Beberapa hari yang lalu berita tersebar bahawa penyelidik daripada Universiti Ben-Gurion (Israel), Universiti Lille (Perancis) dan Universiti Adelaide (Australia) telah membangunkan teknik baru untuk mengenal pasti peranti pengguna dengan mengesan parameter GPU dalam pelayar web.
Kaedah itu dipanggil "Drawn Apart" dan berdasarkan penggunaan WebGL untuk mendapatkan profil prestasi GPU, yang boleh meningkatkan dengan ketara ketepatan kaedah penjejakan pasif yang berfungsi tanpa menggunakan kuki dan tanpa menyimpan pengecam pada sistem pengguna.
Kaedah-kaedah yang mengambil kira ciri pemaparan, GPU, tindanan grafik dan pemacu apabila mengenal pasti mereka ia digunakan sebelum ini, tetapi ia terhad kepada kemungkinan mengasingkan peranti hanya pada tahap model kad video dan GPU yang berbeza, iaitu ia hanya boleh digunakan sebagai faktor tambahan untuk meningkatkan kebarangkalian pengenalan.
Ciri utama kaedah "Drawn Apart" baharu ialah ia tidak terhad kepada mengasingkan model GPU yang berbezatetapi cuba kenal pasti perbezaan antara GPU yang sama daripada model yang sama, disebabkan oleh kepelbagaian proses pengeluaran cip yang direka bentuk.
Ia juga disebut bahawa variasi yang berlaku semasa proses pengeluaran diperhatikan untuk memungkinkan untuk membentuk acuan tidak berulang untuk model peranti yang sama.
Ternyata perbezaan ini boleh dikenal pasti dengan mengira bilangan unit pelaksanaan dan menganalisis prestasi mereka pada GPU. Sebagai primitif untuk mengenal pasti model GPU yang berbeza, semakan berdasarkan set fungsi trigonometri, operasi logik dan pengiraan titik terapung telah digunakan. Untuk mengenal pasti perbezaan pada GPU yang sama, bilangan utas berjalan serentak semasa menjalankan pelorek puncak telah dianggarkan.
Kesan yang didedahkan diandaikan disebabkan oleh perbezaan dalam rejim suhu dan penggunaan kuasa bagi contoh cip yang berbeza (kesan yang serupa telah ditunjukkan sebelum ini untuk CPU: pemproses yang sama menunjukkan penggunaan kuasa yang berbeza apabila menjalankan pemproses yang sama). kod).
Memandangkan operasi melalui WebGL adalah tidak segerak, anda tidak boleh terus menggunakan API JavaScript performance.now() untuk mengukur masa pelaksanaannya, jadi tiga helah telah dicadangkan untuk mengukur masa:
- Pada skrin: pemaparan adegan pada kanvas HTML dengan ukuran masa tindak balas bagi fungsi panggil balik didedahkan melalui API Window.requestAnimationFrame dan dipanggil selepas pemaparan selesai.
- luar skrin: Gunakan pekerja dan jadikan pemandangan kepada objek OffscreenCanvas dengan mengukur masa pelaksanaan perintah convertToBlob.
- GPU: memberikan kepada objek OffscreenCanvas, tetapi dengan pemasa yang disediakan oleh WebGL untuk mengukur masa, dengan mengambil kira tempoh pelaksanaan set arahan pada bahagian GPU.
Dalam proses mencipta pengecam 50 pemeriksaan dilakukan pada setiap peranti, setiap satunya meliputi 176 ukuran 16 ciri yang berbeza. Percubaan, semasa data yang dikumpul pada 2500 peranti dengan 1605 GPU berbeza, menunjukkan peningkatan kecekapan sebanyak 67% kaedah pengenalan gabungan dengan menambahkan sokongan Draw Apart kepada mereka.
Khususnya, kaedah gabungan FP-STALKER, secara purata, memberikan pengenalan dalam masa 17,5 hari, dan dalam kombinasi dengan Drawn Apart, tempoh pengenalan meningkat kepada 28 hari.
Adalah diperhatikan bahawa ketepatan dipengaruhi oleh suhu GPU dan, untuk sesetengah peranti, but semula sistem menyebabkan herotan pengecam. Apabila kaedah digunakan dalam kombinasi dengan kaedah lain pengenalan tidak langsung, ketepatan boleh ditingkatkan dengan ketara. Ia juga dirancang untuk meningkatkan ketepatan melalui penggunaan shader pengiraan selepas penstabilan API WebGPU baharu.
Intel, ARM, Google, Khronos, Mozilla dan Brave telah dimaklumkan mengenai isu tersebut seawal 2020, tetapi butiran kaedah itu baru sahaja didedahkan.
Antara lain, penyelidik menerbitkan contoh kerja yang ditulis dalam JavaScript dan GLSL yang boleh berfungsi dengan dan tanpa memaparkan maklumat pada skrin. Juga untuk sistem berasaskan GPU Intel GEN 3/4/8/10, set data telah diterbitkan untuk mengklasifikasikan maklumat yang diekstrak dalam sistem pembelajaran mesin.
Akhirnya sekiranya anda berminat untuk mengetahui lebih lanjut mengenainya, anda boleh menyemak butiran di pautan berikut.