محاربة حرب الأدبлокرز باستخدام التعلم الآلي

مبادرة بحثية جديدة من الولايات المتحدة وباكستان قامت بتطوير طريقة قائمة على التعلم الآلي لتحديد المواقع الإلكترونية التي تقاوم تقنيات حجب الإعلانات وتقنيات الحفاظ على الخصوصية، بالإضافة إلى تفكيك التقنيات التي تستخدمها هذه المواقع لخلط أصول الإعلانات والمحتوى الحقيقي، بحيث لا يمكن عرض المحتوى إذا تم حجب الإعلانات.

يمكن أن تؤدي تقنيات حجب الإعلانات الجديدة التي تم تطويرها من هذه النتائج إلى إنهاء الحوادث التي لا يمكن فيها عرض المحتوى الرئيسي للمقال عند حجب الإعلانات، وتوفر طريقة آلية لفصل الموارد الإعلانية والبرمجية، بدلاً من النهج اليدوي الحالي المستخدم من قبل إطارات حجب الإعلانات الشهيرة.

أجرى المؤلفون دراسة على نطاق واسع حول “الموارد المختلطة” على 100000 موقع إلكتروني، ووجدوا أن 17٪ من المجالات، و48٪ من أسماء المضيفين، و6٪ من البرامج النصية، و9٪ من طرق تسليم المحتوى تختلط عمداً بين الوظائف التتبعية (أي الإعلانية) والعمليات التي تقدم المحتوى الحقيقي. في هذه الحالات، سيختفي محتوى المقالة للمستخدمين الذين يستخدمون برامج حجب الإعلانات أو برامج منع التتبع، مما يضطر المستخدم إلى إيقاف تشغيل هذه الإجراءات ليعرض المحتوى.

في معظم الحالات، لا يعني هذا فقط أن الإعلانات ستكون مرئية مرة أخرى، ولكن المستخدمين也 سيضطرون إلى العودة إلى أنظمة التتبع عبر المجالات التي ألهبت حملات الخصوصية في السنوات الأخيرة.

يقدم البحث الجديد نظامًا قادرًا على فصل مكونات هذه “الموارد المختلطة” بدقة 98٪، مما يمنح حلول حجب الإعلانات ومنع التتبع فرصة لفك الخيوط في الإصدارات اللاحقة من برامجهم، وتمكين الوصول إلى المحتوى مرة أخرى على الصفحات المحجوبة للإعلانات.

الورقة الجديدة بعنوان TrackerSift: Untangling Mixed Tracking and Functional Web Resources، وهي من باحثين في جامعة فيرجينيا تيك وUoC ديفيس في الولايات المتحدة، وFAST NUCES وجامعة لاهور لإدارة العلوم في باكستان.

حروب الأدبлокرز

تعتمد أنظمة حجب الإعلانات بشكل عام على حاجة المحتوى الإعلاني في صفحة الويب إلى المنشأ من مجالات مخصصة – عادة منصات إعلانية تكنولوجية بأسماء مجالات و/أو عناوين بروتوكول إنترنت يمكن تصنيفها على أنها “إعلانات طرف ثالث”، مما يسمح بتطوير قوائم حجب لن تظهر المحتوى من تلك الأصول داخل صفحة الويب.

يمكن إضافة أسماء الموارد الإعلانية المحددة، مثل البرامج النصية، إلى قوائم الحجب بحيث لن تعمل هذه الموارد حتى في الحالات التي يتم فيها إخفاء أصولها عمداً. غالبًا ما تكون مخططات التسمية للموارد النصية المولدة بشكل منهجي متسقة، مما يسمح بالتعرف عليها وإضافتها إلى قوائم الحجب.

由于 الإعلان الموجود في صفحة الويب يتم اختياره في آخر بضعة مللي ثانية من تحميل الصفحة عبر عمليات المزاد الديناميكية (التي تعتمد على الكلمات الموجودة في الصفحة، معايير الحملة المستهدفة والعديد من العوامل الأخرى)، فمن غير العملي تخزين الإعلانات على مجال المضيف، مما سوف يمنع منع الإعلانات من إخفاء المحتوى التجاري.

تستخدم المواقع الإلكترونية بشكل متزايد تقنيات لمكافحة حجب الإعلانات من خلال تخفيض cname – استخدام مجالات فرعية للمجال “الأصلي” كوكلاء لخادم الإعلانات (أي، سوف تقدم محتوى.مثال.كوم إعلانات إلى مثال.كوم، حتى لو لم يكن للمجال الفرعي أي غرض آخر سوى تقديم الإعلانات، وليس من قبل موقع الويب نفسه، ولكن من قبل معلقيه).

然而، يمكن量 هذا الأسلوب وحجبه من خلال التمييز بين محتوى المجال الفرعي باعتباره إعلانياً، أو استخدام تقنيات تحليل الشبكة لتحديد العلاقة غير العادية والمغايرة بين المجال الفرعي والمجال الرئيسي.

TrackerSift

يقترح ورقة المؤلفين TrackerSift، وهي منصة لتحليل الموارد الشبكية التي يتم استرجاعها من قبل المواقع الإلكترونية، ثم إعادة تصنيف الموارد المختلطة إلى “المحتوى” و “الإعلان”. على مستوى التحليل الأكثر عمومية، تسجل TrackerSift الطلبات الشبكية الأساسية للموارد، مثل محتوى الإعلان المسترجع من شبكة توصيل المحتوى أو منصة إعلانية؛ ثم تنتقل إلى محتوى الموارد المسترجعة، وت执行 تحليل على مستوى البرمجية، وتتميز بين وظائف مختلفة من المكالمات البرمجية والإجراءات.

TrackerSift’s analysis hierarchy, from tracking resources (red) through to necessary functional resources (green). Mixed resources, which are likely to lead to content obfuscation (yellow) are subjected to deeper analysis. Source: https://arxiv.org/pdf/2108.13923.pdf

بيانات

为了获得 مجموعة البيانات التي تعمل بها TrackerSift، قام المؤلفون بفحص 100000 موقع إلكتروني تم اختياره عشوائياً من قائمة Tranco top-million لعام 2018. Selenium أتمتة المتصفح تم استخدامها مع جوجل كروم للقيام بالمهام.

كانت شبكة التصفح على الويب مبنية على مواقع الجامعات في أمريكا الشمالية، وتألفت من 13 عقدة مع 112 نواة و52 تيرابايت من التخزين و823 جيجابايت من الذاكرة العشوائية التشغيلية في جميع أنحاء النظام.

كل عقدة كانت مبنية في حاوية Docker ومخصصة لتحميل جزء من صفحات الويب الـ 100000 المحددة، مع توقفات برمجية من أجل الاستدامة، وتم حذف جميع الكوكيز والمعرفات عند تحميل مجال جديد، لضمان عدم تأثير الجلسات السابقة والحالات على قابلية قراءة المجال التالي.

البرامج النصية المختلطة

تظهر النتائج استخدامًا واسعًا لتقنية ربط البرامج النصية، حيث تقوم منصات الإعلان ومضيفي المحتوى عمداً بدمج البرامج النصية القائمة على المحتوى والبرامج النصية القائمة على الإعلانات في “برامج نصية عملاقة” التي ستمنع عرض المحتوى إذا تم حجبها. على سبيل المثال، يشير المؤلفون إلى أن pressl.co تقدم برنامج نصي مخلوط عبر منصة WebPack لدمج البرامج النصية، والتي تحتوي على بكسل تتبع فيسبوك، وأيضاً على رمز يتيح عرض المحتوى الفعلي.

كما يشير الورقة إلى أن عدداً من المجالات على استعداد لدمج البرامج النصية مباشرة في رمز صفحات الويب، مما يجعل من الضروري لاطارات حجب الإعلانات معالجة الوظائف داخل البرامج النصية، بدلاً من منع تحميل البرنامج النصي فقط بناءً على عنوان URL للمصدر الثالث.

من خلال توطين هذه الطرق، يصبح من الواضح مسار فصل هذه البرامج النصية إلى فئات المحتوى والإعلان، ويمكن استعادة عرض المحتوى في بيئات حجب الإعلانات.

尽管 حلول حجب الإعلانات الحالية، مثل NoScript وAdGuard وuBlock Origin وFirefox Smartblock، تستخدم برامج نصية بديلة تفكك هذه البرامج النصية المركبة إلى برامج نصية مكونة قابلة للحجب، إلا أن هذه البرامج تعتمد على إعادة كتابة البرامج النصية يدوياً، مما يؤدي إلى حرب باردة مستمرة بين منع الحجب والتقنيات المتغيرة التي تكسرها. من ناحية أخرى، يقدم TrackerSift طريقة برمجية محتملة لتفكيك المحتوى المختلط.