Un Metodo di Apprendimento Automatico per Bloccare la Pubblicità in Base al Comportamento del Browser Locale

I ricercatori in Svizzera e negli Stati Uniti hanno elaborato un nuovo approccio di apprendimento automatico per la rilevazione del materiale pubblicitario dei siti web, basato sul modo in cui tale materiale interagisce con il browser, piuttosto che analizzandone il contenuto o il comportamento di rete – due approcci che si sono rivelati inefficaci nel lungo termine di fronte al cloaking CNAME (vedi sotto).

Chiamato WebGraph, il framework utilizza un approccio di blocco della pubblicità basato su un grafo per rilevare il contenuto promozionale concentrandosi su attività essenziali della pubblicità di rete – compresi i tentativi di telemetria e l’archiviazione locale del browser – che l’unico efficace tecnica di evasione sarebbe quella di non condurre tali attività.

Sebbene gli approcci precedenti abbiano raggiunto tassi di rilevamento leggermente più alti rispetto a WebGraph, tutti sono soggetti a tecniche di evasione, mentre WebGraph è in grado di avvicinarsi al 100% di integrità di fronte a risposte avversarie, comprese quelle più sofisticate ipotizzate che potrebbero emergere di fronte a questo nuovo metodo di blocco della pubblicità.

Il paper è guidato da due ricercatori dell’Istituto federale svizzero di tecnologia, in collaborazione con ricercatori dell’Università della California, Davis e dell’Università dell’Iowa.

Oltre AdGraph

Il lavoro è uno sviluppo di un’iniziativa di ricerca del 2020 con il browser Brave chiamata AdGraph, che ha visto coinvolti due dei ricercatori del nuovo paper.

Confronto tra AdGraph e WebGraph, con linee tratteggiate che rappresentano innovazioni architettoniche rispetto all’approccio precedente. Fonte: https://arxiv.org/pdf/2107.11309.pdf

AdGraph si basa su (contenuto) caratteristiche, derivate dall’analisi degli URL, come chiave per la rilevazione del materiale commerciale. Tuttavia, queste caratteristiche rappresentano un singolo punto potenziale di fallimento per gli avversari che cercano di rilevare la presenza di sistemi di rilevamento della pubblicità, e formulare metodi per eluderle. Questa dipendenza dalle proprietà del contenuto rende AdGraph essenzialmente una versione meccanizzata di approcci basati su elenchi di filtri curati manualmente, condividendone le debolezze.

Cloaking CNAME

Il materiale originato da un dominio del sito web rientra in una categoria ‘affidabile’, nella misura in cui il dominio stesso è affidabile. Per un sito web ad alta autorità, c’è un premio prezioso nel gestire campagne pubblicitarie che presentano materiale che appare essere ospitato dal sito di autorità stesso, poiché tale pubblicità è immune a elenchi di blocco della pubblicità basati su filtri e anche all’approccio AdGraph del 2020.

Tuttavia, le campagne personalizzate sono difficili da negoziare, costose da implementare e contrarie ai principi fondamentali del modello di pubblicità di rete sviluppato negli ultimi 25 anni, in cui una piattaforma di terze parti inserisce codice direttamente nel sito host, di solito ‘aste’ lo slot pubblicitario in microsecondi in base alla desiderabilità delle parole chiave e ad altri fattori.

Dal momento che quasi tutti i sistemi di blocco della pubblicità si basano su materiale di terze parti nelle pagine web (cioè elementi ospitati su domini ‘alieni’), gli inserzionisti hanno combattuto con tecniche di cloaking CNAME negli ultimi cinque anni. Il cloaking CNAME inganna i traccianti facendogli credere che un sottodominio del sito host (ad esempio information.example.com invece di example.com) sia un’autentica estensione del sito, quando in realtà è un meccanismo di servizio pubblicitario proxy organizzato con fornitori di pubblicità di terze parti.

In marzo 2021, uno studio ha rivelato che gli incidenti di cloaking CNAME sono aumentati del 22% tra il 2018 e il 2020, con quasi il 10% dei primi 10.000 siti web di Tranco che utilizzavano almeno un tracciamento basato su CNAME entro ottobre 2020.

Svalutazione della Fiducia negli URL

Le tecniche di inganno CNAME coinvolgono la manipolazione degli URL coinvolti nel processo di servizio pubblicitario. Qualsiasi sistema di blocco della pubblicità che si fida della catena di URL sarà soggetto a manipolazione ed elusione. Pertanto, WebGraph cambia casualmente gli URL forniti in un processo (inclusi stringhe di query, numero di parametri e nomi dei parametri), cercando modelli di utilizzo piuttosto che URL specifici vietati o accettati.

Il sistema deve considerare due configurazioni comuni in un’architettura di servizio pubblicitario: una, in cui l’host collabora direttamente con l’inserzionista; e una seconda (più comune) in cui l’inserzionista fornisce una cooperazione limitata a causa della necessità di proteggersi contro la manipolazione da parte dei propri clienti.

Negli approcci basati su elenchi, compreso AdGraph, la manipolazione degli URL di successo da parte del sistema di servizio pubblicitario è quasi una vittoria completa, assegnando ‘provenienza locale’ alla pubblicità e quindi eludendo quasi tutti i tentativi di blocco sistematico del contenuto pubblicitario.

Cosa rimane, in termini di firma? WebGraph si concentra invece sulle esigenze dei sistemi pubblicitari di condividere informazioni attraverso vari mezzi semi-oscurati, come traccianti web, comunicazioni tra iframe e ‘listener’ web, che sono costantemente in ascolto dello stato live della pagina host per attività significative in termini di metriche web per la pubblicità. Tale attività include l’archiviazione di variabili in cookie o archiviazione locale basata su HTML5.

WebGraph utilizza il framework di misurazione della privacy web di Mozilla (OpenWPM) per tracciare tale attività in Firefox. Cattura tutta l’attività al livello JavaScript e tutte le richieste di rete in uscita e le loro risposte, al livello di rete.

Questa ulteriore indagine introduce nuovi ‘bordi di flusso di informazioni’ alla rete di grafi precedentemente proposta da AdGraph, consentendo a WebGraph di registrare e quantificare esplicitamente modelli di condivisione di informazioni basati sull’attività locale, e indipendentemente dall’origine e dalla destinazione degli URL per telemetria o altre comunicazioni interne ai sistemi di servizio pubblicitario.

Risultati

I ricercatori hanno utilizzato una versione estesa di OpenWPM per eseguire il crawl sistematico di 10.000 siti web presi dai primi 100.000 siti di Alexa e un campione casuale di 9.000 siti classificati tra 1k-100k, archiviando le loro rappresentazioni grafiche prima di passare i risultati a un classificatore albero decisionale modellato sul design originale di AdGraph, e utilizzando elenchi di filtri popolari come verità di riferimento. In questo modo, è stato costruito un set di dati per l’addestramento del modello principale.

Il sistema ha raggiunto risultati paragonabili a quelli di AdGraph, con un’accuratezza del 92,33%. Tuttavia, la resilienza del nuovo sistema alle resistenze avversarie sale da un tasso di fallimento quasi completo per AdGraph all’8% di suscettibilità sotto WebGraph.

Direzioni Future

Il paper sostiene che le reti pubblicitarie dovrebbero notevolmente riarchitetture i loro sistemi per evitare la rilevazione di fronte all’approccio WebGraph, e suggerisce che tali cambiamenti richiederebbero una revisione dell’attuale relazione di fiducia tra inserzionisti di terze parti e i siti host in cui appaiono i loro annunci.

Il paper nota anche che WebGraph non tiene conto di tecniche di tracciamento senza stato come il fingerprinting del browser (tramite l’elemento Canvas), che utilizzano API che il sistema non monitora attualmente. I ricercatori suggeriscono che WebGraph può essere esteso in futuro per tenere conto anche di quei tipi di interazioni e segnali di archiviazione locale.