Maskinlæring vs. informasjonskapsler-samtykkesystemer

Et nytt forskningssamarbeid mellom University of Wisconsin og Google setter maskinlæring opp mot en av de mest irriterende nettbruker-irritasjonene i det siste tiåret – uklarheten og den cyniske misbruket av GDPR-etterkommelige informasjonskapsel-samtykkeskilt.

Tittel CookieEnforcer, det nye rammeverket bruker Semantisk tekstforståelse for å tolke betydningen og nyttighet av den underliggende koden bak informasjonskapsel-samtykkeskiltet eller -popupen, for å gi brukeren den manglende ‘en klikk’-løsningen for å deaktivere alle virkelig ‘ikke-nødvendige’ informasjonskapsler – inkludert de som domeneeierne kan presentere som ‘essensielle’, selv om de ikke er det.

CookieEnforcer undersøker informasjonskapsel-samtykkeskode fra nettstedet www.askubuntu.com. Kilde: https://arxiv.org/pdf/2204.04221.pdf

Systemet er implementert via en brukerinstallert nettleser-utvidelse, som kan bruke brukerdefinerte regler i ett enkelt klikk. Når et informasjonskapsel-samtykkeskilt vises på nettstedet, kan brukeren aktivere utvidelsen, som deretter vil søke gjennom informasjonskapsel-samtykkeskoden for potensielle handlinger før den genererer passende JavaScript for å iverksette valg på vegne av brukeren.

Utvidelsen kan settes til å automatisk påtvinge brukerpreferanser, eller også behandle hver enkelt sak, og tillate brukeren å justere innstillinger før endelig innsending.

Cookie-enforcer i aksjon. Hvis ønsket, kan Chrome-utvidelsen fullstendig automatisere denne prosessen, uten videre brukerdeltagelse. Se senere innlejret video for mer detalj. Kilde: https://www.youtube.com/watch?v=5NI6Q981quc

Ufordringen med å tolke de mulige ‘ikke-samtykke’-alternativene, som vanligvis er skjult i arkane og arbeidskrevende grupper av innstillinger (i stedet for den brukervennlige godta alle som er typisk for samtykkeskilt), modelleres som en sekvens-til-sekvens-oppgave.

I en sluttløs nøyaktighetsvurdering, var CookieEnforcer i stand til å generere alle nødvendige steg for å unngå kryptiske informasjonskapsel-samtykkesprosedyrer i 91% av de studerte tilfellene, på domener som ikke hadde vært sett under trening av systemets maskinlæringsmodell. En brukerstudie viste dessuten at systemet betydelig reduserer brukerens innsats i å navigere samtykkesmodulene.

Den artikkelen som presenterer metoden, heter CookieEnforcer: Automatisert informasjonskapsel-samtykkeanalyse og -påtvingelse, og kommer fra tre forskere ved University of Wisconsin i Madison, og en fra Google Inc.

Gammel vei til informasjonskapsel-samtykke

Siden innføringen av den generelle personvernforordningen (GDPR) i 2016 og California Consumer Privacy Act (CCPA) i 2018, har nettsteder som ønsker å engasjere brukere fra områdene som omfattes av slike lover, vært påkrevd å tilby informasjonskapsel-preferansemekanismer (vanligvis basert på oppdaging av brukerens IP-adresse som en proxy for deres land av opphav).

Men siden domeneeierne lenge hadde vært vant til å høste verdifull og handlebar brukerdata fra den uklare og vanligvis usynlige implementeringen av informasjonskapsler, viste de seg å være motvillige til å tilby enkle utvalg for deres nyempowered brukere.

Standard-brukergrensesnittet for informasjonskapsel-samtykkesgrensesnitt (som vises første gang en bruker besøker et domene, eller hvis brukeren har slettet informasjonskapsler for det domenet) slo raskt til mørke mønster designet for å trette seeren med granulerte, tidskrevende og omfattende valg i tilfelle de ønsket å utøve sine rettigheter til samtykke; eller også en enkel og lett tilgjengelig knapp som valgte brukeren inn i alle informasjonskapslene som domeneeieren ønsket å kjøre. Denne kulturen av labyrintiske UI-valg ble beskrevet i en 2020-studie som ‘en skattejeger’.

Den nye artikkelen kommenterer:

‘[Brukere] kan finne det vanskelig å utøve informert informasjonskapsel-kontroll for nettsteder med kompliserte varsler. De er mye mer sannsynlige til å stole på standardkonfigurasjoner enn de er til å finjustere sine informasjonskapsel-innstillinger for hvert [nettsted]. I flere tilfeller er disse standardinnstillingene personvern-invasiv og favoriserer tjenestetilbyderne, noe som resulterer i personvern [risiko].’

En kommentar på en populær forum-post om disse praksisene karakteriserte dem som ‘malicious compliance’. Brukerirritasjon med informasjonskapsel-samtykkesrammer er et tema som konflikt major forlag, som ellers kunne ha gitt videre dekning hvis de ikke var så personlig eksponert av sine egne praksis i denne sammenhengen.

Et typisk labyrint av valg presentert, i dette tilfelle, av TechCrunch-nettstedet, ironisk nok som en introduksjon til en artikkel om EUs endring av holdning til hva som utgjør informasjonskapsel-samtykke. De vedlagte URL-identifikatorene og krokene designet for å videre enable tracking sto på 262 tegn (slettet her). En ‘avvis alle’-knapp, selv om den er tilgjengelig for visse kategorier av informasjonskapsler, er ikke tilgjengelig for hele settet av mulige informasjonskapsler; i disse unntaksfallene må brukeren operere hver ‘toggle’.

En 2019-artikkel fra Tyskland fant at en majoritet av nettsted-besøkende i de studerte domenene ble ‘nudged’ mot bredt samtykke, og at bare en tredjedel av nettstedene faktisk forklarte formålet med datainnsamling.

Et antall nettleser-utvidelser, -tillegg og -utvidelser har oppstått for å løse problemet i de siste årene, som f.eks. Cookie Quick Manager-utvidelsen til Firefox, og en rekke Chrome-alternativer, mens Den europeiske unionen søker å lukke de etterkommelige løkene rundt informasjonskapsel-samtykkesarkitekturer.

Metode og data

Forskerne bak den nye artikkelen var bestemt på å skape et mer robust informasjonskapsel-samtykke-håndteringssystem ved å unngå å stole på nøkkelord eller håndlagde regler, den sentrale tilnærmingen til en rekke nylige lignende ML-aided prosjekter.

CookieEnforcer har tre mål: å oversette informasjonskapsel-varsler og -grensesnitt til en maskinlesbar format; å identifisere informasjonskapsel-innstillingkonfigurasjonen på en måte som deaktiverer ikke-essensielle informasjonskapsler; og å automatisk påtvinge ytterligere begrensninger uten videre brukerinput, hvis ønsket av brukeren.

Systemet består av en bakendekomponent som detekterer og analyserer informasjonskapsel-varsler, og en frontend-komponent, i form av en nettleser-utvidelse, som genererer og iverksetter deaktivering av ikke-essensielle informasjonskapsler (dvs. informasjonskapsler som ikke vil hindre navigasjon av eller tilgang til domenet hvis blokkert).

Rammeverket er innkapslet i en Chrome-spesifikk lokalt installert utvidelse som bruker Selenium-nettlesertestbiblioteket under ChromeDriver-rammeverket.

Bakendekomponenten har moduler for deteksjon, analyse og en beslutningsmodell. Analysemodulen tar hensyn til endringer i kode introdusert av brukerinteraksjon, så at den opprinnelige kode-dumpen ikke blir ugyldig av simuleret brukerutforsking.

Naturlig språkforståelse

Med koden avdekket, er det viktig at CookieEnforcer forstår den eksisterende tilstanden av mulige handlinger det kan utføre, siden språket bak toggle-knappene kan være tvetydig i forhold til fordel for sluttbrukeren.

Til dette formålet, trente forskerne en Tekst-Til-Tekst-Overførings-Transformer (T5) modell for sin beslutningskomponent. T5-Large-modellen, som inneholder 770 millioner parametre, ble finjustert på en tilpasset database av inndata/utdata-kode (dvs. kode som beskriver og muliggjør funksjonaliteten av toggle-alternativer).

Eksempel på formatering (ovenfor) og treningdata (under) for T5-modellen. Dataeksempelet er fra www.askubuntu.com.

Datasettet ble skapt ved å sampile 300 nettsteder med informasjonskapsel-varsler valgt fra Tranco’s top-50k populære nettsteder-liste. Detektor- og analyzer-modulene ekstraherte informasjonskapsel-valg fra deres kjøretid-kildekode, og evaluerte deres standardtilstander.

En av forskerne merket deretter manuelt den tolkede rekken av klikk nødvendige for å deaktivere ikke-essensielle informasjonskapsler for alle studerte nettsteder, resulterende i 300 fullstendig merkte domener.

Variasjon i kildekode-disponering over eksempler fra den tilpassede datasettet.

60 nettsteder ble satt til side som en testsett, og T5-Large-modellen ble trent med en læringsrate på 0,003 ved en batch-størrelse på 16 for 20 epoker, med en maksimal inndata-sekvenslengde på 256 token, og en maksimal mål-sekvenslengde på 64. Tokenene ble dannet av sub-ord bestemt av Googles SentencePiece-tokenizer.

Til slutt blir den prosesserte informasjonen lagret i en lokal database og gjort tilgjengelig for frontend-delen av systemet. Forfatterne foretrakk querySelector()-HTML-funksjonen over XML Path Language (XPath)-tilnærmingen tatt av noen tidligere lignende prosjekter, siden XPaths for informasjonskapsel-varsler er sårbare for DOM-oppdateringer (dvs. koden kan endre seg etter initial lasting i respons til brukerinteraksjoner). På denne måten kan element-stier beholdes selv når de er dynamiske og responsive til eksterne faktorer.

Testing og ytelse

I praksis viste CookieEnforcer seg å være i stand til å navigere noen av de mørkeste mørke mønster i datasettet, som et skjult alternativ i informasjonskapsel-samtykkesrammen til The New Scientist som er skjult av JavaScript før brukeren uttrykkelig ber om å se det.

Forfatterne kommenterer:

‘Dette alternativet kan lett bli oversett av brukerne, da de må utvide en ekstra ramme for å se det. CookieEnforcer finner ikke bare dette alternativet, men forstår også semantikken og bestemmer seg for å motsette seg. Disse eksemplene viser at modellen lærer konteksten og generaliserer til nye eksempler.’

Forskerne utførte tre tester, inkludert en sluttløs evaluering av rammeverkets ytelse over 500 usette domener (dvs. nettsteder som CookieEnforcer ikke var spesifikt trent for), hvor forfatterne rapporterer at det kunne deaktivere ikke-essensielle informasjonskapsler for 91% av nettstedene.

Den andre testen bestod av en nettbasert brukerstudie som omfattet 14 nettsteder, og brukte System Usability Scale (score) mot en manuell baseline. For denne testen rapporterer forfatterne at CookieEnforcer fikk en 15% høyere score enn baseline.

CookieEnforcer muliggjør en 15% høyere score enn baseline (uassistede) bruk, samtidig som den automatiserer en irriterende prosess.

Til slutt ble CookieEnforcers trente parametre testet mot de 5000 øverste nettstedene i USA og Europa, for å bestemme dens evne til å navigere informasjonskapsel-varsler. Forfatterne påstår:

‘ Mens målinger på denne skalaen har blitt utført tidligere, muliggjør CookieEnforcer en dypere forståelse av alternativene utover nøkkelord-baserte heuristiske metoder. Spesifikt finner vi at 16,7% av nettstedene i Storbritannia som viser informasjonskapsel-varsler har aktivert minst en ikke-essensiell informasjonskapsel. Det samme tallet for nettsteder i USA er 22%.’

Forfatterne har sluppet en kort YouTube-video som viser CookieEnforcer i aksjon:

Først publisert 12. april 2022.