Makine Öğrenimi vs. Çerez Onay Sistemleri

Wisconsin Üniversitesi ve Google arasındaki yeni bir araştırma işbirliği, son on yıldaki en çok eleştirilen web kullanıcı sıkıntılarından biri olan – şeffaflık ve GDPR’ye uygun çerez onay bannerlerinin kötüye kullanımının – karşısına makine öğrenimini çıkarıyor.

CookieEnforcer olarak adlandırılan yeni çerçeve, Semantik Metin Anlama kullanarak, çerez onay açılır penceresi veya bannerının arkasındaki kodun anlamını ve faydasını analiz ederek, kullanıcıya gerçekten “gerekli olmayan” tüm çerezleri devre dışı bırakmak için eksik “tek tıklama” çözümünü sunar.

CookieEnforcer, www.askubuntu.com web sitesinden çerez onay kodunu inceliyor. Kaynak: https://arxiv.org/pdf/2204.04221.pdf

Sistem, kullanıcı tarafından yüklenen bir web tarayıcı eklentisi aracılığıyla uygulanır ve tek bir tıklamayla kullanıcı tanımlı kuralları uygulayabilir. Bir çerez onay çerçevesi web sitesinde görününce, kullanıcı eklentiyi etkinleştirebilir ve eklenti daha sonra çerez onay kodunu olası eylemler için tarayarak, kullanıcı adına seçim melakukan JavaScript oluşturur.

Eklenti, kullanıcı tercihlerini otomatik olarak uygulamak veya her bir durumu ayrı ayrı ele almak için ayarlanabilir, böylece kullanıcı ayarları değiştirebilir.

Çerez onay eklentisi çalışır durumda. Chrome eklentisi, kullanıcı katkısı olmadan bu işlemi tamamen otomatikleştirebilir. Daha fazla ayrıntı için aşağıdaki gömülü videoyu izleyin. Kaynak: https://www.youtube.com/watch?v=5NI6Q981quc

“Çerez onay seçeneklerini gizleyen” karmaşık ve emek yoğun ayar gruplarını analiz etme sorunu, bir dizi-dizi öğrenme görevi olarak modellenir.

Çoklu bir doğruluk değerlendirmesinde, CookieEnforcer eğitim sırasında görmediği alanlarda %91’lik bir oranda gerekli adımları oluşturarak, kriptik çerez onay prosedürlerini bertaraf edebildi. Kullanıcı çalışması, sistemin çerez onay modüllerini gezmede kullanıcı çabaını önemli ölçüde azalttığını gösterdi.

Çerez onay çerçevesini sunan makale, CookieEnforcer: Otomatik Çerez Bildirimi Analizi ve Uygulaması olarak adlandırılmış ve Wisconsin-Madison Üniversitesi’nden üç araştırmacı ve Google Inc.’den bir araştırmacı tarafından yazılmıştır.

Çerez Onayına Giden Gizli Yollar

2016’da Genel Veri Koruma Yönetmeliği (GDPR) ve 2018’de California Tüketici Gizliliği Yasası (CCPA) yürürlüğe girdiğinden beri, kullanıcıları bu yasaların kapsadığı bölgelerden çekebilmek isteyen web siteleri, genellikle IP adresi algılamasına dayalı çerez tercih mekanizmaları sunmak zorundadır.

Ancak, alan sahipleri uzun süredir kullanıcı verilerini toplamak için şeffaf olmayan ve genellikle görünmeyen çerez uygulamalarına alışkınlar, bu nedenle yeni yetkilendirilmiş kullanıcılar için kolay çıkış seçenekleri sunmaya isteksizdiler.

Çerez onay arayüzlerinin varsayılan UI’si (kullanıcı bir alanı ilk kez ziyaret ettiğinde veya kullanıcı o alan için çerezleri sildiğinde görünür) hızla karanlık desenlere dönüşmüştür; kullanıcıları, haklarını kullanmak isterlerse, ayrıntılı, zaman alan ve geniş seçenekler sunarak yormak için tasarlanmışlardır veya kullanıcıyı tüm çerezlere onay vermeye yönlendiren basit ve kolay erişilebilir bir düğme.

Yeni makalede denir:

‘Kullanıcılar, karmaşık bildirimlere sahip web siteleri için bilgilendirilmiş çerez kontrolü uygulamakta zorlanabilirler. Her bir web sitesi için çerez ayarlarını ince ayarlamak yerine varsayılan yapılandırmalara güvenmeye daha eğilimlidirler. Birkaç durumda, bu varsayılan ayarlamalar gizlilik ihlaline yol açar ve hizmet sağlayıcılarına yarar sağlar, bu da gizlilik risklerine neden olur.’

Bu uygulamalar hakkında yapılan bir yorum, bunları ‘kötü niyetli uyum’ olarak nitelendirdi. Çerez onay çerçeveleriyle ilgili kullanıcı kızgınlığı, büyük yayıncıları, bu konudaki kendi uygulamalarıyla kişisel olarak maruz kalmadıkları sürece daha fazla kapsama sahip olabilecekleri bir konudur.

Bu örnekte, TechCrunch web sitesinde sunulan tipik bir seçenek labirenti, ironik olarak, AB’nin çerez onayını neyin oluşturduğuna ilişkin tutumundaki değişikliklerine ilişkin bir makaleye giriş olarak.

2019’da Almanya’da yapılan bir çalışmada, incelenen alanların çoğunluğunda ziyaretçilerin geniş onaylara yönlendirildiği ve sadece üçte bir web sitesinin veri toplama uygulamalarının amaçlarını açıkladığı tespit edildi.

Son yıllarda, Cookie Quick Manager Firefox uzantısı ve çeşitli Chrome alternatifleri gibi bir dizi web tarayıcı eklentisi, eklenti ve uzantısı bu sorunu çözmek için ortaya çıktı, ayrıca Avrupa Birliği, çerez onay mimarilerine ilişkin uyumluluk boşluklarını kapatmaya çalışıyor.

Yöntem ve Veri

Araştırmacılar, anahtar kelimelere veya el ile oluşturulmuş kurallara dayanmayan daha güçlü bir çerez onay yönetimi çerçevesi oluşturmak istiyorlardı, bu da son benzer ML-destekli projelerin merkezi yaklaşımı.

CookieEnforcer’ın üç amacı vardır: çerez bildirimlerini ve arayüzlerini makine tarafından okunabilir bir forma çevirmek; çerez ayarlandırma yapılandırmasını, gerekli olmayan çerezleri devre dışı bırakacak şekilde tanımlamak; ve kullanıcı tarafından istendiği takdirde, ek kullanıcı girişi olmadan ek kısıtlamaları otomatik olarak uygulamak.

Sistem, çerez bildirimlerini algılayan ve analiz eden bir arka uç bileşeni ve çerezleri devre dışı bırakmak için JavaScript oluşturan ve yürüten bir ön uç bileşeni olan bir tarayıcı uzantısından oluşur.

Çerçeve, Selenium web test kütüphanesini kullanan Chrome’a özgü yerel olarak yüklenen bir uzantı olarak uygulanır.

Arka uç bölümü, algılama, analiz ve karar modeli için modülleri içerir. Analiz modülü, kullanıcı etkileşimi tarafından yapılan kod değişikliklerini dikkate alır, böylece ilk kod dökümü, kullanıcı simülasyonuna karşılık olarak geçersiz kılınmaz.

Doğal Dil Anlama

Kod ortaya çıktığında, CookieEnforcer’ın mevcut olası eylemlerinin durumunu anlaması önemlidir, çünkü toggle düğmelerinin arkasındaki dil, kullanıcıya fayda açısından belirsiz olabilir.

Bu amaçla, araştırmacılar, karar bileşeni için Metin-Metne Transfer Transformer (T5) modelini eğittiler. 770 milyon parametre içeren T5-Large modeli, girdi/çıkış kodu (yani, seçeneklerin işlevselliğini tanımlayan ve sağlayan kodu) içeren özel bir veritabanında oluşturuldu.

T5 modeli için örnek biçimlendirme (yukarıda) ve eğitim verileri (aşağıda). Veri örneği www.askubuntu.com’dan alınmıştır.

Veri seti, Tranco’nun en popüler 50.000 web sitesinin listesinden seçilen 300 web sitesiyle oluşturuldu. Algılama ve analiz modülleri, çalışma zamanı kaynak kodundan çerez onay seçeneklerini çıkardı ve varsayılan durumlarını değerlendirdi.

Araştırmacılardan biri, tüm incelenen web siteleri için gerekli tıklama serilerini elle etiketledi, bu da 300 tam etiketli alanla sonuçlandı.

Özel veri setindeki örneklerden kod disposition çeşitliliği.

60 web sitesi test kümesi olarak ayrıldı ve T5-Large modeli, 20 epoch için 0.003’lük bir öğrenme hızında, 16’lık bir toplu işleme boyutunda, 256 token’lik bir maksimum girdi dizisi uzunluğu ve 64 token’lik bir maksimum hedef dizisi uzunluğuyla eğitildi. Token’lar, Google’ın SentencePiece tokenleştiricisi tarafından oluşturuldu.

Son olarak, işlenen bilgiler yerel bir veritabanına depolanır ve sistemin ön ucuna sunulur. Yazarlar, bazı önceki benzer projelerin aldığı XML Path Language (XPath) yaklaşımının yerine querySelector() HTML işlevini tercih etti, çünkü XPath’ler çerez bildirimleri için DOM güncellemelerine (yani, kodun, kullanıcı etkileşimine yanıt olarak ilk yüklenmeden sonra değişebileceği) karşı savunmasızdır.

Test ve Performans

Pratikte, CookieEnforcer, The New Scientist çerez onay çerçevesindeki gizli bir seçeneği gibi bazı karanlık desenleri gezinmede başarılı oldu; bu seçenek, kullanıcı bunu görüntülemek için açıkça talep edene kadar JavaScript tarafından gizlenir.

Yazarlar diyor ki:

‘Bu seçenek, kullanıcılar tarafından kolayca kaçırılabilir, çünkü kullanıcıların ek bir çerçeveyi genişletmeleri gerekir. CookieEnforcer bu seçeneği bulur ve anlar, bu nedenle itiraz eder. Bu örnekler, modelin bağlamı öğrendiğini ve yeni örnekleri genelleştirdiğini gösterir.’

Araştırmacılar üç test gerçekleştirdi, Bunlar arasında, CookieEnforcer’ın 500 görmediği alanlar genelinde performansının sonuna kadar değerlendirilmesi de vardı; burada yazarlar, %91’lik bir oranda başarılı olduğunu bildirdiler.

İkinci test, 14 web sitesi içeren bir çevrimiçi kullanıcı çalışmasıydı ve Sistem Kullanılabilirlik Ölçeği (puan) ile manuel bir temel karşılaştırıldı. Bu test için yazarlar, CookieEnforcer’ın temel çizgiye göre %15 daha yüksek bir puan elde ettiğini bildirdiler.

CookieEnforcer, aynı zamanda canlandırıcı bir süreci otomatikleştirerek, temel çizgiye göre %15 daha yüksek bir puan sağlar.

Son olarak, CookieEnforcer’ın eğitilen parametreleri, çerez bildirimlerini gezme yeteneğini belirlemek için ABD ve Avrupa’daki en iyi 5000 web sitesine karşı test edildi. Yazarlar diyor ki:

‘Bu ölçekteki ölçümler önce yapıldı, ancak CookieEnforcer, anahtar kelime tabanlı heuristiklerin ötesinde seçeneklerin daha derin bir anlayışını sağlar. Özellikle, UK’de çerez bildirimleri gösteren web sitelerinin %16.7’sinin en az bir gerekli olmayan çerezi etkinleştirdiğini bulduk. ABD’deki web siteleri için bu oran %22’dir.’

Yazarlar, CookieEnforcer’ı çalışır durumda gösteren kısa bir YouTube videosu yayınladı:

İlk olarak 12 Nisan 2022’de yayımlandı.