WebGPU Atomic Fingerprint: cómo la tarjeta gráfica se convierte en una nueva fuente de datos para los sistemas antifraude

Hasta hace poco, la identificación de la GPU en los navegadores se asociaba principalmente con WebGL: un sitio web obligaba al navegador a renderizar una escena determinada, analizar el resultado y recibir una señal adicional para identificar el dispositivo. Los navegadores anti-detección aprendieron hace tiempo a eludir estas comprobaciones modificando los parámetros declarados, interfiriendo con la renderización, añadiendo ruido o simplemente alterando el resultado. Con la llegada de WebGPU, la situación se vuelve mucho más interesante.

La nueva API proporciona a las páginas web un acceso mucho más directo a la potencia de cálculo de la GPU, lo que significa que la GPU se transforma de un dispositivo para renderizar imágenes en una herramienta que puede ejecutarse y luego monitorizarse. Para la lucha contra el fraude, esto supone una diferencia fundamental. Una cosa es preguntar al navegador: "¿Qué tarjeta gráfica tienes?", y otra muy distinta es asignarle una tarea y observar cómo la ejecuta el hardware. Esta es precisamente la idea detrás de WebGPU Atomic Fingerprint, que se trató en el seminario web Vektor T13.

Para el usuario promedio, esta tecnología es prácticamente invisible. Sin embargo, para los desarrolladores de navegadores antifraude, los especialistas en multicuentas y, cada vez más, para la infraestructura de agentes de IA en navegadores, reviste un gran interés. Cuanto más se migra la automatización de navegadores a VPS, máquinas virtuales y granjas de servidores, mayor es la diferencia entre el hardware que el navegador afirma utilizar y el hardware real. WebGPU ofrece a los sistemas antifraude una nueva forma de detectar esta diferencia.

El método antiguo: preguntarle al navegador quién es.

La identificación clásica del navegador se basa principalmente en la lectura de características del entorno: qué navegador, qué sistema operativo, qué resolución de pantalla, qué fuentes están instaladas, cómo se comporta Canvas, qué renderizador WebGL está disponible y qué capacidades de hardware informa el sistema. La debilidad de este enfoque es obvia: si los datos se obtienen a través de una API, siempre existe una capa de software entre el sitio web y el dispositivo real, y esa capa teóricamente puede modificarse.

Esto es precisamente lo que hacen los navegadores anti-detección: intentan mostrar al sitio web un conjunto coherente de características que difieren de la configuración real del equipo. El navegador puede estar ejecutándose en un servidor, pero el sitio web ve el perfil de un ordenador doméstico común con Windows y una tarjeta gráfica NVIDIA GeForce. A nivel de API, esto parece bastante convincente. Pero si se plantea una pregunta diferente —no "¿Qué tipo de dispositivo es este?", sino "Dejemos que el dispositivo lo averigüe"— la situación cambia por completo.

Por qué un hash largo aún no es una huella digital.

Una de las conclusiones más útiles del seminario web se refiere a un error común al trabajar con verificadores de huellas digitales. Si un servicio muestra un hash largo y legible junto a la etiqueta "WebGPU", es fácil suponer que se trata de una huella digital de hardware única. Sin embargo, la mera presencia de un hash no demuestra nada: un hash es simplemente el resultado de transformar un conjunto de datos, y si los datos originales son prácticamente idénticos en millones de dispositivos, una cadena aparentemente compleja no se convierte en un identificador mágico.

Por lo tanto, al analizar cualquier verificador, es mucho más útil fijarse no en la cadena final, sino en los datos a partir de los cuales se compila. Si un servicio utiliza un conjunto estándar de límites y características de WebGPU, la mayoría de estos parámetros coincidirán en una gran cantidad de máquinas; dicho hash es conveniente para comparar configuraciones, pero no puede considerarse automáticamente una huella digital única para una tarjeta gráfica específica. De ahí la sencilla pero importante costumbre: no pregunte "¿qué hash mostró el verificador?", sino "¿qué mide exactamente?".

De la declaración al comportamiento

La ventaja de WebGPU radica en que permite trasladar parte del análisis de huellas digitales del dominio de la declaración al dominio del comportamiento. En lugar de leer otro parámetro, se puede iniciar una tarea computacional. La prueba en cuestión utiliza sombreadores de cómputo y operaciones atómicas: múltiples hilos paralelos trabajan con un contador compartido mediante la suma atómica. Para el desarrollador promedio, esto es simplemente un mecanismo para sincronizar cálculos paralelos. Para los investigadores de análisis de huellas digitales, hay otro aspecto de interés: cómo la GPU organiza y programa exactamente este trabajo paralelo.

Una tarjeta gráfica moderna no es simplemente un conjunto de unidades de procesamiento idénticas: la distribución de tareas se basa en una compleja arquitectura de hardware y software, y el comportamiento resultante está influenciado por la generación de la GPU, los controladores, el planificador de carga, la configuración de rendimiento y los factores ambientales. Es una especie de experimento. El sitio web no pregunta: "¿Tienes una RTX 2080?", sino que dice: "Aquí tienes la tarea, ejecútala", y luego analiza el perfil de ejecución. Esa es la clave: una declaración se puede reemplazar con una cadena de texto, pero el comportamiento del hardware real es mucho más difícil de simular.

¿Qué implica esto para los navegadores anti-detección?

Consideremos una configuración típica. El perfil indica al sitio web que el usuario trabaja en un ordenador doméstico con una tarjeta gráfica NVIDIA dedicada, el agente de usuario coincide con el navegador Chrome estándar de Windows y los demás parámetros también se han seleccionado cuidadosamente. Sin embargo, el navegador se ejecuta en un servidor virtual privado (VPS), que no dispone de la tarjeta gráfica indicada. Hasta cierto punto, esta discrepancia puede ocultarse a nivel de API: al consultar el modelo de GPU se obtiene el valor deseado y al comprobar el renderizador WebGL se obtiene el resultado correcto.

Una prueba computacional plantea una pregunta diferente: si el hardware en cuestión existe, ¿por qué su comportamiento computacional real difiere tanto? Esto no significa que una sola prueba de WebGPU pueda declarar definitivamente que se ha detectado el fraude; el software antifraude casi nunca funciona de forma tan rudimentaria. Sin embargo, surge otra señal importante, precisamente las que necesitan los sistemas modernos de evaluación de riesgos. Lo más interesante aquí no es identificar el modelo de la tarjeta gráfica, sino encontrar una contradicción: el navegador afirma una cosa, pero el comportamiento del hardware indica otra. Son precisamente estas inconsistencias internas en la identidad digital las que cada vez interesan más al software antifraude.

Por qué un 70% de precisión es mucho

El seminario web cita una cifra de aproximadamente el 70 % de precisión de identificación para este método. Sin una descripción de la metodología, esto no debe considerarse una característica universal de ninguna huella digital atómica de WebGPU, pero la propia formulación de la pregunta ilustra claramente la lógica antifraude. Un observador externo podría pensar: "¿Solo el 70 %? Eso significa que la prueba no es fiable". Para la lucha contra el fraude, esta lógica es errónea: no se necesita una única señal perfecta con una precisión del 100 %.

Imagina un sistema que monitoriza simultáneamente las características del navegador, el agente de usuario, el tipo y la reputación de la IP, el ASN, la geografía, los parámetros de comportamiento, Canvas, WebGL, WebGPU, el rendimiento de la CPU y la GPU, los indicios de virtualización y el historial de la cuenta. Cada indicador por sí solo puede ser erróneo, pero su combinación produce un resultado completamente diferente. Es como una investigación: una sola prueba rara vez resuelve el caso, pero una docena de hechos independientes que apuntan en la misma dirección tienen un peso totalmente distinto. Por lo tanto, incluso una señal de hardware moderadamente precisa resulta realmente útil.

Un verificador no es una herramienta antifraude.

Este es un punto crítico para el mercado de navegadores antifraude. Un usuario abre un verificador público, ve valores positivos y concluye que el navegador ha superado la prueba. Sin embargo, un verificador y un sistema antifraude real resuelven problemas distintos. Un verificador público debe proporcionar un resultado fácil de usar; un sistema real puede incluso no revelar qué señales recopila ni qué peso le asigna a cada una. Además, no necesita necesariamente comparar tu huella digital con un estándar "correcto"; basta con detectar una combinación de características estadísticamente inusual.

Por lo tanto, al probar un entorno anti-detección, la pregunta correcta no es "¿Pasé la prueba?", sino "¿El comportamiento real del dispositivo coincide con el perfil que ve el sitio?". La diferencia entre estas preguntas es enorme.

La aleatorización también deja huella.

Cuando aparece una nueva huella digital, la reacción inicial del mercado es predecible: debe aleatorizarse. Esto funciona para algunos tipos de huellas digitales, pero con características computacionales surge un problema fundamental. Si el cambio no se produce de forma natural, a nivel de hardware y controladores, sino artificialmente —dentro del navegador— se introduce una nueva capa de comportamiento. Y esta capa también puede ser explorada.

En lugar de preguntarse "¿la huella digital es idéntica?", el sistema antifraude empieza a plantearse otras preguntas: ¿qué tan estable es el resultado?, ¿es coherente con otras características del hardware?, ¿cambia plausiblemente entre ejecuciones?, ¿el modelo de GPU declarado es capaz siquiera de demostrar tal comportamiento? Es una carrera sin fin: ocultamos una señal y el sistema empieza a analizar el mecanismo mismo mediante el cual se falsifica. Precisamente por eso, la aleatorización primitiva llega gradualmente a un punto muerto: para un perfil estable, la coherencia interna del entorno es más importante que un resultado aleatorio.

La prueba no necesariamente carga la tarjeta de video al 100%.

Hay otro detalle importante. Cuando se trata de la identificación de la GPU mediante computación, es fácil imaginar una prueba de rendimiento exigente: los ventiladores se aceleran, la carga de la tarjeta gráfica se dispara al 100 % y el usuario percibe inmediatamente que algo anda mal. Pero la prueba no tiene por qué ser exigente. En la demostración del seminario web, Atomic Fingerprint se ejecuta con bastante rapidez y no provoca un pico de carga perceptible, y ese es el punto clave.

La identificación mediante huella digital no requiere una medición completa del rendimiento de la GPU; una tarea de cálculo pequeña y específica puede ser suficiente. Esto resulta conveniente para el sitio web: la prueba se integra en la carga habitual de la página, evitando que una visita a la tienda en línea se convierta en un ataque de FurMark, y es posible que el usuario ni siquiera note nada. Precisamente por eso, WebGPU es tan atractiva para el software antifraude: permite acceder a cálculos de nivel relativamente bajo directamente desde la página web, sin necesidad de instalar una aplicación aparte.

Desde la multicontabilidad hasta los agentes de IA

Hace varios años, el público principal de este tipo de investigación eran los desarrolladores de navegadores anti-detección, los especialistas en marketing de afiliación y los expertos en multicuentas. Ahora, se ha sumado otra gran categoría: los agentes de IA para navegadores. Estos agentes interactúan constantemente con sitios web convencionales: buscan información, completan formularios, utilizan software como servicio (SaaS), administran paneles de control y prueban interfaces, generalmente mediante Playwright, Chromium y otros marcos de automatización. Y todo esto suele ejecutarse no en el ordenador del usuario, sino en la nube.

Un único servidor puede alojar docenas de navegadores: el orquestador crea y destruye contenedores, las sesiones migran entre nodos, a cada navegador se le asigna su propio perfil y, externamente, todos aparecen como dispositivos independientes. Esto suele ser suficiente para la automatización clásica, pero no para la identificación precisa de dispositivos. La identidad lógica del agente comienza a divergir de la identidad física de la máquina: el agente se considera un dispositivo, el perfil del navegador describe otro, la GPU pertenece a una tercera infraestructura, la IP proviene de una cuarta red, y todo esto está disponible simultáneamente para el sistema de evaluación de riesgos.

Esto da lugar a una nueva clase de señales de correlación. Imaginemos una plataforma que ejecuta cientos de agentes de navegador en paralelo: cada uno con su propio perfil, cookies, almacenamiento local y resolución de pantalla, por lo que, a nivel de aplicación, se trata de 100 usuarios independientes. Pero físicamente, todos podrían estar ejecutándose en varios servidores idénticos. Y si docenas de dispositivos supuestamente independientes presentan un comportamiento informático de bajo nivel muy similar, el sistema tiene motivos para sospechar de una infraestructura común. Para la multicuenta, este es un problema antiguo con una nueva forma; para la industria de los agentes de IA, es un problema cuya magnitud apenas comienza a manifestarse. Y afecta incluso a quienes ejecutan agentes de forma totalmente legal: tarde o temprano, tendremos que entender por qué los sitios web perciben dicha infraestructura como una automatización sospechosa.

Cada vez es más difícil hacer pasar un VPS por un PC normal.

Un servidor virtual resulta práctico para casi todo el mundo: es económico, está disponible las 24 horas, se puede clonar fácilmente y es ideal para la automatización. Pero no tiene por qué parecer un ordenador de usuario común, y cuanto más accesibles sean las especificaciones de hardware a través de un navegador, más difícil será ignorar esta diferencia. Antes, había que trabajar principalmente con la información que proporcionaba el sistema; ahora se puede comprobar su comportamiento real.

WebGPU Performance muestra una faceta de la cuestión: la velocidad de ejecución de ciertas operaciones de la GPU. Atomic Fingerprint añade otra: el comportamiento de la ejecución paralela. Es probable que este tipo de pruebas se generalicen con el tiempo, y no solo para la tarjeta gráfica: CPU, memoria, temporizadores, funciones del planificador, virtualización, la pila gráfica... un navegador moderno ofrece una amplia superficie para la medición.

WebGL llegó para quedarse.

El seminario web original describe la huella digital de WebGL como una tecnología que debería ceder terreno a WebGPU, y conviene aclararlo aquí. La aparición de una señal más potente no suele implicar que se deje de recopilar la anterior de inmediato: una función antifraude adicional y económica casi siempre resulta útil. Por lo tanto, es más correcto considerar WebGPU no como un botón que «reemplazará a WebGL», sino como la siguiente capa de huella digital de hardware. WebGL proporciona un conjunto de funciones, WebGPU otro, las pruebas de rendimiento un tercero, y las sugerencias de agente de usuario y cliente un cuarto. La protección antifraude no necesita elegir solo una; la fortaleza del sistema reside en la combinación.

Por la misma razón, el enfoque opuesto —deshabilitar WebGPU por completo— también resulta ineficaz. Esto es útil como técnica de diagnóstico: permite comparar el comportamiento de un sitio con y sin la API y determinar si algo depende de su disponibilidad. Sin embargo, como estrategia permanente, deshabilitarla es menos efectiva, ya que la ausencia de tecnología también es una característica. Si WebGPU se convierte en una función estándar de los navegadores modernos, un perfil con la API completamente deshabilitada podría destacar. Además, WebGPU es cada vez más necesaria no para la identificación de usuarios, sino para gráficos, computación y un número creciente de aplicaciones web, incluyendo algunas cargas de trabajo de IA directamente en el navegador. Esto nos lleva a una trampa conocida: aumentar la privacidad indefinidamente simplemente deshabilitando la API no funcionará; en algún momento, el conjunto de funciones deshabilitadas se convierte en una huella digital.

La lucha contra el fraude no busca lo "malo", sino lo extraño.

Quizás esta sea la conclusión más importante de toda la historia de WebGPU. La lucha contra el fraude suele presentarse como un conjunto de detectores: VPN es mala, proxy es malo, desajuste de WebGPU es malo, automatización es mala. Los sistemas reales son más complejos. Un usuario de una red corporativa está conectado legalmente a una VPN; un desarrollador trabaja dentro de una máquina virtual; un servicio de juegos en la nube proporciona una GPU remota; un agente de IA es, por definición, automatización. Por lo tanto, un solo dato no basta: el sistema intenta comprender el contexto y evaluar la plausibilidad de toda la combinación. Y aquí es donde los entornos mal configurados empiezan a tener problemas: el navegador afirma una cosa, la GPU muestra otra, el rendimiento una tercera, la IP cuenta una cuarta historia y el comportamiento del usuario una quinta. Cada característica es aceptable individualmente, pero juntas crean un dispositivo difícil de encontrar en el mundo real.

Precisamente por eso, la era de las huellas digitales estáticas está llegando a su fin. El mercado ha convivido durante mucho tiempo con la idea de que una huella digital es un conjunto de valores: hash de Canvas, hash de WebGL, AudioContext, fuentes, resolución de pantalla, concurrencia de hardware. Al recopilar estos valores y combinarlos, se obtiene un identificador. Una tendencia más interesante hoy en día es la huella digital activa, donde un sitio web no solo pregunta a un dispositivo sobre sus características, sino que le asigna una tarea y monitoriza su respuesta. Esto se asemeja mucho más a la biometría conductual, con la diferencia de que el objeto es un ordenador en lugar de una persona: la rapidez con la que se realiza una operación, cómo se distribuye la carga paralela, la estabilidad del resultado, cómo se comporta el sistema en condiciones cambiantes y si todo esto coincide con el hardware declarado. Forjar las respuestas a estas preguntas es relativamente fácil. Forjar toda la física del comportamiento de un sistema es mucho más difícil.

¿Qué significa esto para el mercado?

Para los desarrolladores de navegadores anti-detección, la conclusión es bastante desalentadora: la identificación de dispositivos se está extendiendo cada vez más en la arquitectura. Modificar la API de JavaScript ya no es suficiente: cuanto más se aproxima la medición al comportamiento real del hardware, más difícil resulta construir una abstracción plausible. Para los especialistas en gestión de múltiples cuentas, esto significa que la calidad de la infraestructura cobra mayor importancia que la cantidad de opciones en la interfaz anti-detección: una marca de verificación verde por sí sola no garantiza nada. Los equipos de arbitraje deben evaluar el riesgo de la infraestructura independientemente de la calidad de la IP y el perfil del navegador; un costoso proxy residencial no resuelve las inconsistencias a nivel del dispositivo.

Para los desarrolladores de agentes de IA, el problema es aún más complejo: deben diseñar no solo la inteligencia del agente, sino también su interacción con el entorno digital externo. Si miles de navegadores autónomos operan en la nube, los sitios web inevitablemente aprenderán a distinguir dicha infraestructura de los dispositivos de los usuarios habituales. Esto no implica necesariamente el bloqueo; con el tiempo, es probable que surjan mecanismos adecuados para identificar a los agentes legítimos. Pero hasta que esto ocurra, la automatización del navegador existe dentro de una infraestructura diseñada históricamente para humanos, y el software antifraude detecta esta contradicción.

WebGPU es solo el comienzo

La huella digital atómica no debe considerarse una tecnología nueva y universal que acabará con los navegadores antifraude de la noche a la mañana. La tecnología antifraude evoluciona de forma diferente: surge una nueva señal, se analiza, luego aparecen métodos de normalización y protección, la tecnología antifraude aprende a analizar estos métodos y, finalmente, se descubre otra fuente de información. WebGPU es más importante como indicador direccional. El navegador se está convirtiendo en una plataforma informática cada vez más potente, lo que significa que un sitio web no solo puede leer información sobre un dispositivo, sino también experimentar con él.

Para los especialistas, esto cambia por completo el enfoque de la identificación de dispositivos. La pregunta principal ya no es "¿Qué informa el navegador sobre el ordenador?", sino "¿Coincide el comportamiento del ordenador con lo que informa el navegador?", y la diferencia entre ambas es enorme. En el mundo de las huellas digitales estáticas, uno podía centrarse en los valores correctos; en el mundo de las huellas digitales activas, hay que pensar en el comportamiento correcto de todo el entorno. Por lo tanto, WebGPU Atomic Fingerprint resulta interesante incluso para aquellos que no tienen intención de escribir su propio verificador de GPU: demuestra claramente hacia dónde se dirige la lucha contra el fraude moderna, desde la comprobación de parámetros individuales hasta la comprobación de la coherencia interna del dispositivo. Para un especialista en marketing de afiliación, esto significa que fijarse solo en las direcciones IP y los indicadores verdes ya no es suficiente; para un desarrollador de sistemas antifraude, significa que la frontera entre el navegador y el hardware cobra cada vez más importancia; para un ingeniero de agentes de IA, significa que la propia infraestructura de ejecución se está convirtiendo en parte de la identidad del agente. Y para la lucha contra el fraude, es otra forma de hacerle al dispositivo una pregunta sencilla: "¿Eres realmente el ordenador que dices ser?".