Эксперты обошли защиту от блокировщиков рекламы с помощью машинного обучения
4 октября 2021 года
Исследователи из Политехнического университета Виргинии и Университета Калифорнии (Дэвис) в США и FAST NUCES и Лахорского университета управленческих наук в Пакистане разработали метод на основе машинного обучения для определения web-сайтов, устойчивых к блокировке рекламы и другим технологиям, сохраняющим конфиденциальность. Специалисты также проанализировали методы, используемые такими сайтами для «смешивания» рекламного и реального контент, в результате чего последний не отображается при включенном блокировщике рекламы.
Эксперты провели масштабное исследование «смешанных ресурсов» на 100 тыс. web-сайтов и обнаружили, что 17% доменов, 48% имен хостов, 6% скриптов и 9% методов доставки контента намеренно сочетают функции отслеживания (рекламы) с процессами, предоставляющими реальный контент. В таких случаях контент статьи будет исчезать для пользователей, которые используют программное обеспечение для блокировки рекламы, вынуждая отключить данные меры для дальнейшего просмотра контента.
Исследователи предложили систему, способную разделять компоненты этих «смешанных» web-ресурсов с точностью 98%, что дает решениям по блокировке рекламы и борьбе с отслеживанием шанс распутать потоки в более поздних итерациях своего программного обеспечения и снова включить доступ к контенту на страницах с блокировкой рекламы.
Системы блокировки рекламы в целом полагаются на то, что рекламный контент на web-странице происходит из определенных, выделенных доменов (рекламных технологий с доменными именами и/или IP-адресами). Данный подход позволяет разрабатывать списки блокировки, которые не будут отображать контент из этих источников внутри web-страницы.
Эксперты создали платформу TrackerSift для анализа сетевых ресурсов, загружаемых web-сайтами, с последующим разделением смешанных ресурсов на «контент» и «рекламу». На самом общем уровне анализа TrackerSift записывает основные сетевые запросы на ресурсы, такие как рекламный контент, полученный из сети доставки контента или рекламной платформы. Затем он детализирует содержимое извлеченных ресурсов, выполняя анализ на уровне кода и различая функции различных типов кодовых вызовов и процедур.
Источники
править| Эта статья содержит материалы из статьи «Эксперты обошли защиту от блокировщиков рекламы с помощью машинного обучения», опубликованной на сайте SecurityLab.ru и распространяющейся на условиях лицензии Creative Commons Attribution 3.0 Unported (CC-BY 3.0 Unported). |  |
Любой участник может оформить статью: добавить иллюстрации, викифицировать, заполнить шаблоны и добавить категории.
Любой редактор может снять этот шаблон после оформления и проверки.
Комментарии
Если вы хотите сообщить о проблеме в статье (например, фактическая ошибка и т. д.), пожалуйста, используйте обычную страницу обсуждения.
Комментарии на этой странице могут не соответствовать политике нейтральной точки зрения, однако, пожалуйста, придерживайтесь темы и попытайтесь избежать брани, оскорбительных или подстрекательных комментариев. Попробуйте написать такие комментарии, которые заставят задуматься, будут проницательными или спорными. Цивилизованная дискуссия и вежливый спор делают страницу комментариев дружелюбным местом. Пожалуйста, подумайте об этом.
Несколько советов по оформлению реплик:
- Новые темы начинайте, пожалуйста, снизу.
- Используйте символ звёздочки «*» в начале строки для начала новой темы. Далее пишите свой текст.
- Для ответа в начале строки укажите на одну звёздочку больше, чем в предыдущей реплике.
- Пожалуйста, подписывайте все свои сообщения, используя четыре тильды (~~~~). При предварительном просмотре и сохранении они будут автоматически заменены на ваше имя и дату.
Обращаем ваше внимание, что комментарии не предназначены для размещения ссылок на внешние ресурсы не по теме статьи, которые могут быть удалены или скрыты любым участником. Тем не менее, на странице комментариев вы можете сообщить о статьях в СМИ, которые ссылаются на эту заметку, а также о её обсуждении на сторонних ресурсах.
