לפני כמה ימים חדשות פורסמו כי החוקרים מאוניברסיטת בן-גוריון (ישראל), אוניברסיטת ליל (צרפת) ואוניברסיטת אדלייד (אוסטרליה) פיתחו טכניקה חדשה לזיהוי מכשירים של משתמשים על ידי זיהוי פרמטרים של GPU בדפדפן אינטרנט.
השיטה נקראת "Drawn Apart" והוא מבוסס על השימוש ב-WebGL להשיג פרופיל ביצועי GPU, שיכול לשפר משמעותית את הדיוק של שיטות מעקב פסיביות הפועלות ללא שימוש בעוגיות וללא אחסון מזהה במערכת המשתמש.
השיטות ש לקחת בחשבון מאפייני רינדור, GPU, ערימת גרפיקה ומנהלי התקנים בעת זיהוים הם שימשו בעבר, אך הם הוגבלו לאפשרות של הפרדת התקנים רק ברמת דגמים שונים של כרטיסי מסך ו-GPU, כלומר זה יכול לשמש רק כגורם נוסף להגדלת ההסתברות לזיהוי.
תכונת המפתח של שיטת "Drawn Apart" החדשה היא שזה לא מוגבל להפרדה בין דגמים שונים של GPU, אבל נסה לזהות את ההבדלים בין GPUs זהים מאותו דגם, בשל ההטרוגניות של תהליך הייצור של שבבים מעוצבים.
כמו כן, מוזכר כי שינויים המתרחשים במהלך תהליך הייצור נצפים כדי לאפשר ליצור תבניות שאינן חוזרות על עצמן עבור אותם דגמי מכשירים.
התברר שניתן לזהות את ההבדלים הללו על ידי ספירת מספר יחידות הביצוע וניתוח הביצועים שלהן ב-GPU. כפרימיטיבים לזיהוי דגמי GPU שונים, נעשה שימוש בבדיקות המבוססות על קבוצה של פונקציות טריגונומטריות, פעולות לוגיות וחישובי נקודה צפה. כדי לזהות הבדלים באותו GPU, הוערך מספר החוטים הפועלים בו-זמנית בעת הפעלת הצללות קודקוד.
ההנחה היא שהאפקט שנחשף נגרם על ידי הבדלים במשטרי טמפרטורה וצריכת חשמל של מופעי שבבים שונים (אפקט דומה הודגם בעבר עבור CPU: אותם מעבדים הדגימו צריכת חשמל שונה בעת הפעלת אותו מעבד).
מכיוון שפעולות דרך WebGL הן אסינכרוניות, אינך יכול להשתמש ישירות ב-performance.now() JavaScript API כדי למדוד את זמן הביצוע שלהן, לכן הוצעו שלושה טריקים למדידת הזמן:
- על המסך: עיבוד של הסצנה על בד ה-HTML עם מדידת זמן התגובה של פונקציית ה-callback חשופה דרך ה-API של Window.requestAnimationFrame ונקראת לאחר השלמת העיבוד.
- מחוץ למסך: השתמש בעובד ועבד את הסצנה לאובייקט OffscreenCanvas על ידי מדידת זמן הביצוע של הפקודה convertToBlob.
- GPU: עיבוד לאובייקט OffscreenCanvas, אך עם טיימר שסופק על ידי WebGL למדידת זמן, תוך התחשבות במשך הביצוע של קבוצת פקודות בצד ה-GPU.
בתהליך יצירת מזהה 50 בדיקות מבוצעות בכל מכשיר, שכל אחת מהן מכסה 176 מדידות של 16 מאפיינים שונים. הניסוי, שבמהלכו נתונים שנאספו על 2500 מכשירים עם 1605 GPUs שונים, הראו עלייה של 67% ביעילות של שיטות הזיהוי המשולבות על ידי הוספת תמיכת Draw Apart להן.
בפרט, שיטת ה-FP-STALKER המשולבת, בממוצע, סיפקה זיהוי תוך 17,5 ימים, ובשילוב עם Drawn Apart, משך הזיהוי עלה ל-28 ימים.
נצפה שהדיוק הושפע מהטמפרטורה של ה-GPU ובחלק מהמכשירים, אתחול המערכת גרמה לעיוות מזהה. כאשר השיטה משמשת בשילוב עם שיטות אחרות זיהוי עקיף, ניתן להגביר את הדיוק באופן משמעותי. מתוכנן גם להגביר את הדיוק באמצעות שימוש בהצללות מחשוב לאחר ייצוב ה-API החדש של WebGPU.
אינטל, ARM, גוגל, Khronos, Mozilla ו-Brave קיבלו הודעה על הנושא כבר ב-2020, אך פרטי השיטה נחשפו רק עכשיו.
בין היתר פרסמו החוקרים דוגמאות עבודה שנכתבו ב-JavaScript וב-GLSL שיכולות לעבוד עם ובלי הצגת מידע על המסך. גם עבור מערכות מבוססות אינטל GEN 3/4/8/10 GPU, ערכות נתונים פורסמו כדי לסווג את המידע שחולץ במערכות למידת מכונה.
בסופו של דבר אם אתה מעוניין לדעת יותר על כך, אתה יכול לבדוק את הפרטים ב הקישור הבא.