Vedci z Ben-Gurionovej univerzity (Izrael), Lille univerzity (Francúzsko) a Univerzity Adelaide (Austrália) vyvinuli novú techniku identifikácie používateľských zariadení prostredníctvom analýzy parametrov práce GPU v webovom prehliadači. Metóda dostala názov „Drawn Apart“ a je založená na využití WebGL na získanie profilu výkonu GPU, čo umožňuje výrazne zvýšiť presnosť pasívnych sledovacích metód fungujúcich bez Cookie a bez uchovávania identifikátora na systéme používateľa.
Metódy, ktoré pri identifikácii zohľadňovali vlastnosti renderovania, GPU, grafické zásobníky a ovládače, sa používali aj predtým, ale boli obmedzené na rozlíšenie zariadení iba na úrovni rôznych modelov grafických kariet a GPU, t.j. mohli sa použiť iba ako doplnkový faktor na zvýšenie pravdepodobnosti identifikácie. Kľúčovou vlastnosťou novej metódy „Drawn Apart“ je, že nie je obmedzená na rozlíšenie rôznych modelov GPU, ale snaží sa odhaliť rozdiely medzi identickými GPU jedného modelu, spôsobené nehomogenitou výrobného procesu čipov, navrhnutých na masívne paralelné výpočty. Uvádza sa, že vznikajúce variácie počas výroby umožňujú vytvárať jedinečné odtlačky pre rovnaké modely zariadení.
Ukázalo sa, že tieto rozdiely je možné identifikovať prostredníctvom počítania blokov vykonávania a analýzy ich výkonu v GPU. Ako primitívne pre identifikáciu rôznych modelov GPU boli použité testy založené na súbore trigonometrických funkcií, logických operácií a výpočtoch s pohyblivou desatinnou čiarkou. Na odhalenie rozdielov v rovnakých GPU sa hodnotil počet simultánne vykonávaných prúdov pri vykonávaní vrcholových shaderov. Predpokladá sa, že zistený efekt je spôsobený rozdielmi v teplotných režimoch a energetickej náročnosti rôznych exemplárov čipov (predtým podobný efekt bol preukázaný pre CPU - rovnaké procesory pri vykonávaní rovnakého kódu vykazovali rôznu energetickú náročnosť).
Keďže operácie cez WebGL prebiehajú asynchrónne, na meranie času ich vykonávania nie je možné priamo použiť JavaScript API performance.now(), preto boli navrhnuté tri triky na meranie času:
- onscreen — vykreslenie scény v HTML canvas s meraním času spúšťania callback funkcie, ktorá bola nastavená prostredníctvom API Window.requestAnimationFrame a je volaná po dokončení vykreslenia.
- offscreen — použitie worker-a a vykreslenie scény v objekte OffscreenCanvas s meraním času vykonávania príkazu convertToBlob.
- GPU — vykreslenie v objekte OffscreenCanvas, ale použitie na meranie času časovača poskytnutého vo WebGL, ktorý zohľadňuje trvanie vykonania súboru príkazov na strane GPU.
Pri vytváraní identifikátora na každom zariadení sa vykonáva 50 kontrol, z ktorých každá pokrýva 176 meraní 16 rôznych charakteristík. Experiment, v ktorom sa získali informácie o 2500 zariadeniach s 1605 rôznymi GPU, ukázal zvýšenie efektivity kombinovaných metód identifikácie o 67 % po pridaní podpory Drawn Apart. Konkrétne kombinovaná metóda FP-STALKER priemerne zabezpečila identifikáciu počas 17,5 dní, a v kombinácii s Drawn Apart sa dĺžka identifikácie zvýšila na 28 dní.
- Presnosť rozlíšenia 10 systémov s čipmi Intel i5-3470 (GEN 3 Ivy Bridge) a GPU Intel HD Graphics 2500 v teste onscreen dosiahla 93 %, zatiaľ čo v offscreen to bolo 36,3 %.
- Pre 10 systémov Intel i5-10500 (GEN 10 Comet Lake) s grafickou kartou NVIDIA GTX1650 bola presnosť 70 % a 95,8 %.
- Pre 15 systémov Intel i5-8500 (GEN 8 Coffee Lake) s GPU Intel UHD Graphics 630 to bolo 42 % a 55 %.
- Pre 23 systémov Intel i5-4590 (GEN 4 Haswell) s GPU Intel HD Graphics 4600 to bolo 32,7 % a 63,7 %.
- Pre šesť smartfónov Samsung Galaxy S20/S20 Ultra s GPU Mali-G77 MP11 v teste s výstupom na obrazovku bola presnosť identifikácie 92,7 %, zatiaľ čo pre smartfóny Samsung Galaxy S9/S9+ s Mali-G72 MP18 to bolo 54,3 %.
Je pozorované, že na presnosť vplývala teplota GPU, a pre niektoré zariadenia reštartovanie systému spôsobilo skreslenie identifikátora. Pri použití metódy v kombinácii s inými metódami nepriamej identifikácie môže byť presnosť výrazne zvýšená. Presnosť plánujú tiež zvýšiť pomocou výpočtových shaderov po stabilizácii nového API WebGPU.
Spoločnosti Intel, ARM, Google, Khronos, Mozilla a Brave boli o probléme informované už v roku 2020, ale podrobnosti metódy boli zverejnené až teraz. Medzi nimi výskumníci zverejnili prácu napísanú v JavaScripte a GLSL, ktorá môže fungovať s výstupom aj bez výstupu na obrazovku. Takisto pre systémy na báze GPU Intel GEN 3/4/8/10 boli zverejnené sady údajov na klasifikáciu extrahovaných informácií v systémoch strojového učenia.
Zdroj: opennet.ru
