Բեն-Գուրիոնի համալսարանի (Իսրայել), Լիլի համալսարանի (Ֆրանսիա) և Ադելաիդայի համալսարանի (Ավստրալիա) հետազոտողները մշակել են օգտատերերի սարքերը նույնականացնելու նոր տեխնիկա՝ վեբ բրաուզերում GPU-ի գործառնական պարամետրերը հայտնաբերելու միջոցով: Մեթոդը կոչվում է «Drawn Apart» և հիմնված է WebGL-ի օգտագործման վրա՝ GPU-ի կատարողականի պրոֆիլ ստանալու համար, որը կարող է զգալիորեն բարելավել պասիվ հետևելու մեթոդների ճշգրտությունը, որոնք աշխատում են առանց թխուկների օգտագործման և առանց օգտագործողի համակարգում նույնացուցիչ պահելու:
Մեթոդներ, որոնք հաշվի են առնում արտապատկերման, GPU-ի, գրաֆիկական փաթեթի և դրայվերների առանձնահատկությունները նույնականացման ժամանակ, օգտագործվել են նախկինում, բայց դրանք սահմանափակվում էին սարքերը առանձնացնելու ունակությամբ միայն վիդեո քարտերի և GPU-ների տարբեր մոդելների մակարդակով, այսինքն. կարող է օգտագործվել միայն որպես լրացուցիչ գործոն՝ նույնականացման հավանականությունը մեծացնելու համար: Նոր «Drawn Apart» մեթոդի հիմնական առանձնահատկությունն այն է, որ այն չի սահմանափակվում տարբեր GPU մոդելների առանձնացմամբ, այլ փորձում է բացահայտել տարբերությունները նույն մոդելի նույնական GPU-ների միջև՝ կապված զանգվածաբար զուգահեռ չիպերի արտադրության գործընթացի տարասեռության հետ: հաշվողական. Նշվում է, որ արտադրության գործընթացում առաջացող տատանումները հնարավորություն են տալիս նույն սարքի մոդելների համար չկրկնվող տպավորություններ ստեղծել։
Պարզվեց, որ այդ տարբերությունները կարելի է բացահայտել՝ հաշվելով կատարողական միավորների քանակը և վերլուծելով դրանց կատարումը GPU-ում: Ստուգումները, որոնք հիմնված են եռանկյունաչափական ֆունկցիաների, տրամաբանական գործողությունների և լողացող կետի հաշվարկների վրա, օգտագործվել են որպես պարզունակ՝ տարբեր GPU մոդելներ բացահայտելու համար: Նույն GPU-ների տարբերությունները պարզելու համար գնահատվել է գագաթային շեյդերների կատարման ժամանակ միաժամանակ կատարվող թելերի քանակը: Ենթադրվում է, որ հայտնաբերված էֆեկտը պայմանավորված է չիպերի տարբեր ատյանների ջերմաստիճանի պայմանների և էներգիայի սպառման տարբերություններով (նախկինում նմանատիպ էֆեկտ ցուցադրվել է պրոցեսորների համար. նույնական պրոցեսորները ցույց են տվել էներգիայի տարբեր սպառում նույն ծածկագիրը կատարելիս):
Քանի որ WebGL-ի միջոցով գործողությունները կատարվում են ասինխրոն, JavaScript API performance.now()-ը չի կարող ուղղակիորեն օգտագործվել դրանց կատարման ժամանակը չափելու համար, ուստի ժամանակը չափելու երեք հնարք է առաջարկվել.
- էկրանին — տեսարանը ցուցադրել HTML կտավով, չափել հետ կանչելու ֆունկցիայի արձագանքման ժամանակը, որը սահմանվել է Window.requestAnimationFrame API-ի միջոցով և կանչվել արտապատկերման ավարտից հետո:
- offscreen - օգտագործելով աշխատող և տեսարանը վերածելով OffscreenCanvas օբյեկտի՝ չափելով convertToBlob հրամանի կատարման ժամանակը:
- GPU - Նկարեք դեպի OffscreenCanvas օբյեկտ, բայց օգտագործեք WebGL-ով տրամադրված ժամանակաչափ՝ ժամանակը չափելու համար, որը հաշվի է առնում GPU-ի կողմից մի շարք հրամանների տևողությունը:
ID-ի ստեղծման գործընթացում յուրաքանչյուր սարքի վրա կատարվում է 50 թեստ, որոնցից յուրաքանչյուրը ներառում է 176 տարբեր բնութագրերի 16 չափումներ: Փորձարկումը, որը տեղեկատվություն է հավաքել 2500 սարքերի վրա 1605 տարբեր GPU-ներով, ցույց է տվել, որ նույնականացման համակցված մեթոդների արդյունավետության 67%-ով ավելացել է Drawn Apart աջակցությունը: Մասնավորապես, համակցված FP-STALKER մեթոդը ապահովում էր նույնականացում միջինը 17.5 օրվա ընթացքում, և երբ զուգակցվում էր Drawn Apart-ի հետ, նույնականացման տևողությունը ավելացավ մինչև 28 օր:
- 10 համակարգերի տարանջատման ճշգրտությունը Intel i5-3470 չիպերով (GEN 3 Ivy Bridge) և Intel HD Graphics 2500 GPU-ով էկրանային թեստում կազմել է 93%, իսկ էկրանից դուրս՝ 36.3%:
- 10 Intel i5-10500 համակարգերի համար (GEN 10 Comet Lake) NVIDIA GTX1650 վիդեո քարտով, ճշգրտությունը կազմել է 70% և 95.8%:
- Intel UHD Graphics 15 GPU 5 Intel i8500-8 համակարգերի համար (GEN 630 Coffee Lake)՝ 42% և 55%:
- Intel HD Graphics 23 GPU 5 Intel i4590-4 (GEN 4600 Haswell) համակարգերի համար՝ 32.7% և 63.7%։
- Mali-G20 MP20 GPU-ով Samsung Galaxy S77/S11 Ultra վեց սմարթֆոնների համար նույնականացման ճշգրտությունը էկրանի թեստում կազմել է 92.7%, իսկ Samsung Galaxy S9/S9+ սմարթֆոնների համար Mali-G72 MP18՝ 54.3%:
Նշվում է, որ ճշգրտության վրա ազդել է GPU-ի ջերմաստիճանը, և որոշ սարքերի համար համակարգի վերագործարկումը հանգեցրել է նույնացուցիչի խեղաթյուրման: Մեթոդը նույնականացման այլ անուղղակի մեթոդների հետ համատեղ օգտագործելիս ճշգրտությունը կարող է զգալիորեն աճել: Նրանք նաև նախատեսում են բարձրացնել ճշգրտությունը հաշվողական ստվերների օգտագործման միջոցով՝ նոր WebGPU API-ի կայունացումից հետո:
Intel-ը, ARM-ը, Google-ը, Khronos-ը, Mozilla-ն և Brave-ը խնդրի մասին ծանուցվել էին դեռ 2020 թվականին, սակայն մեթոդի մանրամասները միայն այժմ են բացահայտվում: Հետազոտողները նաև հրապարակել են JavaScript-ով և GLSL-ով գրված աշխատանքային օրինակներ, որոնք կարող են աշխատել էկրանին տեղեկատվություն ցուցադրելու հետ և առանց դրա: Նաև GPU Intel GEN 3/4/8/10-ի վրա հիմնված համակարգերի համար հրապարակվել են տվյալների հավաքածուներ՝ մեքենայական ուսուցման համակարգերում արդյունահանված տեղեկատվության դասակարգման համար:
Source: opennet.ru