Eine Machine-Learning-Methode zum Blockieren von Anzeigen auf der Grundlage des lokalen Browser-Verhaltens

Forscher in der Schweiz und den USA haben einen neuen Machine-Learning-Ansatz zur Erkennung von Werbematerial auf Webseiten entwickelt, der auf die Interaktionen zwischen dem Material und dem Browser basiert, anstatt auf die Analyse des Inhalts oder des Netzwerkverhaltens – zwei Ansätze, die sich langfristig als unwirksam gegenüber CNAME-Cloaking (siehe unten) erwiesen haben.

Das Framework, das als WebGraph bezeichnet wird, verwendet einen graph-basierten AI-Ansatz zum Blockieren von Anzeigen, um Werbematerial durch die Konzentration auf wesentliche Aktivitäten des Netzwerkmarketings – einschließlich Telemetrieversuchen und lokaler Browser-Speicherung – zu erkennen, sodass die einzige wirksame Ausweichstrategie darin bestünde, diese Aktivitäten nicht durchzuführen.

Obwohl frühere Ansätze leicht höhere Erkennungsraten als WebGraph erzielt haben, sind alle davon anfällig für Ausweichstrategien, während WebGraph in der Lage ist, eine Integrität von fast 100% gegenüber adversarialen Reaktionen zu erreichen, einschließlich komplexerer hypothetischer Reaktionen, die im Rahmen dieses neuen Ansatzes zum Blockieren von Anzeigen auftreten könnten.

Die Studie wird von zwei Forschern des Schweizerischen Bundesinstituts für Technologie in Zusammenarbeit mit Forschern der University of California, Davis und der University of Iowa geleitet.

Jenseits von AdGraph

Die Arbeit ist eine Weiterentwicklung einer 2020 initiierten Forschungsinitiative mit dem Brave-Browser namens AdGraph, an der zwei der Forscher der neuen Studie beteiligt waren.

Vergleich von AdGraph und WebGraph, wobei gestrichelte Linien architektonische Neuerungen im Vergleich zum vorherigen Ansatz darstellen. Quelle: https://arxiv.org/pdf/2107.11309.pdf

AdGraph basiert auf (Werbungs-)Inhalten Features, die aus der Analyse von URLs abgeleitet werden, als Schlüssel zur Erkennung von kommerziellem Material. Diese Features stellen jedoch einen einzelnen potenziellen Schwachpunkt für Angreifer dar, die versuchen, die Anwesenheit von Ad-Blocker-Systemen zu erkennen und Methoden zu entwickeln, um sie zu umgehen. Diese Abhängigkeit von Inhalt Eigenschaften macht AdGraph im Wesentlichen zu einer mechanisierten Version von manuell kuratierten Filter-Listen-Ansätzen, die ihre Schwächen teilt.

CNAME-Cloaking

Material, das von der eigenen Domain einer Website stammt, fällt in eine “vertrauenswürdige” Kategorie, soweit die Domain selbst vertrauenswürdig ist. Für eine Website mit hoher Autorität gibt es einen wertvollen Vorteil, wenn Werbekampagnen durchgeführt werden, die Material enthalten, das scheint, von der Autoritäts-Website selbst gehostet zu werden, da solche Werbung immun gegen filterbasierte Ad-Blocker-Listen und sogar gegen den AdGraph-Ansatz von 2020 ist.

Es ist jedoch schwierig, individuelle Kampagnen zu verhandeln, teuer, sie umzusetzen, und sie widersprechen den grundlegenden Prinzipien des Netzwerkmarketings, das in den letzten 25 Jahren entwickelt wurde, bei dem ein Drittanbieter-Plattform Code direkt in die Host-Website einfügt, in der Regel “Auktionen” des Werbeplatzes in Mikrosekunden basierend auf Schlüsselwort-Begehren und verschiedenen anderen Faktoren.

Da fast alle Ad-Blocker-Systeme auf Drittmaterial in Webseiten (d. h. Elemente, die auf “fremden” Domains gehostet werden) basieren, haben Werbetreibende in den letzten fünf Jahren mit CNAME-Cloaking-Techniken gekämpft. CNAME-Cloaking täuscht Tracker über die tatsächliche Herkunft des Materials, indem es so tut, als ob ein Subdomain der Host-Website (z. B. information.example.com anstelle von example.com) ein echter Teil der Website sei, obwohl es in Wirklichkeit ein Proxy-Ad-Server-Mechanismus ist, der mit Drittanbieter-Werbetreibenden vereinbart wurde.

Im März 2021 zeigte eine Studie auf, dass CNAME-Cloaking-Vorfälle zwischen 2018 und 2020 um 22% zugenommen haben, wobei fast 10% der Top-10.000-Websites von Tranco mindestens einen CNAME-basierten Tracker im Oktober 2020 einsetzten.

Vertrauen in URLs abbauen

CNAME-Täuschungstechniken beinhalten die Manipulation von URLs, die am Ad-Server-Prozess beteiligt sind. Jedes Ad-Blocker-System, das dem URL-Chain vertraut, ist anfällig für Manipulation und Ausweichstrategien. Daher ändert WebGraph die bereitgestellten URLs zufällig in einem Prozess (einschließlich Abfragezeichenfolgen, Anzahl der Parameter und Parameternamen), um Muster des Gebrauchs anstelle spezifischer verbotener oder akzeptierter URLs zu suchen.

Das System muss zwei gängige Konfigurationen in einer Ad-Server-Architektur berücksichtigen: eine, in der der Host direkt mit dem Werbetreibenden kolludiert; und eine zweite (häufigere) Situation, in der der Werbetreibende aufgrund des Bedarfs, sich selbst vor Manipulation durch seine Kunden zu schützen, nur begrenzte Kooperation leistet.

Bei listenbasierten Ansätzen, einschließlich AdGraph, ist eine erfolgreiche URL-Manipulation durch das Ad-Server-System fast ein vollständiger Sieg, da sie “lokale” Herkunft des Materials zuweist und damit fast alle Versuche, Werbematerial systematisch zu blockieren, umgeht.

Was bleibt als Signatur übrig? WebGraph konzentriert sich stattdessen auf die Notwendigkeit von Werbesystemen, Informationen durch halbverdeckte Mittel wie Web-Tracker, Kommunikation zwischen Iframes und Web-“Hörern” auszutauschen, die ständig den Live-Zustand der Host-Seite für Aktivitäten abfragen, die in Bezug auf Web-Metriken für die Anzeige bedeutungsvoll sind. Solche Aktivitäten umfassen die Speicherung von Variablen in Cookies oder HTML5-basiertem lokalen Speicher.

WebGraph verwendet Mozillas Web-Privacy-Measurement- (OpenWPM-Framework), um solche Aktivitäten in Firefox zu verfolgen. Es erfasst alle Aktivitäten auf der JavaScript-Ebene und alle ausgehenden Netzwerkanfragen sowie deren Antworten auf der Netzwerkebene.

Diese zusätzliche Überwachung führt neue “Informationsfluss”-Kanten zum Graph-Netzwerk ein, das zuvor von AdGraph vorgeschlagen wurde, und ermöglicht es WebGraph, Informationsaustauschmuster auf der Grundlage lokaler Aktivitäten explizit aufzuzeichnen und zu quantifizieren, unabhängig von Ursprungs- und Ziel-URLs für Telemetrie oder andere Arten von Kommunikation in Werbesystemen.

Ergebnisse

Die Forscher verwendeten eine erweiterte Version von OpenWPM, um systematisch 10.000 Websites aus den Top-100.000-Sites von Alexa und einer zufälligen Stichprobe von 9.000 Sites, die zwischen 1.000 und 100.000 rangierten, zu durchsuchen und ihre Graph-Darstellungen vor dem Übergeben der Ergebnisse an einen Entscheidungsbaum-Klassifizierer, der auf dem ursprünglichen Design von AdGraph basiert und populäre Ad-Filter-Listen als Grundwahrheit verwendet, zu speichern. Auf diese Weise wurde ein Datensatz für die Ausbildung des Kernmodells konstruiert.

Das System erzielte vergleichbare Ergebnisse wie AdGraph, mit einer Genauigkeit von 92,33%. Die Resistenz des neuen Systems gegenüber adversarialen Angriffen stieg jedoch von einem fast vollständigen Ausfall bei AdGraph auf nur 8% Anfälligkeit bei WebGraph.

Zukünftige Richtungen

Die Studie behauptet, dass Werbenetze ihre Systeme erheblich umarchitekturieren müssten, um der WebGraph-Methode auszuweichen, und schlägt vor, dass solche Änderungen eine Überprüfung der derzeitigen Vertrauensbeziehung zwischen Drittanbieter-Werbetreibenden und den Host-Sites, auf denen ihre Anzeigen erscheinen, erfordern würden.

Die Studie weist auch darauf hin, dass WebGraph keine stateless-Tracking-Techniken wie Browser-Fingerprinting (über das Canvas-Element) berücksichtigt, die APIs verwenden, die das System derzeit nicht überwacht. Die Forscher schlagen vor, dass WebGraph in Zukunft erweitert werden kann, um auch diese Arten von Interaktionen und lokale Speicher-Signale zu berücksichtigen.