Maskinlæring vs. Cookie-Samtykkesystemer

Et nyt forskningssamarbejde mellem University of Wisconsin og Google sætter maskinlæring op imod en af de mest irriterende webbrugerbesværligheder i det sidste årti – uigennemsigtigheden og den cyniske misbrug af GDPR-kompatible cookie-samtykkesskærmbilleder.

Titel CookieEnforcer, det nye rammeværk bruger Semantisk Tekstforståelse til at parse betydningen og nyttigheden af den underliggende kode bag cookie-samtykkesskærmbilledet eller -banneren, for at give brugeren den manglende ‘én klik’-løsning til at deaktivere alle virkelig ‘ikke-nødvendige’ cookies – herunder dem, som domæneejerne måske præsenterer som værende ‘essentielle’, selvom de ikke er det.

CookieEnforcer undersøger cookie-samtykkelseskoden fra websitet www.askubuntu.com. Kilde: https://arxiv.org/pdf/2204.04221.pdf

Systemet er implementeret via en brugerinstalleret webbrowser-udvidelse, som kan anvende brugerdefinerede regler med ét klik. Når en cookie-samtykkesskærm vises på websitet, kan brugeren aktivere udvidelsen, som derefter vil gennemgå cookie-samtykkelseskoden for potentielle handlinger, før den genererer passende JavaScript til at udføre valg på brugernes vegne.

Udvidelsen kan indstilles til automatisk at gennemtvinge brugerpræferencer eller også tage sagen individuelt, så brugeren kan justere indstillingerne, før de endeligt indsendes.

Cookie-enforcer i aktion. Hvis ønsket, kan Chrome-udvidelsen fuldstændigt automatisere denne proces uden yderligere brugerbidrag. Se det indlejrede video til mere detaljer. Kilde: https://www.youtube.com/watch?v=5NI6Q981quc

Udfordringen ved at parse mulige ‘ikke-samtykke’-muligheder, som typisk er skjult i arkane og møjsommelige grupper af indstillinger (i stedet for den brugervenlige accepter alle, som er typisk for samtykkesskærmbilleder), modelleres som en sekvens-til-sekvens-opgave.

I en slut-til-slut-ægtevalgsevaluering kunne CookieEnforcer generere alle nødvendige skridt til at undgå kryptiske cookie-samtykkelsesprocedurer i 91% af de studerede tilfælde, på domæner, som ikke var set under systemets maskinlæringsmodells træning. En brugerundersøgelse viste desuden, at systemet betydeligt reducerer brugerens indsats i at navigere i samtykkelsesmodulerne.

Den rapport, der præsenterer metoden, er titlen CookieEnforcer: Automatisk Cookie-Notificeringsanalyse og -gennemtvingelse, og kommer fra tre forskere ved University of Wisconsin at Madison og en fra Google Inc.

Arkane Veje til Cookie-Samtykke

Siden ikrafttrædelsen af den generelle databeskyttelsesforordning (GDPR) i 2016 og California Consumer Privacy Act (CCPA) i 2018, har websteder, der ønsker at engagere brugere fra de områder, der er dækket af sådanne love, været nødt til at tilbyde cookie-præferencemekanismer (typisk baseret på opdækkelse af brugernes IP-adresse som proxy for deres land af oprindelse).

Men da domæneejerne havde været vant til at høste værdifuld og handlingsbar brugerdata fra den uigennemsigtige og normalt usete implementering af cookies, var de tilbageholdende med at tilbyde lette opt-out-muligheder for deres nyempowerede brugere.

Standardbrugergrænsefladen for cookie-samtykkesskærmbilleder (som vises første gang, en bruger besøger et domæne, eller hvis brugeren har slettet cookies for det domæne) blev hurtigt fastlagt til mørke mønstre designet til at trætte seeren med detaljerede, tidskrævende og omfattende valg, hvis de ønskede at udøve deres rettigheder til samtykke; eller også en enkel og lettilgængelig knap, som valgte brugeren til alle cookies, som domæneejeren ønskede at køre. Denne kultur af labyrintiske brugergrænsevalg blev beskrevet i en studie fra 2020 som ‘en skattejagt’.

Den nye rapport kommenterer:

‘[Brugere] kan have svært ved at udøve informeret cookie-kontrol for websteder med komplicerede meddelelser. De er langt mere sandsynlige til at stole på standardkonfigurationer end de er til at finjustere deres cookie-indstillinger for hvert [websted]. I flere tilfælde er disse standardindstillinger privatlivsinvaderende og favoriserer serviceudbyderne, hvilket resulterer i privatlivs[risici].’

En kommentar på en populær forumopslag om disse praksisser karakteriserede dem som ‘onormal overholdelse’. Brugerirritation over cookie-samtykkesskærmbilleder er et emne, der konflikt majoritetsudgivere, som ellers ville have kunnet give yderligere dækning, hvis de ikke selv var så personligt udsat af deres egne praksisser på dette område.

Et typisk labyrint af valgmuligheder præsenteret, i dette tilfælde, af TechCrunch-webstedet, ironisk som en præamble til en artikel om EU’s skiftende holdning til, hvad der udgør cookie-samtykke. De tilføjede URL-identifikatorer og kroker designet til yderligere at aktivere sporing var 262 tegn (slettet her). En ‘afvis alle’-knap, selvom den er tilgængelig for visse kategorier af cookies, er ikke tilgængelig for den samlede sæt af mulige cookies; i disse undtagelsesfælde skal brugeren operere hver ‘toggle’.

En rapport fra 2019 fra Tyskland fandt, at en majoritet af websidebesøgende i de studerede domæner blev ‘nudget’ mod bred samtykke, og at kun en tredjedel af webstederne faktisk forklarede formålet med dataindsamlingen.

Et antal webbrowser-udvidelser, -tilføjelser og -udvidelser er dukket op for at løse problemet i de seneste år, såsom Cookie Quick Manager-udvidelsen til Firefox, og en bred vifte af Chrome-alternativer, mens Den Europæiske Union søger at lukke kompatibilitetsløkkerne omkring cookie-samtykkesskærmbilleder.

Metode og Data

Forskerne bag den nye rapport var fast besluttede på at skabe et mere robust cookie-samtykkessystem ved at undgå afhængighed af nøgleord eller håndlavede regler, den centrale tilgang i en række nyere ML-aided projekter.

CookieEnforcer har tre mål: at oversætte cookie-meddelelser og -grænseflader til en maskinlæselig format; at identificere cookie-indstillingskonfigurationen på en måde, der deaktiverer ikke-essentielle cookies; og at automatisk anvende yderligere begrænsninger uden yderligere brugerinput, hvis ønsket af brugeren.

Systemet består af en backend-komponent, der detekterer og analyserer cookie-meddelelser, og en frontend-komponent i form af en browser-udvidelse, der genererer og udfører deaktivering af ikke-essentielle cookies (dvs. cookies, der ikke vil forstyrre navigation eller adgang til domænet, hvis de blokeres).

Rammeværket er inkorporeret i en Chrome-specifik lokal installeret udvidelse, der bruger Selenium-webtestbiblioteket under ChromeDriver-rammeværket.

Backend-sektionen indeholder moduler til detektion, analyse og en beslutningsmodel. Analysemodulen tager hensyn til ændringer i kode introduceret af brugerinteraktion, så den oprindelige kode-dump ikke bliver ugyldig af simuleret brugerundersøgelse.

Naturlig Sprogforståelse

Med koden afsløret, er det vigtigt, at CookieEnforcer forstår den eksisterende tilstand af mulige handlinger, den kan udføre, da sproget bag toggle-knapper kan være tvetydigt i forhold til fordel for slutbrugeren.

Til dette formål trænede forskerne en Text-To-Text Transfer Transformer (T5)-model for dens beslutningskomponent. T5-Large-modellen, der indeholder 770 millioner parametre, blev finjusteret på en brugerdefineret database af input/output-kode (dvs. kode, der beskriver og aktiverer funktionen af toggle-muligheder).

Eksempel på formatering (øverst) og træningsdata (nederst) for T5-modellen. Dataeksemplet er fra www.askubuntu.com.

Datasettet blev oprettet ved at sampile 300 websteder med cookie-meddelelser valgt fra Tranco’s top-50k populære websteder-liste. Detector- og analyzer-modulerne udtræk cookie-samtykkevalgmulighederne fra deres runtime-kildekode og evaluerede deres standardtilstand.

En af forskerne markerede derefter manuelt den fortolkede række af klik, der er nødvendige for at deaktivere ikke-essentielle cookies for alle de studerede websteder, hvilket resulterede i 300 fuldt markerede domæner.

Variation i kildekoddisposition over eksempler fra den brugerdefinerede database.

60 websteder blev sat til side som en testmængde, og T5-Large-modellen blev trænet med en læringsrate på 0,003 ved en batch-størrelse på 16 i 20 epocher, med en maksimal input-sekvenslængde på 256 tokens og en maksimal mål-sekvenslængde på 64. Tokenene blev dannet af sub-ord, der er etableret af Google’s SentencePiece-tokenizer.

Til sidst gemmes den behandlede information i en lokal database og gjort tilgængelig for frontend-delen af systemet. Forfatterne foretrak querySelector()-HTML-funktionen over XML Path Language (XPath)-tilgangen, der er taget af nogle tidligere lignende projekter, da XPaths for cookie-meddelelser er sårbare over for DOM-opdateringer (dvs. koden kan ændre sig efter initial indlæsning i respons til brugerinteraktioner). På denne måde kan elementstierne fastholdes, selv når de er dynamiske og responsive til eksterne faktorer.

Test og Præstation

I praksis viste CookieEnforcer sig i stand til at navigere nogle af de mørkeste mørke mønstre i datasettet, såsom en skjult mulighed i cookie-samtykkesskærmbilledet på The New Scientist, der er skjult af JavaScript, indtil brugeren udtrykkeligt beder om at se det.

Forfatterne kommenterer:

‘Denne mulighed kan let overses af brugerne, da de skal udvide en yderligere ramme for at se, at den findes. CookieEnforcer finder ikke kun denne mulighed, men forstår også semantikken og beslutter at modsætte sig. Disse eksempler viser, at modellen lærer konteksten og generaliserer til nye eksempler.’

Forskerne udførte tre tests, herunder en slut-til-slut-evaluering af rammeværkets præstation på tværs af 500 usete domæner (dvs. websteder, som CookieEnforcer ikke specifikt var trænet for), hvor forfatterne rapporterer, at det kunne deaktivere ikke-essentielle cookies for 91% af webstederne.

Den anden test bestod af en online brugerundersøgelse, der omfattede 14 websteder, og brugte System Usability Scale (score) mod en manuel baseline. For denne test rapporterer forfatterne, at CookieEnforcer opnåede en 15% højere score end baseline.

CookieEnforcer giver en 15% højere score end baseline (ikke-aided) brug, samtidig med at det automatiserer en irriterende proces.

Til sidst blev CookieEnforcers trænede parametre testet mod de top 5000 websteder i USA og Europa for at bestemme dets evne til at navigere cookie-meddelelser. Forfatterne skriver:

‘ Mens målinger på denne skala er blevet udført før, giver CookieEnforcer en dybere forståelse af mulighederne ud over nøgleordsbaserede heuristikker. I særdeleshed finder vi, at 16,7% af webstederne i Storbritannien, der viser cookie-meddelelser, har aktiveret mindst ét ikke-essentiel cookie. Det samme tal for websteder i USA er 22%.’

Forfatterne har udgivet en kort YouTube-video, der viser CookieEnforcer i aktion:

Udgivet første gang den 12. april 2022.