Metode Pembelajaran Mesin untuk Memblokir Iklan Berdasarkan Perilaku Browser Lokal

Peneliti di Swiss dan AS telah mengembangkan pendekatan pembelajaran mesin baru untuk mendeteksi materi iklan situs web yang berdasarkan pada cara materi tersebut berinteraksi dengan browser, bukan dengan menganalisis konten atau perilaku jaringan – dua pendekatan yang telah terbukti tidak efektif dalam jangka panjang dalam menghadapi CNAME cloaking (lihat di bawah).

Dinamai WebGraph, kerangka kerja ini menggunakan pendekatan pemblokiran iklan berbasis grafik untuk mendeteksi konten promosi dengan memfokuskan pada kegiatan penting iklan jaringan – termasuk upaya telemetri dan penyimpanan browser lokal – sehingga satu-satunya teknik penghindaran yang efektif adalah tidak melakukan kegiatan tersebut.

Meskipun pendekatan sebelumnya telah mencapai tingkat deteksi yang sedikit lebih tinggi daripada WebGraph, semua pendekatan tersebut rentan terhadap teknik penghindaran, sedangkan WebGraph dapat mendekati 100% integritas dalam menghadapi respons adversarial, termasuk respons hipotetis yang lebih canggih yang mungkin muncul dalam menghadapi metode pemblokiran iklan baru ini.

Makalah ini dipimpin oleh dua peneliti dari Institut Teknologi Federal Swiss, bersama dengan peneliti dari Universitas California, Davis dan Universitas Iowa.

Di Luar AdGraph

Kerja ini merupakan pengembangan dari inisiatif penelitian 2020 dengan browser Brave yang disebut AdGraph, yang menampilkan dua peneliti dari makalah baru.

Perbandingan AdGraph vs. WebGraph, dengan garis putus-putus yang mewakili inovasi arsitektur pada pendekatan sebelumnya. Sumber: https://arxiv.org/pdf/2107.11309.pdf

AdGraph bergantung pada (konten iklan) fitur, yang diperoleh dari analisis URL, sebagai kunci untuk mendeteksi materi komersial. Namun, fitur-fitur ini mewakili satu titik kegagalan potensial bagi lawan yang mencari untuk mendeteksi kehadiran sistem pendeteksi iklan, dan merumuskan metode untuk menghindarinya. Ketergantungan ini pada properti konten membuat AdGraph secara esensial menjadi versi mekanis dari pendekatan berbasis daftar filter yang dikurasi secara manual, yang berbagi kelemahan mereka.

CNAME Cloaking

Materi yang berasal dari domain situs web sendiri jatuh ke dalam kategori ‘tepercaya’, sejauh domain itu sendiri dipercaya. Untuk situs web dengan otoritas tinggi, ada premi yang berharga dalam menjalankan kampanye iklan yang menampilkan materi yang terlihat dihost oleh situs otoritas itu sendiri, karena iklan tersebut kebal terhadap daftar filter pemblokiran iklan, dan bahkan terhadap pendekatan AdGraph 2020.

Namun, kampanye kustom sulit untuk dinegosiasikan, mahal untuk diimplementasikan, dan bertentangan dengan prinsip-prinsip dasar model iklan jaringan yang dikembangkan selama 25 tahun terakhir, di mana platform pihak ketiga memasukkan kode langsung ke situs host, biasanya ‘mengadakan lelang’ slot iklan dalam mikrodetik berdasarkan desirabilitas kata kunci dan faktor-faktor lain.

Sejak hampir semua sistem pemblokiran iklan bergantung pada materi pihak ketiga di halaman web (yaitu elemen yang dihost oleh domain ‘alien’), pengiklan telah melawan kembali dengan teknik CNAME cloaking selama lima tahun terakhir. CNAME cloaking menipu pelacak untuk percaya bahwa subdomain situs host (yaitu informasi.example.com bukan example.com) adalah tambahan yang sah untuk situs, ketika sebenarnya itu adalah mekanisme penyajian iklan proksi yang diatur dengan penyedia iklan pihak ketiga.

Pada Maret 2021, satu studi menunjukkan bahwa insiden CNAME cloaking meningkat sebesar 22% antara 2018 dan 2020, dengan hampir 10% dari situs web teratas 10.000 Tranco menggunakan setidaknya satu pelacak berbasis CNAME pada Oktober 2020.

Diskon Kepercayaan pada URL

Teknik penipuan CNAME melibatkan manipulasi URL yang terlibat dalam proses penyajian iklan. Setiap sistem pemblokiran iklan yang mempercayai rantai URL akan rentan terhadap manipulasi dan penghindaran. Oleh karena itu, WebGraph secara acak mengubah URL yang disediakan dalam proses (termasuk string kueri, jumlah parameter, dan nama parameter), mencari pola penggunaan daripada URL yang spesifik dilarang atau diterima.

Sistem ini harus mempertimbangkan dua konfigurasi umum dalam arsitektur penyajian iklan: satu, di mana host berkolusi langsung dengan pengiklan; dan yang kedua (lebih umum) di mana pengiklan memberikan kerja sama terbatas karena kebutuhan untuk melindungi diri dari manipulasi oleh klien.

Dalam pendekatan berbasis daftar, termasuk AdGraph, manipulasi URL yang sukses oleh sistem penyajian iklan hampir merupakan kemenangan lengkap, karena mengatribusikan ‘provenance lokal’ ke iklan, dan dengan demikian menghindari hampir semua upaya untuk memblokir konten iklan secara sistematis.

Apa yang tersisa, dalam hal tanda tangan? WebGraph fokus pada kebutuhan sistem iklan untuk berbagi informasi dengan berbagai cara semi-tersembunyi, seperti pelacak web, komunikasi antara iframe dan ‘pembaca’ web, yang terus-menerus memantau keadaan hidup halaman host untuk kegiatan yang bermakna dalam hal metrik web untuk iklan. Kegiatan tersebut termasuk penyimpanan variabel dalam cookie atau penyimpanan lokal berbasis HTML5.

WebGraph menggunakan Kerangka Pengukuran Privasi Web Mozilla (OpenWPM) untuk melacak kegiatan tersebut di Firefox. Ini menangkap semua kegiatan pada lapisan JavaScript, dan semua permintaan jaringan keluar, serta respons mereka, pada lapisan jaringan.

Pengawasan tambahan ini memperkenalkan ‘tepi aliran informasi’ baru ke jaringan grafik yang sebelumnya diusulkan oleh AdGraph, memungkinkan WebGraph untuk merekam dan mengukur pola berbagi informasi berdasarkan kegiatan lokal, dan tanpa memandang asal dan tujuan URL untuk telemetri atau komunikasi lainnya dalam sistem penyajian iklan.

Hasil

Peneliti menggunakan versi yang diperluas dari OpenWPM untuk merayapi secara sistematis 10.000 situs web yang diambil dari situs teratas 100.000 Alexa, dan sampel acak 9.000 situs yang berperingkat antara 1k-100k, menyimpan representasi grafik mereka sebelum mengirimkan hasilnya ke klasifikasi pohon keputusan yang dimodelkan pada desain asli AdGraph, dan menggunakan daftar filter iklan populer sebagai kebenaran dasar. Dengan cara ini, sebuah dataset dibangun untuk pelatihan model inti.

Sistem ini mencapai hasil yang setara dengan AdGraph, dengan akurasi 92,33%. Namun, ketahanan sistem baru terhadap perlawanan adversarial meningkat dari tingkat kegagalan hampir lengkap untuk AdGraph menjadi hanya 8% kerentanan di bawah WebGraph.

Arah Masa Depan

Makalah ini menyatakan bahwa jaringan iklan perlu mere-arsitektur sistem mereka secara signifikan untuk menghindari deteksi dalam menghadapi pendekatan WebGraph, dan menyarankan bahwa perubahan tersebut akan memerlukan tinjauan kembali hubungan kepercayaan yang ada antara pengiklan pihak ketiga dan situs host di mana iklan mereka muncul.

Makalah ini juga mencatat bahwa WebGraph tidak memperhitungkan teknik pelacakan tanpa status seperti fingerprinting browser (melalui elemen Canvas), yang menggunakan API yang tidak dipantau oleh sistem saat ini. Peneliti menyarankan bahwa WebGraph dapat diperluas di masa depan untuk memperhitungkan interaksi dan penanda penyimpanan lokal tersebut.