Beberapa hari yang lalu tersiar kabar bahwa para peneliti dari Universitas Ben-Gurion (Israel), Universitas Lille (Prancis) dan Universitas Adelaide (Australia) telah mengembangkan teknik baru untuk mengidentifikasi perangkat pengguna dengan mendeteksi parameter GPU di browser web.
Metode tersebut disebut "Drawn Apart" dan didasarkan pada penggunaan WebGL untuk mendapatkan profil kinerja GPU, yang secara signifikan dapat meningkatkan akurasi metode pelacakan pasif yang bekerja tanpa menggunakan cookie dan tanpa menyimpan pengenal pada sistem pengguna.
Metode yang mempertimbangkan karakteristik rendering akun, GPU, tumpukan grafis, dan driver ketika mengidentifikasi mereka, mereka sebelumnya digunakan, tetapi mereka terbatas pada kemungkinan memisahkan perangkat hanya pada tingkat model kartu video dan GPU yang berbeda, yaitu hanya dapat digunakan sebagai faktor tambahan untuk meningkatkan kemungkinan identifikasi.
Fitur utama dari metode "Ditarik Terpisah" yang baru adalah tidak terbatas pada memisahkan model GPU yang berbeda, tapi coba identifikasi perbedaan antara GPU yang identik dari model yang sama, karena heterogenitas proses produksi chip yang dirancang.
Disebutkan juga bahwa variasi yang terjadi selama proses produksi diamati untuk memungkinkan pembentukan cetakan yang tidak berulang untuk model perangkat yang sama.
Ternyata perbedaan ini dapat diidentifikasi dengan menghitung jumlah unit eksekusi dan menganalisis kinerjanya di GPU. Sebagai primitif untuk mengidentifikasi model GPU yang berbeda, pemeriksaan berdasarkan serangkaian fungsi trigonometri, operasi logis, dan perhitungan titik mengambang digunakan. Untuk mengidentifikasi perbedaan pada GPU yang sama, jumlah utas yang berjalan secara bersamaan saat menjalankan vertex shader diperkirakan.
Efek yang terungkap diasumsikan disebabkan oleh perbedaan dalam rezim suhu dan konsumsi daya dari instance chip yang berbeda (efek serupa sebelumnya ditunjukkan untuk CPU: prosesor yang sama menunjukkan konsumsi daya yang berbeda saat menjalankan prosesor yang sama).
Karena operasi melalui WebGL tidak sinkron, Anda tidak dapat langsung menggunakan performance.now() JavaScript API untuk mengukur waktu eksekusinya, jadi tiga trik diusulkan untuk mengukur waktu:
- Pada layar: rendering adegan di kanvas HTML dengan pengukuran waktu respons dari fungsi panggilan balik yang diekspos melalui Window.requestAnimationFrame API dan dipanggil setelah rendering selesai.
- di luar layar: Gunakan pekerja dan render adegan ke objek OffscreenCanvas dengan mengukur waktu eksekusi perintah convertToBlob.
- GPU: rendering ke objek OffscreenCanvas, tetapi dengan timer yang disediakan oleh WebGL untuk mengukur waktu, dengan mempertimbangkan durasi eksekusi serangkaian perintah di sisi GPU.
Dalam proses membuat pengidentifikasi 50 pemeriksaan dilakukan pada setiap perangkat, yang masing-masing mencakup 176 pengukuran dari 16 karakteristik yang berbeda. Eksperimen, di mana data yang dikumpulkan pada 2500 perangkat dengan 1605 GPU yang berbeda, menunjukkan peningkatan efisiensi sebesar 67% metode identifikasi gabungan dengan menambahkan dukungan Draw Apart kepada mereka.
Secara khusus, metode gabungan FP-STALKER, rata-rata, memberikan identifikasi dalam 17,5 hari, dan dalam kombinasi dengan Drawn Apart, durasi identifikasi meningkat menjadi 28 hari.
Diamati bahwa akurasi dipengaruhi oleh suhu GPU dan, untuk beberapa perangkat, mem-boot ulang sistem menyebabkan distorsi pengenal. Ketika metode tersebut digunakan dalam kombinasi dengan metode lain identifikasi tidak langsung, akurasi dapat ditingkatkan secara signifikan. Ini juga direncanakan untuk meningkatkan akurasi melalui penggunaan shader komputasi setelah stabilisasi API WebGPU baru.
Intel, ARM, Google, Khronos, Mozilla, dan Brave telah diberitahu tentang masalah ini pada awal tahun 2020, tetapi detail metode baru saja terungkap.
Antara lain, para peneliti menerbitkan contoh kerja yang ditulis dalam JavaScript dan GLSL yang dapat bekerja dengan dan tanpa menampilkan informasi di layar. Juga untuk sistem berbasis GPU Intel GEN 3/4/8/10, kumpulan data telah diterbitkan untuk mengklasifikasikan informasi yang diekstraksi dalam sistem pembelajaran mesin.
Akhirnya jika Anda tertarik untuk mengetahui lebih banyak tentangnya, Anda dapat memeriksa detailnya di link berikut.