Memerangi Adblock-Blocking dengan Machine Learning

Inisiatif penelitian baru dari AS dan Pakistan telah mengembangkan metode berbasis machine learning untuk mengidentifikasi situs web yang resisten terhadap teknologi adblocking dan privasi-penghematan lainnya, serta membedakan teknik yang digunakan oleh situs tersebut untuk ‘menggabungkan’ asal iklan dan konten nyata, sehingga konten tidak dapat dilihat jika iklan diblokir.

Teknologi adblocking baru yang dikembangkan dari temuan ini dapat mengakhiri insiden di mana konten utama artikel tidak dapat dilihat ketika iklan diblokir, menyediakan metode otomatis untuk memisahkan sumber daya iklan dan skrip, bukan pendekatan manual yang saat ini digunakan oleh kerangka kerja adblocking populer.

Penulis melakukan studi skala besar tentang ‘sumber daya campuran’ pada 100.000 situs web, menemukan bahwa 17% domain, 48% host-name, 6% skrip, dan 9% metode pengiriman konten sengaja menggabungkan fungsi pelacakan (yaitu iklan) dengan proses yang mengirimkan konten nyata. Dalam kasus seperti itu, konten artikel akan menghilang untuk pengguna yang menggunakan perangkat lunak adblocking atau anti-pelacakan, memaksa pengguna untuk mematikan langkah-langkah ini untuk melihat konten.

Di sebagian besar kasus, ini tidak hanya berarti bahwa iklan akan terlihat lagi, tetapi juga bahwa pengguna akan dipaksa kembali ke sistem pelacakan lintas domain yang telah memicu kampanye privasi dalam beberapa tahun terakhir.

Penelitian baru ini menawarkan sistem yang dapat memisahkan komponen dari sumber daya web ‘campuran’ ini dengan akurasi 98%, memungkinkan solusi adblocking dan anti-pelacakan untuk memisahkan aliran-aliran ini dalam iterasi perangkat lunak mereka selanjutnya, dan sekali lagi memungkinkan akses konten pada halaman yang diblokir iklan.

Makalah baru ini berjudul TrackerSift: Untangling Mixed Tracking and Functional Web Resources, dan berasal dari peneliti di Virginia Tech dan UoC Davis di AS, dan FAST NUCES dan Lahore University of Management Sciences (LUMS) di Pakistan.

Perang Adblock

Sistem adblocking umumnya bergantung pada kebutuhan konten iklan dalam halaman web untuk berasal dari domain khusus – biasanya platform adtech dengan nama domain dan/atau alamat IP yang dapat diklasifikasikan sebagai ‘iklan pihak ketiga’, memungkinkan pengembangan daftar blokir yang tidak akan merender konten dari asal tersebut di dalam halaman web.

Selain itu, nama sumber daya khusus iklan, seperti skrip, dapat ditambahkan ke daftar blokir sehingga mereka tidak akan dijalankan bahkan dalam kasus di mana asal mereka telah disengaja disembunyikan. Skema penamaan skrip yang dihasilkan secara sistematis seringkali konsisten, memungkinkan pengenalan dan daftar blokir.

Karena iklan yang ditampilkan dalam halaman web sering dipilih dalam beberapa milidetik terakhir dari waktu muat halaman melalui proses lelang dinamis (berdasarkan kata kunci yang ditemukan di halaman, metrik target kampanye, dan banyak faktor lain), tidak praktis untuk menyimpan iklan pada domain host, yang pada teori akan menghalangi adblocker dari menyembunyikan konten komersial.

Semakin banyak, situs web melawan kembali adblocking melalui CNAME Cloaking – penggunaan subdomain dari domain ‘asli’ sebagai proksi ke server iklan (yaitu, content.example.com akan melayani iklan ke example.com, bahkan jika subdomain tidak memiliki tujuan lain selain melayani iklan, dan tidak dipelihara oleh situs web host, tetapi oleh pengiklan mereka).

Namun, metode ini dapat diukur dan diblokir dengan membedakan konten subdomain sebagai iklan, atau menggunakan teknik analisis jaringan untuk mengidentifikasi hubungan subdomain yang tidak biasa dan tidak teratur dengan domain inti.

TrackerSift

Makalah penulis ini mengusulkan TrackerSift, platform untuk menganalisis sumber daya jaringan yang diambil oleh situs web, dan kemudian mengkategori ulang sumber daya campuran menjadi ‘konten’ dan ‘iklan’. Pada tingkat analisis yang paling umum, TrackerSift merekam permintaan jaringan dasar untuk sumber daya, seperti konten iklan yang diambil dari Jaringan Pengiriman Konten (CDN) atau platform iklan; tetapi kemudian melakukan analisis tingkat kode, dan membedakan fungsi dari berbagai jenis panggilan kode dan prosedur.

TrackerSift’s analysis hierarchy, from tracking resources (red) through to necessary functional resources (green). Mixed resources, which are likely to lead to content obfuscation (yellow) are subjected to deeper analysis. Source: https://arxiv.org/pdf/2108.13923.pdf

Data

Untuk mendapatkan dataset yang memungkinkan TrackerSift, penulis melakukan pencarian 100.000 situs web yang dipilih secara acak dari daftar Tranco top-million 2018. Selenium browser automation digunakan bersama dengan Google Chrome untuk melakukan tugas.

Jaringan web-crawling didasarkan pada situs universitas di Amerika Utara, yang terdiri dari klaster 13-node dengan 112 core, 52 terabyte penyimpanan, dan 823 gigabyte RAM operasional di seluruh sistem.

Setiap node berbasis pada kontainer Docker dan didedikasikan untuk meng-crawl subset dari 100.000 halaman web yang dipilih, dengan jeda programatis untuk keberlanjutan, dan penghapusan semua cookie dan pengidentifikasi saat memuat domain baru, untuk memastikan sesi sebelumnya dan keadaan tidak mempengaruhi keterbacaan domain berikutnya.

Skrip Campuran

Hasil penelitian menunjukkan penggunaan ekstensif script bundling, di mana platform iklan dan host konten sengaja menggabungkan skrip berbasis konten dan skrip berbasis iklan menjadi ‘uberskrip’ yang akan menghalangi tampilan konten jika diblokir. Sebagai contoh, penulis mencatat bahwa pressl.co melayani skrip web yang digabungkan melalui platform penggabungan JavaScript WebPack, yang berisi piksel pelacakan Facebook, dan juga kode yang memungkinkan rendering konten nyata.

Selain itu, makalah ini mencatat bahwa sejumlah domain bersedia menyematkan skrip langsung ke dalam kode halaman web, membuatnya perlu bagi kerangka kerja adblocking untuk menangani fungsionalitas dalam skrip, bukan hanya mencegah skrip dari memuat berdasarkan URL sumber pihak ketiga.

Dengan membedakan metode ini, jalur yang jelas untuk pemisahan sistematis kode tersebut menjadi kategori konten dan iklan, dan potensi pemulihan tampilan konten dalam lingkungan yang diblokir iklan.

Meskipun solusi adblocking yang ada, seperti NoScript, AdGuard, uBlock Origin, dan Firefox Smartblock menggunakan skrip pengganti yang membedakan skrip yang digabungkan menjadi skrip komponen yang dapat diblokir, skrip ini masih bergantung pada penulisan ulang manual skrip, yang menyebabkan perang dingin yang berkelanjutan antara pemblokir dan teknik yang terus berubah yang memecahkan mereka. Sebaliknya, TrackerSift menawarkan metode programatis potensial untuk dekomposisi konten campuran.