GPU సమాచారం ఆధారంగా వినియోగదారు సిస్టమ్ గుర్తింపు పద్ధతి

బెన్-గురియన్ విశ్వవిద్యాలయం (ఇజ్రాయెల్), లిల్లే విశ్వవిద్యాలయం (ఫ్రాన్స్) మరియు అడిలైడ్ విశ్వవిద్యాలయం (ఆస్ట్రేలియా) పరిశోధకులు వెబ్ బ్రౌజర్‌లో GPU ఆపరేటింగ్ పారామితులను గుర్తించడం ద్వారా వినియోగదారు పరికరాలను గుర్తించడానికి కొత్త సాంకేతికతను అభివృద్ధి చేశారు. ఈ పద్ధతిని "డ్రాన్ అపార్ట్" అని పిలుస్తారు మరియు ఇది GPU పనితీరు ప్రొఫైల్‌ను పొందేందుకు WebGLని ఉపయోగించడంపై ఆధారపడి ఉంటుంది, ఇది కుక్కీలను ఉపయోగించకుండా మరియు వినియోగదారు సిస్టమ్‌లో ఐడెంటిఫైయర్‌ను నిల్వ చేయకుండా పని చేసే నిష్క్రియ ట్రాకింగ్ పద్ధతుల యొక్క ఖచ్చితత్వాన్ని గణనీయంగా మెరుగుపరుస్తుంది.

గుర్తించేటప్పుడు రెండరింగ్, GPU, గ్రాఫిక్స్ స్టాక్ మరియు డ్రైవర్ల లక్షణాలను పరిగణనలోకి తీసుకునే పద్ధతులు గతంలో ఉపయోగించబడ్డాయి, అయితే అవి వీడియో కార్డ్‌లు మరియు GPUల యొక్క వివిధ మోడళ్ల స్థాయిలో మాత్రమే పరికరాలను వేరు చేయగల సామర్థ్యానికి పరిమితం చేయబడ్డాయి, అనగా. గుర్తింపు యొక్క సంభావ్యతను పెంచడానికి అదనపు కారకంగా మాత్రమే ఉపయోగించవచ్చు. కొత్త "డ్రాన్ అపార్ట్" పద్ధతి యొక్క ముఖ్య లక్షణం ఏమిటంటే, ఇది విభిన్న GPU మోడల్‌లను వేరు చేయడానికి మాత్రమే పరిమితం కాదు, అయితే భారీ సమాంతరంగా రూపొందించబడిన చిప్‌ల తయారీ ప్రక్రియ యొక్క వైవిధ్యత కారణంగా ఒకే మోడల్ యొక్క ఒకే GPUల మధ్య తేడాలను గుర్తించడానికి ప్రయత్నిస్తుంది. కంప్యూటింగ్. ఉత్పత్తి ప్రక్రియలో ఉత్పన్నమయ్యే వైవిధ్యాలు ఒకే పరికర నమూనాల కోసం పునరావృతం కాని కాస్ట్‌లను ఏర్పరచడం సాధ్యమవుతుందని గుర్తించబడింది.

ఎగ్జిక్యూషన్ యూనిట్ల సంఖ్యను లెక్కించడం ద్వారా మరియు GPUలో వాటి పనితీరును విశ్లేషించడం ద్వారా ఈ తేడాలను గుర్తించవచ్చని తేలింది. విభిన్న GPU నమూనాలను గుర్తించడానికి త్రికోణమితి విధులు, తార్కిక కార్యకలాపాలు మరియు ఫ్లోటింగ్ పాయింట్ లెక్కల సమితి ఆధారంగా తనిఖీలు ఆదిమాంశాలుగా ఉపయోగించబడ్డాయి. ఒకే GPUలలో తేడాలను గుర్తించడానికి, వెర్టెక్స్ షేడర్‌లను అమలు చేస్తున్నప్పుడు ఏకకాలంలో అమలు చేసే థ్రెడ్‌ల సంఖ్య అంచనా వేయబడింది. ఉష్ణోగ్రత పరిస్థితులలో తేడాలు మరియు చిప్‌ల యొక్క వివిధ సందర్భాల్లో విద్యుత్ వినియోగం (గతంలో, CPUల కోసం ఇదే విధమైన ప్రభావం ప్రదర్శించబడింది - ఒకే కోడ్‌ని అమలు చేస్తున్నప్పుడు ఒకే విధమైన ప్రాసెసర్‌లు వేర్వేరు విద్యుత్ వినియోగాన్ని చూపించాయి) గుర్తించిన ప్రభావం ఏర్పడిందని భావించబడుతుంది.

WebGL ద్వారా కార్యకలాపాలు అసమకాలికంగా నిర్వహించబడుతున్నందున, వాటి అమలు సమయాన్ని కొలవడానికి JavaScript API performance.now() నేరుగా ఉపయోగించబడదు, కాబట్టి సమయాన్ని కొలవడానికి మూడు ఉపాయాలు ప్రతిపాదించబడ్డాయి:

• తెరపై — దృశ్యాన్ని HTML కాన్వాస్‌లో రెండరింగ్ చేయడం, కాల్‌బ్యాక్ ఫంక్షన్ యొక్క ప్రతిస్పందన సమయాన్ని కొలవడం, Window.requestAnimationFrame API ద్వారా సెట్ చేయబడుతుంది మరియు రెండరింగ్ పూర్తయిన తర్వాత కాల్ చేయబడుతుంది.
• ఆఫ్‌స్క్రీన్ - వర్కర్‌ని ఉపయోగించడం మరియు దృశ్యాన్ని ఆఫ్‌స్క్రీన్‌కాన్వాస్ ఆబ్జెక్ట్‌గా రెండరింగ్ చేయడం, convertToBlob కమాండ్ అమలు సమయాన్ని కొలవడం.
• GPU - ఆఫ్‌స్క్రీన్‌కాన్వాస్ ఆబ్జెక్ట్‌కి గీయండి, కానీ GPU వైపు కమాండ్‌ల సెట్ వ్యవధిని పరిగణనలోకి తీసుకునే సమయాన్ని కొలవడానికి WebGL అందించిన టైమర్‌ని ఉపయోగించండి.

ID సృష్టి ప్రక్రియలో, ప్రతి పరికరంలో 50 పరీక్షలు నిర్వహించబడతాయి, ఒక్కొక్కటి 176 విభిన్న లక్షణాలతో కూడిన 16 కొలతలను కలిగి ఉంటాయి. 2500 విభిన్న GPUలతో 1605 పరికరాలపై సమాచారాన్ని సేకరించిన ఒక ప్రయోగం, డ్రాన్ అపార్ట్ సపోర్ట్‌ను జోడించేటప్పుడు కలిపి గుర్తింపు పద్ధతుల సామర్థ్యాన్ని 67% పెంచింది. ప్రత్యేకించి, సంయుక్త FP-STALKER పద్ధతి సగటున 17.5 రోజులలోపు గుర్తింపును అందించింది మరియు డ్రాన్ అపార్ట్‌తో కలిపినప్పుడు, గుర్తింపు వ్యవధి 28 రోజులకు పెరిగింది.

• ఆన్‌స్క్రీన్ టెస్ట్‌లో Intel i10-5 చిప్స్ (GEN 3470 Ivy Bridge) మరియు Intel HD గ్రాఫిక్స్ 3 GPU ఉన్న 2500 సిస్టమ్‌ల విభజన ఖచ్చితత్వం 93%, మరియు ఆఫ్‌స్క్రీన్ టెస్ట్‌లో ఇది 36.3%.
• NVIDIA GTX10 వీడియో కార్డ్‌తో 5 Intel i10500-10 సిస్టమ్స్ (GEN 1650 కామెట్ లేక్) కోసం, ఖచ్చితత్వం 70% మరియు 95.8%.
• Intel UHD గ్రాఫిక్స్ 15 GPUతో 5 Intel i8500-8 సిస్టమ్స్ (GEN 630 కాఫీ లేక్) కోసం - 42% మరియు 55%.
• Intel HD గ్రాఫిక్స్ 23 GPUతో 5 Intel i4590-4 (GEN 4600 హాస్వెల్) సిస్టమ్‌లకు - 32.7% మరియు 63.7%.
• Mali-G20 MP20 GPUతో ఉన్న ఆరు Samsung Galaxy S77/S11 అల్ట్రా స్మార్ట్‌ఫోన్‌ల కోసం, ఆన్-స్క్రీన్ టెస్ట్‌లో గుర్తింపు ఖచ్చితత్వం 92.7% మరియు Mali-G9 MP9తో Samsung Galaxy S72/S18+ స్మార్ట్‌ఫోన్‌ల కోసం ఇది 54.3%.

GPU యొక్క ఉష్ణోగ్రత ద్వారా ఖచ్చితత్వం ప్రభావితమైందని మరియు కొన్ని పరికరాల కోసం, సిస్టమ్‌ను రీబూట్ చేయడం ఐడెంటిఫైయర్ యొక్క వక్రీకరణకు దారితీసిందని గుర్తించబడింది. ఇతర పరోక్ష గుర్తింపు పద్ధతులతో కలిపి పద్ధతిని ఉపయోగిస్తున్నప్పుడు, ఖచ్చితత్వం గణనీయంగా పెరుగుతుంది. కొత్త WebGPU APIని స్థిరీకరించిన తర్వాత కంప్యూట్ షేడర్‌లను ఉపయోగించడం ద్వారా ఖచ్చితత్వాన్ని పెంచాలని కూడా వారు ప్లాన్ చేస్తున్నారు.

ఇంటెల్, ARM, గూగుల్, క్రోనోస్, మొజిల్లా మరియు బ్రేవ్‌లకు 2020లో సమస్య గురించి తెలియజేయబడింది, అయితే పద్ధతి యొక్క వివరాలు ఇప్పుడే వెల్లడి చేయబడ్డాయి. పరిశోధకులు జావాస్క్రిప్ట్ మరియు GLSLలో వ్రాసిన పని ఉదాహరణలను కూడా ప్రచురించారు, అవి స్క్రీన్‌పై సమాచారాన్ని ప్రదర్శించకుండా మరియు ప్రదర్శించకుండా పని చేయగలవు. అలాగే, GPU Intel GEN 3/4/8/10 ఆధారంగా సిస్టమ్‌ల కోసం, మెషిన్ లెర్నింగ్ సిస్టమ్‌లలో సేకరించిన సమాచారాన్ని వర్గీకరించడానికి డేటా సెట్‌లు ప్రచురించబడ్డాయి.

మూలం: opennet.ru