بین گوریون یونیورسٹی (اسرائیل)، یونیورسٹی آف للی (فرانس) اور یونیورسٹی آف ایڈیلیڈ (آسٹریلیا) کے محققین نے ویب براؤزر میں GPU آپریٹنگ پیرامیٹرز کا پتہ لگا کر صارف کے آلات کی شناخت کے لیے ایک نئی تکنیک تیار کی ہے۔ اس طریقہ کو "Drawn Apart" کہا جاتا ہے اور یہ GPU پرفارمنس پروفائل حاصل کرنے کے لیے WebGL کے استعمال پر مبنی ہے، جو کہ کوکیز کے استعمال کے بغیر اور صارف کے سسٹم پر شناخت کنندہ کو ذخیرہ کیے بغیر کام کرنے والے غیر فعال ٹریکنگ طریقوں کی درستگی کو نمایاں طور پر بہتر بنا سکتا ہے۔
شناخت کرتے وقت رینڈرنگ، GPU، گرافکس اسٹیک اور ڈرائیورز کی خصوصیات کو مدنظر رکھنے والے طریقے پہلے استعمال کیے جاتے تھے، لیکن وہ صرف ویڈیو کارڈز اور GPUs کے مختلف ماڈلز کی سطح پر آلات کو الگ کرنے کی صلاحیت تک محدود تھے، یعنی شناخت کے امکانات کو بڑھانے کے لیے صرف ایک اضافی عنصر کے طور پر استعمال کیا جا سکتا ہے۔ نئے "ڈراون اپارٹ" طریقہ کار کی اہم خصوصیت یہ ہے کہ یہ خود کو مختلف GPU ماڈلز کو الگ کرنے تک محدود نہیں رکھتا، بلکہ ایک ہی ماڈل کے ایک جیسے GPUs کے درمیان فرق کو پہچاننے کی کوشش کرتا ہے جس کی وجہ بڑے پیمانے پر متوازی چپس کی تیاری کے عمل کی متفاوت ہے۔ کمپیوٹنگ یہ نوٹ کیا جاتا ہے کہ پیداواری عمل کے دوران پیدا ہونے والے تغیرات ایک ہی ڈیوائس ماڈل کے لیے غیر دہرائے جانے والے نقوش کی تشکیل کو ممکن بناتے ہیں۔
یہ پتہ چلا کہ ان اختلافات کو پھانسی کی اکائیوں کی تعداد گن کر اور GPU میں ان کی کارکردگی کا تجزیہ کرکے شناخت کیا جاسکتا ہے۔ مختلف GPU ماڈلز کی شناخت کے لیے مثلثی افعال، منطقی آپریشنز اور فلوٹنگ پوائنٹ کیلکولیشنز کے سیٹ پر مبنی چیک کو بطور پرائمیٹو استعمال کیا گیا۔ ایک ہی GPUs میں فرق کی نشاندہی کرنے کے لیے، ورٹیکس شیڈرز کو عمل میں لاتے وقت بیک وقت چلنے والے تھریڈز کی تعداد کا تخمینہ لگایا گیا تھا۔ یہ فرض کیا جاتا ہے کہ پتہ چلا اثر درجہ حرارت کے حالات میں فرق اور چپس کی مختلف مثالوں کی بجلی کی کھپت کی وجہ سے ہوتا ہے (پہلے، اسی طرح کا اثر CPUs کے لیے ظاہر کیا گیا تھا - ایک جیسے پروسیسرز نے ایک ہی کوڈ پر عمل کرتے وقت مختلف بجلی کی کھپت ظاہر کی)۔
چونکہ WebGL کے ذریعے کارروائیاں متضاد طور پر انجام دی جاتی ہیں، اس لیے JavaScript API performance.now() کو ان کے عمل کے وقت کی پیمائش کے لیے براہ راست استعمال نہیں کیا جا سکتا، اس لیے وقت کی پیمائش کے لیے تین ترکیبیں تجویز کی گئی ہیں:
- آن اسکرین — منظر کو HTML کینوس میں پیش کرنا، کال بیک فنکشن کے رسپانس ٹائم کی پیمائش کرنا، Window.requestAnimationFrame API کے ذریعے سیٹ کیا جاتا ہے اور رینڈرنگ مکمل ہونے کے بعد کال کیا جاتا ہے۔
- آف اسکرین - ایک کارکن کا استعمال کرتے ہوئے اور منظر کو آف اسکرین کینوس آبجیکٹ میں پیش کرنا، کنورٹ ٹو بلوب کمانڈ کے عمل کے وقت کی پیمائش کرنا۔
- GPU - ایک آف اسکرین کینوس آبجیکٹ کی طرف کھینچیں، لیکن وقت کی پیمائش کے لیے WebGL فراہم کردہ ٹائمر استعمال کریں جو GPU سائیڈ پر کمانڈز کے سیٹ کی مدت کو مدنظر رکھتا ہو۔
آئی ڈی بنانے کے عمل کے دوران، ہر ڈیوائس پر 50 ٹیسٹ کیے جاتے ہیں، ہر ایک میں 176 مختلف خصوصیات کی 16 پیمائشیں ہوتی ہیں۔ ایک تجربہ جس نے 2500 مختلف GPUs کے ساتھ 1605 ڈیوائسز پر معلومات اکٹھی کیں اس نے Drawn Apart سپورٹ کو شامل کرتے وقت شناخت کے مشترکہ طریقوں کی کارکردگی میں 67% اضافہ دکھایا۔ خاص طور پر، مشترکہ FP-STALKER طریقہ اوسطاً 17.5 دنوں کے اندر شناخت فراہم کرتا ہے، اور جب Drawn Apart کے ساتھ ملایا جاتا ہے، تو شناخت کا دورانیہ بڑھ کر 28 دن ہو جاتا ہے۔
- آن اسکرین ٹیسٹ میں Intel i10-5 چپس (GEN 3470 Ivy Bridge) اور Intel HD Graphics 3 GPU والے 2500 سسٹمز کی علیحدگی کی درستگی 93% تھی، اور آف اسکرین ٹیسٹ میں یہ 36.3% تھی۔
- NVIDIA GTX10 ویڈیو کارڈ کے ساتھ 5 Intel i10500-10 سسٹمز (GEN 1650 Comet Lake) کے لیے، درستگی 70% اور 95.8% تھی۔
- Intel UHD گرافکس 15 GPU کے ساتھ 5 Intel i8500-8 سسٹمز (GEN 630 Coffee Lake) کے لیے - 42% اور 55%۔
- Intel HD گرافکس 23 GPU کے ساتھ 5 Intel i4590-4 (GEN 4600 Haswell) سسٹمز کے لیے - 32.7% اور 63.7%۔
- Mali-G20 MP20 GPU والے چھ Samsung Galaxy S77/S11 Ultra اسمارٹ فونز کے لیے، آن اسکرین ٹیسٹ میں شناخت کی درستگی 92.7% تھی، اور Mali-G9 MP9 والے Samsung Galaxy S72/S18+ اسمارٹ فونز کے لیے یہ 54.3% تھی۔
یہ نوٹ کیا جاتا ہے کہ درستگی GPU کے درجہ حرارت سے متاثر ہوئی تھی، اور کچھ آلات کے لیے، سسٹم کو ریبوٹ کرنے سے شناخت کنندہ کو مسخ کیا گیا۔ دوسرے بالواسطہ شناخت کے طریقوں کے ساتھ مل کر طریقہ استعمال کرتے وقت، درستگی میں نمایاں اضافہ کیا جا سکتا ہے۔ وہ نئے WebGPU API کے استحکام کے بعد کمپیوٹ شیڈرز کے استعمال کے ذریعے درستگی بڑھانے کا بھی منصوبہ رکھتے ہیں۔
Intel، ARM، Google، Khronos، Mozilla اور Brave کو 2020 میں اس مسئلے کے بارے میں مطلع کیا گیا تھا، لیکن طریقہ کار کی تفصیلات ابھی سامنے آ رہی ہیں۔ محققین نے جاوا اسکرپٹ اور جی ایل ایس ایل میں لکھی ہوئی کام کی مثالیں بھی شائع کیں جو اسکرین پر معلومات کو ظاہر کیے بغیر اور اس کے ساتھ کام کر سکتی ہیں۔ نیز، GPU Intel GEN 3/4/8/10 پر مبنی سسٹمز کے لیے، مشین لرننگ سسٹم میں نکالی گئی معلومات کی درجہ بندی کے لیے ڈیٹا سیٹ شائع کیے گئے ہیں۔
ماخذ: opennet.ru