Преди няколко дни новината гръмна, че изследователите от Университета Бен-Гурион (Израел), Университета в Лил (Франция) и Университета в Аделаида (Австралия) са разработили нова техника за идентифициране на устройства потребители чрез откриване на параметри на графичния процесор в уеб браузър.
Методът се извиква „Drawn Apart“ и се основава на използването на WebGL за да получите профил за производителност на графичния процесор, който може значително да подобри точността на пасивните методи за проследяване, които работят без използване на бисквитки и без съхраняване на идентификатор в системата на потребителя.
Методите, които вземете предвид характеристиките на изобразяване, графичния процесор, графичния стек и драйверите при идентифицирането им те са били използвани преди това, но са били ограничени до възможността за разделяне на устройства само на ниво различни модели видеокарти и графични процесори, т.е. може да се използва само като допълнителен фактор за увеличаване на вероятността за идентификация.
Ключовата характеристика на новия метод "Drawn Apart". е, че не се ограничава до разделяне на различни модели графични процесори, но опитайте се да идентифицирате разликите между идентични графични процесори от същия модел, поради нееднородността на производствения процес на проектираните чипове.
Споменава се също, че се наблюдават вариации, възникващи по време на производствения процес, за да се направи възможно формирането на неповтарящи се форми за едни и същи модели устройства.
Оказа се, че тези разлики могат да бъдат идентифицирани чрез преброяване на броя на изпълнителните единици и анализиране на тяхната производителност на GPU. Като примитиви за идентифициране на различни модели на графични процесори бяха използвани проверки, базирани на набор от тригонометрични функции, логически операции и изчисления с плаваща запетая. За да се идентифицират разликите в един и същ графичен процесор, беше оценен броят на нишките, работещи едновременно при стартиране на шейдъри на върхове.
Предполага се, че разкритият ефект е причинен от разликите в температурните режими и консумацията на енергия на различните екземпляри на чип (подобен ефект беше демонстриран по-рано за CPU: едни и същи процесори демонстрираха различна консумация на енергия при работа на същия процесор). код).
Тъй като операциите чрез WebGL са асинхронни, не можете директно да използвате API на JavaScript performance.now() за измерване на времето им за изпълнение, така че бяха предложени три трика за измерване на времето:
- На екрана: изобразяване на сцената върху HTML платното с измерване на времето за реакция на функцията за обратно извикване, изложена чрез Window.requestAnimationFrame API и извикана след приключване на изобразяването.
- извън екрана: Използвайте работник и изобразете сцената на обект OffscreenCanvas, като измерите времето за изпълнение на командата convertToBlob.
- GPU: изобразяване на обект OffscreenCanvas, но с таймер, предоставен от WebGL за измерване на времето, като се вземе предвид продължителността на изпълнение на набор от команди от страна на GPU.
В процеса на създаване на идентификатор На всяко устройство се извършват 50 проверки, всяко от които обхваща 176 измервания на 16 различни характеристики. Експериментът, по време на който данни, събрани на 2500 устройства с 1605 различни графични процесора, показаха 67% увеличение на ефективността на комбинирани методи за идентификация чрез добавяне на поддръжка на Draw Apart към тях.
По-специално, комбинираният метод FP-STALKER, средно осигурява идентификация в рамките на 17,5 дни, а в комбинация с Drawn Apart продължителността на идентификацията се увеличава до 28 дни.
Наблюдава се, че точността е повлияна от температурата на графичния процесор а за някои устройства рестартирането на системата е причинило изкривяване на идентификатора. Когато методът се използва в комбинация с други методи непряка идентификация, точността може да се увеличи значително. Предвижда се също така да се повиши точността чрез използване на изчислителни шейдъри след стабилизирането на новия WebGPU API.
Intel, ARM, Google, Khronos, Mozilla и Brave бяха уведомени за проблема още през 2020 г., но подробности за метода бяха разкрити едва сега.
Освен всичко друго, изследователите публикуваха работни примери, написани на JavaScript и GLSL, които могат да работят със и без показване на информация на екрана. Също така за Intel GEN 3/4/8/10 GPU базирани системи са публикувани набори от данни за класифициране на информацията, извлечена в системите за машинно обучение.
Накрая ако се интересувате да научите повече за това, можете да проверите подробностите в следваща връзка.