થોડા દિવસો પહેલા સમાચાર તોડ્યા કે સંશોધકો બેન-ગુરિયન યુનિવર્સિટી (ઇઝરાયેલ), યુનિવર્સિટી ઓફ લિલી (ફ્રાન્સ) અને યુનિવર્સિટી ઓફ એડિલેડ (ઓસ્ટ્રેલિયા)માંથી ઉપકરણોને ઓળખવા માટે નવી તકનીક વિકસાવી છે વેબ બ્રાઉઝરમાં GPU પરિમાણો શોધીને વપરાશકર્તાઓની.
પદ્ધતિ કહેવામાં આવે છે "Drawn Apart" અને WebGL ના ઉપયોગ પર આધારિત છે GPU પ્રદર્શન પ્રોફાઇલ મેળવવા માટે, જે નિષ્ક્રિય ટ્રેકિંગ પદ્ધતિઓની ચોકસાઈને નોંધપાત્ર રીતે સુધારી શકે છે જે કૂકીઝનો ઉપયોગ કર્યા વિના અને વપરાશકર્તાની સિસ્ટમ પર ઓળખકર્તાને સંગ્રહિત કર્યા વિના કાર્ય કરે છે.
પદ્ધતિઓ કે રેન્ડરિંગ લાક્ષણિકતાઓ, GPU, ગ્રાફિક્સ સ્ટેક અને ડ્રાઇવરોને ધ્યાનમાં લો તેમને ઓળખતી વખતે તેઓ અગાઉ ઉપયોગમાં લેવાતા હતા, પરંતુ તેઓ માત્ર વિડિયો કાર્ડ્સ અને જીપીયુના વિવિધ મોડલના સ્તરે જ ઉપકરણોને અલગ કરવાની શક્યતા સુધી મર્યાદિત હતા, એટલે કે ઓળખની સંભાવના વધારવા માટે તેનો ઉપયોગ વધારાના પરિબળ તરીકે જ થઈ શકે છે.
મુખ્ય લક્ષણ નવી "ડ્રોન અપાર્ટ" પદ્ધતિની તે GPU ના વિવિધ મોડલ્સને અલગ કરવા પૂરતું મર્યાદિત નથી, પરંતુ સમાન GPU વચ્ચેના તફાવતોને ઓળખવાનો પ્રયાસ કરો સમાન મોડેલના, ડિઝાઇન કરેલી ચિપ્સની ઉત્પાદન પ્રક્રિયાની વિજાતીયતાને કારણે.
તે પણ ઉલ્લેખિત છે કે ઉત્પાદન પ્રક્રિયા દરમિયાન થતી વિવિધતાઓનું અવલોકન કરવામાં આવે છે કે તે સમાન ઉપકરણ મોડેલો માટે બિન-પુનરાવર્તિત મોલ્ડ બનાવવાનું શક્ય બનાવે છે.
તે બહાર આવ્યું છે કે આ તફાવતોને એક્ઝેક્યુશન એકમોની સંખ્યાની ગણતરી કરીને અને GPU પર તેમના પ્રદર્શનનું વિશ્લેષણ કરીને ઓળખી શકાય છે. જુદાં જુદાં GPU મોડલ્સને ઓળખવા માટે આદિમ તરીકે, ત્રિકોણમિતિ કાર્યોના સમૂહ પર આધારિત તપાસ, તાર્કિક કામગીરી અને ફ્લોટિંગ પોઈન્ટ ગણતરીઓનો ઉપયોગ કરવામાં આવ્યો હતો. સમાન GPU પરના તફાવતોને ઓળખવા માટે, શિરોબિંદુ શેડર્સ ચલાવતી વખતે એક સાથે ચાલતા થ્રેડોની સંખ્યા અંદાજવામાં આવી હતી.
જાહેર કરાયેલ અસર તાપમાન શાસનમાં તફાવત અને વિવિધ ચિપ ઉદાહરણોના પાવર વપરાશને કારણે હોવાનું માનવામાં આવે છે (એક સમાન અસર અગાઉ CPU માટે દર્શાવવામાં આવી હતી: સમાન પ્રોસેસર જ્યારે સમાન પ્રોસેસર ચલાવતા હોય ત્યારે અલગ પાવર વપરાશ દર્શાવે છે). કોડ).
WebGL દ્વારા ઑપરેશન્સ અસિંક્રોનસ હોવાથી, તમે પરફોર્મન્સ.now() JavaScript API નો ઉપયોગ તેમના એક્ઝેક્યુશન સમયને માપવા માટે સીધો કરી શકતા નથી, તેથી સમય માપવા માટે ત્રણ યુક્તિઓ સૂચવવામાં આવી હતી:
- પડદા પર: HTML કેનવાસ પર Window.requestAnimationFrame API દ્વારા એક્સપોઝ થયેલા કૉલબેક ફંક્શનના પ્રતિભાવ સમય માપન સાથે દ્રશ્યનું રેન્ડરિંગ અને રેન્ડરિંગ પૂર્ણ થયા પછી કૉલ કરવામાં આવે છે.
- સ્ક્રીન બંધ: વર્કરનો ઉપયોગ કરો અને convertToBlob આદેશના અમલના સમયને માપીને ઑફસ્ક્રીન કેનવાસ ઑબ્જેક્ટ પર દ્રશ્ય રેન્ડર કરો.
- જીપીયુ: ઑફસ્ક્રીન કેનવાસ ઑબ્જેક્ટ પર રેન્ડરિંગ, પરંતુ સમય માપવા માટે WebGL દ્વારા પ્રદાન કરવામાં આવેલ ટાઈમર સાથે, GPU બાજુ પર આદેશોના સમૂહના અમલની અવધિને ધ્યાનમાં લેતા.
ઓળખકર્તા બનાવવાની પ્રક્રિયામાં દરેક ઉપકરણ પર 50 તપાસ કરવામાં આવે છે, જેમાંથી દરેક 176 વિવિધ લાક્ષણિકતાઓના 16 માપને આવરી લે છે. આ પ્રયોગ, જે દરમિયાન 2500 વિવિધ GPU સાથે 1605 ઉપકરણો પર એકત્રિત કરવામાં આવેલ ડેટા, કાર્યક્ષમતામાં 67% વધારો દર્શાવે છે તેમાં ડ્રો અપાર્ટ સપોર્ટ ઉમેરીને સંયુક્ત ઓળખ પદ્ધતિઓ.
ખાસ કરીને, સંયુક્ત FP-STALKER પદ્ધતિ, સરેરાશ, 17,5 દિવસમાં ઓળખ પ્રદાન કરે છે, અને ડ્રોન અપાર્ટ સાથે સંયોજનમાં, ઓળખની અવધિ વધીને 28 દિવસ થઈ ગઈ છે.
તે જોવામાં આવે છે કે ચોકસાઈ GPU ના તાપમાનથી પ્રભાવિત થઈ હતી અને, કેટલાક ઉપકરણો માટે, સિસ્ટમ રીબૂટ કરવાથી ઓળખકર્તા વિકૃતિ થાય છે. જ્યારે પદ્ધતિનો ઉપયોગ અન્ય પદ્ધતિઓ સાથે સંયોજનમાં થાય છે પરોક્ષ ઓળખ, ચોકસાઈ નોંધપાત્ર રીતે વધારી શકાય છે. નવા WebGPU API ના સ્થિરીકરણ પછી કમ્પ્યુટ શેડરના ઉપયોગ દ્વારા સચોટતા વધારવાનું પણ આયોજન કરવામાં આવ્યું છે.
Intel, ARM, Google, Khronos, Mozilla, અને Brave ને 2020 ની શરૂઆતમાં આ મુદ્દાની જાણ કરવામાં આવી હતી, પરંતુ પદ્ધતિની વિગતો હમણાં જ જાહેર કરવામાં આવી છે.
અન્ય વસ્તુઓની સાથે, સંશોધકોએ JavaScript અને GLSL માં લખેલા કાર્યકારી ઉદાહરણો પ્રકાશિત કર્યા છે જે સ્ક્રીન પર માહિતી દર્શાવ્યા વિના અને તેની સાથે કામ કરી શકે છે. ઇન્ટેલ GEN 3/4/8/10 GPU આધારિત સિસ્ટમ્સ માટે પણ, મશીન લર્નિંગ સિસ્ટમ્સમાં કાઢવામાં આવેલી માહિતીને વર્ગીકૃત કરવા માટે ડેટા સેટ પ્રકાશિત કરવામાં આવ્યા છે.
છેલ્લે જો તમને તેના વિશે વધુ જાણવામાં રસ છે, તમે માં વિગતો ચકાસી શકો છો નીચેની કડી