பென்-குரியன் பல்கலைக்கழகம் (இஸ்ரேல்), லில்லே பல்கலைக்கழகம் (பிரான்ஸ்) மற்றும் அடிலெய்ட் பல்கலைக்கழகம் (ஆஸ்திரேலியா) ஆகியவற்றின் ஆராய்ச்சியாளர்கள் இணைய உலாவியில் ஜிபியு இயக்க அளவுருக்களைக் கண்டறிவதன் மூலம் பயனர் சாதனங்களை அடையாளம் காண புதிய நுட்பத்தை உருவாக்கியுள்ளனர். இந்த முறை "Drawn Apart" என்று அழைக்கப்படுகிறது மற்றும் ஒரு GPU செயல்திறன் சுயவிவரத்தைப் பெற WebGL ஐப் பயன்படுத்துவதை அடிப்படையாகக் கொண்டது, இது குக்கீகளைப் பயன்படுத்தாமல் மற்றும் பயனரின் கணினியில் அடையாளங்காட்டியைச் சேமிக்காமல் செயல்படும் செயலற்ற கண்காணிப்பு முறைகளின் துல்லியத்தை கணிசமாக மேம்படுத்த முடியும்.
ரெண்டரிங், ஜிபியு, கிராபிக்ஸ் ஸ்டேக் மற்றும் டிரைவர்களை அடையாளம் காணும் போது கணக்கில் எடுத்துக்கொள்ளும் முறைகள் முன்பு பயன்படுத்தப்பட்டன, ஆனால் அவை வெவ்வேறு மாதிரிகள் வீடியோ அட்டைகள் மற்றும் ஜிபியுக்களின் மட்டத்தில் மட்டுமே சாதனங்களைப் பிரிக்கும் திறனுடன் மட்டுப்படுத்தப்பட்டன, அதாவது. அடையாளம் காண்பதற்கான வாய்ப்பை அதிகரிக்க கூடுதல் காரணியாக மட்டுமே பயன்படுத்த முடியும். புதிய "Drawn Apart" முறையின் முக்கிய அம்சம் என்னவென்றால், அது வெவ்வேறு GPU மாடல்களைப் பிரிப்பதில் தன்னைக் கட்டுப்படுத்திக் கொள்ளாமல், ஒரே மாதிரியான GPU களுக்கு இடையே உள்ள வேறுபாடுகளை அடையாளம் காண முயற்சிக்கிறது. கம்ப்யூட்டிங். உற்பத்திச் செயல்பாட்டின் போது ஏற்படும் மாறுபாடுகள், அதே சாதன மாதிரிகளுக்கு மீண்டும் மீண்டும் செய்யாத காஸ்ட்களை உருவாக்குவதை சாத்தியமாக்குகிறது என்பது குறிப்பிடத்தக்கது.
செயல்படுத்தும் அலகுகளின் எண்ணிக்கையைக் கணக்கிடுவதன் மூலமும், GPU இல் அவற்றின் செயல்திறனை பகுப்பாய்வு செய்வதன் மூலமும் இந்த வேறுபாடுகளை அடையாளம் காண முடியும். வெவ்வேறு GPU மாதிரிகளை அடையாளம் காண முக்கோணவியல் செயல்பாடுகள், தருக்க செயல்பாடுகள் மற்றும் மிதக்கும் புள்ளி கணக்கீடுகள் ஆகியவற்றின் அடிப்படையில் காசோலைகள் பழமையானதாகப் பயன்படுத்தப்பட்டன. அதே GPU களில் உள்ள வேறுபாடுகளை அடையாளம் காண, வெர்டெக்ஸ் ஷேடர்களை இயக்கும் போது ஒரே நேரத்தில் செயல்படுத்தும் நூல்களின் எண்ணிக்கை மதிப்பிடப்பட்டது. கண்டறியப்பட்ட விளைவு வெப்பநிலை நிலைகளில் உள்ள வேறுபாடுகள் மற்றும் சில்லுகளின் வெவ்வேறு நிகழ்வுகளின் மின் நுகர்வு ஆகியவற்றால் ஏற்படுகிறது என்று கருதப்படுகிறது (முன்பு, இதேபோன்ற விளைவு CPU களுக்கு நிரூபிக்கப்பட்டது - ஒரே குறியீட்டை இயக்கும் போது ஒரே மாதிரியான செயலிகள் வெவ்வேறு மின் நுகர்வுகளைக் காட்டின).
WebGL மூலம் செயல்படும் செயல்கள் ஒத்திசைவின்றி செய்யப்படுவதால், JavaScript API செயல்திறன்.now() நேரடியாக அவற்றின் செயலாக்க நேரத்தை அளவிட முடியாது, எனவே நேரத்தை அளவிட மூன்று தந்திரங்கள் முன்மொழியப்பட்டுள்ளன:
- திரையில் — ஒரு HTML கேன்வாஸில் காட்சியை வழங்குதல், கால்பேக் செயல்பாட்டின் மறுமொழி நேரத்தை அளவிடுதல், Window.requestAnimationFrame API வழியாக அமைக்கப்பட்டு, ரெண்டரிங் முடிந்ததும் அழைக்கப்படும்.
- ஆஃப்ஸ்கிரீன் - ஒரு தொழிலாளியைப் பயன்படுத்தி காட்சியை ஆஃப்ஸ்கிரீன் கேன்வாஸ் பொருளாக மாற்றுவது, convertToBlob கட்டளையின் செயலாக்க நேரத்தை அளவிடுகிறது.
- GPU - ஆஃப்ஸ்கிரீன் கேன்வாஸ் பொருளுக்கு வரையவும், ஆனால் GPU பக்கத்தில் உள்ள கட்டளைகளின் தொகுப்பின் கால அளவைக் கணக்கில் எடுத்துக்கொள்ளும் நேரத்தை அளவிட WebGL வழங்கிய டைமரைப் பயன்படுத்தவும்.
ஐடி உருவாக்கும் செயல்பாட்டின் போது, ஒவ்வொரு சாதனத்திலும் 50 சோதனைகள் செய்யப்படுகின்றன, ஒவ்வொன்றும் 176 வெவ்வேறு குணாதிசயங்களின் 16 அளவீடுகளை உள்ளடக்கியது. 2500 வெவ்வேறு GPUகளுடன் 1605 சாதனங்களில் தகவல்களைச் சேகரித்த ஒரு பரிசோதனையானது, டிரான் அபார்ட் ஆதரவைச் சேர்க்கும் போது ஒருங்கிணைந்த அடையாள முறைகளின் செயல்திறனில் 67% அதிகரிப்பைக் காட்டியது. குறிப்பாக, ஒருங்கிணைந்த FP-STALKER முறையானது சராசரியாக 17.5 நாட்களுக்குள் அடையாளத்தை வழங்கியது, மேலும் Drawn Apart உடன் இணைந்தால், அடையாளம் காணும் காலம் 28 நாட்களாக அதிகரித்தது.
- Intel i10-5 சில்லுகள் (GEN 3470 Ivy Bridge) மற்றும் Intel HD Graphics 3 GPU ஆகியவற்றைக் கொண்ட 2500 அமைப்புகளின் பிரிப்புத் துல்லியம் திரை சோதனையில் 93% ஆகவும், ஆஃப்ஸ்கிரீன் சோதனையில் 36.3% ஆகவும் இருந்தது.
- NVIDIA GTX10 வீடியோ அட்டையுடன் கூடிய 5 Intel i10500-10 அமைப்புகளுக்கு (GEN 1650 Comet Lake), துல்லியம் 70% மற்றும் 95.8%.
- 15 Intel i5-8500 அமைப்புகளுக்கு (GEN 8 Coffee Lake) Intel UHD Graphics 630 GPU - 42% மற்றும் 55%.
- 23 Intel i5-4590 (GEN 4 Haswell) அமைப்புகளுக்கு Intel HD கிராபிக்ஸ் 4600 GPU - 32.7% மற்றும் 63.7%.
- Mali-G20 MP20 GPU கொண்ட ஆறு Samsung Galaxy S77/S11 அல்ட்ரா ஸ்மார்ட்போன்களுக்கு, ஆன்-ஸ்கிரீன் சோதனையில் அடையாளம் காணும் துல்லியம் 92.7% ஆகவும், Mali-G9 MP9 உடன் Samsung Galaxy S72/S18+ ஸ்மார்ட்போன்களுக்கு 54.3% ஆகவும் இருந்தது.
GPU இன் வெப்பநிலையால் துல்லியம் பாதிக்கப்பட்டது மற்றும் சில சாதனங்களுக்கு, கணினியை மறுதொடக்கம் செய்வது அடையாளங்காட்டியின் சிதைவுக்கு வழிவகுத்தது என்பது குறிப்பிடத்தக்கது. மற்ற மறைமுக அடையாள முறைகளுடன் இணைந்து முறையைப் பயன்படுத்தும் போது, துல்லியத்தை கணிசமாக அதிகரிக்க முடியும். புதிய WebGPU API ஐ உறுதிப்படுத்திய பிறகு, கம்ப்யூட் ஷேடர்களைப் பயன்படுத்துவதன் மூலம் துல்லியத்தை அதிகரிக்கவும் அவர்கள் திட்டமிட்டுள்ளனர்.
இன்டெல், ஏஆர்எம், கூகுள், க்ரோனோஸ், மொஸில்லா மற்றும் பிரேவ் ஆகிய நிறுவனங்களுக்கு 2020 ஆம் ஆண்டிலேயே இந்தச் சிக்கல் குறித்து அறிவிக்கப்பட்டது, ஆனால் முறையின் விவரங்கள் இப்போதுதான் தெரியவந்துள்ளன. ஆராய்ச்சியாளர்கள் ஜாவாஸ்கிரிப்ட் மற்றும் ஜி.எல்.எஸ்.எல் ஆகியவற்றில் எழுதப்பட்ட வேலை எடுத்துக்காட்டுகளையும் வெளியிட்டனர், அவை திரையில் தகவலைக் காட்டாமல் வேலை செய்ய முடியும். மேலும், GPU இன்டெல் GEN 3/4/8/10 அடிப்படையிலான அமைப்புகளுக்கு, இயந்திர கற்றல் அமைப்புகளில் பிரித்தெடுக்கப்பட்ட தகவல்களை வகைப்படுத்த தரவுத் தொகுப்புகள் வெளியிடப்பட்டுள்ளன.
ஆதாரம்: opennet.ru