{"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\/it\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"Metodo di identificazione del sistema utente basato su informazioni sulla GPU","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
I ricercatori dell'Universit\u00e0 Ben Gurion (Israele), dell'Universit\u00e0 di Lille (Francia) e dell'Universit\u00e0 di Adelaide (Australia) hanno sviluppato una nuova tecnica per identificare i dispositivi degli utenti mediante la definizione dei parametri di funzionamento della GPU nel browser web. Il metodo \u00e8 stato chiamato \u00abDrawn Apart\u00bb ed \u00e8 basato sull'uso di WebGL per ottenere un profilo di prestazioni della GPU, che consente di migliorare significativamente la precisione dei metodi di tracciamento passivo che operano senza l'uso di cookie e senza memorizzare identificatori nel sistema dell'utente. <\/p>\n
Metodi che considerano le peculiarit\u00e0 del rendering, della GPU, dello stack grafico e dei driver sono stati utilizzati in precedenza, ma erano limitati nella possibilit\u00e0 di separare i dispositivi solo a livello di diversi modelli di schede grafiche e GPU, cio\u00e8 potevano essere utilizzati solo come fattore aggiuntivo per aumentare la probabilit\u00e0 di identificazione. La caratteristica chiave del nuovo metodo \u00abDrawn Apart\u00bb \u00e8 che non si limita a separare i diversi modelli di GPU, ma cerca di identificare le differenze tra GPU identiche dello stesso modello, dovute all'eterogeneit\u00e0 del processo di produzione dei chip progettati per calcoli paralleli massivi. Si fa notare che le variazioni durante il processo di produzione consentono di formare impronte uniche per gli stessi modelli di dispositivi.
<\/center> <\/p>\n
\u00c8 emerso che queste differenze possono essere identificate attraverso il conteggio dei blocchi di esecuzione e l'analisi delle loro prestazioni nella GPU. Come primitivi per identificare diversi modelli di GPU sono stati utilizzati controlli basati su un insieme di funzioni trigonometriche, operazioni logiche e calcoli in virgola mobile. Per identificare le differenze nelle GPU identiche, \u00e8 stato valutato il numero di thread eseguiti simultaneamente durante l'esecuzione degli shaders di vertice. Si ipotizza che l'effetto riscontrato sia causato da differenze nelle condizioni termiche e nel consumo energetico di diversi esemplari di chip (in precedenza un effetto simile era stato dimostrato per le CPU: processori identici, durante l'esecuzione dello stesso codice, mostravano un consumo energetico diverso). <\/p>\n
Poich\u00e9 le operazioni tramite WebGL vengono eseguite in modo asincrono, non \u00e8 possibile utilizzare direttamente l'API JavaScript performance.now() per misurare il tempo della loro esecuzione. Pertanto, sono stati proposti tre trucchi per la misurazione del tempo: <\/p>\n
\n
onscreen \u2014 rendering di una scena nel canvas HTML con misurazione del tempo di attivazione della funzione di callback, impostata tramite l'API Window.requestAnimationFrame e chiamata dopo il completamento del rendering.\n
offscreen \u2014 utilizzo di un worker e rendering della scena nell'oggetto OffscreenCanvas con misurazione del tempo di esecuzione del comando convertToBlob.\n
GPU \u2014 rendering nell'oggetto OffscreenCanvas, ma utilizzato per misurare il tempo fornito dal timer WebGL, considerando la durata dell'esecuzione di un insieme di comandi sul lato GPU. <\/ul>\n
Durante la creazione dell'identificatore su ogni dispositivo vengono effettuati 50 controlli, ognuno dei quali copre 176 misurazioni di 16 diverse caratteristiche. L'esperimento, durante il quale sono state raccolte informazioni su 2500 dispositivi con 1605 GPU diverse, ha mostrato un aumento dell'efficacia dei metodi di identificazione combinati del 67% con l'aggiunta del supporto a Drawn Apart. In particolare, il metodo combinato FP-STALKER ha fornito in media un'identificazione in 17,5 giorni, mentre in combinazione con Drawn Apart la durata dell'identificazione \u00e8 aumentata a 28 giorni.
<\/center> <\/p>\n
\n
La precisione di separazione di 10 sistemi con chip Intel i5-3470 (GEN 3 Ivy Bridge) e GPU Intel HD Graphics 2500 nel test onscreen era del 93%, mentre in offscreen \u2014 36,3%.\n
Per 10 sistemi Intel i5-10500 (GEN 10 Comet Lake) con scheda video NVIDIA GTX1650, l'accuratezza \u00e8 stata del 70% e del 95,8%.\n
Per 15 sistemi Intel i5-8500 (GEN 8 Coffee Lake) con GPU Intel UHD Graphics 630 \u2014 42% e 55%.\n
Per 23 sistemi Intel i5-4590 (GEN 4 Haswell) con GPU Intel HD Graphics 4600 \u2014 32,7% e 63,7%.\n
Per sei smartphone Samsung Galaxy S20\/S20 Ultra con GPU Mali-G77 MP11, la precisione di identificazione nel test onscreen era del 92,7%, mentre per gli smartphone Samsung Galaxy S9\/S9+ con Mali-G72 MP18 \u2014 54,3%. <\/ul>\n
<\/center> <\/p>\n
\u00c8 stato osservato che la temperatura della GPU influenzava l'accuratezza, e per alcuni dispositivi il riavvio del sistema portava a distorsioni dell'identificatore. Combinando il metodo con altri metodi di identificazione indiretta, l'accuratezza pu\u00f2 essere notevolmente aumentata. Si prevede anche di migliorare l'accuratezza utilizzando shader computazionali dopo la stabilizzazione del nuovo API WebGPU. <\/p>\n
Le aziende Intel, ARM, Google, Khronos, Mozilla e Brave sono state informate del problema gi\u00e0 nel 2020, ma i dettagli del metodo sono stati resi noti solo ora. In particolare, i ricercatori hanno pubblicato esempi funzionanti scritti in JavaScript e GLSL, che possono funzionare sia con che senza output visivo. Sono stati inoltre pubblicati set di dati per la classificazione delle informazioni estratte nei sistemi di apprendimento automatico per i sistemi basati su GPU Intel GEN 3\/4\/8\/10. \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Metodo](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Metodo](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Metodo](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n