Een machine learning-methode om advertenties te blokkeren op basis van lokale browsergedrag

Onderzoekers in Zwitserland en de VS hebben een nieuwe machine learning-aanpak ontwikkeld voor de detectie van website-advertentie-materiaal dat gebaseerd is op de manier waarop dergelijk materiaal interacteert met de browser, in plaats van door de inhoud of netwerkgedrag te analyseren – twee benaderingen die op lange termijn inefficiënt zijn gebleken in het licht van CNAME-cloaking (zie hieronder).

Genoemd WebGraph, het kader gebruikt een grafiek-gebaseerde AI-ad-blokkering-aanpak om promotionele inhoud te detecteren door te focussen op essentiële activiteiten van netwerkadvertenties – inclusief telemetrie-pogingen en lokale browseropslag – die de enige effectieve ontwijktechniek zouden zijn om deze activiteiten niet uit te voeren.

Hoewel eerdere benaderingen iets hogere detectiepercentages hebben behaald dan WebGraph, zijn ze allemaal gevoelig voor ontwijktechnieken, terwijl WebGraph in staat is om 100% integriteit te bereiken in het gezicht van tegenwerkende reacties, inclusief meer geavanceerde hypothetische reacties die kunnen ontstaan in het gezicht van deze nieuwe ad-blokkering-methode.

Het paper wordt geleid door twee onderzoekers van de Zwitserse Federale Technische Hochschule, in samenwerking met onderzoekers van de University of California, Davis en de University of Iowa.

Verder dan AdGraph

Het werk is een ontwikkeling van een onderzoeksinitiatief uit 2020 met de Brave-browser genaamd AdGraph, dat twee van de onderzoekers van het nieuwe paper omvat.

Vergelijking van AdGraph vs. WebGraph, met stippellijnen die architectonische innovaties op de vorige aanpak aanduiden. Bron: https://arxiv.org/pdf/2107.11309.pdf

AdGraph is afhankelijk van (ad) inhoud kenmerken, afgeleid van analyse van URLs, als een sleutel tot de detectie van commerciële materiaal. Echter, deze kenmerken vertegenwoordigen een enkel potentieel punt van falen voor tegenstanders die proberen de aanwezigheid van ad-detectiesystemen te detecteren, en methoden te formuleren om ze te omzeilen. Deze afhankelijkheid van inhoud eigenschappen maakt AdGraph in wezen een geautomatiseerde versie van handmatig samengestelde filterlijstbenaderingen, die hun zwakheden delen.

CNAME Cloaking

Materiaal afkomstig van een website’s eigen domein valt in een ‘vertrouwde’ categorie, voor zover het domein zelf vertrouwd is. Voor een website met een hoge autoriteit is er een waardevolle premie in het uitvoeren van advertentiecampagnes die materiaal bevatten dat lijkt te zijn gehost door de autoriteitssite zelf, aangezien dergelijke advertenties immuun zijn voor filtergebaseerde ad-blokkering en zelfs voor de AdGraph-aanpak uit 2020.

Echter, aangepaste campagnes zijn moeilijk te onderhandelen, duur om uit te voeren en gaan in tegen de kernprincipes van het netwerkadvertentiemodel dat de afgelopen 25 jaar is ontwikkeld, waarbij een derdepartijplatform code rechtstreeks in de hostsite plaatst, meestal ‘veilt’ de advertentieplaats in microseconden op basis van trefwoordwenselijkheid en verschillende andere factoren.

Daar bijna alle ad-blokkeringssystemen zijn gebaseerd op derdepartijmateriaal in webpagina’s (d.w.z. elementen die zijn gehost op ‘vreemde’ domeinen), hebben adverteerders de afgelopen vijf jaar teruggedraaid met CNAME-cloakingtechnieken. CNAME-cloaking misleidt trackers om te geloven dat een subdomein van de hostsite (d.w.z. informatie.example.com in plaats van example.com) een echte aanvulling is op de site, terwijl het in feite een proxy-ad-servicemechanisme is dat is overeengekomen met derdepartijadvertentieproviders.

In maart 2021 onthulde een studie dat CNAME-cloaking-incidenten tussen 2018 en 2020 met 22% zijn toegenomen, met bijna 10% van Tranco’s top 10.000 websites die minstens één CNAME-gebaseerde tracker gebruikten in oktober 2020.

Vertrouwen in URLs niet meer

CNAME-deceptietechnieken betreffen de manipulatie van URLs die zijn betrokken bij het ad-servicingsproces. Elk ad-blokkeringssysteem dat het URL-ketentrouw vertrouwt, zal onderhevig zijn aan manipulatie en ontwijkende tactieken. Daarom verandert WebGraph willekeurig de verstrekte URLs in een proces (inclusief query-strings, het aantal parameters en parameter-namen), op zoek naar patronen van gebruik in plaats van specifieke verboden of geaccepteerde URLs.

Het systeem moet twee veelvoorkomende configuraties in een ad-servicingsarchitectuur overwegen: één, waar de host rechtstreeks samenwerkt met de adverteerder; en een tweede (meer gebruikelijke) scenario waar de adverteerder beperkte samenwerking biedt vanwege de noodzaak om zichzelf te beschermen tegen manipulatie door zijn klanten.

Bij lijst-gebaseerde benaderingen, inclusief AdGraph, is succesvolle URL-manipulatie door het ad-servicingsysteem bijna een complete overwinning, waarbij ‘lokale’ herkomst wordt toegeschreven aan de advertentie, en daarmee vrijwel alle pogingen om systematisch advertentie-inhoud te blokkeren.

Wat resteert er als signatuur? WebGraph richt zich in plaats daarvan op de behoefte van advertentiesystemen om informatie te delen via verschillende semi-verholen middelen, zoals web-trackers, communicatie tussen iframes en web-‘listeners’, die constant de live status van de host-pagina pollen voor activiteit die relevant is in termen van web-metrics voor de advertentie. Dergelijke activiteit omvat het opslaan van variabelen in cookies of HTML5-gebaseerde lokale opslag.

WebGraph gebruikt Mozilla’s Web Privacy Measurement (OpenWPM-framework) om dergelijke activiteit in Firefox te volgen. Het vangt alle activiteit op het JavaScript-niveau en alle uitgaande netwerkverzoeken en hun antwoorden op het netwerkniveau.

Deze extra controle introduceert nieuwe ‘informatiestroom’-randen in het grafieknetwerk dat eerder door AdGraph werd voorgesteld, waardoor WebGraph expliciet informatiepatronen kan vastleggen en kwantificeren op basis van lokale activiteit, ongeacht de oorsprong en bestemming van URLs voor telemetrie of andere soorten communicatie in advertentiesystemen.

Resultaten

De onderzoekers gebruikten een uitgebreide versie van OpenWPM om systematisch 10.000 websites te crawlen die zijn genomen uit de Alexa-top 100.000 sites en een willekeurige steekproef van 9.000 sites gerangschikt tussen 1k-100k, en slaan hun grafische voorstellingen op voordat ze de resultaten doorgeven aan een beslissingsboomclassificator die is gemodelleerd naar het oorspronkelijke ontwerp van AdGraph, en die gebruik maakt van populaire ad-filterlijsten als grondwaarheid. Op deze manier werd een dataset geconstrueerd voor de training van het kernmodel.

Het systeem behaalde vergelijkbare resultaten met AdGraph, met 92,33% nauwkeurigheid. Echter, de nieuwe systeem is minder gevoelig voor tegenwerkende weerstand, van een bijna complete falenrate voor AdGraph tot slechts 8% gevoeligheid onder WebGraph.

Toekomstige richtingen

Het paper stelt dat ad-netwerken hun systemen aanzienlijk zouden moeten herschikken om detectie te ontwijken in het gezicht van de WebGraph-aanpak, en suggereert dat dergelijke veranderingen een herziening zouden vereisen van de huidige omzichtige vertrouwensrelatie tussen derdepartijadvertentieproviders en de host-sites waarop hun advertenties verschijnen.

Het paper merkt ook op dat WebGraph geen rekening houdt met stateless tracking-technieken zoals browser-fingerprinting (via het Canvas-element), die gebruikmaken van API’s die het systeem momenteel niet bewaakt. De onderzoekers suggereren dat WebGraph in de toekomst kan worden uitgebreid om ook rekening te houden met die soorten interacties en lokale opslag-significanten.