[논문 리뷰] On the Ubiquity of Web Tracking: Insights from a Billion-Page Web Crawl

Sebastian Schelter, Jérôme Kunegis|arXiv (Cornell University)|2016. 07. 25.

Privacy, Security, and Data Protection참고 문헌 25인용 수 4

한 줄 요약

이 연구는 2012년 CommonCrawl에서 확보한 10억 페이지의 크롤링 데이터를 바탕으로 제3자 웹 추적을 분석하며, 4100만 개 도메인에 걸쳐 140만 개의 추적기 임bedding을 추출한다. 연구 결과, 글로벌적으로는 구글, 페이스북, 트위터가 추적을 주도하고 있으며, 언론 자유도와 같은 정치적 요인이 중국과 러시아에서의 이격 현상에 기여하는 것으로 드러났다. 또한 개인정보 보호에 민감한 사이트에서도 여전히 추적기 사용 비율이 60%에 이르며, 일반 사이트의 90%에 못 미치지만 여전히 높은 수준을 유지하고 있다.

ABSTRACT

We perform a large-scale analysis of third-party trackers on the World Wide Web from more than 3.5 billion web pages of the CommonCrawl 2012 corpus. We extract a dataset containing more than 140 million third-party embeddings in over 41 million domains. To the best of our knowledge, this constitutes the largest web tracking dataset collected so far, and exceeds related studies by more than an order of magnitude in the number of domains and web pages analyzed. We perform a large-scale study of online tracking, on three levels: (1) On a global level, we give a precise figure for the extent of tracking, give insights into the structure of the `online tracking sphere' and analyse which trackers are used by how many websites. (2) On a country-specific level, we analyse which trackers are used by websites in different countries, and identify the countries in which websites choose significantly different trackers than in the rest of the world. (3) We answer the question whether the content of websites influences the choice of trackers they use, leveraging more than 90 thousand categorized domains. In particular, we analyse whether highly privacy-critical websites make different choices of trackers than other websites. Based on the performed analyses, we confirm that trackers are widespread (as expected), and that a small number of trackers dominates the web (Google, Facebook and Twitter). In particular, the three tracking domains with the highest PageRank are all owned by Google. The only exception to this pattern are a few countries such as China and Russia. Our results suggest that this dominance is strongly associated with country-specific political factors such as freedom of the press. We also confirm that websites with highly privacy-critical content are less likely to contain trackers (60% vs 90% for other websites), even though the majority of them still do contain trackers.

연구 동기 및 목표

• 거대한 데이터셋을 활용해 제3자 웹 추적의 글로벌 규모와 구조적 특성을 이해하기 위해.
• 국가별로 추적기 사용 패턴이 어떻게 달라지는지, 정치적, 문화적, 경제적 요인이 이러한 패턴에 미치는 영향을 조사하기 위해.
• 의료 및 중독과 같은 개인정보 보호에 민감한 주제를 다루는 웹사이트가 다른 사이트보다 추적기를 더 적게 사용하는지 확인하기 위해.
• 주요 추적 서비스를 특정하고, 특히 지리정치적 요인과 관련해 웹 전반에서 그 영향력이 어떻게 퍼져 있는지 평가하기 위해.

제안 방법

• CommonCrawl 2012 코퍼스에 포함된 35억 개 웹 페이지에서 제3자 추적기 임bedding을 추출하였으며, 주로 지급도메인(PLD)에 초점을 맞췄다.
• 웹사이트(PLD)와 제3자 추적 서비스를 연결하는 이분할 추적 그래프를 구축하여 대규모 네트워크 분석을 가능하게 하였다.
• 페이지랭크, 차수 분포, 비균형성 분석과 같은 네트워크 분석 기법을 적용하여 추적 영역의 구조적 특성을 연구하였다.
• 공존 패턴의 군집 분석을 통해 국가별 및 카테고리별 추적기 사용 패턴을 식별하였다.
• 의료, 중독 등 주제별로 9만 개 이상의 도메인을 분류하여 콘텐츠 유형 간 추적기 사용 비율을 비교하였다.
• 언론 자유도, 미국 정치적 연대성 등의 국가 수준 정치 지표와 추적기 분포를 상관 분석하였다.

실험 결과

연구 질문

• RQ1 웹 전반에서 가장 널리 퍼진 제3자 추적 서비스는 무엇이며, 몇 개의 웹사이트를 추적하고 있는가?
• RQ2 웹 추적기의 분포가 각 국가별로 어떻게 달라지며, 정치적 또는 사회문화적 요인이 이에 어떤 역할을 하는가?
• RQ3 의료나 중독과 같은 개인정보 보호에 민감한 주제를 다루는 웹사이트가 다른 웹사이트보다 추적기를 더 적게 사용하는가?
• RQ4 추적기 지배력이 경제적 또는 기술적 요인보다 지리정치적 요인에 의해 얼마나 영향을 받는가?

주요 결과

• 구글, 페이스북, 트위터가 가장 지배적인 추적 서비스이며, 페이지랭크 상 상위 3개의 추적기 도메인 모두가 구글 소유이다.
• 추적 네트워크는 추적하는 웹사이트 수에 대해 힘의 법칙 분포를 보이며, 소수의 대규모 추적기들이 지배하고 있음을 시사한다.
• 추적 네트워크는 비균형성(비균형성)을 보이며, 고차수 추적기(주요 플랫폼)가 저차수 추적기와 연결되는 경향이 있어 중심화된 통제 구조를 의미한다.
• 구글이 중국에서 공식적으로 철수했음에도 불구하고, 중국 웹사이트에서 여전히 그의 추적 서비스가 활성화되어 있어 지속적인 운영 존재를 시사한다.
• 중국, 러시아, 이란과 같은 국가들은 언론 자유도나 미국 정치적 연대성과 같은 정치적 요인으로 인해 독특한 추적기 사용 패턴을 보이며, 경제 지표는 주요 원인이 아니다.
• 의료 및 중독과 같은 개인정보 보호에 민감한 주제를 다루는 웹사이트에서도 여전히 60%의 비율로 추적기를 사용하고 있으며, 일반 사이트의 90%에 못 미치지만 여전히 높은 수준이다.