{"id":103157,"date":"2022-02-01T15:36:44","date_gmt":"2022-02-01T13:36:46","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu"},"modified":"2022-02-01T15:36:44","modified_gmt":"2022-02-01T13:36:46","slug":"metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","status":"publish","type":"post","link":"https:\/\/prohoster.info\/nl\/blog\/news\/metod-identifikaczii-sistemy-polzovatelya-na-osnove-informaczii-o-gpu","title":{"rendered":"Identificatiemethode van het gebruikerssysteem op basis van GPU-informatie","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Onderzoekers van de Ben-Gurion Universiteit (Isra\u00ebl), de Universiteit van Lille (Frankrijk) en de Universiteit van Adelaide (Australi\u00eb) hebben een nieuwe techniek ontwikkeld voor het identificeren van gebruikersapparaten door het analyseren van de prestaties van de GPU in de webbrowser. Deze methode, genaamd 'Drawn Apart', is gebaseerd op het gebruik van WebGL om een prestatieprofiel van de GPU te verkrijgen, wat de nauwkeurigheid van passieve trackingmethoden aanzienlijk verhoogt die zonder cookies werken en zonder identificatoren op het systeem van de gebruiker op te slaan. <\/p>\n
Methoden die rekening houden met de kenmerken van rendering, GPU, grafische stacks en stuurprogramma's zijn eerder gebruikt, maar waren beperkt tot het onderscheiden van apparaten op het niveau van verschillende modellen grafische kaarten en GPU's. Dit betekende dat ze alleen als een aanvullende factor konden worden gebruikt om de waarschijnlijkheid van identificatie te verhogen. Een sleuteleigenschap van de nieuwe methode 'Drawn Apart' is dat deze niet beperkt is tot het onderscheiden van verschillende GPU-modellen, maar probeert de verschillen tussen identieke GPU's van \u00e9\u00e9n model te identificeren, veroorzaakt door de heterogeniteit van het productieproces van chips die zijn ontworpen voor massale parallelle verwerking. Het wordt opgemerkt dat de variaties die tijdens het productieproces ontstaan, unieke afdrukken mogelijk maken voor dezelfde apparaatsmodellen.
<\/center> <\/p>\n
Het blijkt dat deze verschillen kunnen worden onthuld door het aantal uitgevoerde blokken te tellen en hun prestaties in de GPU te analyseren. Voor het identificeren van verschillende GPU-modellen zijn primitive checks gebruikt op basis van een set trigonometrische functies, logische operaties en floating-point berekeningen. Voor het vaststellen van de verschillen in identieke GPU's werd het aantal gelijktijdig uitgevoerde threads beoordeeld tijdens de uitvoering van vertex shaders. Men vermoedt dat het ontdekte effect wordt veroorzaakt door verschillen in temperatuurregimes en energieverbruik van verschillende exemplaren van chips (eerder is een soortgelijk effect aangetoond voor CPU's \u2014 identieke processors vertoonden bij het uitvoeren van dezelfde code een verschillend energieverbruik). <\/p>\n
Aangezien operaties via WebGL asynchroon plaatsvinden, kan de tijdsmeting van hun uitvoering niet direct gebruikmaken van de JavaScript API performance.now(). Daarom zijn er drie trucs voorgesteld voor de tijdsmeting: <\/p>\n
\n
onscreen \u2014 rendering van de sc\u00e8ne in een HTML-canvas met meting van de tijd van de callback-functie ingesteld via de API Window.requestAnimationFrame en aangeroepen na afloop van de rendering.\n
offscreen \u2014 het gebruik van een worker en het renderen van de sc\u00e8ne in een OffscreenCanvas-object met meting van de uitvoeringstijd van de opdracht convertToBlob.\n
GPU \u2014 het renderen in een OffscreenCanvas-object, maar het gebruik van de in WebGL aangeboden timer voor het meten van de tijd die nodig is voor de uitvoering van een reeks opdrachten aan de GPU. <\/ul>\n
Tijdens het cre\u00ebren van een identificator op elk apparaat worden 50 controles uitgevoerd, die elk 176 metingen van 16 verschillende kenmerken dekken. Een experiment waarbij informatie over 2500 apparaten met 1605 verschillende GPU's werd verzameld, toonde een effici\u00ebntieverbetering van gecombineerde identificatiemethoden met 67% aan wanneer de ondersteuning voor Drawn Apart werd toegevoegd. In het bijzonder zorgde de gecombineerde methode FP-STALKER gemiddeld voor identificatie binnen 17,5 dagen, en in combinatie met Drawn Apart steeg de identificatieduur tot 28 dagen.
<\/center> <\/p>\n
\n
De nauwkeurigheid van de splitsing van 10 systemen met Intel i5-3470 chips (GEN 3 Ivy Bridge) en GPU Intel HD Graphics 2500 in de onscreen test was 93%, en in offscreen \u2014 36,3%.\n
Voor 10 systemen Intel i5-10500 (GEN 10 Comet Lake) met een NVIDIA GTX1650 grafische kaart was de nauwkeurigheid 70% en 95,8%.\n
Voor 15 systemen met Intel i5-8500 (GEN 8 Coffee Lake) met GPU Intel UHD Graphics 630 \u2014 42% en 55%.\n
Voor 23 systemen met Intel i5-4590 (GEN 4 Haswell) met GPU Intel HD Graphics 4600 \u2014 32,7% en 63,7%.\n
Voor zes smartphones Samsung Galaxy S20\/S20 Ultra met GPU Mali-G77 MP11 was de nauwkeurigheid van de identificatie in de test met output op het scherm 92,7%, en voor smartphones Samsung Galaxy S9\/S9+ met Mali-G72 MP18 \u2014 54,3%. <\/ul>\n
<\/center> <\/p>\n
Er is opgemerkt dat de nauwkeurigheid werd be\u00efnvloed door de temperatuur van de GPU, en dat voor sommige apparaten een systeemherstart leidde tot vervorming van de identificator. Bij gebruik van de methode in combinatie met andere indirecte identificatiemethoden kan de nauwkeurigheid aanzienlijk worden verhoogd. De nauwkeurigheid wordt ook gepland te verhogen door gebruik te maken van compute shaders na stabilisatie van de nieuwe API WebGPU. <\/p>\n
De bedrijven Intel, ARM, Google, Khronos, Mozilla en Brave zijn in 2020 ge\u00efnformeerd over het probleem, maar de details van de methode zijn pas nu openbaar gemaakt. Onder andere hebben onderzoekers werkvoorbeelden gepubliceerd die zijn geschreven in JavaScript en GLSL, en die zowel met als zonder visuele output kunnen werken. Ook zijn er datasets gepubliceerd voor systemen op basis van Intel GPU GEN 3\/4\/8\/10 voor de classificatie van informatie die wordt verkregen in machine learning systemen. \n Bron: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Identificatiemethode](\"\/wp-content\/uploads\/2022\/02\/947fc4477ff99c14ca7854e36e4ad976.jpg\")
<\/center> <\/p>\n![\"Identificatiemethode](\"\/wp-content\/uploads\/2022\/02\/c57096ca8d5833df92cd7f992f19a289.jpg\")
<\/center> <\/p>\n![\"Identificatiemethode](\"\/wp-content\/uploads\/2022\/02\/e5462f5b761dc6e16a43ac00d8f0b7aa.jpg\")
<\/center> <\/p>\n