Um Método de Aprendizado de Máquina para Bloquear Anúncios com Base no Comportamento do Navegador Local

Pesquisadores na Suíça e nos EUA desenvolveram uma nova abordagem de aprendizado de máquina para a detecção de material de publicidade em sites, baseada na forma como esse material interage com o navegador, em vez de analisar seu conteúdo ou comportamento de rede – duas abordagens que se provaram ineficazes a longo prazo diante da técnica de ocultação CNAME (veja abaixo).

Chamado de WebGraph, o framework utiliza uma abordagem de aprendizado de máquina baseada em grafos para detectar conteúdo promocional, concentrando-se em atividades essenciais da publicidade em rede – incluindo tentativas de telemetria e armazenamento local do navegador – que a única técnica eficaz de evasão seria não realizar essas atividades.

Embora abordagens anteriores tenham alcançado taxas de detecção ligeiramente mais altas do que o WebGraph, todas elas são propensas a técnicas de evasão, enquanto o WebGraph consegue alcançar cerca de 100% de integridade diante de respostas adversárias, incluindo respostas hipotéticas mais sofisticadas que podem surgir diante dessa nova abordagem de bloqueio de anúncios.

O artigo é liderado por dois pesquisadores do Instituto Federal Suíço de Tecnologia, em conjunto com pesquisadores da Universidade da Califórnia, Davis, e da Universidade de Iowa.

Além do AdGraph

O trabalho é um desenvolvimento de uma iniciativa de pesquisa de 2020 com o navegador Brave chamada AdGraph, que contou com a participação de dois dos pesquisadores do novo artigo.

Comparação do AdGraph vs. WebGraph, com linhas tracejadas representando inovações arquitetônicas na abordagem anterior. Fonte: https://arxiv.org/pdf/2107.11309.pdf

O AdGraph depende de recursos (de conteúdo) derivados da análise de URLs como chave para a detecção de material comercial. No entanto, esses recursos representam um único ponto de falha potencial para adversários que buscam detectar a presença de sistemas de detecção de anúncios e formular métodos para obviá-los. Essa dependência de recursos de conteúdo torna o AdGraph essencialmente uma versão mecanizada de abordagens baseadas em listas de filtros curados manualmente, compartilhando suas fraquezas.

Ocultação CNAME

Material originário do próprio domínio do site cai em uma categoria “confiável”, na medida em que o domínio em si é confiável. Para um site de alta autoridade, há um prêmio valioso em executar campanhas publicitárias que apresentam material que aparece ser hospedado pelo próprio site, pois essa publicidade é imune a listas de bloqueio de anúncios baseadas em filtros e até mesmo à abordagem do AdGraph de 2020.

No entanto, campanhas personalizadas são difíceis de negociar, caras para implementar e contrárias aos princípios fundamentais do modelo de publicidade em rede desenvolvido nos últimos 25 anos, onde uma plataforma de terceiros insere código diretamente no site hospedeiro, geralmente “leiloeando” o espaço publicitário em microsegundos com base na desejabilidade de palavras-chave e vários outros fatores.

Desde que quase todos os sistemas de bloqueio de anúncios dependem de material de terceiros em páginas da web (ou seja, elementos hospedados em domínios “alienígenas”), os anunciantes vêm lutando contra técnicas de ocultação CNAME nos últimos cinco anos. A ocultação CNAME engana os rastreadores, fazendo-os acreditar que um subdomínio do site hospedeiro (por exemplo, informações.example.com em vez de example.com) é um anexo legítimo do site, quando na verdade é um mecanismo de proxy de publicidade organizado com provedores de publicidade de terceiros.

Em março de 2021, um estudo revelou que os incidentes de ocultação CNAME aumentaram 22% entre 2018 e 2020, com quase 10% dos 10.000 principais sites do Tranco utilizando pelo menos um rastreador baseado em CNAME até outubro de 2020.

Descontando a Confiança em URLs

Técnicas de engano CNAME envolvem a manipulação de URLs envolvidas no processo de publicidade. Qualquer sistema de bloqueio de anúncios que confie na cadeia de URLs estará sujeito a manipulação e evasão. Portanto, o WebGraph altera aleatoriamente as URLs fornecidas em um processo (incluindo strings de consulta, número de parâmetros e nomes de parâmetros), procurando por padrões de uso em vez de URLs específicas proibidas ou aceitas.

O sistema precisa considerar duas configurações comuns em uma arquitetura de publicidade: uma, onde o hospedeiro colabora diretamente com o anunciante; e uma segunda (mais comum) cenário onde o anunciante fornece cooperação limitada devido à necessidade de proteger-se contra manipulação por seus clientes.

Em abordagens baseadas em listas, incluindo o AdGraph, a manipulação bem-sucedida de URLs pelo sistema de publicidade é quase uma vitória completa, atribuindo “proveniência local” ao anúncio e, portanto, evitando quase todas as tentativas de bloquear sistematicamente o conteúdo publicitário.

O que resta, por meio de assinatura? O WebGraph se concentra em vez disso na necessidade dos sistemas de publicidade de compartilhar informações por meios semi-obscuros, como rastreadores da web, comunicações entre iframes e “ouvintes” da web, que estão constantemente sondando o estado ao vivo da página hospedeira para atividade que é significativa em termos de métricas da web para o anúncio. Essa atividade inclui o armazenamento de variáveis em cookies ou armazenamento local baseado em HTML5.

O WebGraph usa a Medição de Privacidade da Web da Mozilla (framework OpenWPM) para rastrear essa atividade no Firefox. Ele captura toda atividade na camada JavaScript e todas as solicitações de rede de saída e suas respostas, na camada de rede.

Essa escrutínio adicional introduz novas “arestas de fluxo de informações” na rede gráfica anteriormente proposta pelo AdGraph, permitindo que o WebGraph registre e quantifique explicitamente padrões de compartilhamento de informações com base em atividade local, independentemente das URLs de origem e destino para telemetria ou outras comunicações internas nos sistemas de publicidade.

Resultados

Os pesquisadores usaram uma versão estendida do OpenWPM para rastrear sistematicamente 10.000 sites tirados dos 100.000 principais sites do Alexa e uma amostra aleatória de 9.000 sites classificados entre 1.000 e 100.000, armazenando suas representações gráficas antes de passar os resultados para um classificador de árvore de decisão modelado no design original do AdGraph e usando listas de filtros de anúncios populares como verdade fundamental. Dessa forma, um conjunto de dados foi construído para o treinamento do modelo central.

O sistema alcançou resultados comparáveis ao AdGraph, com 92,33% de precisão. No entanto, a resiliência do novo sistema a resistência adversária aumenta de uma taxa de falha quase completa para o AdGraph para apenas 8% de suscetibilidade sob o WebGraph.

Direções Futuras

O artigo afirma que as redes publicitárias precisariam reorganizar significativamente seus sistemas para evitar a detecção diante da abordagem do WebGraph e sugere que tais mudanças exigiriam uma revisão da relação de confiança atualmente circunspecta entre anunciantes de terceiros e os sites hospedeiros em que seus anúncios aparecem.

O artigo também observa que o WebGraph não leva em conta técnicas de rastreamento sem estado, como a impressão digital do navegador (via o elemento Canvas), que utilizam APIs que o sistema não monitora atualmente. Os pesquisadores sugerem que o WebGraph pode ser estendido no futuro para considerar também esses tipos de interações e signos de armazenamento local.