Metoda uczenia maszynowego do blokowania reklam na podstawie lokalnego zachowania przeglądarki

Naukowcy ze Szwajcarii i USA opracowali nową metodę uczenia maszynowego do wykrywania materiałów reklamowych na stronach internetowych, opartą na sposobie, w jaki te materiały взаимодействują z przeglądarką, a nie na analizie ich zawartości lub zachowania sieciowego – dwóch podejściach, które okazały się nieskuteczne w dłuższej perspektywie wobec taktyki CNAME cloaking (patrz poniżej).

Została nazwana WebGraph, framework wykorzystuje podejście oparte na grafie do wykrywania treści reklamowych, koncentrując się na takich podstawowych działaniach reklamy sieciowej – w tym na próbach telemetrycznych i lokalnym przechowywaniu danych przeglądarki – że jedyną skuteczną taktyką uniknięcia wykrycia byłoby nieprowadzenie tych działań.

Chociaż poprzednie podejścia osiągnęły nieco wyższe wskaźniki wykrywania niż WebGraph, wszystkie one są podatne na taktyki uniknięcia, podczas gdy WebGraph jest w stanie osiągnąć 100% integralność wobec odpowiedzi adversarialnych, w tym bardziej zaawansowanych hipotetycznych odpowiedzi, które mogą pojawić się wobec tego nowego podejścia do blokowania reklam.

Praca jest prowadzona przez dwóch naukowców ze Szwajcarskiego Federalnego Instytutu Technologicznego, we współpracy z naukowcami z University of California, Davis i University of Iowa.

Poza AdGraph

Praca jest rozwinięciem inicjatywy badawczej z 2020 roku z przeglądarką Brave o nazwie AdGraph, w której uczestniczyli dwaj naukowcy z nowego artykułu.

Porównanie AdGraph vs. WebGraph, z liniami przerywanymi reprezentującymi innowacje architektoniczne w poprzednim podejściu. Źródło: https://arxiv.org/pdf/2107.11309.pdf

AdGraph opiera się na (treści) cechach, pochodzących z analizy adresów URL, jako kluczu do wykrywania materiałów komercyjnych. Jednak te cechy reprezentują jeden potencjalny punkt awarii dla przeciwników starających się wykryć obecność systemów wykrywania reklam, i formułujących metody, aby je ominąć. To poleganie na cechach właściwości sprawia, że AdGraph jest podstawowo zmechanizowaną wersją podejść opartych na ręcznie kuratorowanych listach filtrów, dzieląc ich słabości.

CNAME Cloaking

Materiały pochodzące z własnej domeny strony internetowej należą do kategorii “zaufanych”, o ile sama domena jest zaufana. Dla strony internetowej o wysokiej randze istnieje duża premia za prowadzenie kampanii reklamowych, które wyglądają, jakby były hostowane przez samą stronę, ponieważ takie reklamy są odporne na filtry blokujące reklamy i nawet na podejście AdGraph z 2020 roku.

Jednak kampanie niestandardowe są trudne do negocjacji, drogie w realizacji i sprzeczne z podstawowymi zasadami modelu reklamy sieciowej rozwiniętego w ciągu ostatnich 25 lat, gdzie platforma trzeciej strony wstawia kod bezpośrednio do strony hosta, zwykle “aukcjonując” miejsce reklamowe w mikrosekundach na podstawie pożądania słów kluczowych i innych czynników.

Ponieważ prawie wszystkie systemy blokowania reklam opierają się na materiale trzeciej strony na stronach internetowych (tj. elementach hostowanych na “obcych” domenach), reklamodawcy walczą z taktykami CNAME cloaking w ciągu ostatnich pięciu lat. CNAME cloaking oszukuje śledzących, sprawiając, że wierzą, iż poddomena strony hosta (tj. informacje.przykład.com zamiast przykład.com) jest prawdziwym dodatkiem do strony, podczas gdy w rzeczywistości jest to pośredni mechanizm serwowania reklam umówiony z dostawcami reklam trzeciej strony.

W marcu 2021 roku jedna ze studiów ujawniła, że przypadki CNAME cloaking zwiększyły się o 22% między 2018 a 2020 rokiem, a prawie 10% stron internetowych z pierwszych 10 000 stron Tranco wykorzystywało co najmniej jeden śledzący oparty na CNAME do października 2020 roku.

Discounting Trust in URLs

Taktyki oszustwa CNAME obejmują manipulację adresami URL zaangażowanymi w proces serwowania reklam. Każdy system blokowania reklam, który ufa łańcuchowi adresów URL, będzie podatny na manipulację i uniknięcie. Dlatego WebGraph losowo zmienia dostarczane adresy URL w procesie (w tym łańcuchy zapytań, liczbę parametrów i nazwy parametrów), szukając wzorców użycia zamiast konkretnych zabronionych lub akceptowanych adresów URL.

System musi uwzględnić dwa typowe konfiguracje w architekturze serwowania reklam: jedną, w której host bezpośrednio współpracuje z reklamodawcą; i drugą (bardziej powszechną) sytuację, w której reklamodawca udziela ograniczonej współpracy ze względu na potrzebę ochrony się przed manipulacją przez swoich klientów.

W podejściach opartych na listach, w tym AdGraph, udana manipulacja adresami URL przez system serwowania reklam jest prawie całkowitym zwycięstwem, nadając “lokalne” pochodzenie reklamie i unikając w ten sposób prawie wszystkich prób systematycznego blokowania treści reklamowych.

Co pozostaje, jako sygnatura? WebGraph koncentruje się zamiast tego na potrzebie systemów reklamowych do udostępniania informacji różnymi półzakodowanymi środkami, takimi jak śledzący internetowi, komunikacja między ramkami i “słuchaczami” sieci web, które stale sondują stan strony hosta w poszukiwaniu aktywności, która jest istotna w zakresie web-metryk dla reklamy. Taka aktywność obejmuje przechowywanie zmiennych w ciasteczkach lub lokalnym przechowywaniu opartym na HTML5.

WebGraph wykorzystuje framework Mozilla Web Privacy Measurement (OpenWPM) do śledzenia takiej aktywności w Firefox. Przechwytuje wszystkie działania na poziomie JavaScript i wszystkie wychodzące żądania sieciowe oraz ich odpowiedzi na poziomie sieciowym.

To dodatkowe zbadanie wprowadza nowe “krawędzie przepływu informacji” do sieci grafu wcześniej proponowanej przez AdGraph, umożliwiając WebGraph, aby wyraźnie rejestrować i ilościowo określać wzorce udostępniania informacji na podstawie aktywności lokalnej, niezależnie od adresów URL pochodzenia i miejsca przeznaczenia dla telemetrycznych lub innych rodzajów komunikacji w systemach serwowania reklam.

Wyniki

Naukowcy wykorzystali rozszerzoną wersję OpenWPM do systematycznego przeszukania 10 000 stron internetowych pobranych z pierwszych 100 000 stron Alexa i losowego próby 9 000 stron sklasyfikowanych między 1k-100k, przechowując ich reprezentacje graficzne przed przekazaniem wyników do klasyfikatora drzewa decyzyjnego opracowanego na podstawie oryginalnego projektu AdGraph, wykorzystując popularne listy filtrów reklam jako podstawę prawdy. W ten sposób został skonstruowany zestaw danych do szkolenia modelu podstawowego.

System osiągnął wyniki porównywalne z AdGraph, z dokładnością 92,33%. Jednak odporność nowego systemu na opór adversarialny wzrosła z prawie całkowitej awarii w przypadku AdGraph do zaledwie 8% podatności w przypadku WebGraph.

Przyszłe kierunki

Artykuł twierdzi, że sieci reklamowe musiałyby znacznie zmienić swoje systemy, aby uniknąć wykrycia wobec podejścia WebGraph, i sugeruje, że takie zmiany wymagałyby przeglądu obecnie ostrożnego stosunku zaufania między reklamodawcami trzeciej strony a stronami hosta, na których pojawiają się ich reklamy.

Artykuł zauważa również, że WebGraph nie uwzględnia technik śledzenia bezstanowego, takich jak śledzenie odcisków przeglądarki (za pomocą elementu Canvas), które wykorzystują interfejsy API, których system nie monitoruje obecnie. Naukowcy sugerują, że WebGraph może być rozwinięty w przyszłości, aby uwzględnić również tego rodzaju interakcje i lokalne znaczniki przechowywania.