ระบบ Machine Learning กับการยินยอมการใช้คุกกี้

การวิจัยร่วมใหม่ระหว่างมหาวิทยาลัยวิสคอนซินและกูเกิล ได้นำระบบ Machine Learning มาใช้ในการแก้ไขปัญหาคุกกี้ที่ทำให้ผู้ใช้เว็บไม่พอใจในช่วงสิบปีที่ผ่านมา – ความไม่โปร่งใสและความไม่ซื่อสัตย์ของการขอคุกกี้ที่เป็นไปตาม GDPR

ชื่อ CookieEnforcer ระบบใหม่นี้ใช้ Semantic Text Understanding เพื่อวิเคราะห์ความสำคัญและประโยชน์ของโค้ดที่อยู่เบื้องหลังการขอคุกกี้หรือแบนเนอร์ เพื่อให้ผู้ใช้สามารถเลือกที่จะปิดคุกกี้ที่ไม่จำเป็นได้ด้วยการคลิกเพียงครั้งเดียว รวมถึงคุกกี้ที่เจ้าของโดเมนอ้างว่าจำเป็น แต่ไม่จำเป็นจริงๆ

CookieEnforcer วิเคราะห์โค้ดการขอคุกกี้จากเว็บไซต์ www.askubuntu.com. แหล่งที่มา: https://arxiv.org/pdf/2204.04221.pdf

ระบบนี้ถูกนำไปใช้โดยใช้ปลั๊กอินเว็บเบราว์เซอร์ที่ผู้ใช้ติดตั้งเอง ซึ่งสามารถใช้กฎที่กำหนดโดยผู้ใช้ได้ด้วยการคลิกเพียงครั้งเดียว เมื่อการขอคุกกี้ปรากฏบนเว็บไซต์ ผู้ใช้สามารถเปิดใช้ปลั๊กอินได้ ซึ่งจะวิเคราะห์โค้ดการขอคุกกี้เพื่อหาการกระทำที่เป็นไปได้ ก่อนที่จะสร้าง JavaScript ที่เหมาะสมเพื่อกระทำการตามที่ผู้ใช้ต้องการ

ปลั๊กอินสามารถตั้งค่าให้บังคับใช้ความชอบของผู้ใช้โดยอัตโนมัติ หรือสามารถทำได้แบบกรณีโดยกรณี โดยให้ผู้ใช้สามารถปรับแต่งการตั้งค่าก่อนที่จะส่งแบบฟอร์ม

Cookie enforcer ในการทำงาน หากต้องการ ปลั๊กอิน Chrome สามารถทำการนี้ได้โดยอัตโนมัติ โดยไม่ต้องมีส่วนร่วมของผู้ใช้ ดูวิดีโอที่แนบมาเพื่อข้อมูลเพิ่มเติม Source: https://www.youtube.com/watch?v=5NI6Q981quc

ความท้าทายในการวิเคราะห์ตัวเลือกที่ไม่จำเป็น ซึ่งมักจะซ่อนอยู่ในกลุ่มตัวเลือกที่ซับซ้อนและใช้เวลานาน (มากกว่าการยอมรับทั้งหมดที่เป็นมิตรกับผู้ใช้) ถูกสร้างแบบจำลองเป็น sequence-to-sequence task

ในการประเมินความแม่นยำแบบ end-to-end CookieEnforcer สามารถสร้างขั้นตอนที่จำเป็นในการหลีกเลี่ยงกระบวนการขอคุกกี้ที่ซับซ้อนได้ 91% ของกรณีที่ศึกษา ในโดเมนที่ไม่ได้ถูกใช้ในการฝึกอบรมโมเดล Machine Learning ของระบบ การศึกษาด้วยผู้ใช้แสดงให้เห็นว่าระบบลดความพยายามของผู้ใช้ในการนำทางโมดูลการยินยอม

เอกสารวิจัยที่นำเสนอวิธีการนี้มีชื่อว่า CookieEnforcer: Automated Cookie Notice Analysis and Enforcement และมาจากนักวิจัยสามคนจากมหาวิทยาลัยวิสคอนซิน และหนึ่งคนจาก Google Inc.

เส้นทางลึกลับไปสู่การยินยอมคุกกี้

ตั้งแต่การบังคับใช้ข้อบังคับ General Data Protection Regulation (GDPR) ในปี 2016 และ California Consumer Privacy Act (CCPA) ในปี 2018 เว็บไซต์ที่ต้องการมีส่วนร่วมกับผู้ใช้จากพื้นที่ที่ครอบคลุมโดยกฎหมายเหล่านี้จำเป็นต้องให้กลไกการยินยอมคุกกี้ (โดยทั่วไปอาศัยการตรวจจับ IP ของผู้ใช้เป็นตัวแทนประเทศต้นทาง)

อย่างไรก็ตาม เนื่องจากเจ้าของโดเมินมีความเคยชินกับการรวบรวมข้อมูลผู้ใช้ที่มีค่าและสามารถนำไปใช้ได้จากคุกกี้ที่ไม่โปร่งใสและไม่เห็นได้ พวกเขาจึงไม่เต็มใจที่จะให้ทางออกที่ง่ายสำหรับผู้ใช้ที่เพิ่งได้รับอำนาจใหม่

อินเทอร์เฟซการยินยอมคุกกี้โดยทั่วไป (ซึ่งปรากฏครั้งแรกเมื่อผู้ใช้เข้าชมโดเมนหรือถ้าผู้ใช้ลบคุกกี้สำหรับโดเมนนั้น) มักจะใช้ รูปแบบที่มืด ที่ออกแบบมาเพื่อให้ผู้ใช้เหนื่อยล้าด้วยตัวเลือกที่ละเอียดและใช้เวลานานหากต้องการใช้สิทธิ์ในการยินยอม หรือปุ่มที่สามารถเข้าถึงได้ง่ายซึ่งยินยอมคุกกี้ทั้งหมดที่เจ้าของโดเมินต้องการให้ทำงาน

วัฒนธรรมของตัวเลือก UI ที่ซับซ้อนและใช้เวลานานนี้ถูกอธิบายไว้ในหนึ่งการศึกษาในปี 2020 ว่าเป็น ‘การล่าขุมทรัพย์’

เอกสารวิจัยใหม่กล่าวว่า:

‘ผู้ใช้อาจพบว่ามันยากที่จะควบคุมคุกกี้ที่มีข้อมูลครบถ้วนสำหรับเว็บไซต์ที่มีประกาศที่ซับซ้อน พวกเขามีแนวโน้มที่จะพึ่งพาการตั้งค่าเริ่มต้นมากกว่าที่จะปรับแต่งการตั้งค่าคุกกี้สำหรับแต่ละเว็บไซต์ ในหลายกรณี การตั้งค่าเริ่มต้นเหล่านี้เป็นการบุกรุกความเป็นส่วนตัวและเอื้อประโยชน์ต่อผู้ให้บริการ ซึ่งนำไปสู่ความเสี่ยงด้านความเป็นส่วนตัว’

ความคิดเห็นในโพสต์บน ฟอรัมยอดนิยม เกี่ยวกับแนวปฏิบัติเหล่านี้อธิบายว่าเป็น ‘การปฏิบัติตามข้อกำหนดในทางที่ชั่ว’

ความไม่พอใจของผู้ใช้กับเฟรมเวิร์กการยินยอมคุกกี้เป็นหัวข้อที่ขัดแย้งกันสำหรับผู้จัดพิมพ์รายใหญ่ ซึ่งอาจครอบคลุมหัวข้อนี้ได้มากขึ้นหากพวกเขาไม่ได้ถูกเปิดเผยด้วยการปฏิบัติของตนเองในเรื่องนี้

ตัวเลือกที่ซับซ้อนแบบคลาสสิกที่นำเสนอในกรณีนี้โดย TechCrunch โดยไม่ฉลาดเป็นคำนำของบทความเกี่ยวกับทัศนคติที่เปลี่ยนแปลงของสหภาพยุโรปต่อการยินยอมคุกกี้

เอกสารวิจัยในปี 2019 จากเยอรมนีพบว่าผู้ใช้เว็บไซต์ส่วนใหญ่ถูก ‘บิด’ ให้ยินยอมคุกกี้ และเพียงหนึ่งในสามของเว็บไซต์เท่านั้นที่อธิบายวัตถุประสงค์ของการรวบรวมข้อมูล

ปลั๊กอินและ 익ステนชั่นสำหรับเว็บเบราว์เซอร์หลายตัวได้ปรากฏขึ้นเพื่อแก้ไขปัญหานี้ เช่น Cookie Quick Manager สำหรับ Firefox และตัวเลือกอื่นๆ สำหรับ Chrome ในขณะที่สหภาพยุโรปกำลัง พยายามปิดช่องโหว่ ในการปฏิบัติตามกฎระเบียบเกี่ยวกับการยินยอมคุกกี้

วิธีการและข้อมูล

นักวิจัยของเอกสารวิจัยใหม่นี้มุ่งหวังที่จะสร้างเฟรมเวิร์กการยินยอมคุกกี้ที่มีความแข็งแกร่งมากขึ้นโดยหลีกเลี่ยงการอาศัยคำค้นหรือกฎที่สร้างขึ้นเอง ซึ่งเป็นแนวทางหลักของโครงการที่คล้ายกันหลายโครงการที่ได้รับการช่วยเหลือจาก Machine Learning ในช่วงไม่นานมานี้

CookieEnforcer มีสามวัตถุประสงค์: แปลการแจ้งเตือนและอินเทอร์เฟซคุกกี้เป็นรูปแบบที่เครื่องสามารถอ่านได้; ระบุการกำหนดค่าการตั้งค่าคุกกี้ที่ปิดคุกกี้ที่ไม่จำเป็น; และใช้ข้อจำกัดเพิ่มเติมโดยอัตโนมัติหากต้องการโดยผู้ใช้

ระบบประกอบด้วยส่วนหลังที่ตรวจจับและวิเคราะห์การแจ้งเตือนคุกกี้ และส่วนหน้าที่เป็น 익ステนชั่นของเบราว์เซอร์ที่สร้างและดำเนินการการปิดคุกกี้ที่ไม่จำเป็น (เช่น คุกกี้ที่จะไม่ขัดขวางการนำทางหรือการเข้าถึงโดเมินหากถูกบล็อก)

เฟรมเวิร์กถูกสร้างขึ้นเป็น 익ステนชั่น Chrome ที่ติดตั้งแบบท้องถิ่นโดยใช้ Selenium ห้องสมุดการทดสอบเว็บภายใต้ ChromeDriver เฟรมเวิร์ก

ส่วนหลังประกอบด้วยโมดูลสำหรับการตรวจจับ การวิเคราะห์ และแบบจำลองการตัดสินใจ โมดูลการวิเคราะห์คำนึงถึงการเปลี่ยนแปลงโค้ดที่เกิดจากการโต้ตอบของผู้ใช้ เพื่อให้การดัมพ์โค้ดเริ่มต้นไม่ถูกทำให้ไม่ถูกต้องโดยการสำรวจผู้ใช้แบบจำลอง

ความเข้าใจภาษาธรรมชาติ

เมื่อโค้ดถูกเปิดเผย มันสำคัญที่ CookieEnforcer จะเข้าใจสถานะที่มีอยู่ของการกระทำที่อาจเกิดขึ้น เนื่องจากภาษาที่อยู่เบื้องหลังปุ่มท็อคกลสามารถคลุมเครือในแง่ของประโยชน์ต่อผู้ใช้ปลายทาง

เพื่อจุดประสงค์นี้ นักวิจัยฝึก Text-To-Text Transfer Transformer (T5) โมเดลสำหรับส่วนการตัดสินใจ โมเดล T5-Large ซึ่งมีพารามิเตอร์ 770 ล้านตัว ถูกปรับให้เหมาะสมบนฐานข้อมูลแบบกำหนดเองของโค้ดอินพุต/เอาต์พุต (เช่น โค้ดที่อธิบายและเปิดใช้งานฟังก์ชันการเปลี่ยน)

ตัวอย่างรูปแบบ (ด้านบน) และข้อมูลฝึกอบรม (ด้านล่าง) สำหรับโมเดล T5 ตัวอย่างข้อมูลมาจาก www.askubuntu.com

ชุดข้อมูลถูกสร้างขึ้นโดยการ取 mẫuเว็บไซต์ 300 เว็บไซต์ที่มีการแจ้งเตือนคุกกี้ที่เลือกจาก รายชื่อเว็บไซต์ยอดนิยม Tranco โมดูลตรวจจับและวิเคราะห์ข้อความแจ้งเตือนคุกกี้จากโค้ดต้นทางรันไทม์ และประเมินสถานะเริ่มต้น

นักวิจัยหนึ่งคนได้ระบุชุดคลิกที่ตีความว่าจำเป็นในการปิดคุกกี้ที่ไม่จำเป็นสำหรับเว็บไซต์ที่ศึกษาทั้งหมด ซึ่งนำไปสู่โดเมน 300 โดเมนที่มีฉลากเต็ม

ความหลากหลายของแหล่งที่มาโค้ดตัวอย่างในชุดข้อมูลแบบกำหนดเอง

60 เว็บไซต์ถูกตั้งไว้เป็นชุดการทดสอบ และโมเดล T5-Large ถูกฝึกอบรมด้วยอัตราการเรียนรู้ 0.003 ที่ขนาดแบตช์ 16 เป็นเวลา 20 เอพ็อก โดยมีความยาวลำดับอินพุตสูงสุด 256 โทเค็น และความยาวลำดับเป้าหมายสูงสุด 64 โทเค็น โทเค็นเหล่านี้ประกอบด้วยซับเวิร์ดที่สร้างโดย SentencePiece โทเคไนเซอร์

สุดท้าย ข้อมูลที่ประมวลผลจะถูกเก็บไว้ในฐานข้อมูลท้องถิ่นและพร้อมให้ใช้กับส่วนหน้าของระบบ ผู้เขียนชอบฟังก์ชัน querySelector() ของ HTML มากกว่าแนวทาง XPath ที่นำมาใช้ในโครงการที่คล้ายกันบางโครงการ เนื่องจาก XPath สำหรับการแจ้งเตือนคุกกี้มีความเสี่ยงต่อการอัปเดต DOM (เช่น โค้ดอาจเปลี่ยนแปลงหลังจากโหลดเริ่มต้นเนื่องจากการโต้ตอบของผู้ใช้) ด้วยวิธีนี้ สามารถรักษาเส้นทางขององค์ประกอบได้แม้ว่าจะมีการเปลี่ยนแปลงและตอบสนองต่อปัจจัยภายนอก

การทดสอบและประสิทธิภาพ

ในทางปฏิบัติ CookieEnforcer พิสูจน์แล้วว่าสามารถนำทางรูปแบบที่มืดที่ซับซ้อนที่สุดในเซตข้อมูล เช่น ตัวเลือกที่ซ่อนอยู่ในเฟรมเวิร์กการยินยอมคุกกี้ของ The New Scientist ซึ่งถูกปิดบังโดย JavaScript จนกว่าผู้ใช้จะขอให้แสดงมัน

ผู้เขียนกล่าวว่า:

‘ตัวเลือกนี้สามารถถูกพลาดได้ง่ายโดยผู้ใช้เนื่องจากพวกเขาต้องขยายเฟรมเพิ่มเติมเพื่อดูว่ามันอยู่ที่ไหน CookieEnforcer ไม่เพียงแต่พบตัวเลือกนี้ แต่ยังเข้าใจความหมายและตัดสินใจที่จะคัดค้าน ตัวอย่างเหล่านี้แสดงให้เห็นว่าโมเดลเรียนรู้บริบทและทั่วไปสำหรับตัวอย่างใหม่’

นักวิจัยได้ทำการทดสอบสามครั้ง รวมถึงการประเมินแบบ end-to-end ของประสิทธิภาพของเฟรมเวิร์กบนโดเมนที่ไม่เคยเห็นมาก่อน 500 โดเมน (เช่น เว็บไซต์ที่ CookieEnforcer ไม่ได้ถูกฝึกอบรมโดยเฉพาะ) โดยที่ผู้เขียนรายงานว่าสามารถปิดคุกกี้ที่ไม่จำเป็นได้สำเร็จ 91% ของเว็บไซต์

การทดสอบครั้งที่สองประกอบด้วยการศึกษาออนไลน์ผู้ใช้บนเว็บไซต์ 14 เว็บไซต์ โดยใช้คะแนน System Usability Scale (SUS) เทียบกับเส้นฐานแบบมือ สำหรับการทดสอบนี้ ผู้เขียนรายงานว่า CookieEnforcer ได้รับคะแนนสูงกว่าเส้นฐาน 15%

CookieEnforcer ช่วยให้ได้คะแนนสูงกว่าเส้นฐาน (การใช้ที่ไม่ได้รับการช่วยเหลือ) 15% ในขณะเดียวกันก็ทำให้กระบวนการที่น่าหงุดหงิดเป็นอัตโนมัติ

สุดท้าย พารามิเตอร์ที่ฝึกอบรมของ CookieEnforcer ถูกทดสอบกับเว็บไซต์ที่ดีที่สุด 5000 เว็บไซต์ในสหรัฐอเมริกาและยุโรป เพื่อกำหนดความสามารถในการนำทางการแจ้งเตือนคุกกี้ ผู้เขียนระบุว่า:

‘ในขณะที่การวัดในระดับนี้ได้ถูกทำมาก่อนหน้านี้ CookieEnforcer ช่วยให้เข้าใจตัวเลือกได้ลึกซึ้งยิ่งขึ้น นอกเหนือจากคำค้นเชิงอุปนัย ในกรณีนี้ เราพบว่า 16.7% ของเว็บไซต์ในสหราชอาณาจักรที่แสดงการแจ้งเตือนคุกกี้มีคุกกี้ที่ไม่จำเป็นอย่างน้อยหนึ่งคุกกี้เปิดใช้งานอยู่ ค่าเดียวกันสำหรับเว็บไซต์ในสหรัฐอเมริกาคือ 22%’

ผู้เขียนได้เผยแพร่วิดีโอยูทูบสั้นๆ ที่แสดง CookieEnforcer ในการทำงาน:

เผยแพร่ครั้งแรกเมื่อวันที่ 12 เมษายน 2022