Metoda strojového učení pro blokování reklam na základě místního chování prohlížeče

Výzkumníci ve Švýcarsku a USA vyvinuli novou metodu strojového učení pro detekci reklamního materiálu na webových stránkách, která je založena na způsobu, jakým takový materiál interaguje s prohlížečem, spíše než na analýze jeho obsahu nebo síťového chování – dva přístupy, které se v dlouhodobém horizontu ukázaly jako neúčinné vzhledem k CNAME cloaking (viz níže).

Metoda, nazvaná WebGraph, používá grafický přístup k detekci reklamního obsahu, zaměřující se na činnosti, jako jsou pokusy o telemetrii a místní úložiště prohlížeče, které jsou pro reklamní systémy nezbytné. Jedinou účinnou technikou, jak této detekci uniknout, by bylo nezúčastňovat se těchto aktivit.

Předešlé přístupy dosáhly slightly vyšších detekčních sazeb než WebGraph, ale všechny jsou náchylné k únikovým technikám, zatímco WebGraph je schopen dosáhnout téměř 100% integrity v případě adversářských odpovědí, včetně více sofistikovaných hypotetických odpovědí, které mohou vzniknout v reakci na tuto novou metodu blokování reklam.

Studie je vedena dvěma výzkumníky ze Švýcarského federálního technologického institutu ve spolupráci s výzkumníky z University of California, Davis a University of Iowa.

Mimo AdGraph

Práce je rozvojem výzkumné iniciativy z roku 2020 s prohlížečem Brave nazvanou AdGraph, na které se podíleli dva z výzkumníků z nové studie.

Srovnání AdGraph vs. WebGraph, s čárkami reprezentujícími architektonické inovace předchozího přístupu. Zdroj: https://arxiv.org/pdf/2107.11309.pdf

AdGraph se spoléhá na (reklamní) obsahové rysy, odvozené z analýzy URL, jako klíč k detekci komerčního materiálu. Tyto rysy však představují jeden potenciální bod selhání pro adversáře, kteří se snaží detekovat přítomnost systémů detekce reklam, a formulovat metody, jak je obejít. Tato závislost na obsahu vlastnostech činí AdGraph vlastně mechanizovaným verzím ručně kurátorovaných seznamů založených na filtrech, sdílejících jejich slabosti.

CNAME Cloaking

Materiál pocházející z vlastního domény webové stránky spadá do kategorie “důvěryhodný”, pokud je doména sama důvěryhodná. Pro webové stránky s vysokou autoritou je zde cenná prémie za běh reklamních kampaní, které vypadají, jako by byly hostovány autoritou webové stránky sama, protože taková reklama je imunní vůči filtreům založeným na blocích reklam a dokonce i vůči přístupu AdGraph z roku 2020.

Jedná se o nákladné a složité kampaně, které jsou obtížné vyjednat a realizovat, a které jdou proti základním principům modelu síťového reklamního systému, který se vyvinul za posledních 25 let, kdy třetí strana vkládá kód přímo do hostitelské stránky, obvykle “draží” reklamní slot v mikrosekundách na základě klíčových slov a dalších faktorů.

Od roku 2018 se reklamační systémy snaží bojovat proti blokování reklam pomocí technik CNAME cloaking, které oklamávají trackery, aby věřily, že subdoména hostitelské stránky (například informace.example.com místo example.com) je skutečným doplňkem stránky, zatímco ve skutečnosti je to proxy reklamní mechanismus dohodnutý s třetími stranami.

V březnu 2021 jedna studie odhalila, že incidenty CNAME cloaking se zvýšily o 22% mezi lety 2018 a 2020, a že téměř 10% ze 10 000 nejlepších webových stránek podle Tranco používalo alespoň jeden CNAME-založený tracker do října 2020.

Discounting Trust in URLs

Techniky CNAME deception zahrnují manipulaci s URL adresami zapojenými do procesu podávání reklam. Jakýkoli systém blokování reklam, který důvěřuje řetězci URL, bude podléhat manipulaci a úniku. WebGraph proto náhodně mění poskytnuté URL adresy v procesu (včetně dotazových řetězců, počtu parametrů a názvů parametrů), hledá vzorce použití místo konkrétních zákazaných nebo přijatých URL.

Systém musí zohlednit dvě běžné konfigurace v architektuře podávání reklam: jednu, kde hostitel spolupracuje přímo s inzerentem, a druhou (častější) scénář, kde inzerent poskytuje omezenou spolupráci kvůli potřebě chránit se před manipulací ze strany svých klientů.

V seznamových přístupech, včetně AdGraph, je úspěšná manipulace URL adresami reklamního systému téměř úplným vítězstvím, protože přiřazuje “místní” původ reklamě a tím uniká téměř všem pokusům systematicky blokovat reklamní obsah.

Co zbývá, jako podpis? WebGraph se zaměřuje místo toho na potřebu reklamních systémů sdílet informace různými polo-utajenými prostředky, jako jsou webové trackery, komunikace mezi iframy a webovými “posluchači”, které不断ně dotazují aktuální stav hostitelské stránky na aktivitu, která je významná z hlediska webových metrik pro reklamu. Taková aktivita zahrnuje uložení proměnných v cookies nebo HTML5-založené místním úložišti.

WebGraph používá Mozilla’s Web Privacy Measurement (OpenWPM framework) pro sledování takové aktivity ve Firefox. Zachycuje všechny aktivity na úrovni JavaScriptu a všechny odchozí síťové požadavky a jejich odpovědi na úrovni sítě.

Tato další kontrola zavádí nové “toky informací” do dříve navrhované grafické sítě AdGraph, umožňující WebGraphu explicitně zaznamenávat a kvantifikovat vzorce sdílení informací založené na místních aktivitách, bez ohledu na původ a cílové URL pro telemetrii nebo jiné druhy interních komunikací v reklamních systémech.

Results

Výzkumníci použili rozšířenou verzi OpenWPM pro systematické procházení 10 000 webových stránek z Alexa top 100 000 stránek a náhodného vzorku 9 000 stránek zařazených mezi 1 000 až 100 000, uložení jejich grafických reprezentací předtím, než výsledky předali rozhodovacímu stromu klasifikátoru modelovanému podle původního designu AdGraph a používajícího populární seznamy filtrů jako referenční data. Takto byla vytvořena datová sada pro školení jádra modelu.

Systém dosáhl srovnatelných výsledků jako AdGraph, s 92,33% přesností. Nicméně, odolnost nového systému vůči adversářským útokům se zvyšuje z téměř úplného selhání u AdGraph na pouhých 8% náchylnosti u WebGraph.

Budoucí směry

Studie tvrdí, že reklamní sítě by musely podstatně změnit svou architekturu, aby unikly detekci v rámci přístupu WebGraph, a navrhuje, že takové změny by vyžadovaly přehodnocení stávajícího důvěryhodného vztahu mezi třetími stranami inzerentů a hostitelskými stránkami, na kterých se jejich reklamy objevují.

Studie také poznamenává, že WebGraph nebere v úvahu techniky státního sledování, jako je fingerprinting prohlížeče (pomocí prvku Canvas), které využívají API, které systém目前ně nesleduje. Výzkumníci navrhují, že WebGraph lze v budoucnu rozšířit, aby zohledňoval i tyto druhy interakcí a místních signifikátorů úložiště.