Une méthode d’apprentissage automatique pour bloquer les publicités en fonction du comportement local du navigateur

Des chercheurs en Suisse et aux États-Unis ont élaboré une nouvelle approche d’apprentissage automatique pour la détection du matériel publicitaire sur les sites Web, basée sur la façon dont ce matériel interagit avec le navigateur, plutôt que par l’analyse de son contenu ou de son comportement réseau – deux approches qui se sont avérées inefficaces à long terme face au cloaking CNAME (voir ci-dessous).

Intitulé WebGraph, le cadre utilise une approche d’apprentissage automatique basée sur un graphique pour détecter le contenu promotionnel en se concentrant sur les activités essentielles du réseau publicitaire – y compris les tentatives de télémétrie et le stockage local du navigateur – de telle sorte que la seule technique d’évasion efficace serait de ne pas effectuer ces activités.

Bien que les approches précédentes aient obtenu des taux de détection légèrement plus élevés que WebGraph, elles sont toutes sensibles aux techniques d’évasion, tandis que WebGraph est capable d’atteindre 100 % d’intégrité face à des réponses adverses, y compris des réponses hypothétiques plus sophistiquées qui pourraient émerger face à cette nouvelle méthode de blocage des publicités.

Le document est dirigé par deux chercheurs de l’Institut fédéral suisse de technologie, en collaboration avec des chercheurs de l’Université de Californie, Davis et de l’Université de l’Iowa.

Au-delà d’AdGraph

Le travail est une évolution d’une initiative de recherche de 2020 avec le navigateur Brave appelée AdGraph, qui comprenait deux des chercheurs de la nouvelle étude.

Comparaison d’AdGraph vs. WebGraph, avec des lignes pointillées représentant les innovations architecturales sur l’approche précédente. Source: https://arxiv.org/pdf/2107.11309.pdf

AdGraph repose sur les fonctionnalités (du contenu) dérivées de l’analyse des URL, comme clé pour la détection du matériel commercial. Cependant, ces fonctionnalités représentent un seul point de défaillance potentiel pour les adversaires cherchant à détecter la présence de systèmes de détection de publicités, et à formuler des méthodes pour les contourner. Cette dépendance à l’égard des propriétés de contenu rend AdGraph essentiellement une version mécanisée des approches basées sur des listes de filtres créées manuellement, partageant leurs faiblesses.

Cloaking CNAME

Le matériel provenant du domaine d’un site Web tombe dans une catégorie « de confiance », dans la mesure où le domaine lui-même est de confiance. Pour un site Web à haute autorité, il y a une prime précieuse à exécuter des campagnes publicitaires qui présentent du matériel qui semble être hébergé par le site d’autorité lui-même, puisque cette publicité est insensible aux listes de filtres de blocage de publicités et même à l’approche AdGraph de 2020.

Cependant, les campagnes personnalisées sont difficiles à négocier, coûteuses à mettre en œuvre et vont à l’encontre des principes fondamentaux du modèle de publicité en réseau développé au cours des 25 dernières années, où une plate-forme tiers insère du code directement dans le site hôte, généralement « mettant aux enchères » l’espace publicitaire en microsecondes en fonction de la désirabilité des mots clés et d’autres facteurs.

Depuis que presque tous les systèmes de blocage des publicités reposent sur le matériel tiers des pages Web (c’est-à-dire les éléments hébergés sur des domaines « étrangers »), les annonceurs se défendent avec des techniques de cloaking CNAME au cours des cinq dernières années. Le cloaking CNAME trompe les traceurs en leur faisant croire qu’un sous-domaine du site hôte (c’est-à-dire information.example.com au lieu d’exemple.com) est un véritable adjoint du site, alors qu’en réalité il s’agit d’un mécanisme de serveur de publicités proxy convenu avec des fournisseurs de publicité tiers.

En mars 2021, une étude a révélé que les incidents de cloaking CNAME ont augmenté de 22 % entre 2018 et 2020, avec près de 10 % des sites Web du top 10 000 de Tranco utilisant au moins un suiveur basé sur CNAME en octobre 2020.

Discounting Trust in URLs

Les techniques de tromperie CNAME impliquent la manipulation des URL impliquées dans le processus de diffusion de la publicité. Tout système de blocage des publicités qui fait confiance à la chaîne d’URL sera sujet à la manipulation et à l’évasion. Par conséquent, WebGraph modifie aléatoirement les URL fournies dans un processus (y compris les chaînes de requête, le nombre de paramètres et les noms de paramètres), en recherchant des modèles d’utilisation plutôt que des URL spécifiques interdites ou acceptées.

Le système doit prendre en compte deux configurations courantes dans une architecture de diffusion de la publicité: l’une, où l’hôte collabore directement avec l’annonceur; et une deuxième (plus courante) où l’annonceur fournit une coopération limitée en raison de la nécessité de se protéger contre la manipulation par ses clients.

Dans les approches basées sur des listes, y compris AdGraph, la manipulation réussie de l’URL par le système de diffusion de la publicité est presque une victoire complète, attribuant une provenance « locale » à la publicité, et échappant ainsi à presque toutes les tentatives de bloquer systématiquement le contenu publicitaire.

Qu’est-ce qui reste, en termes de signature? WebGraph se concentre plutôt sur la nécessité pour les systèmes publicitaires de partager des informations par divers moyens semi-obscurcis, tels que des traceurs Web, des communications entre des iframes et des « écouteurs » Web, qui sondent constamment l’état actif de la page hôte pour une activité significative en termes de mesures Web pour la publicité. Une telle activité comprend le stockage de variables dans des cookies ou un stockage local basé sur HTML5.

WebGraph utilise le cadre de mesure de confidentialité Web de Mozilla (OpenWPM) pour suivre une telle activité dans Firefox. Il capture toute l’activité à la couche JavaScript et toutes les requêtes réseau sortantes, ainsi que leurs réponses, à la couche réseau.

Cette surveillance supplémentaire introduit de nouvelles « arêtes de flux d’informations » dans le réseau de graphiques précédemment proposé par AdGraph, permettant à WebGraph d’enregistrer et de quantifier explicitement les modèles de partage d’informations basés sur l’activité locale, et indépendamment de l’origine et de la destination des URL pour la télémétrie ou d’autres types de communications internes dans les systèmes de diffusion de la publicité.

Résultats

Les chercheurs ont utilisé une version étendue d’OpenWPM pour parcourir systématiquement 10 000 sites Web issus des 100 000 premiers sites d’Alexa, et un échantillon aléatoire de 9 000 sites classés entre 1 000 et 100 000, en stockant leurs représentations graphiques avant de transmettre les résultats à un classificateur d’arbre de décision modélisé sur la conception originale d’AdGraph, et en utilisant des listes de filtres de publicités populaires comme vérité de base. De cette façon, un ensemble de données a été construit pour la formation du modèle principal.

Le système a obtenu des résultats comparables à ceux d’AdGraph, avec une précision de 92,33 %. Cependant, la résilience du nouveau système face à la résistance adverse passe d’un taux de défaillance presque complet pour AdGraph à seulement 8 % de sensibilité sous WebGraph.

Directions futures

L’article soutient que les réseaux publicitaires devraient restructurer considérablement leurs systèmes pour échapper à la détection face à l’approche WebGraph, et suggère que de tels changements nécessiteraient un examen de la relation de confiance actuellement circonspecte entre les annonceurs tiers et les sites hôtes sur lesquels leurs publicités apparaissent.

L’article note également que WebGraph ne prend pas en compte les techniques de suivi sans état telles que l’empreinte digitale du navigateur (via l’élément Canvas), qui utilisent des API que le système ne surveille pas actuellement. Les chercheurs suggèrent que WebGraph peut être étendu à l’avenir pour prendre en compte également ces types d’interactions et de signaux de stockage local.