर्शित किया गया था - समान प्रोसेसर ने एक ही कोड निष्पादित करते समय अलग-अलग बिजली खपत दिखाई थी)।

क्योंकि WebGL के माध्यम से संचालन अतुल्यकालिक रूप से किया जाता है, JavaScript API Performance.now() का उपयोग सीधे उनके निष्पादन समय को मापने के लिए नहीं किया जा सकता है, इसलिए समय को मापने के लिए तीन तरकीबें प्रस्तावित की गई हैं:

• ऑनस्क्रीन - दृश्य को HTML कैनवास में प्रस्तुत करना, कॉलबैक फ़ंक्शन के प्रतिक्रिया समय को मापना, window.requestAnimationFrame API के माध्यम से सेट करना और रेंडरिंग पूरा होने के बाद कॉल करना।
• ऑफस्क्रीन - एक कार्यकर्ता का उपयोग करना और दृश्य को ऑफस्क्रीनकैनवास ऑब्जेक्ट में प्रस्तुत करना, ConvertToBlob कमांड के निष्पादन समय को मापना।
• जीपीयू - एक ऑफस्क्रीन कैनवस ऑब्जेक्ट को ड्रा करें, लेकिन समय मापने के लिए वेबजीएल-प्रदत्त टाइमर का उपयोग करें जो जीपीयू पक्ष पर कमांड के एक सेट की अवधि को ध्यान में रखता है।

आईडी निर्माण प्रक्रिया के दौरान, प्रत्येक डिवाइस पर 50 परीक्षण किए जाते हैं, जिनमें से प्रत्येक में 176 विभिन्न विशेषताओं के 16 माप शामिल होते हैं। 2500 विभिन्न जीपीयू के साथ 1605 उपकरणों पर जानकारी एकत्र करने वाले एक प्रयोग में ड्रॉन अपार्ट समर्थन जोड़ने पर संयुक्त पहचान विधियों की दक्षता में 67% की वृद्धि देखी गई। विशेष रूप से, संयुक्त एफपी-स्टॉकर विधि ने औसतन 17.5 दिनों के भीतर पहचान प्रदान की, और जब ड्रॉन अपार्ट के साथ जोड़ा गया, तो पहचान की अवधि बढ़कर 28 दिन हो गई।

• ऑनस्क्रीन टेस्ट में इंटेल i10-5 चिप्स (GEN 3470 आइवी ब्रिज) और इंटेल एचडी ग्राफिक्स 3 जीपीयू के साथ 2500 सिस्टम की पृथक्करण सटीकता 93% थी, और ऑफस्क्रीन टेस्ट में यह 36.3% थी।
• NVIDIA GTX10 वीडियो कार्ड के साथ 5 Intel i10500-10 सिस्टम (GEN 1650 Comet Lake) के लिए, सटीकता 70% और 95.8% थी।
• Intel UHD ग्राफ़िक्स 15 GPU के साथ 5 Intel i8500-8 सिस्टम (GEN 630 कॉफ़ी लेक) के लिए - 42% और 55%।
• इंटेल एचडी ग्राफिक्स 23 जीपीयू के साथ 5 इंटेल i4590-4 (GEN 4600 हैसवेल) सिस्टम के लिए - 32.7% और 63.7%।
• माली-जी20 एमपी20 जीपीयू वाले छह सैमसंग गैलेक्सी एस77/एस11 अल्ट्रा स्मार्टफोन के लिए, ऑन-स्क्रीन परीक्षण में पहचान सटीकता 92.7% थी, और माली-जी9 एमपी9 वाले सैमसंग गैलेक्सी एस72/एस18+ स्मार्टफोन के लिए यह 54.3% थी।

यह ध्यान दिया गया है कि सटीकता GPU के तापमान से प्रभावित हुई थी, और कुछ उपकरणों के लिए, सिस्टम को रीबूट करने से पहचानकर्ता में विकृति आ गई थी। अन्य अप्रत्यक्ष पहचान विधियों के साथ संयोजन में विधि का उपयोग करते समय, सटीकता में काफी वृद्धि की जा सकती है। वे नए वेबजीपीयू एपीआई के स्थिरीकरण के बाद कंप्यूट शेडर्स के उपयोग के माध्यम से सटीकता बढ़ाने की भी योजना बना रहे हैं।

Intel, ARM, Google, Khronos, Mozilla और Brave को 2020 में समस्या के बारे में सूचित किया गया था, लेकिन विधि का विवरण अब ही सामने आ रहा है। शोधकर्ताओं ने जावास्क्रिप्ट और जीएलएसएल में लिखे गए कामकाजी उदाहरण भी प्रकाशित किए जो स्क्रीन पर जानकारी प्रदर्शित किए बिना भी काम कर सकते हैं। साथ ही, GPU Intel GEN 3/4/8/10 पर आधारित सिस्टम के लिए, मशीन लर्निंग सिस्टम में निकाली गई जानकारी को वर्गीकृत करने के लिए डेटा सेट प्रकाशित किए गए हैं।

स्रोत: opennet.ru