GPU जानकारीमा आधारित प्रयोगकर्ता प्रणाली पहिचान विधि

बेन-गुरियन विश्वविद्यालय (इजरायल), लिली विश्वविद्यालय (फ्रान्स) र एडिलेड विश्वविद्यालय (अष्ट्रेलिया) का अनुसन्धानकर्ताहरूले वेब ब्राउजरमा GPU अपरेटिङ प्यारामिटरहरू पत्ता लगाएर प्रयोगकर्ता उपकरणहरू पहिचान गर्न नयाँ प्रविधि विकास गरेका छन्। विधिलाई "ड्रन अपार्ट" भनिन्छ र GPU कार्यसम्पादन प्रोफाइल प्राप्त गर्न WebGL को प्रयोगमा आधारित छ, जसले कुकीहरूको प्रयोग नगरी र प्रयोगकर्ताको प्रणालीमा पहिचानकर्ता भण्डारण नगरी काम गर्ने निष्क्रिय ट्र्याकिङ विधिहरूको शुद्धतामा उल्लेखनीय सुधार गर्न सक्छ।

पहिचान गर्दा रेन्डरिङ, GPU, ग्राफिक्स स्ट्याक र ड्राइभरहरूका सुविधाहरूलाई ध्यानमा राख्ने विधिहरू पहिले प्रयोग गरिन्थ्यो, तर तिनीहरू भिडियो कार्डहरू र GPU हरूको विभिन्न मोडेलहरूको स्तरमा मात्र यन्त्रहरू छुट्याउन सक्ने क्षमतामा सीमित थिए, अर्थात्। पहिचानको सम्भावना बढाउन अतिरिक्त कारकको रूपमा मात्र प्रयोग गर्न सकिन्छ। नयाँ "ड्रन अपार्ट" विधिको मुख्य विशेषता यो हो कि यसले विभिन्न GPU मोडेलहरू छुट्याउनमा सीमित गर्दैन, तर ठूलो समानान्तरका लागि डिजाइन गरिएको चिप्सको निर्माण प्रक्रियाको विषमताका कारण एउटै मोडेलको समान GPU हरू बीचको भिन्नताहरू पहिचान गर्ने प्रयास गर्दछ। कम्प्युटिङ। यो नोट गरिएको छ कि उत्पादन प्रक्रियाको क्रममा उत्पन्न हुने भिन्नताहरूले समान यन्त्र मोडेलहरूको लागि गैर-दोहोरिने कास्टहरू बनाउन सम्भव बनाउँदछ।

यो पत्ता लाग्यो कि यी भिन्नताहरू कार्यान्वयन एकाइहरूको संख्या गन्ती र GPU मा तिनीहरूको प्रदर्शन विश्लेषण गरेर पहिचान गर्न सकिन्छ। त्रिकोणमितीय कार्यहरूको सेटमा आधारित जाँचहरू, तार्किक अपरेशनहरू र फ्लोटिंग बिन्दु गणनाहरू विभिन्न GPU मोडेलहरू पहिचान गर्न आदिम रूपमा प्रयोग गरियो। एउटै GPU मा भिन्नताहरू पहिचान गर्न, भेर्टेक्स शेडरहरू कार्यान्वयन गर्दा एकसाथ कार्यान्वयन गर्ने थ्रेडहरूको संख्या अनुमान गरिएको थियो। यो अनुमान गरिएको छ कि पत्ता लगाइएको प्रभाव तापमान अवस्था र चिप्स को विभिन्न उदाहरणहरु को बिजुली खपत मा भिन्नता को कारण हो (पहिले, एक समान प्रभाव CPUs को लागी प्रदर्शन गरिएको थियो - समान प्रोसेसरहरूले एउटै कोड कार्यान्वयन गर्दा फरक पावर खपत देखाए)।

किनभने WebGL मार्फत सञ्चालनहरू एसिन्क्रोनस रूपमा प्रदर्शन गरिन्छ, JavaScript API performance.now() तिनीहरूको कार्यान्वयन समय मापन गर्न सीधा प्रयोग गर्न सकिँदैन, त्यसैले समय मापन गर्न तीन चालहरू प्रस्ताव गरिएको छ:

• अनस्क्रिन — दृश्यलाई HTML क्यानभासमा रेन्डर गर्दै, कलब्याक प्रकार्यको प्रतिक्रिया समय नाप्ने, Window.requestAnimationFrame API मार्फत सेट गरी रेन्डरिङ पूरा भएपछि बोलाइन्छ।
• अफस्क्रिन - एक कार्यकर्ता प्रयोग गरेर र दृश्यलाई अफस्क्रिन क्यानभास वस्तुमा रेन्डर गर्दै, कन्वर्टटोब्लोब आदेशको कार्यान्वयन समय मापन गर्दै।
• GPU - अफस्क्रिन क्यानभास वस्तुमा कोर्नुहोस्, तर समय मापन गर्न WebGL-प्रदान गरिएको टाइमर प्रयोग गर्नुहोस् जसले GPU साइडमा आदेशहरूको सेटको अवधिलाई ध्यानमा राख्छ।

आईडी निर्माण प्रक्रियाको क्रममा, प्रत्येक उपकरणमा 50 परीक्षणहरू गरिन्छ, प्रत्येकले 176 विभिन्न विशेषताहरूको 16 मापनहरू कभर गर्दछ। 2500 बिभिन्न GPU सँग 1605 यन्त्रहरूमा जानकारी सङ्कलन गर्ने एउटा प्रयोगले Drawn Apart समर्थन थप्दा संयुक्त पहिचान विधिहरूको दक्षतामा 67% वृद्धि देखाएको छ। विशेष गरी, संयुक्त FP-STALKER विधिले औसतमा 17.5 दिन भित्र पहिचान प्रदान गर्‍यो, र ड्रन अपार्टसँग जोड्दा, पहिचान अवधि बढेर 28 दिन पुग्यो।

• Intel i10-5 चिप्स (GEN 3470 Ivy Bridge) र Intel HD Graphics 3 GPU सँग 2500 प्रणालीहरूको पृथकता शुद्धता अनस्क्रिन परीक्षणमा 93% थियो, र अफस्क्रिन परीक्षणमा यो 36.3% थियो।
• NVIDIA GTX10 भिडियो कार्डको साथ 5 Intel i10500-10 प्रणालीहरू (GEN 1650 Comet Lake) को लागि, शुद्धता 70% र 95.8% थियो।
• 15 Intel i5-8500 प्रणालीहरू (GEN 8 Coffee Lake) को लागि Intel UHD ग्राफिक्स 630 GPU - 42% र 55%।
• 23 Intel i5-4590 (GEN 4 Haswell) प्रणालीहरूको लागि Intel HD ग्राफिक्स 4600 GPU - 32.7% र 63.7%।
• माली-G20 MP20 GPU भएका छवटा Samsung Galaxy S77/S11 Ultra स्मार्टफोनहरूको लागि, अन-स्क्रिन परीक्षणमा पहिचान शुद्धता 92.7% थियो, र Samsung Galaxy S9/S9+ स्मार्टफोनहरूमा Mali-G72 MP18 को लागि यो 54.3% थियो।

यो नोट गरिएको छ कि सटीकता GPU को तापमान द्वारा प्रभावित भएको थियो, र केहि यन्त्रहरूको लागि, प्रणाली रिबुट गर्दा पहिचानकर्ताको विरूपण भयो। अन्य अप्रत्यक्ष पहिचान विधिहरूसँग संयोजनमा विधि प्रयोग गर्दा, शुद्धता उल्लेखनीय रूपमा वृद्धि गर्न सकिन्छ। तिनीहरू नयाँ WebGPU API को स्थिरीकरण पछि कम्प्युट शेडरहरूको प्रयोग मार्फत शुद्धता बढाउने योजना पनि बनाउँछन्।

Intel, ARM, Google, Khronos, Mozilla र Brave लाई 2020 मा समस्याको बारेमा सूचित गरिएको थियो, तर विधिको विवरण अहिले मात्र खुलासा भइरहेको छ। शोधकर्ताहरूले जाभास्क्रिप्ट र GLSL मा लेखिएका कामका उदाहरणहरू पनि प्रकाशित गरे जुन स्क्रिनमा जानकारी प्रदर्शन नगरी र बिना काम गर्न सक्छ। साथै, GPU Intel GEN 3/4/8/10 मा आधारित प्रणालीहरूको लागि, मेसिन लर्निङ प्रणालीहरूमा निकालिएको जानकारी वर्गीकरण गर्नका लागि डाटा सेटहरू प्रकाशित गरिएका छन्।

स्रोत: opennet.ru