Кілька днів тому Звістка про те, що дослідники з Університету Бен-Гуріона (Ізраїль), Університету Лілля (Франція) та Університету Аделаїди (Австралія) розробили нову методику ідентифікації пристроїв користувачів, виявляючи параметри графічного процесора у веб-браузері.
Викликається метод «Drawn Apart» і заснований на використанні WebGL отримати профіль продуктивності графічного процесора, який може значно підвищити точність пасивних методів відстеження, які працюють без використання файлів cookie та без збереження ідентифікатора в системі користувача.
Методи, які враховуйте характеристики візуалізації, графічний процесор, графічний стек і драйвери при їх ідентифікації вони використовувалися раніше, але вони обмежувалися можливістю розділення пристроїв лише на рівні різних моделей відеокарт і графічних процесорів, тобто можна було використовувати лише як додатковий фактор для підвищення ймовірності ідентифікації.
Ключова особливість нового методу «Розроблено». полягає в тому, що він не обмежується розділенням різних моделей графічних процесорівале спробуйте визначити відмінності між однаковими графічними процесорами однієї моделі, через неоднорідність процесу виробництва розроблених мікросхем.
Також зазначається, що спостерігаються зміни, що виникають під час виробничого процесу, щоб зробити можливим формування неповторюваних форм для одних і тих же моделей пристроїв.
Виявилося, що ці відмінності можна виявити, підрахувавши кількість виконавчих блоків і проалізувавши їх продуктивність на GPU. В якості примітивів для ідентифікації різних моделей графічних процесорів використовувалися перевірки на основі набору тригонометричних функцій, логічних операцій і обчислень з плаваючою комою. Щоб виявити відмінності на одному і тому ж GPU, була оцінена кількість потоків, що працюють одночасно під час запуску вершинних шейдерів.
Вважається, що виявлений ефект викликаний відмінностями в температурних режимах і споживанні енергії різними екземплярами мікросхем (подібний ефект був продемонстрований раніше для ЦП: одні й ті ж процесори демонстрували різне споживання енергії при роботі одного процесора). код).
Оскільки операції через WebGL є асинхронними, ви не можете безпосередньо використовувати JavaScript API performance.now() для вимірювання часу їх виконання, тому було запропоновано три прийоми для вимірювання часу:
- На екрані: відтворення сцени на полотні HTML з вимірюванням часу відгуку функції зворотного виклику, що відображається через Window.requestAnimationFrame API і викликається після завершення візуалізації.
- поза екраном: Використовуйте воркер і відтворіть сцену до об’єкта OffscreenCanvas, вимірявши час виконання команди convertToBlob.
- GPU: відтворення до об’єкта OffscreenCanvas, але з таймером, наданим WebGL для вимірювання часу, з урахуванням тривалості виконання набору команд на стороні графічного процесора.
У процесі створення ідентифікатора На кожному пристрої проводиться 50 перевірок, кожен з яких охоплює 176 вимірювань 16 різних характеристик. Експеримент, під час якого дані, зібрані на 2500 пристроях з 1605 різними графічними процесорами, показали підвищення ефективності на 67% комбінованих методів ідентифікації, додавши до них підтримку Draw Apart.
Зокрема, комбінований метод FP-STALKER в середньому забезпечував ідентифікацію протягом 17,5 днів, а в поєднанні з Drawn Apart тривалість ідентифікації зросла до 28 днів.
Помічено, що на точність вплинула температура GPU а для деяких пристроїв перезавантаження системи викликало спотворення ідентифікатора. Коли метод використовується в поєднанні з іншими методами непряма ідентифікація, точність можна значно підвищити. Також планується підвищити точність за рахунок використання обчислювальних шейдерів після стабілізації нового API WebGPU.
Intel, ARM, Google, Khronos, Mozilla і Brave були повідомлені про проблему ще в 2020 році, але деталі методу були розкриті щойно.
Серед іншого, дослідники опублікували робочі приклади, написані на JavaScript і GLSL, які можуть працювати як з відображенням інформації на екрані, так і без нього. Також для систем на основі графічних процесорів Intel GEN 3/4/8/10 були опубліковані набори даних для класифікації інформації, отриманої в системах машинного навчання.
В кінці кінців якщо вам цікаво дізнатись більше про це, ви можете перевірити деталі в наступне посилання.