GPU माहितीवर आधारित वापरकर्ता प्रणाली ओळख पद्धत

बेन-गुरियन युनिव्हर्सिटी (इस्राएल), लिली विद्यापीठ (फ्रान्स) आणि अॅडलेड विद्यापीठ (ऑस्ट्रेलिया) मधील संशोधकांनी वेब ब्राउझरमध्ये GPU ऑपरेटिंग पॅरामीटर्स शोधून वापरकर्ता उपकरणे ओळखण्यासाठी एक नवीन तंत्र विकसित केले आहे. या पद्धतीला "ड्रॉन अपार्ट" असे म्हणतात आणि GPU कार्यप्रदर्शन प्रोफाइल मिळविण्यासाठी WebGL च्या वापरावर आधारित आहे, जे कुकीजचा वापर न करता आणि वापरकर्त्याच्या सिस्टमवर अभिज्ञापक संचयित न करता कार्य करणार्‍या निष्क्रिय ट्रॅकिंग पद्धतींच्या अचूकतेमध्ये लक्षणीय सुधारणा करू शकते.

ओळख करताना प्रस्तुतीकरण, GPU, ग्राफिक्स स्टॅक आणि ड्रायव्हर्सची वैशिष्ट्ये विचारात घेणार्‍या पद्धती पूर्वी वापरल्या जात होत्या, परंतु त्या फक्त व्हिडिओ कार्ड्स आणि GPU च्या भिन्न मॉडेल्सच्या स्तरावर डिव्हाइसेस वेगळे करण्याच्या क्षमतेपर्यंत मर्यादित होत्या, म्हणजे. ओळखीची शक्यता वाढवण्यासाठी फक्त अतिरिक्त घटक म्हणून वापरला जाऊ शकतो. नवीन "ड्रॉन अपार्ट" पद्धतीचे मुख्य वैशिष्ट्य म्हणजे ते वेगवेगळ्या GPU मॉडेल्सला वेगळे करण्यापुरते मर्यादित ठेवत नाही, परंतु मोठ्या प्रमाणात समांतर डिझाइन केलेल्या चिप्सच्या उत्पादन प्रक्रियेच्या विषमतेमुळे समान मॉडेलच्या समान GPU मध्ये फरक ओळखण्याचा प्रयत्न करते. संगणन हे लक्षात घेतले जाते की उत्पादन प्रक्रियेदरम्यान उद्भवलेल्या भिन्नतेमुळे समान डिव्हाइस मॉडेल्ससाठी पुनरावृत्ती न होणारे इंप्रेशन तयार करणे शक्य होते.

हे निष्पन्न युनिट्सची संख्या मोजून आणि GPU मध्ये त्यांच्या कामगिरीचे विश्लेषण करून हे फरक ओळखले जाऊ शकतात. भिन्न GPU मॉडेल्स ओळखण्यासाठी त्रिकोणमितीय फंक्शन्स, लॉजिकल ऑपरेशन्स आणि फ्लोटिंग पॉइंट कॅलक्युलेशनच्या संचावर आधारित तपासण्यांचा वापर आदिम म्हणून केला गेला. समान GPU मधील फरक ओळखण्यासाठी, व्हर्टेक्स शेडर्स कार्यान्वित करताना एकाच वेळी कार्यान्वित होणाऱ्या थ्रेडच्या संख्येचे मूल्यांकन केले गेले. असे गृहीत धरले जाते की आढळलेला प्रभाव तापमान परिस्थितीतील फरक आणि चिप्सच्या वेगवेगळ्या उदाहरणांच्या उर्जेच्या वापरामुळे होतो (पूर्वी, CPU साठी समान प्रभाव दर्शविला गेला होता - समान प्रोसेसर समान कोड कार्यान्वित करताना भिन्न उर्जा वापर दर्शवितात).

WebGL द्वारे ऑपरेशन्स असिंक्रोनस पद्धतीने केल्या जात असल्याने, JavaScript API performance.now() त्यांच्या अंमलबजावणीची वेळ मोजण्यासाठी थेट वापरली जाऊ शकत नाही, म्हणून वेळ मोजण्यासाठी तीन युक्त्या प्रस्तावित केल्या आहेत:

• ऑनस्क्रीन — HTML कॅनव्हासमध्ये दृश्य प्रस्तुत करणे, कॉलबॅक फंक्शनचा प्रतिसाद वेळ मोजणे, Window.requestAnimationFrame API द्वारे सेट केले जाते आणि प्रस्तुतीकरण पूर्ण झाल्यानंतर कॉल केले जाते.
• ऑफस्क्रीन - कार्यकर्ता वापरणे आणि दृश्याला ऑफस्क्रीन कॅनव्हास ऑब्जेक्टमध्ये प्रस्तुत करणे, convertToBlob कमांडच्या अंमलबजावणीची वेळ मोजणे.
• GPU - ऑफस्क्रीन कॅनव्हास ऑब्जेक्टकडे रेखांकित करा, परंतु GPU बाजूच्या आदेशांच्या संचाचा कालावधी विचारात घेणारा वेळ मोजण्यासाठी WebGL-प्रदान केलेला टाइमर वापरा.

आयडी तयार करण्याच्या प्रक्रियेदरम्यान, प्रत्येक उपकरणावर 50 चाचण्या केल्या जातात, प्रत्येकामध्ये 176 भिन्न वैशिष्ट्यांचे 16 माप समाविष्ट असतात. 2500 भिन्न GPU सह 1605 उपकरणांवरील माहिती संकलित केलेल्या प्रयोगाने ड्रॉन अपार्ट सपोर्ट जोडताना एकत्रित ओळख पद्धतींच्या कार्यक्षमतेत 67% वाढ दर्शविली. विशेषतः, एकत्रित FP-STALKER पद्धतीने सरासरी 17.5 दिवसांच्या आत ओळख प्रदान केली आणि ड्रॉन अपार्टसह एकत्रित केल्यावर, ओळख कालावधी 28 दिवसांपर्यंत वाढला.

• ऑनस्क्रीन चाचणीमध्ये इंटेल i10-5 चिप्स (GEN 3470 Ivy Bridge) आणि Intel HD ग्राफिक्स 3 GPU सह 2500 सिस्टमची पृथक्करण अचूकता 93% होती आणि ऑफस्क्रीन चाचणीमध्ये ती 36.3% होती.
• NVIDIA GTX10 व्हिडिओ कार्डसह 5 Intel i10500-10 सिस्टम (GEN 1650 Comet Lake) साठी, अचूकता 70% आणि 95.8% होती.
• Intel UHD ग्राफिक्स 15 GPU सह 5 इंटेल i8500-8 सिस्टम (GEN 630 Coffee Lake) साठी - 42% आणि 55%.
• Intel HD ग्राफिक्स 23 GPU सह 5 Intel i4590-4 (GEN 4600 Haswell) सिस्टमसाठी - 32.7% आणि 63.7%.
• Mali-G20 MP20 GPU सह सहा Samsung Galaxy S77/S11 Ultra स्मार्टफोनसाठी, ऑन-स्क्रीन चाचणीमध्ये ओळख अचूकता 92.7% होती, आणि Samsung Galaxy S9/S9+ स्मार्टफोनसाठी Mali-G72 MP18 सह 54.3% होती.

हे नोंदवले गेले आहे की अचूकता GPU च्या तापमानामुळे प्रभावित झाली होती आणि काही डिव्हाइसेससाठी, सिस्टम रीबूट केल्याने अभिज्ञापकाची विकृती झाली. इतर अप्रत्यक्ष ओळख पद्धतींच्या संयोजनात पद्धत वापरताना, अचूकता लक्षणीय वाढविली जाऊ शकते. नवीन WebGPU API च्या स्थिरीकरणानंतर कंप्यूट शेडर्सच्या वापराद्वारे अचूकता वाढवण्याची त्यांची योजना आहे.

इंटेल, एआरएम, गुगल, क्रोनोस, मोझिला आणि ब्रेव्ह यांना 2020 मध्ये समस्येबद्दल सूचित केले गेले होते, परंतु या पद्धतीचे तपशील आताच उघड केले जात आहेत. संशोधकांनी JavaScript आणि GLSL मध्ये लिहिलेली कार्यरत उदाहरणे देखील प्रकाशित केली आहेत जी स्क्रीनवर माहिती प्रदर्शित केल्याशिवाय आणि त्याशिवाय कार्य करू शकतात. तसेच, GPU Intel GEN 3/4/8/10 वर आधारित सिस्टीमसाठी, मशीन लर्निंग सिस्टममध्ये काढलेल्या माहितीचे वर्गीकरण करण्यासाठी डेटा संच प्रकाशित केले आहेत.

स्त्रोत: opennet.ru