Pētnieki no Ben-Guriona universitātes (Izraēla), Lilles Universitātes (Francija) un Adelaidas Universitātes (Austrālija) ir izstrādājuši jaunu paņēmienu lietotāju ierīču identificēšanai, nosakot GPU darbības parametrus tīmekļa pārlūkprogrammā. Metode tiek saukta par "Drawn Apart", un tās pamatā ir WebGL izmantošana, lai iegūtu GPU veiktspējas profilu, kas var ievērojami uzlabot pasīvo izsekošanas metožu precizitāti, kas darbojas bez sīkfailu izmantošanas un bez identifikatora saglabāšanas lietotāja sistēmā.
Metodes, kas identifikācijā ņem vērā renderēšanas, GPU, grafikas steka un draiveru iezīmes, tika izmantotas iepriekš, taču tās aprobežojās ar iespēju nodalīt ierīces tikai dažādu video karšu un GPU modeļu līmenī, t.i. var izmantot tikai kā papildu faktoru, lai palielinātu identifikācijas iespējamību. Jaunās "Drawn Apart" metodes galvenā iezīme ir tā, ka tā neaprobežojas tikai ar dažādu GPU modeļu atdalīšanu, bet mēģina identificēt atšķirības starp identiskiem viena modeļa GPU, kas rodas masveidā paralēlām mikroshēmu ražošanas procesa neviendabīguma dēļ. skaitļošana. Tiek atzīmēts, ka ražošanas procesā radušās variācijas ļauj veidot neatkārtotus iespaidus vieniem un tiem pašiem ierīču modeļiem.
Izrādījās, ka šīs atšķirības var noteikt, saskaitot izpildes vienību skaitu un analizējot to veiktspēju GPU. Pārbaudes, kuru pamatā ir trigonometrisko funkciju kopa, loģiskās darbības un peldošā komata aprēķini, tika izmantotas kā primitīvas dažādu GPU modeļu identificēšanai. Lai noteiktu atšķirības tajos pašos GPU, tika aprēķināts vienlaikus izpildošo pavedienu skaits, izpildot virsotņu ēnotājus. Tiek pieņemts, ka konstatēto efektu izraisa temperatūras apstākļu atšķirības un dažādu mikroshēmu eksemplāru jaudas patēriņš (iepriekš līdzīgs efekts tika demonstrēts CPU - identiski procesori uzrādīja atšķirīgu enerģijas patēriņu, izpildot vienu un to pašu kodu).
Tā kā darbības, izmantojot WebGL, tiek veiktas asinhroni, JavaScript API performance.now() nevar tieši izmantot to izpildes laika mērīšanai, tāpēc laika mērīšanai ir piedāvāti trīs triki:
- uz ekrāna — ainas renderēšana HTML kanvā, atzvanīšanas funkcijas reakcijas laika mērīšana, iestatīta, izmantojot Window.requestAnimationFrame API, un izsaukta pēc renderēšanas pabeigšanas.
- ārpus ekrāna — izmantojot darbinieku un ainas renderēšanu par objektu OffscreenCanvas, mērot komandas convertToBlob izpildes laiku.
- GPU — zīmējiet uz OffscreenCanvas objektu, bet izmantojiet WebGL nodrošināto taimeri, lai mērītu laiku, kas ņem vērā komandu kopas ilgumu GPU pusē.
ID izveides procesā katrai ierīcei tiek veikti 50 testi, katrs aptver 176 mērījumus ar 16 dažādiem raksturlielumiem. Eksperiments, kurā tika apkopota informācija par 2500 ierīcēm ar 1605 dažādiem GPU, parādīja kombinēto identifikācijas metožu efektivitātes pieaugumu par 67%, pievienojot Drawn Apart atbalstu. Jo īpaši kombinētā FP-STALKER metode nodrošināja identifikāciju vidēji 17.5 dienu laikā, un, apvienojot to ar Drawn Apart, identifikācijas ilgums palielinājās līdz 28 dienām.
- 10 sistēmu atdalīšanas precizitāte ar Intel i5-3470 mikroshēmām (GEN 3 Ivy Bridge) un Intel HD Graphics 2500 GPU ekrāna testā bija 93%, bet ārpus ekrāna testā tā bija 36.3%.
- 10 Intel i5-10500 sistēmām (GEN 10 Comet Lake) ar NVIDIA GTX1650 videokarti precizitāte bija 70% un 95.8%.
- 15 Intel i5-8500 sistēmām (GEN 8 Coffee Lake) ar Intel UHD Graphics 630 GPU - 42% un 55%.
- 23 Intel i5-4590 (GEN 4 Haswell) sistēmām ar Intel HD Graphics 4600 GPU - 32.7% un 63.7%.
- Sešiem Samsung Galaxy S20/S20 Ultra viedtālruņiem ar Mali-G77 MP11 GPU identifikācijas precizitāte ekrāna testā bija 92.7%, bet Samsung Galaxy S9/S9+ viedtālruņiem ar Mali-G72 MP18 tā bija 54.3%.
Tiek atzīmēts, ka precizitāti ietekmēja GPU temperatūra, un dažām ierīcēm sistēmas atsāknēšana izraisīja identifikatora izkropļojumus. Lietojot metodi kombinācijā ar citām netiešās identifikācijas metodēm, var ievērojami palielināt precizitāti. Viņi arī plāno palielināt precizitāti, izmantojot skaitļošanas ēnotājus pēc jaunā WebGPU API stabilizācijas.
Intel, ARM, Google, Khronos, Mozilla un Brave par problēmu tika paziņotas 2020. gadā, taču metodes detaļas tiek atklātas tikai tagad. Pētnieki arī publicēja JavaScript un GLSL rakstītus darba piemērus, kas var darboties gan ar informācijas rādīšanu ekrānā, gan bez tā. Arī sistēmām, kuru pamatā ir GPU Intel GEN 3/4/8/10, ir publicētas datu kopas iegūtās informācijas klasificēšanai mašīnmācīšanās sistēmās.
Avots: opennet.ru