Phương Pháp Học Máy Để Chặn Quảng Cáo Dựa Trên Hành Vi Trình Duyệt Địa Phương

Những nhà nghiên cứu ở Thụy Sĩ và Mỹ đã tạo ra một phương pháp học máy mới để phát hiện vật liệu quảng cáo trên trang web dựa trên cách thức vật liệu đó tương tác với trình duyệt, thay vì phân tích nội dung hoặc hành vi mạng – hai phương pháp đã chứng minh là không hiệu quả trong dài hạn khi đối mặt với việc che giấu CNAME (xem dưới đây).

Được gọi là WebGraph, khuôn khổ này sử dụng một phương pháp học máy dựa trên đồ thị để phát hiện nội dung quảng cáo bằng cách tập trung vào các hoạt động thiết yếu của quảng cáo mạng – bao gồm cả việc thu thập dữ liệu và lưu trữ trình duyệt địa phương – mà cách duy nhất để tránh bị phát hiện là không thực hiện các hoạt động này.

Mặc dù các phương pháp trước đây đã đạt được tỷ lệ phát hiện cao hơn một chút so với WebGraph, nhưng tất cả chúng đều dễ bị các kỹ thuật tránh né, trong khi WebGraph có thể đạt được độ chính xác gần 100% khi đối mặt với các phản hồi đối kháng, bao gồm cả các phản hồi假设 phức tạp hơn có thể xuất hiện khi đối mặt với phương pháp chặn quảng cáo mới này.

Bài báo này được dẫn dắt bởi hai nhà nghiên cứu từ Viện Công nghệ Liên bang Thụy Sĩ, cùng với các nhà nghiên cứu từ Đại học California, Davis và Đại học Iowa.

Beyond AdGraph

Công việc này là một sự phát triển từ một sáng kiến nghiên cứu năm 2020 với trình duyệt Brave gọi là AdGraph, trong đó có hai nhà nghiên cứu từ bài báo mới.

So sánh AdGraph và WebGraph, với các đường đứt nét đại diện cho các đổi mới kiến trúc so với phương pháp trước đó. Nguồn: https://arxiv.org/pdf/2107.11309.pdf

AdGraph dựa trên các tính năng nội dung (quảng cáo), được suy dẫn từ phân tích URL, như một khóa để phát hiện vật liệu thương mại. Tuy nhiên, những tính năng này đại diện cho một điểm thất bại duy nhất cho các đối thủ tìm cách phát hiện sự hiện diện của hệ thống phát hiện quảng cáo, và xây dựng các phương pháp để tránh chúng. Sự phụ thuộc này vào các tính năng nội dung làm cho AdGraph cơ bản là một phiên bản tự động hóa của các phương pháp dựa trên danh sách bộ lọc được tạo thủ công, chia sẻ điểm yếu của chúng.

CNAME Cloaking

Vật liệu xuất phát từ miền của chính trang web thuộc vào một thể loại ‘tin cậy’, trong phạm vi miền đó được tin cậy. Đối với một trang web có thẩm quyền cao, có một khoản phí cao để chạy các chiến dịch quảng cáo có vật liệu được hiển thị như được lưu trữ bởi trang web thẩm quyền đó, vì quảng cáo như vậy miễn nhiễm với các danh sách bộ lọc chặn quảng cáo và thậm chí với phương pháp AdGraph năm 2020.

Tuy nhiên, các chiến dịch tùy chỉnh khó đàm phán, tốn kém để thực hiện và đi ngược lại với các nguyên tắc cốt lõi của mô hình quảng cáo mạng đã phát triển trong 25 năm qua, nơi một nền tảng thứ ba chèn mã trực tiếp vào trang web chủ, thường ‘đấu giá’ vị trí quảng cáo trong micro giây dựa trên sự mong muốn từ khóa và các yếu tố khác.

Kể từ khi hầu hết các hệ thống chặn quảng cáo dựa trên vật liệu của bên thứ ba trong các trang web (tức là các yếu tố được lưu trữ trên các miền ‘ngoại lai’), các nhà quảng cáo đã chống lại các kỹ thuật che giấu CNAME trong những năm qua. Che giấu CNAME lừa các trình theo dõi tin rằng một子 miền của trang web chủ (tức là thông tin.example.com thay vì example.com) là một phụ lục thực sự của trang web, khi thực tế nó là một cơ chế phục vụ quảng cáo proxy được sắp xếp với các nhà cung cấp quảng cáo của bên thứ ba.

Vào tháng 3 năm 2021, một nghiên cứu cho thấy rằng các vụ che giấu CNAME tăng 22% giữa năm 2018 và 2020, với gần 10% trang web hàng đầu 10.000 của Tranco sử dụng ít nhất một trình theo dõi dựa trên CNAME vào tháng 10 năm 2020.

Discounting Trust in URLs

Các kỹ thuật lừa đảo CNAME liên quan đến việc thao túng các URL tham gia vào quá trình phục vụ quảng cáo. Bất kỳ hệ thống chặn quảng cáo nào tin tưởng chuỗi URL sẽ dễ bị thao túng và tránh né. Do đó, WebGraph ngẫu nhiên thay đổi các URL được cung cấp trong một quá trình (bao gồm cả chuỗi truy vấn, số lượng tham số và tên tham số), tìm kiếm các mẫu sử dụng thay vì các URL cụ thể bị cấm hoặc được chấp nhận.

Hệ thống phải xem xét hai cấu hình phổ biến trong kiến trúc phục vụ quảng cáo: một, nơi chủ nhà cộng tác trực tiếp với nhà quảng cáo; và một kịch bản thứ hai (thường gặp hơn) nơi nhà quảng cáo cung cấp sự hợp tác hạn chế do nhu cầu bảo vệ mình khỏi sự thao túng của khách hàng.

Trong các phương pháp dựa trên danh sách, bao gồm AdGraph, việc thao túng URL thành công bởi hệ thống phục vụ quảng cáo gần như là một chiến thắng hoàn toàn, gán ‘nguồn gốc địa phương’ cho quảng cáo và do đó tránh được hầu hết các nỗ lực để chặn quảng cáo một cách hệ thống.

Điều gì còn lại, về mặt chữ ký? WebGraph tập trung vào nhu cầu của các hệ thống quảng cáo phải chia sẻ thông tin bằng các phương tiện bán che giấu, chẳng hạn như trình theo dõi web, giao tiếp giữa các iframe và ‘người nghe’ web, liên tục thăm dò trạng thái trực tiếp của trang chủ để tìm kiếm hoạt động có ý nghĩa về mặt đo lường web cho quảng cáo. Hoạt động như vậy bao gồm việc lưu trữ biến trong cookie hoặc lưu trữ cục bộ dựa trên HTML5.

WebGraph sử dụng khuôn khổ Đo lường Quyền riêng tư Web của Mozilla (OpenWPM) để theo dõi hoạt động như vậy trong Firefox. Nó ghi lại tất cả hoạt động tại lớp JavaScript và tất cả các yêu cầu mạng đi ra và phản hồi của chúng, tại lớp mạng.

Sự giám sát bổ sung này giới thiệu các ‘đường cong thông tin’ mới vào mạng đồ thị trước đó được đề xuất bởi AdGraph, cho phép WebGraph ghi lại và lượng hóa các mẫu chia sẻ thông tin dựa trên hoạt động địa phương, và bất kể URL nguồn và đích cho telemetry hoặc các loại liên lạc khác trong các hệ thống phục vụ quảng cáo.

Kết Quả

Các nhà nghiên cứu đã sử dụng một phiên bản mở rộng của OpenWPM để thu thập hệ thống 10.000 trang web từ 100.000 trang web hàng đầu của Alexa và một mẫu ngẫu nhiên của 9.000 trang web được xếp hạng từ 1.000 đến 100.000, lưu trữ các biểu diễn đồ thị của chúng trước khi chuyển kết quả đến một bộ phân loại cây quyết định được mô hình hóa dựa trên thiết kế ban đầu của AdGraph và sử dụng các danh sách bộ lọc quảng cáo phổ biến làm sự thật cơ bản. Bằng cách này, một tập dữ liệu được xây dựng để đào tạo mô hình cốt lõi.

Hệ thống đã đạt được kết quả tương đương với AdGraph, với độ chính xác 92,33%. Tuy nhiên, khả năng chống lại sự phản kháng của hệ thống mới này tăng từ tỷ lệ thất bại gần như hoàn toàn của AdGraph lên chỉ 8% khả năng bị ảnh hưởng dưới WebGraph.

Hướng Tiếp Cận Tương Lai

Bài báo cho rằng các mạng quảng cáo sẽ cần phải thay đổi đáng kể kiến trúc hệ thống của mình để tránh bị phát hiện khi đối mặt với phương pháp WebGraph, và đề xuất rằng những thay đổi như vậy sẽ cần phải xem xét lại mối quan hệ tin cậy hiện tại giữa các nhà quảng cáo của bên thứ ba và các trang web chủ mà quảng cáo của họ xuất hiện.

Bài báo cũng lưu ý rằng WebGraph không tính đến các kỹ thuật theo dõi không trạng thái như dấu vân tay trình duyệt (qua phần tử Canvas), những kỹ thuật sử dụng các API mà hệ thống hiện không theo dõi. Các nhà nghiên cứu đề xuất rằng WebGraph có thể được mở rộng trong tương lai để tính đến những loại tương tác và dấu hiệu lưu trữ cục bộ như vậy.