En maskinlæringsmetode for å blokkere annonser basert på lokal nettleseratferd

Forskere i Sveits og USA har utviklet en ny maskinlæringsmetode for å oppdage nettstedets annonsemateriale basert på hvordan slike materiale interagerer med nettleseren, snarere enn ved å analysere innholdet eller nettverksatferd – to tilnærminger som har vist seg å være ineffektive på lengre sikt i møte med CNAME-kamuflering (se under).

Kalt WebGraph, rammen bruker en graf-basert AI-annonseblokkeringsmetode for å oppdage promasjonelt innhold ved å konsentrere seg om slik essensiell aktivitet i nettannonsering – inkludert telemetri-forsøk og lokal nettleserlagring – at den eneste effektive unngåelsesmetoden ville være å ikke utføre disse aktivitetene.

Selv om tidligere tilnærminger har oppnådd litt høyere oppdagerater enn WebGraph, er alle disse utsatt for unngåelsesmetoder, mens WebGraph kan nærme seg 100% integritet i møte med motstridige responser, inkludert mer sofistikerte hypotetiske responser som kan oppstå i møte med denne nye annonseblokkeringsmetoden.

Artikkelen er ledet av to forskere fra det sveitsiske føderale tekniske universitetet, i samarbeid med forskere fra University of California, Davis og University of Iowa.

Bortenfor AdGraph

Arbeidet er en utvikling fra en forskningsinitiativ fra 2020 med Brave-nettleseren kalt AdGraph, som inkluderte to av forskerne fra den nye artikkelen.

Sammenligning av AdGraph vs. WebGraph, med stiplet linjer som representerer arkitektoniske innovasjoner i den tidligere tilnærmingen. Kilde: https://arxiv.org/pdf/2107.11309.pdf

AdGraph avhenger av (annonse)innhold egenskaper, avledet fra analyse av URL-er, som en nøkkel til oppdagelse av kommersielt materiale. Imidlertid representerer disse egenskapene en enkelt potensiell feilpunkt for motstandere som søker å oppdage tilstedeværelsen av annonseoppdagelsessystemer, og formulere metoder for å unngå dem. Denne avhengigheten av innhold egenskaper gjør AdGraph i hovedsak til en mekanisert versjon av manuelt kurerte filterlistebaserte tilnærminger, som deler deres svakheter.

CNAME-kamuflering

Materiale som opphav fra et nettstedets eget domene faller inn i en ’tillitsfull’ kategori, så lenge som domenet selv er tillitsfullt. For et høyt autoritetsnettsted er det en verdifull premie i å kjøre annonsekampanjer som inneholder materiale som ser ut til å være vertet av nettstedet selv, siden slik annonsering er immun mot filterbasert annonseblokking, og selv mot den tidligere AdGraph-tilnærmingen.

Imidlertid er tilpassede kampanjer vanskelige å forhandle, dyre å implementere, og går imot de grunnleggende prinsippene for nettannonseringsmodellen som er utviklet de siste 25 årene, der en tredjepartsplattform setter inn kode direkte i vertsnettstedet, vanligvis ‘auksjon’ annonseringen i mikrosekunder basert på nøkkelordsøkbarhet og andre faktorer.

Siden nesten alle annonseblokkeringsystemer fokuserer på tredjeparts-materiale i nettsider (dvs. elementer som er vertet på ‘fremmede’ domener), har annonsører kjempet tilbake med CNAME-kamufleringsteknikker de siste fem årene. CNAME-kamuflering bedrar sporere til å tro at en underdomene av vertsnettstedet (dvs. informasjon.eksempel.com i stedet for eksempel.com) er en ekte tilleggsdel til nettstedet, når det i virkeligheten er en proxy annonseserveringsmekanisme avtalt med tredjeparts annonsører.

I mars 2021 avslørte en studie at CNAME-kamufleringshendelser økte med 22% mellom 2018 og 2020, med nesten 10% av Tranco’s topp 10 000 nettsteder som benyttet minst en CNAME-basert sporingsenhet per oktober 2020.

Discounting Trust in URLs

CNAME-bedrageriteknikker innebærer manipulering av URL-er involvert i annonseserveringsprosessen. Ethvert annonseblokkeringsystem som stoler på URL-kjeden vil være utsatt for manipulering og unngåelse. Derfor endrer WebGraph tilfeldig URL-ene i en prosess (inkludert spørringsstrenger, antall parametre og parameternavn), og søker etter mønster av bruk snarere enn bestemte forbudte eller aksepterte URL-er.

Systemet må vurdere to vanlige konfigurasjoner i en annonseserveringsarkitektur: en, hvor vertsnettstedet samarbeider direkte med annonsøren; og en annen (mer vanlig) scenario hvor annonsøren gir begrenset samarbeid på grunn av behovet for å beskytte seg mot manipulering av sine kunder.

I listebaserte tilnærminger, inkludert AdGraph, er vellykket URL-manipulering av annonseserveringsystemet nesten en fullstendig seier, og gir ‘lokal’ proveniens til annonsen, og unngår dermed nesten alle forsøk på å systematisk blokkere annonseringsinnhold.

Hva er igjen, i form av signatur? WebGraph fokuserer i stedet på annonsesystemers behov for å dele informasjon på forskjellige semi-obskure måter, som web-sporere, kommunikasjon mellom iframes og web-‘lyttere’, som konstant avhører den live tilstanden av vertsnettsiden for aktivitet som er meningsfullt i forhold til web-metrikker for annonsen. Slike aktiviteter inkluderer lagring av variabler i informasjonskapsler eller HTML5-basert lokal lagring.

WebGraph bruker Mozillas Web Privacy Measurement (OpenWPM-ramme) for å spore slik aktivitet i Firefox. Den fanger all aktivitet på JavaScript-laget, og alle utgående nettforespørsler, og deres responser, på nettverkslaget.

Dette ekstra skarpet introduserer nye ‘informasjonsflyt’-kanter til grafnettverket som tidligere ble foreslått av AdGraph, og lar WebGraph eksplisitt registrere og kvantifisere informasjonsdelingsmønster basert på lokal aktivitet, og uavhengig av opphavs- og destinasjons-URL-er for telemetri eller andre typer internkommunikasjon i annonseserveringssystemer.

Resultater

Forskerne brukte en utvidet versjon av OpenWPM for å systematisk crawle 10 000 nettsteder tatt fra Alexa’s topp 100 000 nettsteder, og en tilfeldig sampel på 9 000 nettsteder rangert mellom 1k-100k, og lagret deres grafrepresentasjoner før de sendte resultene til en beslutningstre classifier modellert etter AdGraphs opprinnelige design, og brukte populære annonsefilterlister som grunntruth. På denne måten ble en datasett konstruert for trening av kjernemodellen.

Systemet oppnådde sammenlignbare resultater med AdGraph, med 92,33% nøyaktighet. Imidlertid øker det nye systemets motstandskraft mot motstridig motstand fra en nesten fullstendig feilrate for AdGraph til bare 8% sårbarhet under WebGraph.

Fremtidige retninger

Artikkelen hevder at annonsenettverk må gjennomføre betydelige endringer i sine systemer for å unngå oppdagelse i møte med WebGraph-tilnærmingen, og foreslår at slike endringer vil nødvendiggjøre en gjennomgang av den nåværende forsiktige tillitsforholdet mellom tredjepartsannonsører og vertsnettstedene deres annonser vises.

Artikkelen påpeker også at WebGraph ikke tar hensyn til stateless sporingsmetoder som nettleserfingeravtrykk (via Canvas-elementet), som bruker API-er som systemet ikke nå overvåker. Forskerne foreslår at WebGraph kan utvides i fremtiden for å ta hensyn til slike typer interaksjoner og lokale lagringsindikatorer.