බෙන්-ගුරියන් විශ්ව විද්‍යාලය (ඊශ්‍රායලය), ලිලී විශ්ව විද්‍යාලය (ප්‍රංශය) සහ ඇඩිලේඩ් විශ්ව විද්‍යාලය (ඕස්ට්‍රේලියාව) යන පර්යේෂකයන් විසින් වෙබ් බ්‍රවුසරයක GPU මෙහෙයුම් පරාමිතීන් හඳුනා ගැනීමෙන් පරිශීලක උපාංග හඳුනාගැනීම සඳහා නව තාක්ෂණයක් නිර්මාණය කර ඇත. මෙම ක්‍රමය "Drawn Apart" ලෙස හඳුන්වනු ලබන අතර GPU කාර්ය සාධන පැතිකඩක් ලබා ගැනීම සඳහා WebGL භාවිතය මත පදනම් වේ, එමඟින් කුකීස් භාවිතයෙන් තොරව සහ පරිශීලකයාගේ පද්ධතියේ හඳුනාගැනීමක් ගබඩා නොකර ක්‍රියා කරන නිෂ්ක්‍රීය ලුහුබැඳීමේ ක්‍රමවල නිරවද්‍යතාවය සැලකිය යුතු ලෙස වැඩිදියුණු කළ හැකිය.
හඳුනාගැනීමේදී විදැහුම්කරණය, GPU, ග්‍රැෆික් තොගය සහ ධාවකවල විශේෂාංග සැලකිල්ලට ගන්නා ක්‍රම මීට පෙර භාවිතා කර ඇත, නමුත් ඒවා විවිධ මාදිලියේ වීඩියෝ කාඩ්පත් සහ GPU මට්ටමින් පමණක් උපාංග වෙන් කිරීමේ හැකියාවට සීමා විය, i.e. හඳුනාගැනීමේ සම්භාවිතාව වැඩි කිරීම සඳහා අතිරේක සාධකයක් ලෙස පමණක් භාවිතා කළ හැකිය. නව "Drawn Apart" ක්‍රමයේ ප්‍රධාන ලක්ෂණය වන්නේ එය විවිධ GPU මාදිලි වෙන් කිරීමට සීමා නොවී, දැවැන්ත ලෙස සමාන්තර ලෙස නිර්මාණය කර ඇති චිප් නිෂ්පාදන ක්‍රියාවලියේ විෂමතාවය හේතුවෙන් එකම මාදිලියේ සමාන GPU අතර වෙනස්කම් හඳුනා ගැනීමට උත්සාහ කිරීමයි. ගණනය කිරීම. නිෂ්පාදන ක්‍රියාවලියේදී පැන නගින වෙනස්කම් එකම උපාංග ආකෘති සඳහා පුනරාවර්තන නොවන වාත්තු සෑදීමට හැකි වන බව සටහන් වේ.
ක්‍රියාත්මක කිරීමේ ඒකක ගණන ගණනය කිරීමෙන් සහ GPU හි ඒවායේ ක්‍රියාකාරිත්වය විශ්ලේෂණය කිරීමෙන් මෙම වෙනස්කම් හඳුනාගත හැකි බව පෙනී ගියේය. ත්‍රිකෝණමිතික ශ්‍රිත සමූහයක් මත පදනම් වූ චෙක්පත්, තාර්කික මෙහෙයුම් සහ පාවෙන ලක්ෂ්‍ය ගණනය කිරීම් විවිධ GPU ආකෘති හඳුනා ගැනීම සඳහා ප්‍රාථමික ලෙස භාවිතා කරන ලදී. එකම GPU වල වෙනස්කම් හඳුනා ගැනීම සඳහා, vertex shaders ක්‍රියාත්මක කිරීමේදී සමගාමීව ක්‍රියාත්මක වන නූල් ගණන තක්සේරු කරන ලදී. උෂ්ණත්ව තත්ත්වයන් සහ චිප්ස්වල විවිධ අවස්ථාවන්හි බලශක්ති පරිභෝජනයේ වෙනස්කම් හේතුවෙන් අනාවරණය වූ බලපෑම ඇති බව උපකල්පනය කෙරේ (මීට පෙර, CPU සඳහා සමාන බලපෑමක් පෙන්නුම් කරන ලදී - එකම කේතය ක්‍රියාත්මක කිරීමේදී සමාන ප්‍රොසෙසර විවිධ බල පරිභෝජනය පෙන්නුම් කළේය).
WebGL හරහා සිදුවන මෙහෙයුම් අසමමුහුර්තව සිදු කරන බැවින්, JavaScript API performance.now() ඒවා ක්‍රියාත්මක කිරීමේ කාලය මැනීමට සෘජුවම භාවිතා කළ නොහැක, එබැවින් කාලය මැනීමට උපක්‍රම තුනක් යෝජනා කර ඇත:
- තිරය මත — දර්ශනය HTML කැන්වසයකින් විදැහුම් කිරීම, ආපසු ඇමතුම් ශ්‍රිතයේ ප්‍රතිචාර කාලය මැනීම, Window.requestAnimationFrame API හරහා සකසා විදැහුම්කරණය අවසන් වූ පසු කැඳවීම.
- offscreen - සේවකයෙකු භාවිතා කර දර්ශනය OffscreenCanvas වස්තුවක් බවට පත් කිරීම, convertToBlob විධානය ක්‍රියාත්මක කිරීමේ කාලය මැනීම.
- GPU - OffscreenCanvas වස්තුවකට අඳින්න, නමුත් GPU පැත්තේ ඇති විධාන කට්ටලයක කාලසීමාව සැලකිල්ලට ගන්නා කාලය මැනීමට WebGL සපයා ඇති ටයිමරයක් භාවිතා කරන්න.
හැඳුනුම්පත නිර්මාණය කිරීමේ ක්‍රියාවලියේදී, එක් එක් උපාංගය සඳහා පරීක්ෂණ 50ක් සිදු කරනු ලබන අතර, ඒ සෑම එකක්ම විවිධ ලක්ෂණ 176කින් යුත් මිනුම් 16ක් ආවරණය කරයි. විවිධ GPU 2500ක් සහිත උපාංග 1605ක තොරතුරු රැස් කළ පරීක්ෂණයකින් Drawn Apart සහාය එකතු කිරීමේදී ඒකාබද්ධ හඳුනාගැනීමේ ක්‍රමවල කාර්යක්ෂමතාවයේ 67%ක වැඩිවීමක් පෙන්නුම් කළේය. විශේෂයෙන්ම, ඒකාබද්ධ FP-STALKER ක්‍රමය සාමාන්‍යයෙන් දින 17.5ක් ඇතුළත හඳුනාගැනීමක් ලබා දුන් අතර, Drawn Apart සමඟ ඒකාබද්ධ වූ විට, හඳුනාගැනීමේ කාලය දින 28 දක්වා වැඩි විය.
- Intel i10-5 chips (GEN 3470 Ivy Bridge) සහ Intel HD Graphics 3 GPU සහිත පද්ධති 2500ක වෙන් කිරීමේ නිරවද්‍යතාවය තිරයේ පරීක්‍ෂාවේදී 93%ක් වූ අතර, offscreen පරීක්ෂණයේදී එය 36.3%ක් විය.
- NVIDIA GTX10 වීඩියෝ කාඩ්පතක් සහිත Intel i5-10500 පද්ධති 10 (GEN 1650 Comet Lake) සඳහා නිරවද්‍යතාවය 70% සහ 95.8% විය.
- Intel UHD Graphics 15 GPU - 5% සහ 8500% සමඟ Intel i8-630 පද්ධති 42ක් (GEN 55 Coffee Lake) සඳහා.
- Intel HD Graphics 23 GPU සහිත Intel i5-4590 (GEN 4 Haswell) පද්ධති 4600ක් සඳහා - 32.7% සහ 63.7%.
- Mali-G20 MP20 GPU සහිත Samsung Galaxy S77/S11 Ultra ස්මාර්ට්ෆෝන් හයක් සඳහා, තිරයේ පරීක්ෂණයේදී හඳුනාගැනීමේ නිරවද්‍යතාවය 92.7%ක් වූ අතර Mali-G9 MP9 සහිත Samsung Galaxy S72/S18+ ස්මාර්ට්ෆෝන් සඳහා එය 54.3%ක් විය.
GPU හි උෂ්ණත්වය මගින් නිරවද්‍යතාවයට බලපා ඇති බව සටහන් කර ඇති අතර සමහර උපාංග සඳහා පද්ධතිය නැවත ආරම්භ කිරීම හඳුනාගැනීමේ විකෘතියකට හේතු විය. වෙනත් වක්‍ර හඳුනාගැනීමේ ක්‍රම සමඟ ඒකාබද්ධව ක්‍රමය භාවිතා කරන විට, නිරවද්‍යතාවය සැලකිය යුතු ලෙස වැඩි කළ හැකිය. නව WebGPU API ස්ථායීකරණයෙන් පසු පරිගණක සෙවන භාවිතා කිරීම හරහා නිරවද්‍යතාවය වැඩි කිරීමට ද ඔවුන් සැලසුම් කරයි.
Intel, ARM, Google, Khronos, Mozilla සහ Brave හට 2020 දී ගැටලුව පිළිබඳව දැනුම් දෙන ලදී, නමුත් ක්‍රමය පිළිබඳ විස්තර හෙළි වන්නේ දැන් පමණි. පර්යේෂකයන් ජාවාස්ක්‍රිප්ට් සහ ජීඑල්එස්එල් හි ලියා ඇති ක්‍රියාකාරී උදාහරණ ද ප්‍රකාශයට පත් කර ඇති අතර ඒවා තිරයේ තොරතුරු ප්‍රදර්ශනය කිරීමෙන් සහ තොරව ක්‍රියා කළ හැකිය. එසේම, GPU Intel GEN 3/4/8/10 මත පදනම් වූ පද්ධති සඳහා, යන්ත්‍ර ඉගෙනුම් පද්ධතිවල උපුටා ගත් තොරතුරු වර්ග කිරීම සඳහා දත්ත කට්ටල ප්‍රකාශයට පත් කර ඇත.
මූලාශ්රය: opennet.ru