[논문 리뷰] Percival: Making In-Browser Perceptual Ad Blocking Practical With Deep Learning

Zain ul Abi Din, Panagiotis Tigas외 2명|arXiv (Cornell University)|2019. 05. 17.

Adversarial Robustness in Machine Learning참고 문헌 53인용 수 16

한 줄 요약

Percival은 브라우저의 이미지 렲영 파이프라인 내부에 통합된 경량 딥러닝 기반 광고 차단기로, 실시간으로 시각적 광고를 탐지하며 성능 저하가 4.55%에 불과하다. 이는 EasyList 규칙을 96.76%의 정확도로 재현하며, 1차 측면 Facebook 광고와 비영어 광고를 효과적으로 차단함으로써 브라우저의 핵심 렲영 경로에 소형 고정확도 모델을 구현하는 것이 가능함을 보여준다.

ABSTRACT

In this paper we present Percival, a browser-embedded, lightweight, deep learning-powered ad blocker. Percival embeds itself within the browser's image rendering pipeline, which makes it possible to intercept every image obtained during page execution and to perform blocking based on applying machine learning for image classification to flag potential ads. Our implementation inside both Chromium and Brave browsers shows only a minor rendering performance overhead of 4.55%, demonstrating the feasibility of deploying traditionally heavy models (i.e. deep neural networks) inside the critical path of the rendering engine of a browser. We show that our image-based ad blocker can replicate EasyList rules with an accuracy of 96.76%. To show the versatility of the Percival's approach we present case studies that demonstrate that Percival 1) does surprisingly well on ads in languages other than English; 2) Percival also performs well on blocking first-party Facebook ads, which have presented issues for other ad blockers. Percival proves that image-based perceptual ad blocking is an attractive complement to today's dominant approach of block lists

연구 동기 및 목표

• 심각한 성능 비용 없이 깊이 학습 기반의 시각적 광고 탐지 기능을 활용하는 실용적인 브라우저 내 광고 차단기를 개발하는 것.
• 변형되거나 동적으로 변경되는 광고 도메인에 대응하지 못하는 기존 규칙 기반 광고 차단기의 한계를 극복하는 것.
• 기존 시스템에서 자주 간과되는 1차 측면 광고(예: Facebook 스폰서드 콘텐츠)와 비영어 광고를 효과적으로 탐지하는 것.
• 소형 최적화된 딥 네트워크가 브라우저의 렌더링 파이프라인 내에서 실시간 분류를 위해 효율적으로 배포될 수 있음을 보여주는 것.
• 기존 필터리스트 기반 시스템을 보완하는 언어에 관계없이 적용 가능한 광고 차단 레이어를 제공하는 것.

제안 방법

• 브라우저의 이미지 렌더링 파이프라인에 경량 딥 네트워크를 통합하여 페이지 렌더링 중 이미지를 가로채고 분류하는 방식.
• 브라우저 환경에서 저지연 추론을 위해 최적화된 1.76MB의 압축된 딥러닝 모델을 사용.
• 렌더링 중 동기식 광고 차단을 수행하며 성능 영향을 최소화(4.55% 오버헤드)하고, 메모이제이션을 활용한 비동기 분류로 성능 향상을 도모.
• 텍스트나 메타데이터에 의존하지 않고, 광고 표시 로고나 스폰서드 콘텐츠 표시 기준과 같은 시각적 특징을 기반으로 이미지 수준에서 광고를 탐지.
• 다양한 언어와 광고 유형에 일반화하기 위해 비영어 광고 및 1차 측면 광고 포함, 광고 및 비광고 이미지로 구성된 다각도의 데이터셋으로 학습.
• 처리 부담을 줄이기 위해 이미지 크기 필터링(100×100 픽셀 이하 제거)을 적용하고, 필요에 따라 분류를 비동기 스레드로 연기.

실험 결과

연구 질문

• RQ1 현대 브라우저의 핵심 렌더링 경로에서 성능 오버헤드를 최소화하면서 딥러닝 기반의 브라우저 내 광고 차단기를 구현할 수 있는가?
• RQ2 소형 최적화된 딥 네트워크가 텍스트나 URL 기반 히وري스틱에 의존하지 않고 시각적 외관만으로도 높은 정확도로 광고를 탐지할 수 있는가?
• RQ3 기존 규칙 기반 시스템과 비교해 시각적 광고 탐지 기술이 1차 측면 광고(예: Facebook의 스폰서드 콘텐츠) 탐지에 얼마나 효과적인가?
• RQ4 시각적 특징에 의존하는 이와 같은 시각적 광고 차단기가, 훈련 중에 직접적으로 볼 수 없었던 언어 및 광고 디자인에 대해 얼마나 잘 일반화되는가?
• RQ5 이러한 시스템이 기존 블록리스트 기반 광고 차단기 시스템에 실질적인 보완 기능을 제공할 수 있는가?

주요 결과

• Percival 시스템은 크로미움에서 평균 4.55%의 성능 오버헤드를 기록하여, 딥 네트워크를 브라우저의 렌더링 파이프라인 내에 구현하는 것이 가능함을 입증한다.
• EasyList 규칙을 96.76%의 정확도로 재현하여 기존 광고 차단 히وري스틱과의 강력한 호환성을 보여준다.
• 1차 측면 Facebook 광고를 92%의 정확도로 차단하며, 정밀도 78.4%, 재현율 70.0%를 기록하여 기존 규칙 기반 시스템보다 이 문제에 대해 뛰어난 성능을 보인다.
• 비영어 광고에 대해서도 뛰어난 일반화 능력을 보이며, 텍스트가 아닌 시각적 특징에 의존함으로써 언어에 관계없이 탐지 가능한 특성을 입증한다.
• 1.76MB의 모델은 유사 모델 대비 150배 작아 자원 제약이 있는 환경에서도 효율적인 배포가 가능하다.
• 100×100 픽셀 이하의 이미지를 건너뛰고, 소형 이미지의 분류를 비동기 스레드로 연기함으로써 성능 저하를 완화한다.