En maskinlæringsmetode til at blokere annoncer baseret på lokal browseradfærd

Forskere i Schweiz og USA har udviklet en ny maskinlæringsapproach til detektion af websideannonceringsmateriale, der er baseret på, hvordan sådant materiale interagerer med browseren, snarere end ved at analysere dets indhold eller netværksadfærd – to tilgange, der har vist sig at være ineffektive på længere sigt i forhold til CNAME-cloaking (se nedenfor).

Døbt WebGraph, bruger rammen en graf-baseret AI-annonceblokeringsapproach til at detektere promotionsmateriale ved at fokusere på sådanne essentielle aktiviteter i netværksannoncering – herunder telemetri-forsøg og lokal browserlagring – at den eneste effektive undgåelsesmetode ville være at ikke udføre disse aktiviteter.

Selvom tidligere tilgange har opnået lidt højere detektionsrater end WebGraph, er de alle udsatte for undgåelsesmetoder, mens WebGraph kan nå op til 100% integritet i forhold til modstander-responser, herunder mere sofistikerede hypotetiske responser, der kan opstå i forhold til denne nye annonceblokeringsmetode.

Artiklen er ledet af to forskere fra det schweiziske tekniske universitet, i samarbejde med forskere fra University of California, Davis og University of Iowa.

Beyond AdGraph

Arbejdet er en udvikling af en 2020-forskningsinitiativ med Brave-browser kaldet AdGraph, der havde to af forskerne fra den nye artikel med.

Sammenligning af AdGraph vs. WebGraph, med stiplede linjer, der repræsenterer arkitektoniske innovationer på den tidligere tilgang. Kilde: https://arxiv.org/pdf/2107.11309.pdf

AdGraph afhænger af (annonce)indhold funktioner, der er afledt af analyse af URLs, som en nøgle til detektion af kommercielt materiale. Imidlertid repræsenterer disse funktioner en enkelt potentiel fejlpoint for modstandere, der søger at detektere tilstedeværelsen af annonce-detektionssystemer, og formulerer metoder til at undgå dem. Denne afhængighed af indhold egenskaber gør AdGraph essentielt til en mekaniseret version af manuelt kuraterede filterlistebaserede tilgange, der deler deres svagheder.

CNAME Cloaking

Materiale, der stammer fra en websides eget domæne, falder i en ’tillid’kategori, så længe domænet selv er tillidt. For en høj autoritetswebside er der en værdifuld præmie i at køre annonceringskampagner, der indeholder materiale, der ser ud til at være hostet af autoritetswebsiden selv, da sådan annoncering er immun over for filterbaseret annonceblokering og endda over for AdGraph-tilgangen fra 2020.

Imidlertid er tilpassede kampagner svære at forhandle, dyre at implementere og går imod de grundlæggende principper for netværksannonceringsmodellen, der er udviklet over de sidste 25 år, hvor en tredjepartsplatform indsætter kode direkte i værtswebsiden, ofte ‘auktioner’ annonceringspladsen i mikrosekunder baseret på nøgleordsønskelighed og andre faktorer.

Siden næsten alle annonceblokeringsystemer fokuserer på tredjeparts-materiale i web sider (dvs. elementer, der er hostet på ‘fremmede’ domæner), har annoncører kæmpet tilbage med CNAME-cloaking-teknikker over de sidste fem år. CNAME-cloaking bedrager sporings-systemer til at tro, at en underdomæne af værtswebsiden (dvs. information.example.com i stedet for example.com) er en ægte tillæg til websiden, når det i virkeligheden er en proxy-annonce-server-mekanisme arrangeret med tredjepartsannonce-udbydere.

I marts 2021 afslørede en studie , at CNAME-cloaking-episoder øgede med 22% mellem 2018 og 2020, med næsten 10% af Tranco’s top 10.000 websider, der anvendte mindst en CNAME-baseret tracker i oktober 2020.

Discounting Trust in URLs

CNAME-bedrageri-teknikker indebærer manipulation af URLs, der er involveret i annonceringsprocessen. Ethvert annonceblokerings-system, der tillider URL-kæden, vil være udsat for manipulation og undgåelse. Derfor ændrer WebGraph tilfældigt de leverede URLs i en proces (herunder forespørgselssæt, antal parametre og parameter-navne), og søger efter mønstre af brug snarere end specifikke forbudte eller accepterede URLs.

Systemet må overveje to almindelige konfigurationer i en annonceringsarkitektur: en, hvor værten samarbejder direkte med annoncøren; og en anden (mere almindelig) scenario, hvor annoncøren giver begrænset samarbejde på grund af behovet for at beskytte sig selv mod manipulation af sine kunder.

I liste-baserede tilgange, herunder AdGraph, er succesfuld URL-manipulation af annoncerings-systemet næsten en komplet sejr, da det giver ‘lokal’ proveniens til annoncen, og dermed undgår næsten alle forsøg på systematisk at blokere annonceindhold.

Hvad er tilbage, i form af signatur? WebGraph fokuserer i stedet på annoncerings-systemers behov for at dele information på forskellige semi-forklædte måder, såsom web-trackere, kommunikation mellem iframes og web-‘lyttere’, der konstant afhører den levende tilstand af værtswebsiden for aktivitet, der er betydningsfuld i forhold til web-metrikker for annoncen. Sådan aktivitet inkluderer lagring af variabler i cookies eller HTML5-baseret lokal lagring.

WebGraph bruger Mozillas Web Privacy Measurement (OpenWPM-ramme) til at spore sådan aktivitet i Firefox. Det fanger alle aktiviteter på JavaScript-laget, og alle udgående netværksanmodninger, og deres svar, på netværkslaget.

Denne ekstra gennemgang introducerer nye ‘information flow’-kanter til graf-netværket, der tidligere er foreslået af AdGraph, og tillader WebGraph at eksplisit optage og kvantificere informationsdelingsmønstre baseret på lokal aktivitet, og uanset oprindelses- og destinations-URL’er for telemetri eller andre former for intern kommunikation i annoncerings-systemer.

Resultater

Forskerne brugte en udvidet version af OpenWPM til systematisk at crawle 10.000 websider taget fra Alexa-top 100.000-sider, og en tilfældig stikprøve af 9.000 sider rangeret mellem 1k-100k, og lagrede deres graf-repræsentationer, før de passede resultaterne til en beslutningstræ-klassifikator modelleret på AdGraphs oprindelige design, og brugte populære annoncefilterlister som grund sandhed. På denne måde blev en dataset konstrueret til træning af den kerne-model.

Systemet opnåede sammenlignelige resultater med AdGraph, med 92,33% nøjagtighed. Imidlertid steg den nye systems modstandskraft over for modstander-resistens fra en næsten komplet fejlrate for AdGraph til kun 8% sårbarhed under WebGraph.

Future Directions

Artiklen påstår, at annoncenetværk ville behøve at om-arkitekturere deres systemer betydeligt for at undgå detektion i forhold til WebGraph-tilgangen, og foreslår, at sådanne ændringer ville kræve en gennemgang af den nuværende omhyggelige tillidsforhold mellem tredjepartsannoncører og værtswebsider, hvor deres annoncer vises.

Artiklen nævner også, at WebGraph ikke tager hensyn til stateless-sporingsteknikker, såsom browser-finger-printering (via Canvas-elementet), der bruger API’er, som systemet ikke overvåger i øjeblikket. Forskerne foreslår, at WebGraph kan udvides i fremtiden for at tage hensyn til sådanne former for interaktioner og lokale lagrings-signifikationer.