Bekämpfung von Adblock-Blockierern mit Machine Learning

Eine neue Forschungsinitiative aus den USA und Pakistan hat eine methode auf Basis von Machine Learning entwickelt, um Webseiten zu identifizieren, die resistent gegen Adblocker und andere Technologien zum Schutz der Privatsphäre sind, sowie um die Techniken zu dekonstruieren, die solche Seiten verwenden, um die Herkunft von Anzeigen und echtem Inhalt zu “vermischen”, sodass der Inhalt nicht angezeigt wird, wenn Anzeigen blockiert werden.

Neue Adblock-Technologien, die aufgrund der Forschungsergebnisse entwickelt werden, könnten ein Ende machen mit Vorfällen, bei denen der zentrale Inhalt eines Artikels nicht angezeigt wird, wenn Anzeigen blockiert werden, und bieten eine automatisierte Methode, um Anzeigen- und Skript-Ressourcen zu trennen, anstatt der manuellen Methode, die derzeit von beliebten Adblock-Frameworks verwendet wird.

Die Autoren führten eine groß angelegte Studie über “gemischte Ressourcen” auf 100.000 Webseiten durch und fanden heraus, dass 17% der Domains, 48% der Host-Namen, 6% der Skripte und 9% der Content-Delivery-Methoden absichtlich Tracking-Funktionalität (d.h. Werbung) mit Prozessen vermischen, die echten Inhalt liefern. In solchen Fällen wird der Artikel-Inhalt für Benutzer, die Adblocker oder Anti-Tracking-Software verwenden, verschwinden, was den Benutzer dazu zwingt, diese Maßnahmen zu deaktivieren, um den Inhalt anzusehen.

In den meisten Fällen bedeutet dies nicht nur, dass Anzeigen wieder sichtbar werden, sondern auch, dass Benutzer wieder in die cross-domain-Tracking-Systeme zurückgeführt werden, die in den letzten Jahren Privatsphäre-Aktivisten aufgebracht haben.

Die neue Forschung bietet ein System, das in der Lage ist, die Komponenten dieser “gemischten” Web-Ressourcen mit einer Genauigkeit von 98% zu trennen, was Adblock- und Anti-Tracking-Lösungen die Chance gibt, die Ströme in späteren Iterationen ihrer Software zu entwirren und den Zugriff auf Inhalte auf blockierten Seiten wieder zu ermöglichen.

Der neue Artikel trägt den Titel TrackerSift: Entwirrung von gemischten Tracking- und funktionalen Web-Ressourcen und stammt von Forschern der Virginia Tech und der UoC Davis in den USA sowie der FAST NUCES und der Lahore University of Management Sciences (LUMS) in Pakistan.

Die Adblock-Kriege

Adblock-Systeme verlassen sich im Allgemeinen auf die Notwendigkeit, dass Werbeinhalte auf einer Webseite von bestimmten, dedizierten Domains stammen – in der Regel Adtech-Plattformen mit Domain-Namen und/oder IP-Adressen, die als “Drittanbieter-Werbung” klassifiziert werden können, was die Entwicklung von Blocklisten ermöglicht, die Inhalte von diesen Ursprüngen innerhalb einer Webseite nicht rendern.

Darüber hinaus können die Namen von ad-spezifischen Ressourcen, wie Skripten, zu Blocklisten hinzugefügt werden, sodass diese nicht ausgeführt werden, auch wenn ihre Ursprünge absichtlich verschleiert wurden. Die Namensschemata solcher systematisch generierten Skripte sind oft konsistent, was die Erkennung und Blockierung ermöglicht.

Da eine Anzeige in einer Webseite häufig in den letzten Millisekunden des Ladevorgangs über dynamische Auktionsprozesse (basierend auf Schlüsselwörtern, die in der Seite gefunden werden, Zielgruppenmetriken und vielen anderen Faktoren) ausgewählt wird, ist es nicht praktikabel, Anzeigen auf dem Host-Domain zu speichern, was Adblockern theoretisch den Zugriff auf kommerzielle Inhalte verwehren würde.

Immer mehr Webseiten kämpfen gegen Adblocker mit CNAME-Cloaking – der Verwendung von Subdomains der “authentischen” Domain als Proxys für Ad-Server (d.h. content.example.com dient Anzeigen für example.com, obwohl die Subdomain keinen anderen Zweck hat, als Anzeigen zu servieren, und nicht von der Host-Webseite, sondern von ihren Werbetreibenden verwaltet wird).

Dieser Ansatz kann jedoch quantifiziert und blockiert werden, indem man den Inhalt der Subdomain als Werbung identifiziert oder Netzwerkanalysetechniken verwendet, um die anomale und unregelmäßige Beziehung der Subdomain zur Kern-Domain zu erkennen.

TrackerSift

Der Artikel der Autoren schlägt TrackerSift vor, eine Plattform, um Netzwerkressourcen zu analysieren, die von Webseiten abgerufen werden, und dann gemischte Ressourcen in “Inhalt” und “Werbung” zu recategorisieren. Auf der allgemeinsten Analyseebene zeichnet TrackerSift grundlegende Netzwerkanfragen für Ressourcen auf, wie z.B. Anzeigeninhalte, die von einem Content Delivery Network (CDN) oder einer Werbeplattform abgerufen werden; es bohrt sich jedoch tiefer in den Inhalt der abgerufenen Ressourcen ein, führt eine codebasierte Analyse durch und unterscheidet die Funktionen verschiedener Arten von Codeaufrufen und Prozeduren.

TrackerSift’s Analysehierarchie, von Tracking-Ressourcen (rot) bis hin zu notwendigen funktionalen Ressourcen (grün). Gemischte Ressourcen, die wahrscheinlich zu Inhaltsverwirrung führen (gelb), werden einer tieferen Analyse unterzogen. Quelle: https://arxiv.org/pdf/2108.13923.pdf

Daten

Um die Datenbank zu erhalten, die TrackerSift antreibt, durchsuchten die Autoren 100.000 zufällig ausgewählte Webseiten aus der Tranco-Top-Million-Liste von 2018. Selenium-Browser-Automatisierung wurde zusammen mit Google Chrome verwendet, um diese Aufgabe durchzuführen.

Das Web-Crawling-Netzwerk basierte auf Universitäts-Websites in Nordamerika und bestand aus einem 13-Knoten-Cluster mit 112 Kernen, 52 Terabyte Speicher und 823 Gigabyte Arbeitsspeicher im gesamten System.

Jeder Knoten basierte in einem Docker-Container und war für das Crawling eines Teils der 100.000 ausgewählten Webseiten verantwortlich, mit programmatischen Pausen für Nachhaltigkeit und vollständiger Löschung aller Cookies und Identifikatoren beim Laden einer neuen Domain, um sicherzustellen, dass vorherige Sitzungen und Zustände die Lesbarkeit der nächsten Domain nicht beeinflussten.

Gemischte Skripte

Die Ergebnisse zeigen eine umfassende Verwendung von Skript-Bündelung, bei der Werbeplattformen und Inhalts-Hosts absichtlich inhaltsbasierte und werbebasierte Skripte in “Überskripte” kombinieren, die die Anzeige von Inhalten behindern, wenn sie blockiert werden. Zum Beispiel vermerken die Autoren, dass pressl.co ein Web-Skript verwendet, das über die WebPack-JavaScript-Konkatenationsplattform gebündelt wird, das ein Facebook-Tracking-Pixel enthält und auch Code, der die Anzeige von echtem Inhalt ermöglicht.

Darüber hinaus vermerkt der Artikel, dass eine Reihe von Domains bereit sind, Skripte direkt in den Code von Webseiten einzubetten, was es für Adblock-Frameworks notwendig macht, die Funktionalität innerhalb der Skripte anzusprechen, anstatt einfach die Skriptausführung basierend auf der Drittanbieter-URL zu verhindern.

Indem diese Methoden lokalisiert werden, ist der Weg frei für eine systematische Aufteilung solcher Code in Inhalts- und Werbekategorien und das potenzielle Wiederherstellen der Inhaltsanzeige in umgebungen, in denen Anzeigen blockiert werden.

Obwohl bestehende Adblock-Lösungen wie NoScript, AdGuard, uBlock Origin und Firefox Smartblock Surrogat-Skripte verwenden, die solche gemischten Skripte in blockierbare Komponenten-Skripte zerlegen, hängen diese von manueller Skript-Neuschreibung ab, was zu einem anhaltenden Kalten Krieg zwischen den Blockern und den ständig wechselnden Techniken führt, die sie durchbrechen. Im Gegensatz dazu bietet TrackerSift eine potenzielle programmatische Methode für die Dekomposition von gemischten Inhalten.