Kampen mod Adblock-Blocking med Maskinlæring

Et nyt forskningsinitiativ fra USA og Pakistan har udviklet en maskinlæringsbaseret metode til at identificere websites, der er resistent over for adblocking og andre privatlivsbeskyttende teknologier, samt til at dekonstruere de tekniker, som sådanne websites bruger til at ‘blande’ reklame- og indholdskilder, således at indhold ikke kan vises, hvis reklamer blokeres.

Nye adblocking-teknologier, der er udviklet på basis af disse fund, kunne bringe en ende på tilfælde, hvor hovedindholdet af en artikel ikke kan vises, når reklamer blokeres, og give en automatiseret metode til at adskille reklame- og scriptressourcer, i stedet for den manuelle tilgang, der i øjeblikket bruges af populære adblocking-rammer.

Forfatterne har gennemført en stor undersøgelse af ‘blandede ressourcer’ på 100.000 websites og har fundet, at 17% af domæner, 48% af værtsnavne, 6% af scripts og 9% af indholdsdistributionsmetoder bevidst blander sporingsfunktioner (dvs. reklamefunktioner) med processer, der leverer rigtigt indhold. I sådanne tilfælde vil artikelindholdet forsvinde for brugere, der anvender adblocking- eller anti-sporingssoftware, og brugeren vil være tvunget til at deaktivere disse funktioner for at kunne se indholdet.

I de fleste tilfælde betyder dette ikke kun, at reklamer vil være synlige igen, men også, at brugere vil være tvunget tilbage i cross-domain-sporingsystemer, der har inflameret privatlivsaktivister i de seneste år.

Den nye forskning tilbyder et system, der kan adskille komponenterne af disse ‘blandede’ webressourcer med en nøjagtighed på 98%, og giver adblocking- og anti-sporingsløsninger en chance til at udvikle en metode til at adskille strømmene i senere iterationer af deres software, og igen give brugerne adgang til indhold på blokerede sider.

Den nye artikel har titlen TrackerSift: Untangling Mixed Tracking and Functional Web Resources og kommer fra forskere ved Virginia Tech og UoC Davis i USA, samt FAST NUCES og Lahore University of Management Sciences (LUMS) i Pakistan.

Adblock-Krigen

Adblocking-systemer afhænger generelt af, at reklameindhold på en webside skal stamme fra bestemte, dedikerede domæner – generelt adtech-platforme med domænenavne og/eller IP-adresser, der kan klassificeres som ‘tredjepartsreklame’, og som giver mulighed for at udvikle blocklister, der ikke vil rendre indhold fra disse kilder inden for en webside.

Desuden kan navnene på reklamespecifikke ressourcer, såsom scripts, tilføjes til blocklister, så disse ikke vil køre, selv i tilfælde, hvor deres kilder er blevet bevidst kamufleret. Navneskemaerne for sådanne systematisk genererede scripts er ofte konsistente, og giver mulighed for at genkende og blokere dem.

Da en reklame, der vises på en webside, ofte vælges i de sidste få millisekunder af en sides indlæsning via dynamiske auktionsprocesser (baseret på nøgleord fundet på siden, kampagnemål og mange andre faktorer), er det ikke praktisk at gemme reklamer på værtsdomænet, hvilket i teorien ville forhindre adblockere i at skjule kommercielt indhold.

Større og større websites kæmper imod adblocking gennem CNAME Cloaking – brugen af underdomæner af den ‘ægte’ domæne som proxier til ad-servere (dvs. content.example.com vil serve reklamer til example.com, selv om underdomænet ikke har nogen anden formål end at serve reklamer, og ikke er vedligeholdt af værtswebsiden, men i stedet af dens annoncører).

Men denne metode kan kvantificeres og blokeres ved at skelne underdomænets indhold som reklame, eller ved at bruge netværksanalyseteknikker til at identificere underdomænets anomale og uregelmæssige forhold til kerne-domænet.

TrackerSift

Forfatternes artikel foreslår TrackerSift, en platform til at analysere netværksressourcer, der hentes af websites, og derefter omkategorisere blandede ressourcer i ‘indhold’ og ‘reklame’. På det mest generelle analyse niveau optager TrackerSift grundlæggende netværksanmodninger om ressourcer, såsom reklameindhold hentet fra en Content Delivery Network (CDN) eller en reklameplatform, men derefter dykker det ned i indholdet af hentede ressourcer, udfører kode-niveau-analyse og skelner mellem funktionerne af forskellige typer kodekald og procedurer.

TrackerSifts analysehierarki, fra sporingsressourcer (rød) til nødvendige funktionelle ressourcer (grøn). Blandede ressourcer, der sandsynligvis vil føre til indholdskamuflering (gul), undergår dybere analyse. Kilde: https://arxiv.org/pdf/2108.13923.pdf

Data

For at opnå datasettet, der driver TrackerSift, har forfatterne gennemført en undersøgelse af 100.000 tilfældigt valgte websites fra 2018 Tranco top-million liste. Selenium browser-automatisering er blevet brugt sammen med Google Chrome til at udføre opgaven.

Web-crawling-netværket var baseret på universitetssteder i Nordamerika, bestående af en 13-nodes cluster med 112 kerner, 52 terabyte lagring og 823 gigabyte operativt RAM i hele systemet.

Hver node var baseret i en Docker-container og dedikeret til at crawle en undermængde af de 100.000 websteder, der var valgt, med programmeret pauser for bæredygtighed, og fuldstændig sletning af alle cookies og identifikatorer, når en ny domæne blev indlæst, for at sikre, at tidligere sessioner og tilstande ikke ville påvirke læsbarheden af den næste domæne.

Blandede Scripts

Resultaterne viser omfattende brug af script-bundling, hvor reklameplatforme og indholdshoste bevidst konkatenerer indholdsbaserede og reklamebaserede scripts i ‘uberscripts’, der vil forhindre indhold i at blive vist, hvis de blokeres. For eksempel bemærker forfatterne, at pressl.co serverer et web-script, der er bundlet via WebPack JavaScript-konkateneringsplatformen, der indeholder en Facebook-sporingspixel, og også kode, der aktiverer rendering af rigtigt indhold.

Desuden bemærker artiklen, at en række domæner er villige til at indlejre scripts direkte i koden på websteder, hvilket gør det nødvendigt for adblocking-rammer at adresse funktionen inden for scripterne, i stedet for blot at forhindre scriptet i at indlæses på grund af dets tredjeparts-kilde-URL.

Ved at lokaliserer disse metoder er vejen klar for systematisk opdeling af sådanne kode i indhold- og reklamekategorier, og potentiel genoprettelse af indholdvisning i adblocked-miljøer.

Selv om eksisterende adblocking-løsninger, såsom NoScript, AdGuard, uBlock Origin og Firefox Smartblock, bruger surrogate-scripts, der kan demonterer sådanne bundede scripts i blokerbare komponent-scripts, afhænger disse af manuel omskrivning af scripts, hvilket fører til en pågående kold krig mellem blokererne og de konstant skiftende tekniker, der bryder dem. Til gengæld tilbyder TrackerSift en potentiel programmeringsmæssig metode til blandet indhold-dekomposition.