Combate ao Bloqueio de Anúncios com Aprendizado de Máquina

Uma nova iniciativa de pesquisa dos EUA e do Paquistão desenvolveu um método baseado em aprendizado de máquina para identificar sites que são resistentes a bloqueadores de anúncios e outras tecnologias de preservação de privacidade, bem como descontruir as técnicas que esses sites usam para ‘misturar’ as origens de anúncios e conteúdo real, de modo que o conteúdo não seja visualizável se os anúncios forem bloqueados.

Novas tecnologias de bloqueio de anúncios desenvolvidas a partir dessas descobertas poderiam por fim a incidentes em que o conteúdo central de um artigo não é visualizável quando os anúncios são bloqueados, fornecendo um método automatizado para separar recursos de anúncios e scripts, em vez da abordagem manual atualmente usada por frameworks de bloqueio de anúncios populares.

Os autores realizaram um estudo em larga escala de ‘recursos mistos’ em 100.000 sites, descobrindo que 17% dos domínios, 48% dos nomes de host, 6% dos scripts e 9% dos métodos de entrega de conteúdo deliberadamente misturam funcionalidade de rastreamento (ou seja, publicidade) com processos que entregam conteúdo real. Nesses casos, o conteúdo do artigo desaparecerá para usuários que estão usando software de bloqueio de anúncios ou anti-rastreamento, forçando o usuário a desativar essas medidas para visualizar o conteúdo.

Na maioria dos casos, isso não significa apenas que os anúncios serão visíveis novamente, mas também que os usuários serão forçados a voltar aos sistemas de rastreamento entre domínios que inflamaram defensores da privacidade nos últimos anos.

A nova pesquisa oferece um sistema capaz de separar os componentes desses ‘recursos mistos’ da web com 98% de precisão, permitindo que soluções de bloqueio de anúncios e anti-rastreamento tenham a chance de desembaraçar os fluxos em iterações posteriores de seu software e, mais uma vez, habilitar o acesso ao conteúdo em páginas bloqueadas.

O novo artigo é intitulado TrackerSift: Desembaralhando Recursos de Rastreamento e Funcionais da Web Misturados, e vem de pesquisadores da Virginia Tech e UoC Davis nos EUA, e FAST NUCES e a Universidade de Gestão de Lahore (LUMS) no Paquistão.

A Guerra dos Bloqueadores de Anúncios

Sistemas de bloqueio de anúncios dependem, em geral, da necessidade de conteúdo de anúncios em uma página da web originar-se de domínios específicos e dedicados – geralmente plataformas de publicidade com nomes de domínio e/ou endereços IP que podem ser classificados como ‘publicidade de terceiros’, permitindo o desenvolvimento de listas de bloqueio que não renderizarão conteúdo dessas origens dentro de uma página da web.

Além disso, os nomes de recursos específicos de anúncios, como scripts, podem ser adicionados às listas de bloqueio para que não sejam executados, mesmo em casos em que suas origens tenham sido deliberadamente obscurecidas. Os esquemas de nomenclatura de scripts gerados sistematicamente são frequentemente consistentes, permitindo reconhecimento e bloqueio.

Como um anúncio apresentado em uma página da web é frequentemente escolhido nos últimos milissegundos de uma carga de página por meio de processos de leilão dinâmico (com base em palavras-chave encontradas na página, métricas de campanha e muitos outros fatores), não é prático armazenar anúncios no domínio hospedeiro, o que, em teoria, impediria que os bloqueadores de anúncios ocultassem o conteúdo comercial.

Cada vez mais, sites estão lutando contra o bloqueio de anúncios por meio de CNAME Cloaking – o uso de subdomínios do ‘domínio autêntico’ como proxies para servidores de anúncios (ou seja, content.example.com servirá anúncios para example.com, mesmo que o subdomínio não tenha outro propósito além de servir anúncios e não seja mantido pelo site hospedeiro, mas sim por seus anunciantes).

No entanto, esse método pode ser quantificado e bloqueado distinguindo o conteúdo do subdomínio como publicidade, ou usando técnicas de análise de rede para identificar a relação anormal e irregular do subdomínio com o domínio principal.

TrackerSift

O artigo dos autores propõe TrackerSift, uma plataforma para analisar recursos de rede solicitados por sites e, em seguida, reclassificar recursos mistos em ‘conteúdo’ e ‘publicidade’. No nível mais geral de análise, TrackerSift registra solicitações de rede básicas para recursos, como conteúdo de anúncios solicitados de uma Rede de Entrega de Conteúdo (CDN) ou uma plataforma de publicidade; mas, em seguida, aprofunda-se no conteúdo dos recursos solicitados, realizando análise de nível de código e distinguindo as funções de diferentes tipos de chamadas de código e procedimentos.

Hierarquia de análise do TrackerSift, desde recursos de rastreamento (vermelho) até recursos funcionais necessários (verde). Recursos mistos, que provavelmente levarão à ofuscação de conteúdo (amarelo), são submetidos a uma análise mais aprofundada. Fonte: https://arxiv.org/pdf/2108.13923.pdf

Dados

Para obter o conjunto de dados que alimenta o TrackerSift, os autores vasculharam 100.000 sites aleatórios da lista Tranco top-milhão de 2018. Selenium automação de navegador foi usada junto com o Google Chrome para realizar a tarefa.

A rede de raspagem da web foi baseada em sites universitários na América do Norte, composta por um cluster de 13 nós com 112 núcleos, 52 terabytes de armazenamento e 823 gigabytes de RAM operativa em todo o sistema.

Cada nó foi baseado em um contêiner Docker e dedicado a raspar um subconjunto das 100.000 páginas da web selecionadas, com pausas programáticas para sustentabilidade e exclusão completa de todos os cookies e identificadores ao carregar um novo domínio, para garantir que as sessões e estados anteriores não influenciassem a legibilidade do próximo domínio.

Scripts Mistos

Os resultados mostram um uso extensivo de empacotamento de scripts, onde plataformas de anúncios e hospedeiros de conteúdo deliberadamente concatenam scripts baseados em conteúdo e anúncios em ‘super scripts’ que impedirão a exibição de conteúdo se forem bloqueados. Por exemplo, os autores observam que o pressl.co serve um script da web empacotado via a plataforma de concatenação de JavaScript WebPack, que contém um pixel de rastreamento do Facebook e também código que permite a renderização de conteúdo real.

Além disso, o artigo observa que uma série de domínios está disposta a incorporar scripts diretamente no código de páginas da web, tornando necessário que os frameworks de bloqueio de anúncios abordem a funcionalidade dentro dos scripts, em vez de simplesmente impedir que o script seja carregado com base em sua URL de origem de terceiros.

Ao localizar esses métodos, o caminho está claro para a divisão sistemática de tal código em categorias de conteúdo e anúncios, e o potencial restabelecimento da exibição de conteúdo em ambientes bloqueados.

Embora as soluções de bloqueio de anúncios existentes, como NoScript, AdGuard, uBlock Origin e Firefox Smartblock usem scripts substitutos que desmontam esses scripts mesclados em scripts de componentes bloqueáveis, esses dependem de reescrita manual de scripts, levando a uma guerra fria contínua entre os bloqueadores e as técnicas em constante mudança que os quebram. Em contraste, o TrackerSift oferece um método potencialmente programático para a decomposição de conteúdo misto.