Ben-Gurion Üniversitesi (İsrail), Lille Üniversitesi (Fransa) ve Adelaide Üniversitesi'nden (Avustralya) araştırmacılar, bir web tarayıcısındaki GPU işletim parametrelerini tespit ederek kullanıcı cihazlarını tanımlamak için yeni bir teknik geliştirdiler. Yönteme "Drawn Apart" denir ve bir GPU performans profili elde etmek için WebGL'nin kullanılmasına dayanır; bu, Çerezler kullanılmadan ve kullanıcının sistemine bir tanımlayıcı saklamadan çalışan pasif izleme yöntemlerinin doğruluğunu önemli ölçüde artırabilir.
Tanımlama sırasında oluşturma, GPU, grafik yığını ve sürücülerin özelliklerini dikkate alan yöntemler daha önce kullanılmıştı, ancak bunlar cihazları yalnızca farklı video kartı ve GPU modelleri düzeyinde ayırma yeteneğiyle sınırlıydı; yalnızca kimlik tespit olasılığını artıracak ek bir faktör olarak kullanılabilir. Yeni "Ayrılmış Çizim" yönteminin temel özelliği, kendisini farklı GPU modellerini ayırmakla sınırlamaması, aynı modelin aynı GPU'ları arasındaki farkları, büyük ölçüde paralel olarak tasarlanan yongaların üretim sürecinin heterojenliği nedeniyle belirlemeye çalışmasıdır. bilgi işlem. Üretim sürecinde ortaya çıkan varyasyonların, aynı cihaz modelleri için tekrarlanmayan dökümler oluşturulmasını mümkün kıldığı belirtilmektedir.
Bu farklılıkların, yürütme birimlerinin sayısı sayılarak ve GPU'daki performansları analiz edilerek tespit edilebileceği ortaya çıktı. Farklı GPU modellerini tanımlamak için bir dizi trigonometrik fonksiyona, mantıksal işlemlere ve kayan nokta hesaplamalarına dayalı kontroller ilkel olarak kullanıldı. Aynı GPU'lardaki farklılıkları belirlemek için köşe gölgelendiricileri çalıştırırken eşzamanlı olarak yürütülen iş parçacıklarının sayısı tahmin edildi. Tespit edilen etkinin sıcaklık koşullarındaki farklılıklardan ve farklı çip örneklerinin güç tüketiminden kaynaklandığı varsayılmaktadır (daha önce benzer bir etki CPU'lar için gösterilmişti - aynı işlemciler aynı kodu çalıştırırken farklı güç tüketimi gösteriyordu).
WebGL aracılığıyla yapılan işlemler eşzamansız olarak gerçekleştirildiğinden, JavaScript API Performance.now() doğrudan yürütme sürelerini ölçmek için kullanılamaz, bu nedenle süreyi ölçmek için üç yöntem önerilmiştir:
- ekranda — sahnenin bir HTML tuvalinde işlenmesi, geri çağırma işlevinin yanıt süresinin ölçülmesi, Window.requestAnimationFrame API aracılığıyla ayarlanması ve oluşturma tamamlandıktan sonra çağrılması.
- ekran dışı - bir çalışan kullanarak sahneyi bir OffscreenCanvas nesnesine dönüştürerek, ConvertToBlob komutunun yürütme süresini ölçer.
- GPU - Bir OffscreenCanvas nesnesine çizim yapın, ancak GPU tarafındaki bir dizi komutun süresini hesaba katan süreyi ölçmek için WebGL tarafından sağlanan bir zamanlayıcı kullanın.
Kimlik oluşturma sürecinde her cihazda her biri 50 farklı karakteristikte 176 ölçümü kapsayan 16 test gerçekleştirilir. 2500 farklı GPU'ya sahip 1605 cihaz hakkında bilgi toplayan bir deney, Drawn Apart desteği eklendiğinde birleşik tanımlama yöntemlerinin verimliliğinde %67'lik bir artış gösterdi. Özellikle FP-STALKER kombine yöntemi ortalama 17.5 gün içerisinde kimlik tespiti sağlarken, Drawn Apart ile birleştirildiğinde kimlik tespit süresi 28 güne çıktı.
- Intel i10-5 yongaları (GEN 3470 Ivy Bridge) ve Intel HD Graphics 3 GPU'ya sahip 2500 sistemin ekran testinde ayırma doğruluğu %93, ekran dışı testte ise %36.3 oldu.
- NVIDIA GTX10 ekran kartına sahip 5 Intel i10500-10 sistemi (GEN 1650 Comet Lake) için doğruluk %70 ve %95.8 idi.
- Intel UHD Graphics 15 GPU'ya sahip 5 Intel i8500-8 sistemi (GEN 630 Coffee Lake) için - %42 ve %55.
- Intel HD Graphics 23 GPU'ya sahip 5 Intel i4590-4 (GEN 4600 Haswell) sistemi için – %32.7 ve %63.7.
- Mali-G20 MP20 GPU'ya sahip altı Samsung Galaxy S77/S11 Ultra akıllı telefon için ekran testindeki tanımlama doğruluğu %92.7, Mali-G9 MP9'e sahip Samsung Galaxy S72/S18+ akıllı telefonlar için ise %54.3 oldu.
Doğruluğun GPU'nun sıcaklığından etkilendiği ve bazı cihazlarda sistemin yeniden başlatılmasının tanımlayıcının bozulmasına yol açtığı belirtiliyor. Yöntem diğer dolaylı tanımlama yöntemleriyle birlikte kullanıldığında doğruluk önemli ölçüde artırılabilir. Ayrıca yeni WebGPU API'sinin stabilizasyonundan sonra hesaplama gölgelendiricilerinin kullanımı yoluyla doğruluğu artırmayı planlıyorlar.
Intel, ARM, Google, Khronos, Mozilla ve Brave'e sorun 2020'de bildirildi ancak yöntemin ayrıntıları ancak şimdi açıklanıyor. Araştırmacılar ayrıca ekranda bilgi görüntüleyerek ve göstermeden çalışabilen, JavaScript ve GLSL ile yazılmış çalışma örnekleri de yayınladılar. Ayrıca GPU Intel GEN 3/4/8/10 tabanlı sistemler için, makine öğrenimi sistemlerinde çıkarılan bilgilerin sınıflandırılmasına yönelik veri setleri yayınlanmıştır.
Kaynak: opennet.ru