GPU 정보를 기반으로 한 사용자 시스템 식별 방법

Ben-Gurion University(이스라엘), University of Lille(프랑스) 및 University of Adelaide(호주)의 연구원들은 웹 브라우저에서 GPU 작동 매개변수를 감지하여 사용자 장치를 식별하는 새로운 기술을 개발했습니다. 이 방법은 "Drawn Apart"라고 하며 WebGL을 사용하여 GPU 성능 프로필을 얻는 것을 기반으로 하며, 이는 쿠키를 사용하지 않고 사용자 시스템에 식별자를 저장하지 않고 작동하는 수동 추적 방법의 정확성을 크게 향상시킬 수 있습니다.

이전에는 식별 시 렌더링, GPU, 그래픽 스택 및 드라이버의 기능을 고려하는 방법이 사용되었지만 비디오 카드 및 GPU의 다양한 모델 수준에서만 장치를 분리하는 기능으로 제한되었습니다. 식별 가능성을 높이기 위한 추가 요소로만 사용될 수 있습니다. 새로운 "Drawn Apart" 방식의 핵심 특징은 서로 다른 GPU 모델을 분리하는 데 그치지 않고, 대규모 병렬을 위해 설계된 칩 제조 공정의 이질성으로 인해 동일한 모델의 동일한 GPU 간의 차이점을 식별하려고 한다는 것입니다. 컴퓨팅. 생산 공정 중에 발생하는 변형으로 인해 동일한 장치 모델에 대해 반복되지 않는 주조물을 형성할 수 있다는 점에 유의하십시오.

이러한 차이는 실행 단위의 수를 세고 GPU에서의 성능을 분석함으로써 확인할 수 있는 것으로 나타났습니다. 일련의 삼각 함수, 논리 연산 및 부동 소수점 계산을 기반으로 한 검사가 다양한 GPU 모델을 식별하기 위한 기본 요소로 사용되었습니다. 동일한 GPU 간의 차이점을 확인하기 위해 버텍스 셰이더 실행 시 동시에 실행되는 스레드 수를 추정했습니다. 감지된 효과는 서로 다른 칩 인스턴스의 온도 조건 및 전력 소비의 차이로 인해 발생하는 것으로 가정됩니다(이전에는 CPU에 대해 유사한 효과가 입증되었습니다. 동일한 프로세서는 동일한 코드를 실행할 때 서로 다른 전력 소비를 나타냈습니다).

WebGL을 통한 작업은 비동기적으로 수행되므로 JavaScript APIperformance.now()를 직접 사용하여 실행 시간을 측정할 수 없으므로 시간을 측정하기 위해 세 가지 트릭이 제안되었습니다.

• onscreen — HTML 캔버스에서 장면을 렌더링하고, Window.requestAnimationFrame API를 통해 설정되고 렌더링이 완료된 후 호출되는 콜백 함수의 응답 시간을 측정합니다.
• offscreen - 작업자를 사용하고 장면을 OffscreenCanvas 객체로 렌더링하여 ConvertToBlob 명령의 실행 시간을 측정합니다.
• GPU - OffscreenCanvas 개체에 그리지만 WebGL 제공 타이머를 사용하여 GPU 측 명령 집합의 지속 시간을 고려한 시간을 측정합니다.

ID 생성 과정에서 각 장치에 대해 50번의 테스트가 수행되며, 각 테스트에서는 176가지 특성에 대한 16가지 측정이 수행됩니다. 2500개의 서로 다른 GPU를 탑재한 1605개의 장치에 대한 정보를 수집한 실험에서 Draw Apart 지원을 추가하면 결합된 식별 방법의 효율성이 67% 증가한 것으로 나타났습니다. 특히 FP-STALKER 방식을 결합하면 평균 17.5일 이내에 식별이 가능했고, Draw Apart와 결합하면 식별 기간이 28일로 늘어났다.

• Intel i10-5 칩(GEN 3470 Ivy Bridge)과 Intel HD Graphics 3 GPU를 탑재한 2500개 시스템의 분리 정확도는 온스크린 테스트에서 93%, 오프스크린 테스트에서는 36.3%였습니다.
• NVIDIA GTX10 비디오 카드가 장착된 5개의 Intel i10500-10 시스템(GEN 1650 Comet Lake)의 경우 정확도는 70%와 95.8%였습니다.
• Intel UHD Graphics 15 GPU를 탑재한 5개의 Intel i8500-8 시스템(GEN 630 Coffee Lake)의 경우 - 42% 및 55%.
• Intel HD Graphics 23 GPU를 탑재한 5개의 Intel i4590-4(GEN 4600 Haswell) 시스템의 경우 - 32.7% 및 63.7%.
• Mali-G20 MP20 GPU를 탑재한 Samsung Galaxy S77/S11 Ultra 스마트폰 92.7대에 대한 화면 테스트의 식별 정확도는 9%였으며, Mali-G9 MP72을 탑재한 Samsung Galaxy S18/S54.3+ 스마트폰의 경우 XNUMX%였습니다.

GPU 온도에 따라 정확도가 영향을 받았고, 일부 장치의 경우 시스템을 재부팅하면 식별자가 왜곡되는 현상이 발생했다는 점에 주목합니다. 다른 간접 식별 방법과 함께 이 방법을 사용하면 정확도가 크게 높아질 수 있습니다. 또한 새로운 WebGPU API가 안정화된 후 컴퓨팅 셰이더를 사용하여 정확도를 높일 계획입니다.

Intel, ARM, Google, Khronos, Mozilla 및 Brave는 2020년에 이 문제를 통보받았지만 자세한 방법은 이제야 공개되고 있습니다. 연구원들은 또한 화면에 정보를 표시하거나 표시하지 않고 작동할 수 있는 JavaScript 및 GLSL로 작성된 작업 예제를 발표했습니다. 또한 GPU Intel GEN 3/4/8/10 기반 시스템의 경우 머신러닝 시스템에서 추출된 정보를 분류하기 위한 데이터 세트가 공개되었습니다.

출처 : opennet.ru