[论文解读] SpeedReader: Reader Mode Made Fast and Private

Mohammad Ghasemisharif, Peter Snyder+2 more|arXiv (Cornell University)|Nov 8, 2018

Web Data Mining and Analysis参考文献 27被引用 5

一句话总结

SpeedReader 提出了一种新颖的预渲染阅读器模式，利用准确率达 91% 的机器学习分类器，在渲染前识别并转换可读网页，实现最高 27 倍的加载速度提升、84 倍的带宽节省，并近乎完全消除追踪器和广告，相较于传统阅读器模式，在性能、隐私和可用性方面均有显著改进。

ABSTRACT

Most popular web browsers include "reader modes" that improve the user experience by removing un-useful page elements. Reader modes reformat the page to hide elements that are not related to the page's main content. Such page elements include site navigation, advertising related videos and images, and most JavaScript. The intended end result is that users can enjoy the content they are interested in, without distraction. In this work, we consider whether the "reader mode" can be widened to also provide performance and privacy improvements. Instead of its use as a post-render feature to clean up the clutter on a page we propose SpeedReader as an alternative multistep pipeline that is part of the rendering pipeline. Once the tool decides during the initial phase of a page load that a page is suitable for reader mode use, it directly applies document tree translation before the page is rendered. Based on our measurements, we believe that SpeedReader can be continuously enabled in order to drastically improve end-user experience, especially on slower mobile connections. Combined with our approach to predicting which pages should be rendered in reader mode with 91% accuracy, it achieves drastic speedups and bandwidth reductions of up to 27x and 84x respectively on average. We further find that our novel "reader mode" approach brings with it significant privacy improvements to users. Our approach effectively removes all commonly recognized trackers, issuing 115 fewer requests to third parties, and interacts with 64 fewer trackers on average, on transformed pages.

研究动机与目标

• 通过减少页面复杂度、加载时间和资源使用，解决网络臃肿问题。
• 通过在页面渲染前消除第三方追踪器和广告，提升用户隐私。
• 通过预先的内容转换，在低端设备和慢速网络上提升性能。
• 通过类似电子书的持续、始终开启的阅读器模式体验，实现网页内容的可用性。
• 证明阅读器模式可大规模应用，且准确率高、性能开销小。

提出的方法

• 在 2,833 个标注网站上训练机器学习分类器，以预测页面是否适合阅读器模式，实现低于 2 ms 的推理时间，准确率达 91%。
• 分类器仅分析初始 HTML，不进行解析或渲染，实现早期决策。
• 对于适合的页面，文档树转换管道应用先前研究中的启发式方法，提取并简化主要内容。
• 将简化后的、适配阅读器模式的 DOM 传递给浏览器的渲染层，避免获取子资源。
• 系统使用现有的内容提取技术（例如 CDOM、卷积神经网络、隐马尔可夫模型）识别并分组相关内容节点。
• 该管道集成于渲染流程中，使其适合作为持久性浏览器功能进行持续部署。

实验结果

研究问题

• RQ1 仅基于初始 HTML，机器学习模型能否准确预测哪些网页适合阅读器模式？
• RQ2 在渲染前应用阅读器模式，能否显著减少网络使用量并提升加载速度？
• RQ3 预渲染阅读器模式在多大程度上通过阻止追踪器和广告来提升用户隐私？
• RQ4 该方法在不同类型网站（包括热门网站和社交媒体链接页面）中的适用范围如何？
• RQ5 该方法能否在不引入延迟的情况下，高效集成到浏览器渲染管道中？

主要发现

• SpeedReader 相较于传统渲染方式，实现最高 27 倍的页面加载速度提升和 84 倍的带宽节省。
• 在转换后的页面上，内存使用量平均减少 2.4 倍。
• 在 19,765 个测试的可读页面中，SpeedReader 阻止了 100% 的广告和追踪相关资源（根据 EasyList 和 EasyPrivacy 标注）。
• 分类器在 2 ms 内实现 91% 的准确率，使其适合实时集成到渲染管道中。
• 在 Alexa 热门网站列表中，22.0% 的页面可转换为阅读器模式；在社交媒体分享的页面中，该比例达 46.27%。
• SpeedReader 平均每页减少 115 次第三方请求，与 64 个追踪器的交互被阻止，显著提升用户隐私。