მომხმარებლის სისტემის იდენტიფიკაციის მეთოდი GPU ინფორმაციის საფუძველზე

ბენ-გურიონის უნივერსიტეტის (ისრაელი), ლილის უნივერსიტეტის (საფრანგეთი) და ადელაიდის უნივერსიტეტის (ავსტრალია) მკვლევარებმა შეიმუშავეს ახალი ტექნიკა მომხმარებლის მოწყობილობების იდენტიფიკაციისთვის GPU ოპერაციული პარამეტრების გამოვლენით ვებ ბრაუზერში. მეთოდს ეწოდება "Drawn Apart" და ეფუძნება WebGL-ის გამოყენებას GPU-ს მუშაობის პროფილის მისაღებად, რამაც შეიძლება მნიშვნელოვნად გააუმჯობესოს პასიური თვალთვალის მეთოდების სიზუსტე, რომლებიც მუშაობენ ქუქიების გამოყენების გარეშე და მომხმარებლის სისტემაში იდენტიფიკატორის შენახვის გარეშე.

იდენტიფიკაციისას ადრე გამოიყენებოდა მეთოდები, რომლებიც ითვალისწინებს რენდერის, GPU, გრაფიკული სტეკის და დრაივერების მახასიათებლებს, მაგრამ ისინი შემოიფარგლებოდა მოწყობილობების განცალკევების შესაძლებლობით მხოლოდ ვიდეო ბარათების და GPU-ების სხვადასხვა მოდელების დონეზე, ე.ი. შეიძლება გამოყენებულ იქნას მხოლოდ როგორც დამატებითი ფაქტორი იდენტიფიკაციის ალბათობის გასაზრდელად. ახალი "Drawn Apart" მეთოდის მთავარი მახასიათებელია ის, რომ ის არ შემოიფარგლება მხოლოდ GPU-ს სხვადასხვა მოდელების განცალკევებით, არამედ ცდილობს დაადგინოს განსხვავებები იმავე მოდელის იდენტურ GPU-ებს შორის, მასიურად პარალელურად შექმნილი ჩიპების წარმოების პროცესის ჰეტეროგენურობის გამო. გამოთვლა. აღნიშნულია, რომ ვარიაციები, რომლებიც წარმოიქმნება წარმოების პროცესში, შესაძლებელს ხდის იმავე მოწყობილობის მოდელებისთვის არაგანმეორებადი ჩამოსხმის ჩამოყალიბებას.

აღმოჩნდა, რომ ამ განსხვავებების იდენტიფიცირება შესაძლებელია აღმასრულებელი ერთეულების რაოდენობის დათვლით და მათი შესრულების ანალიზით GPU-ში. ტრიგონომეტრიული ფუნქციების, ლოგიკური ოპერაციების და მცურავი წერტილის გამოთვლებზე დაფუძნებული ჩეკები გამოიყენებოდა როგორც პრიმიტივები სხვადასხვა GPU მოდელების იდენტიფიცირებისთვის. ერთიდაიგივე GPU-ებში განსხვავებების დასადგენად, შეფასდა ერთდროულად შემსრულებელი ძაფების რაოდენობა წვეროების ჩრდილების შესრულებისას. ვარაუდობენ, რომ აღმოჩენილი ეფექტი გამოწვეულია ტემპერატურული პირობების და ჩიპების სხვადასხვა ინსტანციის ენერგიის მოხმარების განსხვავებებით (ადრე, მსგავსი ეფექტი იყო დემონსტრირებული CPU-სთვის - იდენტური პროცესორები აჩვენებდნენ ენერგიის განსხვავებულ მოხმარებას ერთი და იგივე კოდის შესრულებისას).

იმის გამო, რომ WebGL-ის მეშვეობით ოპერაციები ასინქრონულად სრულდება, JavaScript API performance.now() არ შეიძლება გამოყენებულ იქნას უშუალოდ მათი შესრულების დროის გასაზომად, ამიტომ შემოთავაზებულია სამი ხრიკი დროის გასაზომად:

• ეკრანზე — სცენის რენდერირება HTML ტილოში, გამოხმაურების ფუნქციის რეაგირების დროის გაზომვა, დაყენებული Window.requestAnimationFrame API-ის მეშვეობით და გამოძახება რენდერის დასრულების შემდეგ.
• offscreen - მუშაკის გამოყენება და სცენის რენდერი OffscreenCanvas ობიექტად, გაზომეთ convertToBlob ბრძანების შესრულების დრო.
• GPU - გადაიტანეთ OffscreenCanvas ობიექტზე, მაგრამ გამოიყენეთ WebGL-ის მიერ მოწოდებული ტაიმერი დროის გასაზომად, რომელიც ითვალისწინებს GPU მხარეს ბრძანებების სიმრავლის ხანგრძლივობას.

ID-ის შექმნის პროცესში, თითოეულ მოწყობილობაზე ტარდება 50 ტესტი, რომელთაგან თითოეული მოიცავს 176 განსხვავებული მახასიათებლის 16 გაზომვას. ექსპერიმენტმა, რომელმაც შეაგროვა ინფორმაცია 2500 მოწყობილობაზე 1605 სხვადასხვა GPU-ით, აჩვენა 67%-ით ზრდა კომბინირებული იდენტიფიკაციის მეთოდების ეფექტურობაში Drawn Apart მხარდაჭერის დამატებისას. კერძოდ, კომბინირებული FP-STALKER მეთოდი უზრუნველყოფდა იდენტიფიკაციას საშუალოდ 17.5 დღის განმავლობაში, ხოლო Drawn Apart-თან ერთად, იდენტიფიკაციის ხანგრძლივობა გაიზარდა 28 დღემდე.

• 10 სისტემის განცალკევების სიზუსტე Intel i5-3470 ჩიპებით (GEN 3 Ivy Bridge) და Intel HD Graphics 2500 GPU ეკრანის ტესტში იყო 93%, ხოლო ოფსეკრანიან ტესტში იყო 36.3%.
• 10 Intel i5-10500 სისტემისთვის (GEN 10 Comet Lake) NVIDIA GTX1650 ვიდეო ბარათით, სიზუსტე იყო 70% და 95.8%.
• 15 Intel i5-8500 სისტემისთვის (GEN 8 Coffee Lake) Intel UHD Graphics 630 GPU - 42% და 55%.
• 23 Intel i5-4590 (GEN 4 Haswell) სისტემებისთვის Intel HD Graphics 4600 GPU – 32.7% და 63.7%.
• ექვსი Samsung Galaxy S20/S20 Ultra სმარტფონისთვის Mali-G77 MP11 GPU-ით, იდენტიფიკაციის სიზუსტე ეკრანზე ტესტში იყო 92.7%, ხოლო Samsung Galaxy S9/S9+ სმარტფონებისთვის Mali-G72 MP18-ით იყო 54.3%.

აღნიშნულია, რომ სიზუსტეზე გავლენას ახდენდა GPU-ს ტემპერატურა და ზოგიერთი მოწყობილობისთვის სისტემის გადატვირთვამ გამოიწვია იდენტიფიკატორის დამახინჯება. მეთოდის გამოყენებისას სხვა არაპირდაპირი იდენტიფიკაციის მეთოდებთან ერთად, სიზუსტე შეიძლება მნიშვნელოვნად გაიზარდოს. ისინი ასევე გეგმავენ სიზუსტის გაზრდას გამოთვლითი შადერების გამოყენებით ახალი WebGPU API-ის სტაბილიზაციის შემდეგ.

Intel-მა, ARM-მა, Google-მა, Khronos-მა, Mozilla-მ და Brave-მა პრობლემა ჯერ კიდევ 2020 წელს მიიღეს, მაგრამ მეთოდის დეტალები მხოლოდ ახლა ვლინდება. მკვლევარებმა ასევე გამოაქვეყნეს სამუშაო მაგალითები დაწერილი JavaScript და GLSL, რომლებსაც შეუძლიათ მუშაობა ეკრანზე ინფორმაციის ჩვენების გარეშე. ასევე, GPU Intel GEN 3/4/8/10-ზე დაფუძნებული სისტემებისთვის, გამოქვეყნებულია მონაცემთა ნაკრები მანქანური სწავლების სისტემებში მოპოვებული ინფორმაციის კლასიფიკაციისთვის.

წყარო: opennet.ru