Kampen mot adblockere med maskinlæring

En ny forskningsinitiativ fra USA og Pakistan har utviklet en maskinlæringsbasert metode for å identifisere nettsider som er motstandsdyktige mot adblockere og andre privatlivsbeskyttende teknologier, samt å dekonstruere teknikken som slike nettsider bruker for å “blande” opphavet til annonser og ekte innhold, så innholdet ikke er synlig hvis annonser blokkeres.

Nye adblocker-teknologier utviklet fra funnene kunne sette en stopper for hendelser der hovedinnholdet i en artikkel ikke er synlig når annonser blokkeres, og gi en automatisert metode for å skille annonseressurser fra skriptressurser, i stedet for den manuelle metoden som brukes av populære adblocker-rammeverk.

Forfatterne gjennomførte en storstudie av “blandede ressurser” på 100 000 nettsider, og fant at 17% av domenene, 48% av vertsnavnene, 6% av skriptene og 9% av innholdsdistribusjonsmetodene bevisst blandet sporingsfunksjonalitet (dvs. annonsering) med prosesser som leverer ekte innhold. I slike tilfeller vil artikkelinnholdet forsvinne for brukere som bruker adblocker- eller anti-sporingsprogramvare, og tvinge brukeren til å deaktivere disse måtene for å kunne se innholdet.

I de fleste tilfeller betyr dette ikke bare at annonser vil være synlige igjen, men også at brukerne vil bli tvunget tilbake til tverrdomæne-sporingssystemer som har inflamet privatlivsaktivister i løpet av de siste årene.

Den nye forskningen tilbyr et system som kan skille ut komponentene av disse “blandede” nettressursene med 98% nøyaktighet, og gi adblocker- og anti-sporingsløsninger en mulighet til å løse opp strømmene i senere iterasjoner av programvaren, og igjen aktivere innholdstilgang på adblocked sider.

Den nye artikkelen har tittelen TrackerSift: Untangling Mixed Tracking and Functional Web Resources, og kommer fra forskere ved Virginia Tech og UoC Davis i USA, og FAST NUCES og Lahore University of Management Sciences (LUMS) i Pakistan.

Kampen mot adblockere

Adblocker-systemer er avhengige av at annonseinnhold på en nettside må komme fra bestemte, dedikerte domener – vanligvis adtech-plattformer med domenenavn og/eller IP-adresser som kan klassifiseres som “tredjepartsannonsering”, og som gjør det mulig å utvikle blokklisteer som ikke vil rendre innhold fra disse opphavene inne i en nettside.

I tillegg kan navnene på annonse-spesifikke ressurser, som skript, legges til blokklistene så de ikke kjører, selv i tilfeller hvor deres opphav er blitt bevisst skjult. Navneskjemaene for slike systematisk genererte skript er ofte konsistente, og gjør det mulig å gjenkjenne og blokkere dem.

Siden en annons som vises på en nettside ofte velges i de siste millisekundene før en side lastes via dynamiske auksjonsprosesser (basert på nøkkelord funnet i siden, kampanjemål og mange andre faktorer), er det ikke praktisk å lagre annonser på vertsdomenet, som i teorien ville hindre adblockere fra å skjule kommersielt innhold.

Større og større deler av nettsidene kjemper tilbake mot adblockere gjennom CNAME Cloaking – bruken av underdomener av den “ekte” domenet som proxyer til annonseservere (dvs. content.example.com vil betjene annonser til example.com, selv om underdomenet ikke har noen annen formål enn å betjene annonser, og ikke vedlikeholdes av vertsnettsiden, men heller av dens annonserere).

Men denne metoden kan kvantifiseres og blokkeres ved å skille underdomenets innhold fra annonser, eller ved å bruke nettverksanalyseteknikker til å identifisere underdomenets unormale og uregelmessige forhold til kjerne-domenet.

TrackerSift

Forfatternes artikkel foreslår TrackerSift, en plattform for å analysere nettressurser hentet av nettsider, og så omkategorisere blandede ressurser i “innhold” og “annonsering”. På det mest generelle analysenivået registrerer TrackerSift grunnleggende nettforespørsler for ressurser, som annonseinnhold hentet fra et innholdsdistribusjonsnettverk (CDN) eller en annonsplattform; men den dykker så ned til innholdet av hentede ressurser, og utfører kode-nivå-analyse, og skiller funksjonene av ulike typer kodekall og prosedyrer.

TrackerSifts analysehierarki, fra sporingsressurser (rød) til nødvendige funksjonelle ressurser (grønn). Blandede ressurser, som sannsynligvis vil føre til innholdsforklaring (gul), underlegges dyptere analyse. Kilde: https://arxiv.org/pdf/2108.13923.pdf

Data

For å få datasettet som driver TrackerSift, gikk forfatterne gjennom 100 000 tilfeldig valgte nettsider fra 2018 Tranco top-million liste. Selenium nettleser-automatisering ble brukt sammen med Google Chrome for å utføre oppgaven.

Nett-crawlingen var basert på universitetsnettsteder i Nord-Amerika, og bestod av en 13-nøkkel-cluster med 112 kerner, 52 terabyte lagring og 823 gigabyte operativt RAM i hele systemet.

Hver nøkkel var basert i en Docker-container og dedikert til å crawle en undergruppe av de 100 000 nettsidene som var valgt, med programmatisk pauser for bærekraft, og full sletting av alle informasjonskapsler og identifikatorer når en ny domene lastes, for å sikre at tidligere sesjoner og tilstander ikke ville påvirke lesbarheten av den neste domenen.

Blandede skript

Resultatene viser omfattende bruk av skript-bundling, hvor annonsplattformer og innholdshostere bevisst konkatenerer innholdsbaserte og annonsbaserte skript til “uberskript” som vil hindre innholdvisning hvis de blokkeres. For eksempel påpeker forfatterne at pressl.co betjener et web-skript som er bundlet via WebPack JavaScript-konkateneringsplattformen, som inneholder en Facebook-sporingspixel, og også kode som muliggjør rendering av ekte innhold.

I tillegg påpeker artikkelen at en rekke domener er villige til å innlemme skript direkte i koden til nettsidene, og gjør det nødvendig for adblocker-rammeverk å håndtere funksjonaliteten i skriptene, i stedet for bare å forhindre skriptet fra å laste basert på dens tredjeparts-kilde-URL.

Ved å lokalisere disse metodene, er veien åpen for systematisk splitting av slike kode i innhold og annonskategorier, og mulig gjenoppretting av innholdvisning i adblocked-miljøer.

Selv om eksisterende adblocker-løsninger, som NoScript, AdGuard, uBlock Origin og Firefox Smartblock, bruker surrogate-skript som demonterer slike bundlete skript til blokkable komponent-skript, avhenger disse av manuell omskriving av skript, og fører til en pågående “kald krig” mellom blokkererne og de stadig skiftende teknikker som bryter dem. I motsetning til dette tilbyr TrackerSift en potensiell programmatisk metode for blandet-innhold-dekomposisjon.