Paar päeva tagasi tuli uudis, et teadlased Ben-Gurioni ülikoolist (Iisrael), Lille'i ülikoolist (Prantsusmaa) ja Adelaide'i ülikoolist (Austraalia) on välja töötanud uue tehnika seadmete tuvastamiseks kasutajate arvu, tuvastades veebibrauseris GPU parameetrid.
Meetodit nimetatakse "Drawn Apart" ja põhineb WebGL-i kasutamisel saada GPU jõudlusprofiil, mis võib oluliselt parandada passiivsete jälgimismeetodite täpsust, mis töötavad ilma küpsiseid kasutamata ja ilma identifikaatorit kasutaja süsteemi salvestamata.
Meetodid, mis võtma arvesse renderdusomadusi, GPU-d, graafikapinu ja draivereid identifitseerimisel kasutati neid varem, kuid piirduti seadmete eraldamise võimalusega vaid erinevate videokaartide ja GPU mudelite tasemel, st seda sai kasutada vaid täiendava tegurina tuvastamise tõenäosuse suurendamiseks.
Peamine omadus uue "Drawn Apart" meetodiga seisneb selles, et see ei piirdu GPU erinevate mudelite eraldamisega, aga proovige tuvastada erinevusi identsete GPU-de vahel sama mudeli puhul, mis on tingitud projekteeritud kiipide tootmisprotsessi heterogeensusest.
Samuti mainitakse, et tootmisprotsessi käigus toimuvaid variatsioone jälgitakse, et võimaldada samade seadmemudelite jaoks mittekorduvate vormide moodustamist.
Selgus, et neid erinevusi saab tuvastada, loendades täitmisüksuste arvu ja analüüsides nende jõudlust GPU-s. Erinevate GPU mudelite tuvastamise primitiivina kasutati trigonomeetriliste funktsioonide komplekti, loogiliste operatsioonide ja ujukomaarvutuste põhjal tehtud kontrolle. Sama GPU erinevuste tuvastamiseks hinnati tippude varjutajate käitamisel samaaegselt töötavate lõimede arvu.
Ilmunud efekti põhjuseks eeldatakse erinevate kiibi eksemplaride temperatuurirežiimide ja energiatarbimise erinevust (sarnast efekti demonstreeriti varem ka protsessori puhul: samad protsessorid näitasid sama protsessori töötamisel erinevat energiatarbimist). kood).
Kuna toimingud WebGL-i kaudu on asünkroonsed, ei saa te nende täitmisaja mõõtmiseks otseselt performance.now() JavaScript API-t kasutada, mistõttu pakuti aja mõõtmiseks välja kolm nippi:
- Ekraanil: stseeni renderdamine HTML-lõuendil koos tagasihelistamise funktsiooni reaktsiooniaja mõõtmisega, mis kuvatakse läbi Window.requestAnimationFrame API ja kutsutakse välja pärast renderdamise lõppemist.
- ekraanilt väljas: kasutage töötajat ja renderdage stseen OffscreenCanvas-objektiks, mõõtes käsu convertToBlob täitmisaega.
- GPU: renderdamine OffscreenCanvas objektile, kuid WebGL-i pakutava taimeriga aja mõõtmiseks, võttes arvesse GPU-poolse käskude komplekti täitmise kestust.
Identifikaatori loomise protsessis Igale seadmele tehakse 50 kontrolli, millest igaüks hõlmab 176 mõõtmist 16 erineva karakteristikuga. Eksperiment, mille käigus 2500 1605 erineva GPU-ga seadme kohta kogutud andmed näitasid efektiivsuse 67% tõusu kombineeritud identifitseerimismeetoditest, lisades neile Draw Apart toe.
Eelkõige võimaldas kombineeritud FP-STALKER meetod tuvastamist keskmiselt 17,5 päeva jooksul ja kombinatsioonis Drawn Apartiga suurenes tuvastamise kestus 28 päevani.
On täheldatud, et täpsust mõjutas GPU temperatuur ja mõne seadme puhul põhjustas süsteemi taaskäivitamine identifikaatori moonutamist. Kui meetodit kasutatakse koos teiste meetoditega kaudne tuvastamine, täpsust saab oluliselt suurendada. Samuti on plaanis pärast uue WebGPU API stabiliseerimist täpsust suurendada läbi arvutusvarjurite kasutamise.
Intel, ARM, Google, Khronos, Mozilla ja Brave said probleemist teada juba 2020. aastal, kuid meetodi üksikasjad avalikustati alles äsja.
Muuhulgas avaldasid teadlased JavaScriptis ja GLSL-is kirjutatud töönäiteid, mis võivad töötada nii ekraanil teabe kuvamisega kui ka ilma. Ka Intel GEN 3/4/8/10 GPU-põhiste süsteemide jaoks on avaldatud andmekogumid masinõppesüsteemides eraldatud teabe klassifitseerimiseks.
Lõpuks kui olete huvitatud sellest rohkem teada saama, saate üksikasju vaadata järgmine link.