שיטת זיהוי מערכת המשתמש מבוססת על מידע GPU

חוקרים מאוניברסיטת בן-גוריון (ישראל), אוניברסיטת ליל (צרפת) ואוניברסיטת אדלייד (אוסטרליה) פיתחו טכניקה חדשה לזיהוי התקני משתמש על ידי זיהוי פרמטרי הפעלה של GPU בדפדפן אינטרנט. השיטה נקראת "Drawn Apart" ומבוססת על שימוש ב-WebGL לקבלת פרופיל ביצועי GPU, שיכול לשפר משמעותית את הדיוק של שיטות מעקב פסיביות הפועלות ללא שימוש ב-Cookies וללא אחסון מזהה במערכת המשתמש.

נעשה שימוש בעבר בשיטות שלוקחות בחשבון את תכונות הרינדור, GPU, מחסנית גרפיקה ומנהלי התקנים בעת זיהוי, אך הן הוגבלו ליכולת להפריד התקנים רק ברמה של דגמים שונים של כרטיסי מסך ו-GPU, כלומר. יכול לשמש רק כגורם נוסף להגדלת הסבירות לזיהוי. המאפיין המרכזי של שיטת "Drawn Apart" החדשה היא שהיא אינה מגבילה את עצמה להפרדה בין דגמי GPU שונים, אלא מנסה לזהות הבדלים בין GPUs זהים מאותו דגם בשל ההטרוגניות של תהליך הייצור של שבבים המיועדים להקבילה מסיבית. מחשוב. יצוין כי וריאציות המתעוררות במהלך תהליך הייצור מאפשרות ליצור יציקות לא חוזרות לאותם דגמי מכשירים.

התברר שניתן לזהות את ההבדלים הללו על ידי ספירת מספר יחידות הביצוע וניתוח הביצועים שלהן ב-GPU. בדיקות המבוססות על קבוצה של פונקציות טריגונומטריות, פעולות לוגיות וחישובי נקודה צפה שימשו כפרימיטיבים לזיהוי דגמי GPU שונים. כדי לזהות הבדלים באותם GPUs, הוערך מספר השרשורים המבצעים בו-זמנית בעת ביצוע הצללות קודקוד. ההנחה היא שהאפקט שזוהה נגרם מהבדלים בתנאי הטמפרטורה וצריכת החשמל של מופעים שונים של שבבים (בעבר, הוכחה השפעה דומה עבור מעבדים - מעבדים זהים הראו צריכת חשמל שונה בעת ביצוע אותו קוד).

מכיוון שפעולות דרך WebGL מבוצעות באופן אסינכרוני, לא ניתן להשתמש ב-JavaScript API performance.now() ישירות למדידת זמן הביצוע שלהן, ולכן הוצעו שלושה טריקים למדידת הזמן:

• על המסך - רינדור הסצנה בבד HTML, מדידת זמן התגובה של פונקציית ה-callback, מוגדרת דרך ה-API של Window.requestAnimationFrame ונקראת לאחר השלמת העיבוד.
• offscreen - שימוש ב-worker ועיבוד הסצנה לאובייקט OffscreenCanvas, מדידת זמן הביצוע של הפקודה convertToBlob.
• GPU - צייר לאובייקט OffscreenCanvas, אך השתמש בטיימר המסופק ב-WebGL כדי למדוד זמן שלוקח בחשבון את משך קבוצת הפקודות בצד ה-GPU.

בתהליך יצירת תעודת הזהות מבוצעות 50 בדיקות לכל מכשיר, כל אחת מכסה 176 מדידות של 16 מאפיינים שונים. ניסוי שאסף מידע על 2500 מכשירים עם 1605 GPUs שונים הראה עלייה של 67% ביעילות של שיטות זיהוי משולבות בעת הוספת תמיכת Drawn Apart. בפרט, שיטת ה-FP-STALKER המשולבת סיפקה זיהוי תוך 17.5 ימים בממוצע, ובשילוב עם Drawn Apart, משך הזיהוי גדל ל-28 ימים.

• דיוק ההפרדה של 10 מערכות עם שבבי Intel i5-3470 (GEN 3 Ivy Bridge) ו-Intel HD Graphics 2500 GPU במבחן על המסך עמד על 93%, ובמבחן מחוץ למסך עמד על 36.3%.
• עבור 10 מערכות Intel i5-10500 (GEN 10 Comet Lake) עם כרטיס מסך NVIDIA GTX1650, הדיוק היה 70% ו-95.8%.
• עבור 15 מערכות Intel i5-8500 (GEN 8 Coffee Lake) עם Intel UHD Graphics 630 GPU - 42% ו-55%.
• עבור 23 מערכות Intel i5-4590 (GEN 4 Haswell) עם Intel HD Graphics 4600 GPU - 32.7% ו-63.7%.
• עבור שישה סמארטפונים Samsung Galaxy S20/S20 Ultra עם Mali-G77 MP11 GPU, דיוק הזיהוי בבדיקה על המסך היה 92.7%, ובסמארטפונים Samsung Galaxy S9/S9+ עם Mali-G72 MP18 זה היה 54.3%.

יצוין כי הדיוק הושפע מהטמפרטורה של ה-GPU, ועבור חלק מהמכשירים, אתחול המערכת הוביל לעיוות של המזהה. כאשר משתמשים בשיטה בשילוב עם שיטות זיהוי עקיפות אחרות, ניתן להגדיל משמעותית את הדיוק. הם גם מתכננים להגביר את הדיוק באמצעות שימוש בהצללות מחשוב לאחר ייצוב ה-API החדש של WebGPU.

אינטל, ARM, גוגל, Khronos, Mozilla ו-Brave קיבלו הודעה על הבעיה כבר בשנת 2020, אך פרטי השיטה נחשפים רק כעת. החוקרים גם פרסמו דוגמאות עבודה שנכתבו ב-JavaScript וב-GLSL שיכולות לעבוד עם ובלי הצגת מידע על המסך. כמו כן, עבור מערכות המבוססות על GPU Intel GEN 3/4/8/10, פורסמו מערכי נתונים לסיווג מידע שחולץ במערכות למידת מכונה.

מקור: OpenNet.ru