Pirms dažām dienām izplatījās ziņas, ka pētnieki no Ben-Guriona universitātes (Izraēla), Lilles Universitātes (Francija) un Adelaidas Universitātē (Austrālija) ir izstrādājuši jaunu paņēmienu ierīču identificēšanai lietotāju skaitu, atklājot GPU parametrus tīmekļa pārlūkprogrammā.
Metode tiek saukta "Drawn Apart" un ir balstīts uz WebGL izmantošanu iegūt GPU veiktspējas profilu, kas var būtiski uzlabot pasīvo izsekošanas metožu precizitāti, kas darbojas, neizmantojot sīkfailus un neuzglabājot lietotāja sistēmā identifikatoru.
Metodes, kas ņem vērā renderēšanas īpašības, GPU, grafikas steku un draiverus identificējot tās tika izmantotas iepriekš, taču tās aprobežojās ar ierīču atdalīšanas iespēju tikai dažādu video karšu un GPU modeļu līmenī, t.i., to varēja izmantot tikai kā papildu faktoru identifikācijas iespējamības palielināšanai.
Galvenā iezīme jaunās "Drawn Apart" metodes ir tas, ka tas neaprobežojas tikai ar dažādu GPU modeļu atdalīšanu, bet mēģiniet noteikt atšķirības starp identiskiem GPU tā paša modeļa projektēto mikroshēmu ražošanas procesa neviendabīguma dēļ.
Tāpat minēts, ka tiek novērotas ražošanas procesā radušās variācijas, lai vieniem un tiem pašiem ierīču modeļiem būtu iespējams veidot neatkārtojamas veidnes.
Izrādījās, ka šīs atšķirības var noteikt, saskaitot izpildes vienību skaitu un analizējot to veiktspēju GPU. Kā primitīvi dažādu GPU modeļu identificēšanai tika izmantotas pārbaudes, kuru pamatā bija trigonometrisko funkciju kopa, loģiskās darbības un peldošā komata aprēķini. Lai noteiktu atšķirības vienā un tajā pašā GPU, tika aprēķināts pavedienu skaits, kas darbojas vienlaikus, palaižot virsotņu ēnotājus.
Tiek pieņemts, ka atklāto efektu izraisa dažādu mikroshēmu gadījumu temperatūras režīmu un enerģijas patēriņa atšķirības (līdzīgs efekts iepriekš tika demonstrēts CPU: vieni un tie paši procesori demonstrēja atšķirīgu enerģijas patēriņu, darbinot vienu un to pašu procesoru). kods).
Tā kā darbības, izmantojot WebGL, ir asinhronas, jūs nevarat tieši izmantot performance.now() JavaScript API, lai izmērītu to izpildes laiku, tāpēc laika mērīšanai tika piedāvāti trīs triki:
- Uz ekrāna: ainas renderēšana uz HTML audekla ar atbildes laika mērījumu atzvanīšanas funkcijai, kas tiek atklāta, izmantojot Window.requestAnimationFrame API, un izsaukta pēc renderēšanas pabeigšanas.
- ārpus ekrāna: izmantojiet darbinieku un atveidojiet ainu OffscreenCanvas objektam, mērot komandas convertToBlob izpildes laiku.
- GPU: renderēšana uz OffscreenCanvas objektu, bet ar WebGL nodrošināto taimeri laika mērīšanai, ņemot vērā komandu kopas izpildes ilgumu GPU pusē.
Identifikatora izveides procesā Katrai ierīcei tiek veiktas 50 pārbaudes, no kuriem katrs aptver 176 mērījumus ar 16 dažādiem raksturlielumiem. Eksperiments, kura laikā dati, kas savākti par 2500 ierīcēm ar 1605 dažādiem GPU, parādīja efektivitātes pieaugumu par 67%. no kombinētajām identifikācijas metodēm, pievienojot tām atbalstu Draw Apart.
Konkrēti, kombinētā FP-STALKER metode vidēji nodrošināja identifikāciju 17,5 dienu laikā, un kombinācijā ar Drawn Apart identifikācijas ilgums palielinājās līdz 28 dienām.
Tiek novērots, ka precizitāti ietekmēja GPU temperatūra un dažām ierīcēm sistēmas atsāknēšana izraisīja identifikatora izkropļojumus. Kad metodi izmanto kombinācijā ar citām metodēm netiešā identifikācija, precizitāti var ievērojami palielināt. Pēc jaunā WebGPU API stabilizācijas plānots arī palielināt precizitāti, izmantojot skaitļošanas ēnotājus.
Intel, ARM, Google, Khronos, Mozilla un Brave par šo problēmu tika informētas jau 2020. gadā, taču sīkāka informācija par šo metodi tika atklāta tikai tagad.
Cita starpā pētnieki publicēja JavaScript un GLSL rakstītus darba piemērus, kas var darboties gan ar informācijas rādīšanu ekrānā, gan bez tās. Arī Intel GEN 3/4/8/10 GPU balstītajām sistēmām ir publicētas datu kopas, lai klasificētu mašīnmācīšanās sistēmās iegūto informāciju.
Beidzot ja jūs interesē uzzināt vairāk par to, sīkāku informāciju varat pārbaudīt šī saite.