GPU ਜਾਣਕਾਰੀ 'ਤੇ ਆਧਾਰਿਤ ਉਪਭੋਗਤਾ ਸਿਸਟਮ ਪਛਾਣ ਵਿਧੀ

ਬੇਨ-ਗੁਰਿਅਨ ਯੂਨੀਵਰਸਿਟੀ (ਇਜ਼ਰਾਈਲ), ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਲਿਲੀ (ਫਰਾਂਸ) ਅਤੇ ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਐਡੀਲੇਡ (ਆਸਟ੍ਰੇਲੀਆ) ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੈੱਬ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ GPU ਓਪਰੇਟਿੰਗ ਮਾਪਦੰਡਾਂ ਦਾ ਪਤਾ ਲਗਾ ਕੇ ਉਪਭੋਗਤਾ ਡਿਵਾਈਸਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਤਕਨੀਕ ਵਿਕਸਿਤ ਕੀਤੀ ਹੈ। ਵਿਧੀ ਨੂੰ "ਡ੍ਰੌਨ ਅਪਾਰਟ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਇੱਕ GPU ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰੋਫਾਈਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ WebGL ਦੀ ਵਰਤੋਂ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ ਕਿ ਪੈਸਿਵ ਟਰੈਕਿੰਗ ਵਿਧੀਆਂ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਕੂਕੀਜ਼ ਦੀ ਵਰਤੋਂ ਕੀਤੇ ਬਿਨਾਂ ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਸਿਸਟਮ 'ਤੇ ਇੱਕ ਪਛਾਣਕਰਤਾ ਨੂੰ ਸਟੋਰ ਕੀਤੇ ਬਿਨਾਂ ਕੰਮ ਕਰਦੇ ਹਨ।

ਢੰਗ ਜੋ ਪਛਾਣ ਕਰਨ ਵੇਲੇ ਰੈਂਡਰਿੰਗ, GPU, ਗ੍ਰਾਫਿਕਸ ਸਟੈਕ ਅਤੇ ਡਰਾਈਵਰਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ, ਪਹਿਲਾਂ ਵਰਤੇ ਗਏ ਸਨ, ਪਰ ਉਹ ਸਿਰਫ ਵੀਡੀਓ ਕਾਰਡਾਂ ਅਤੇ GPU ਦੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੇ ਪੱਧਰ 'ਤੇ ਡਿਵਾਈਸਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਤੱਕ ਸੀਮਿਤ ਸਨ, ਯਾਨੀ. ਪਛਾਣ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਸਿਰਫ਼ ਇੱਕ ਵਾਧੂ ਕਾਰਕ ਵਜੋਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਨਵੀਂ "ਡ੍ਰੌਨ ਅਪਾਰਟ" ਵਿਧੀ ਦੀ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਇਹ ਆਪਣੇ ਆਪ ਨੂੰ ਵੱਖ-ਵੱਖ GPU ਮਾਡਲਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਪਰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਸਮਾਨਾਂਤਰ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਚਿਪਸ ਦੀ ਨਿਰਮਾਣ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਿਭਿੰਨਤਾ ਦੇ ਕਾਰਨ ਇੱਕੋ ਮਾਡਲ ਦੇ ਇੱਕੋ ਜਿਹੇ GPU ਵਿੱਚ ਅੰਤਰ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਕੰਪਿਊਟਿੰਗ ਇਹ ਨੋਟ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਉਤਪਾਦਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਭਿੰਨਤਾਵਾਂ ਉਸੇ ਡਿਵਾਈਸ ਮਾਡਲਾਂ ਲਈ ਗੈਰ-ਦੁਹਰਾਉਣ ਵਾਲੀਆਂ ਕਾਸਟਾਂ ਨੂੰ ਬਣਾਉਣਾ ਸੰਭਵ ਬਣਾਉਂਦੀਆਂ ਹਨ।

ਇਹ ਪਤਾ ਚਲਿਆ ਕਿ ਇਹਨਾਂ ਅੰਤਰਾਂ ਨੂੰ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਯੂਨਿਟਾਂ ਦੀ ਗਿਣਤੀ ਗਿਣ ਕੇ ਅਤੇ GPU ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ. ਵੱਖ-ਵੱਖ GPU ਮਾਡਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਤਿਕੋਣਮਿਤੀ ਫੰਕਸ਼ਨਾਂ, ਲਾਜ਼ੀਕਲ ਓਪਰੇਸ਼ਨਾਂ ਅਤੇ ਫਲੋਟਿੰਗ ਪੁਆਇੰਟ ਕੈਲਕੂਲੇਸ਼ਨਾਂ ਦੇ ਸੈੱਟ 'ਤੇ ਆਧਾਰਿਤ ਜਾਂਚਾਂ ਨੂੰ ਮੁੱਢਲੇ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਗਿਆ ਸੀ। ਇੱਕੋ GPU ਵਿੱਚ ਅੰਤਰ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ, ਵਰਟੇਕਸ ਸ਼ੈਡਰਾਂ ਨੂੰ ਚਲਾਉਣ ਵੇਲੇ ਇੱਕੋ ਸਮੇਂ ਚੱਲਣ ਵਾਲੇ ਥਰਿੱਡਾਂ ਦੀ ਗਿਣਤੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਖੋਜਿਆ ਪ੍ਰਭਾਵ ਤਾਪਮਾਨ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਅੰਤਰ ਅਤੇ ਚਿਪਸ ਦੇ ਵੱਖੋ-ਵੱਖਰੇ ਮੌਕਿਆਂ ਦੀ ਪਾਵਰ ਖਪਤ ਕਾਰਨ ਹੁੰਦਾ ਹੈ (ਪਹਿਲਾਂ, CPUs ਲਈ ਇੱਕ ਸਮਾਨ ਪ੍ਰਭਾਵ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ - ਇੱਕੋ ਜਿਹੇ ਪ੍ਰੋਸੈਸਰਾਂ ਨੇ ਇੱਕੋ ਕੋਡ ਨੂੰ ਚਲਾਉਣ ਵੇਲੇ ਵੱਖੋ ਵੱਖਰੀ ਪਾਵਰ ਖਪਤ ਦਿਖਾਈ ਸੀ)।

ਕਿਉਂਕਿ WebGL ਦੁਆਰਾ ਓਪਰੇਸ਼ਨ ਅਸਿੰਕ੍ਰੋਨਸ ਤੌਰ 'ਤੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, JavaScript API performance.now() ਨੂੰ ਉਹਨਾਂ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਟਾਈਮ ਨੂੰ ਮਾਪਣ ਲਈ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਇਸਲਈ ਸਮੇਂ ਨੂੰ ਮਾਪਣ ਲਈ ਤਿੰਨ ਟ੍ਰਿਕਸ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ:

• ਆਨਸਕ੍ਰੀਨ — ਇੱਕ HTML ਕੈਨਵਸ ਵਿੱਚ ਦ੍ਰਿਸ਼ ਪੇਸ਼ ਕਰਨਾ, ਕਾਲਬੈਕ ਫੰਕਸ਼ਨ ਦੇ ਜਵਾਬ ਸਮੇਂ ਨੂੰ ਮਾਪਣਾ, Window.requestAnimationFrame API ਦੁਆਰਾ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਰੈਂਡਰਿੰਗ ਪੂਰਾ ਹੋਣ ਤੋਂ ਬਾਅਦ ਕਾਲ ਕੀਤਾ ਗਿਆ ਹੈ।
• ਆਫਸਕ੍ਰੀਨ - ਇੱਕ ਵਰਕਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਤੇ ਸੀਨ ਨੂੰ ਇੱਕ ਆਫਸਕ੍ਰੀਨ ਕੈਨਵਸ ਆਬਜੈਕਟ ਵਿੱਚ ਰੈਂਡਰ ਕਰਨਾ, convertToBlob ਕਮਾਂਡ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਟਾਈਮ ਨੂੰ ਮਾਪਣਾ।
• GPU - ਇੱਕ ਔਫਸਕ੍ਰੀਨ ਕੈਨਵਸ ਆਬਜੈਕਟ ਵੱਲ ਖਿੱਚੋ, ਪਰ ਸਮੇਂ ਨੂੰ ਮਾਪਣ ਲਈ ਇੱਕ WebGL-ਪ੍ਰਦਾਨ ਕੀਤੇ ਟਾਈਮਰ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ GPU ਸਾਈਡ 'ਤੇ ਕਮਾਂਡਾਂ ਦੇ ਸੈੱਟ ਦੀ ਮਿਆਦ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ।

ID ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ, ਹਰੇਕ ਡਿਵਾਈਸ 'ਤੇ 50 ਟੈਸਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਹਰੇਕ ਵਿੱਚ 176 ਵੱਖ-ਵੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ 16 ਮਾਪ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਪ੍ਰਯੋਗ ਜਿਸਨੇ 2500 ਵੱਖ-ਵੱਖ GPUs ਦੇ ਨਾਲ 1605 ਡਿਵਾਈਸਾਂ 'ਤੇ ਜਾਣਕਾਰੀ ਇਕੱਠੀ ਕੀਤੀ, ਨੇ ਡਰੋਨ ਅਪਾਰਟ ਸਮਰਥਨ ਨੂੰ ਜੋੜਦੇ ਸਮੇਂ ਸੰਯੁਕਤ ਪਛਾਣ ਵਿਧੀਆਂ ਦੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ 67% ਵਾਧਾ ਦਿਖਾਇਆ। ਖਾਸ ਤੌਰ 'ਤੇ, ਸੰਯੁਕਤ FP-STALKER ਵਿਧੀ ਨੇ ਔਸਤਨ 17.5 ਦਿਨਾਂ ਦੇ ਅੰਦਰ ਪਛਾਣ ਪ੍ਰਦਾਨ ਕੀਤੀ, ਅਤੇ ਜਦੋਂ ਡਰਾਅ ਅਪਾਰਟ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪਛਾਣ ਦੀ ਮਿਆਦ 28 ਦਿਨਾਂ ਤੱਕ ਵਧ ਜਾਂਦੀ ਹੈ।

• ਆਨਸਕ੍ਰੀਨ ਟੈਸਟ ਵਿੱਚ Intel i10-5 ਚਿਪਸ (GEN 3470 Ivy Bridge) ਅਤੇ Intel HD ਗ੍ਰਾਫਿਕਸ 3 GPU ਵਾਲੇ 2500 ਸਿਸਟਮਾਂ ਦੀ ਵਿਭਾਜਨ ਸ਼ੁੱਧਤਾ 93% ਸੀ, ਅਤੇ ਆਫਸਕ੍ਰੀਨ ਟੈਸਟ ਵਿੱਚ ਇਹ 36.3% ਸੀ।
• NVIDIA GTX10 ਵੀਡੀਓ ਕਾਰਡ ਦੇ ਨਾਲ 5 Intel i10500-10 ਸਿਸਟਮਾਂ (GEN 1650 Comet Lake) ਲਈ, ਸ਼ੁੱਧਤਾ 70% ਅਤੇ 95.8% ਸੀ।
• Intel UHD ਗ੍ਰਾਫਿਕਸ 15 GPU ਦੇ ਨਾਲ 5 Intel i8500-8 ਸਿਸਟਮਾਂ (GEN 630 Coffee Lake) ਲਈ - 42% ਅਤੇ 55%।
• Intel HD ਗ੍ਰਾਫਿਕਸ 23 GPU ਦੇ ਨਾਲ 5 Intel i4590-4 (GEN 4600 Haswell) ਸਿਸਟਮਾਂ ਲਈ - 32.7% ਅਤੇ 63.7%।
• Mali-G20 MP20 GPU ਵਾਲੇ ਛੇ Samsung Galaxy S77/S11 Ultra ਸਮਾਰਟਫ਼ੋਨਾਂ ਲਈ, ਆਨ-ਸਕਰੀਨ ਟੈਸਟ ਵਿੱਚ ਪਛਾਣ ਦੀ ਸ਼ੁੱਧਤਾ 92.7% ਸੀ, ਅਤੇ Mali-G9 MP9 ਵਾਲੇ Samsung Galaxy S72/S18+ ਸਮਾਰਟਫ਼ੋਨਾਂ ਲਈ ਇਹ 54.3% ਸੀ।

ਇਹ ਨੋਟ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਸ਼ੁੱਧਤਾ GPU ਦੇ ਤਾਪਮਾਨ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੋਈ ਸੀ, ਅਤੇ ਕੁਝ ਡਿਵਾਈਸਾਂ ਲਈ, ਸਿਸਟਮ ਨੂੰ ਰੀਬੂਟ ਕਰਨ ਨਾਲ ਪਛਾਣਕਰਤਾ ਦਾ ਵਿਗਾੜ ਹੋਇਆ। ਦੂਜੀਆਂ ਅਸਿੱਧੇ ਪਛਾਣ ਵਿਧੀਆਂ ਦੇ ਨਾਲ ਸੁਮੇਲ ਵਿੱਚ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਹ ਨਵੇਂ WebGPU API ਨੂੰ ਸਥਿਰ ਕਰਨ ਤੋਂ ਬਾਅਦ ਕੰਪਿਊਟ ਸ਼ੇਡਰਾਂ ਦੀ ਵਰਤੋਂ ਰਾਹੀਂ ਸ਼ੁੱਧਤਾ ਵਧਾਉਣ ਦੀ ਵੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ।

Intel, ARM, Google, Khronos, Mozilla ਅਤੇ Brave ਨੂੰ 2020 ਵਿੱਚ ਸਮੱਸਿਆ ਬਾਰੇ ਸੂਚਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਪਰ ਵਿਧੀ ਦੇ ਵੇਰਵੇ ਹੁਣੇ ਹੀ ਸਾਹਮਣੇ ਆ ਰਹੇ ਹਨ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ JavaScript ਅਤੇ GLSL ਵਿੱਚ ਲਿਖੀਆਂ ਕਾਰਜਸ਼ੀਲ ਉਦਾਹਰਣਾਂ ਨੂੰ ਵੀ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਹੈ ਜੋ ਸਕ੍ਰੀਨ 'ਤੇ ਜਾਣਕਾਰੀ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਦੇ ਨਾਲ ਅਤੇ ਬਿਨਾਂ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ। ਨਾਲ ਹੀ, GPU Intel GEN 3/4/8/10 'ਤੇ ਆਧਾਰਿਤ ਸਿਸਟਮਾਂ ਲਈ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਐਕਸਟਰੈਕਟ ਕੀਤੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵਰਗੀਕਰਨ ਕਰਨ ਲਈ ਡਾਟਾ ਸੈੱਟ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਹਨ।

ਸਰੋਤ: opennet.ru