[논문 리뷰] Actions speak louder than words: Semi-supervised learning for browser fingerprinting detection

Sarah Bird, Vikash Kumar Mishra외 5명|arXiv (Cornell University)|2020. 03. 09.

Internet Traffic Analysis and Secure E-voting참고 문헌 43인용 수 5

한 줄 요약

이 논문은 JavaScript 실행 트레이스를 분석하여 브라우저 지문화 스크립트를 탐지하기 위한 준지도 학습 기반 기계학습 접근법을 제안한다. 이는 API 접근 패턴의 행동 유사성을 기반으로 하며, 기존에 알려진 지문화 스크립트에서 94.9%의 재현율을 달성하고, 실세계에서 100개 이상의 이전에 발견되지 않은 디바이스 클래스 지문화 스크립트를 발견하여 이 지문화 유형에 대한 최초의 실증적 측정을 이룩한다.

ABSTRACT

As online tracking continues to grow, existing anti-tracking and fingerprinting detection techniques that require significant manual input must be augmented. Heuristic approaches to fingerprinting detection are precise but must be carefully curated. Supervised machine learning techniques proposed for detecting tracking require manually generated label-sets. Seeking to overcome these challenges, we present a semi-supervised machine learning approach for detecting fingerprinting scripts. Our approach is based on the core insight that fingerprinting scripts have similar patterns of API access when generating their fingerprints, even though their access patterns may not match exactly. Using this insight, we group scripts by their JavaScript (JS) execution traces and apply a semi-supervised approach to detect new fingerprinting scripts. We detail our methodology and demonstrate its ability to identify the majority of scripts ($\\geqslant$94.9%) identified by existing heuristic techniques. We also show that the approach expands beyond detecting known scripts by surfacing candidate scripts that are likely to include fingerprinting. Through an analysis of these candidate scripts we discovered fingerprinting scripts that were missed by heuristics and for which there are no heuristics. In particular, we identified over one hundred device-class fingerprinting scripts present on hundreds of domains. To the best of our knowledge, this is the first time device-class fingerprinting has been measured in the wild. These successes illustrate the power of a sparse vector representation and semi-supervised learning to complement and extend existing tracking detection techniques.

연구 동기 및 목표

• 수동 커리레이션 또는 레이블이 부여된 데이터셋에 의존하는 히ュ리스틱 및 지도 학습 기반 지문화 탐지 방법의 한계를 해결하기 위해.
• JavaScript 실행 트레이스의 행동 유사성을 식별하여 알려지지 않은 지문화 스크립트를 탐지하기 위해.
• 실세계 웹 배포 환경에서 디바이스 클래스 지문화의 존재를 측정하고 검증하기 위해.
• 완전한 수동 레이블링이 필요 없이 확장 가능한, 준자동화된 방법을 개발하기 위해.

제안 방법

• 각 스크립트의 API 호출 집합을 희박 벡터로 표현하여 행동 비교를 벡터 공간에서 가능하게 한다.
• 기존의 지문화 스크립트를 시드 예시로 삼아 분포 유사성 기반으로 미지의 스크립트에서 유사한 행동 패턴을 식별한다.
• 작은 수의 레이블이 부여된 스크립트에서 시작하여 더 큰 수의 레이블이 없는 스크립트로 레이블을 전파하는 준지도 학습 프레임워크를 적용한다.
• 수동 커리레이션에 의존도를 줄이기 위해 키워드 기반 시드 세트를 활용한 프로그래밍 기반 레이블링 전략을 사용한다.
• 스크립트 수준에서 API 호출 시퀀스를 '스니펫'으로 집계하여 개별 스크립트의 행동 분석을 가능하게 한다.
• 약 130만 개의 고유 스크립트 URL과 1억 1,400만 개의 API 호출을 포함한 OverScripted 웹 크롤링 데이터셋을 대상으로 방법을 검증한다.

실험 결과

연구 질문

• RQ1 소량의 알려진 예시만을 사용하여 준지도 학습 접근법이 높은 재현율로 지문화 스크립트를 탐지할 수 있는가?
• RQ2 코드 오브스큐레이션 또는 변형이 있더라도 지문화 스크립트의 API 접근 시퀀스에서 일관된 행동 패턴이 나타나는가?
• RQ3 기존 히ュ리스틱 기반 방법이 놓친 새로운 지문화 유형, 예를 들어 디바이스 클래스 지문화를 이 방법이 탐지할 수 있는가?
• RQ4 최신 히ュ리스틱 기반 방법 대비 키워드 기반 시드 세트를 사용할 경우, 초기 레이블링에 얼마나 효과적인가?
• RQ5 이 방법은 실제 웹 배포 환경에 얼마나 스케일업할 수 있으며, 기존 탐지 히ュ리스틱에 포함되지 않은 스크립트를 탐지할 수 있는가?

주요 결과

• 최신 히ュ리스틱 기반 기법이 식별한 지문화 스크립트의 최소 94.9%를 탐지한다.
• 수백 개의 도메인에 걸쳐 기존에 알려지지 않은 디바이스 클래스 지문화 스크립트 100개 이상을 성공적으로 식별한다.
• 이 연구는 실세계에서 디바이스 클래스 지문화를 처음으로 실증적으로 측정한 것으로, 이전에 관측되지 않은 지문화 패턴을 드러낸다.
• 키워드 기반 시드 세트를 사용할 경우 모델의 일반화 능력이 뛰어나, 레이블링의 불완전하거나 부정확한 데에도 강건함을 입증한다.
• JS 실행 트레이스의 벡터 표현 방식은 오브스큐레이션되거나 수정된 지문화 스크립트를 행동 유사성 기반으로 효과적으로 탐지할 수 있도록 한다.
• 기존 히ュ리스틱 기반 방법에서 회피되는, 알려진 지문화 스크립트와 유사하지만 충분히 다를 수 있는 후보 스크립트를 드러내어 사전 탐지 능력을 향상시킨다.