Combattere l’adblock con il machine learning

Una nuova iniziativa di ricerca degli Stati Uniti e del Pakistan ha sviluppato un metodo basato sul machine learning per identificare i siti web che sono resistenti alle tecnologie di blocco degli annunci e di protezione della privacy, nonché per decostruire le tecniche utilizzate da tali siti per “confondere” le origini degli annunci e del contenuto reale, in modo che il contenuto non sia visualizzabile se gli annunci sono bloccati.

Le nuove tecnologie di blocco degli annunci sviluppate a partire da questi risultati potrebbero porre fine agli incidenti in cui il contenuto centrale di un articolo non è visualizzabile quando gli annunci sono bloccati, fornendo un metodo automatizzato per separare le risorse degli annunci e degli script, anziché il metodo manuale attualmente utilizzato dalle piattaforme di blocco degli annunci più diffuse.

Gli autori hanno condotto uno studio su larga scala di “risorse miste” su 100.000 siti web, scoprendo che il 17% dei domini, il 48% degli host, il 6% degli script e il 9% dei metodi di consegna del contenuto deliberatamente confondono la funzionalità di tracciamento (cioè pubblicitaria) con i processi che forniscono contenuto reale. In tali casi, il contenuto dell’articolo scomparirà per gli utenti che utilizzano software di blocco degli annunci o anti-tracciamento, costringendo l’utente a disattivare queste misure per visualizzare il contenuto.

Nella maggior parte dei casi, ciò non significa solo che gli annunci saranno nuovamente visibili, ma anche che gli utenti saranno costretti a tornare nei sistemi di tracciamento cross-domain che hanno inflammati i sostenitori della privacy negli ultimi anni.

La nuova ricerca offre un sistema in grado di separare i componenti di queste “risorse miste” con un’accuratezza del 98%, consentendo alle soluzioni di blocco degli annunci e anti-tracciamento di disentangolare i flussi in future iterazioni del loro software e di abilitare nuovamente l’accesso al contenuto sulle pagine bloccate.

Il nuovo documento si intitola TrackerSift: Untangling Mixed Tracking and Functional Web Resources e proviene da ricercatori della Virginia Tech e della UoC Davis negli Stati Uniti, e della FAST NUCES e della Lahore University of Management Sciences (LUMS) in Pakistan.

Le guerre dell’adblock

I sistemi di blocco degli annunci si basano in generale sulla necessità di avere contenuto pubblicitario in una pagina web che provenga da domini specifici e dedicati – generalmente piattaforme di tecnologia pubblicitaria con nomi di dominio e/o indirizzi IP che possono essere classificati come “pubblicità di terze parti”, consentendo lo sviluppo di elenchi di blocco che non renderanno il contenuto da tali origini all’interno di una pagina web.

Inoltre, i nomi di risorse specifiche degli annunci, come gli script, possono essere aggiunti agli elenchi di blocco in modo che non vengano eseguiti anche nei casi in cui le loro origini siano state deliberatamente oscurate. Le schemi di denominazione di tali script generati sistematicamente sono spesso coerenti, consentendo il riconoscimento e l’aggiunta agli elenchi di blocco.

Dal momento che un annuncio presente in una pagina web è frequentemente scelto negli ultimi millisecondi del caricamento della pagina tramite processi di asta dinamici (basati su parole chiave trovate nella pagina, metriche di targeting della campagna e molti altri fattori), non è pratico memorizzare gli annunci nel dominio host, il che in teoria impedirebbe ai blocchi degli annunci di nascondere il contenuto commerciale.

Le piattaforme web stanno sempre più combattendo contro il blocco degli annunci attraverso CNAME Cloaking – l’uso di sottodomini del dominio “autentico” come proxy per i server degli annunci (ad esempio, content.example.com servirà annunci a example.com, anche se il sottodominio non ha altro scopo se non servire annunci e non è mantenuto dal sito web host, ma piuttosto dai suoi inserzionisti).

Tuttavia, questo metodo può essere quantificato e bloccato distinguendo il contenuto del sottodominio come pubblicità, o utilizzando tecniche di analisi della rete per identificare la relazione anomala e irregolare del sottodominio con il dominio principale.

TrackerSift

Il documento degli autori propone TrackerSift, una piattaforma per analizzare le risorse di rete recuperate dai siti web e quindi ricategorizzare le risorse miste in “contenuto” e “pubblicità”. Al livello di analisi più generale, TrackerSift registra le richieste di rete di base per le risorse, come ad esempio il contenuto degli annunci recuperato da una rete di distribuzione del contenuto (CDN) o da una piattaforma pubblicitaria; ma poi si concentra sul contenuto delle risorse recuperate, eseguendo un’analisi a livello di codice e distinguendo le funzioni di vari tipi di chiamate di codice e procedure.

Gerarchia di analisi di TrackerSift, dalle risorse di tracciamento (rosse) alle risorse funzionali necessarie (verdi). Le risorse miste, che potrebbero portare all’oscuramento del contenuto (gialle), sono soggette a un’analisi più approfondita. Source: https://arxiv.org/pdf/2108.13923.pdf

Dati

Per ottenere il set di dati che alimenta TrackerSift, gli autori hanno setacciato 100.000 siti web casualmente selezionati dall’elenco Tranco top-million del 2018. Selenium browser automation è stato utilizzato insieme a Google Chrome per eseguire il compito.

La rete di web-crawling si basava su siti universitari in Nord America, composta da un cluster di 13 nodi con 112 core, 52 terabyte di archiviazione e 823 gigabyte di RAM operativa nell’intero sistema.

Ogni nodo era basato in un contenitore Docker e dedicato al crawling di un subset dei 100.000 siti web selezionati, con pause programmatiche per la sostenibilità e la completa cancellazione di tutti i cookie e identificatori quando si caricava un nuovo dominio, per assicurarsi che le sessioni e gli stati precedenti non influenzassero la leggibilità del dominio successivo.

Script misti

I risultati mostrano un uso estensivo di script bundling, dove le piattaforme pubblicitarie e gli host di contenuto deliberatamente concatenano script basati su contenuto e script basati su pubblicità in “uberscript” che ostacoleranno la visualizzazione del contenuto se bloccati. Ad esempio, gli autori notano che pressl.co serve uno script web concatenato tramite la piattaforma di concatenazione JavaScript WebPack, che contiene un pixel di tracciamento di Facebook e anche il codice che consente la visualizzazione del contenuto reale.

Inoltre, il documento nota che un certo numero di domini è disposto a incorporare script direttamente nel codice delle pagine web, rendendo necessario per le piattaforme di blocco degli annunci affrontare la funzionalità all’interno degli script, anziché semplicemente prevenire il caricamento dello script in base all’URL di origine di terze parti.

Localizzando questi metodi, la strada è chiara per la divisione sistematica di tale codice in categorie di contenuto e pubblicità, e il potenziale ripristino della visualizzazione del contenuto in ambienti bloccati.

Sebbene le soluzioni di blocco degli annunci esistenti, come NoScript, AdGuard, uBlock Origin e Firefox Smartblock utilizzino script surrogate che disassemblano tali script misti in script componenti bloccabili, questi dipendono da riscrittura manuale degli script, portando a una guerra fredda in corso tra i blocchi e le tecniche in continua evoluzione che li rompono. Al contrario, TrackerSift offre un metodo programmatico potenziale per la decomposizione del contenuto misto.