Muutama päivä sitten uutiset kertoivat, että tutkijat Ben-Gurionin yliopistosta (Israel), Lillen yliopistosta (Ranska) ja Adelaiden yliopistosta (Australia) ovat kehittäneet uuden tekniikan laitteiden tunnistamiseen käyttäjistä havaitsemalla GPU-parametrit verkkoselaimessa.
Menetelmää kutsutaan "Drawn Apart" ja perustuu WebGL:n käyttöön saada GPU-suorituskykyprofiili, joka voi merkittävästi parantaa passiivisten seurantamenetelmien tarkkuutta, jotka toimivat ilman evästeitä ja ilman tunnisteen tallentamista käyttäjän järjestelmään.
Menetelmät, jotka ottaa huomioon renderöintiominaisuudet, GPU, grafiikkapino ja ajurit tunnistamisessa niitä käytettiin aiemmin, mutta ne rajoittuivat mahdollisuuteen erottaa laitteet vain eri mallien näytönohjain- ja GPU-tasolla, eli sitä voitiin käyttää vain lisätekijänä tunnistamisen todennäköisyyden lisäämiseksi.
Tärkein ominaisuus uudesta "Drawn Apart" -menetelmästä se ei rajoitu eri GPU-mallien erottamiseenmutta yritä tunnistaa erot identtisten GPU:iden välillä samaa mallia suunniteltujen sirujen tuotantoprosessin heterogeenisyyden vuoksi.
Mainitaan myös, että tuotantoprosessin aikana tapahtuvia vaihteluita havaitaan mahdollistamaan ei-toistuvien muottien muodostaminen samoihin laitemalleihin.
Kävi ilmi, että nämä erot voidaan tunnistaa laskemalla suoritusyksiköiden lukumäärä ja analysoimalla niiden suorituskykyä GPU:ssa. Primitiivinä eri GPU-mallien tunnistamiseen käytettiin trigonometristen funktioiden joukkoon perustuvia tarkistuksia, loogisia operaatioita ja liukulukuja. Erojen tunnistamiseksi samassa GPU:ssa arvioitiin vertex-varjostimia suoritettaessa samanaikaisesti käynnissä olevien säikeiden määrä.
Paljastuneen vaikutuksen oletetaan johtuvan eroista eri siru-instanssien lämpötilatiloissa ja virrankulutuksessa (samanlainen vaikutus osoitettiin aiemmin CPU:lle: samat prosessorit osoittivat erilaista virrankulutusta käytettäessä samaa prosessoria). koodi).
Koska toiminnot WebGL:n kautta ovat asynkronisia, et voi suoraan käyttää performance.now() JavaScript API:ta niiden suoritusajan mittaamiseen, joten ajan mittaamiseen ehdotettiin kolmea temppua:
- Näytöllä: kohtauksen renderöiminen HTML-kankaalla takaisinsoittotoiminnon vasteaikamittauksella, joka paljastetaan Window.requestAnimationFrame API:n kautta ja kutsutaan renderöinnin päätyttyä.
- pois näytöltä: Käytä työntekijää ja hahmonna kohtaus OffscreenCanvas-objektiksi mittaamalla convertToBlob-komennon suoritusaika.
- GPU: renderöiminen OffscreenCanvas-objektiin, mutta WebGL:n tarjoamalla ajastimella ajan mittaamiseksi, ottaen huomioon komentosarjan suoritusajan GPU-puolella.
Tunnisteen luontiprosessissa Jokaiselle laitteelle suoritetaan 50 tarkistusta, joista jokainen sisältää 176 mittausta 16 eri ominaisuudella. Kokeilu, jonka aikana tiedot, jotka kerättiin 2500 1605 laitteesta 67 XNUMX eri grafiikkasuorittimella, osoittivat XNUMX prosentin tehokkuuden kasvun yhdistetyistä tunnistusmenetelmistä lisäämällä niihin Draw Apart -tuen.
Erityisesti yhdistetty FP-STALKER-menetelmä tuotti tunnistuksen keskimäärin 17,5 päivässä, ja yhdessä Drawn Apartin kanssa tunnistamisen kesto piteni 28 päivään.
On havaittu, että tarkkuuteen vaikutti GPU:n lämpötila ja joissakin laitteissa järjestelmän uudelleenkäynnistys aiheutti tunnisteiden vääristymistä. Kun menetelmää käytetään yhdessä muiden menetelmien kanssa epäsuora tunnistaminen, tarkkuutta voidaan lisätä merkittävästi. Tarkkuutta on myös tarkoitus lisätä käyttämällä laskentavarjostimia uuden WebGPU API:n stabiloinnin jälkeen.
Intel, ARM, Google, Khronos, Mozilla ja Brave saivat ilmoituksen ongelmasta jo vuonna 2020, mutta menetelmän yksityiskohdat paljastettiin vasta nyt.
Tutkijat julkaisivat muun muassa JavaScriptillä ja GLSL:llä kirjoitettuja toimivia esimerkkejä, jotka voivat toimia tietojen näyttämisen kanssa tai ilman. Myös Intel GEN 3/4/8/10 GPU-pohjaisille järjestelmille on julkaistu tietojoukkoja koneoppimisjärjestelmissä poimittujen tietojen luokittelemiseksi.
Vihdoin jos olet kiinnostunut tietämään siitä lisää, voit tarkistaa yksityiskohdat seuraava linkki.