WebGPU Atomic Fingerprint: bagaimana kartu grafis menjadi sumber data baru bagi sistem antifraud

Sampai baru-baru ini, pengenalan sidik jari GPU di peramban terutama dikaitkan dengan WebGL: sebuah situs web akan memaksa peramban untuk merender adegan tertentu, menganalisis hasilnya, dan menerima sinyal tambahan untuk mengidentifikasi perangkat. Peramban anti-deteksi telah lama belajar untuk melewati pemeriksaan tersebut dengan mengubah parameter yang dideklarasikan, mengganggu rendering, menambahkan noise, atau sekadar mengubah hasilnya. Dengan munculnya WebGPU, ceritanya menjadi jauh lebih menarik.

API baru ini memberikan halaman web akses yang jauh lebih langsung ke daya komputasi GPU—artinya GPU diubah dari perangkat untuk merender gambar menjadi alat yang dapat diberi tugas dan kemudian dipantau. Untuk pencegahan penipuan, ini adalah perbedaan mendasar. Bertanya kepada browser, "Kartu grafis apa yang Anda miliki?" adalah satu hal. Memberikan tugas kepada kartu grafis tersebut dan mengamati bagaimana perangkat keras sebenarnya menjalankannya adalah hal yang sangat berbeda. Inilah tepatnya ide di balik WebGPU Atomic Fingerprint, yang dibahas dalam webinar Vektor T13.

Bagi pengguna awam, teknologi ini hampir tidak terlihat. Namun, bagi pengembang peramban anti-deteksi, spesialis multi-akun, dan, semakin meningkat, bagi infrastruktur agen AI peramban, teknologi ini sangat menarik. Semakin banyak otomatisasi peramban bermigrasi ke VPS, mesin virtual, dan pusat data server, semakin lebar kesenjangan antara apa yang diklaim peramban berjalan di atasnya dan perangkat keras yang sebenarnya digunakannya. WebGPU memberikan cara baru bagi anti-penipuan untuk mendeteksi kesenjangan ini.

Pendekatan lama: tanyakan pada peramban siapa dirinya.

Pemetaan sidik jari peramban klasik terutama didasarkan pada pembacaan karakteristik lingkungan: peramban apa yang digunakan, sistem operasi apa, resolusi layar apa, font apa yang terpasang, bagaimana perilaku Canvas, renderer WebGL apa yang tersedia, dan kemampuan perangkat keras apa yang dilaporkan sistem. Kelemahan pendekatan ini jelas: jika data datang melalui API, selalu ada lapisan perangkat lunak antara situs web dan perangkat sebenarnya—dan lapisan itu secara teoritis dapat dimodifikasi.

Inilah tepatnya yang dilakukan oleh browser anti-deteksi: mereka mencoba menampilkan serangkaian karakteristik yang konsisten kepada situs web yang berbeda dari konfigurasi mesin sebenarnya. Browser mungkin berjalan di server, tetapi situs web melihat profil komputer rumahan biasa yang menjalankan Windows dan kartu grafis NVIDIA GeForce yang populer. Pada tingkat API sederhana, ini tampak cukup meyakinkan. Tetapi jika Anda mengajukan pertanyaan yang berbeda—bukan "Perangkat jenis apa ini?" tetapi "Biarkan perangkat tersebut yang menentukannya"—maka permainannya berubah sepenuhnya.

Mengapa hash panjang belum menjadi sidik jari?

Salah satu wawasan bermanfaat dari webinar tersebut berkaitan dengan kesalahan umum saat bekerja dengan pemeriksa sidik jari. Jika suatu layanan menampilkan hash yang panjang dan rapi di samping label "WebGPU", mudah untuk berasumsi bahwa itu adalah sidik jari perangkat keras yang unik. Padahal, keberadaan hash saja tidak membuktikan apa pun: hash hanyalah hasil dari transformasi sekumpulan data, dan jika data aslinya hampir identik di jutaan perangkat, string yang tampak kompleks tidak serta merta menjadi pengidentifikasi ajaib.

Oleh karena itu, ketika menganalisis pemeriksa apa pun, jauh lebih bermanfaat untuk tidak melihat string akhirnya, tetapi data dari mana string tersebut disusun. Jika suatu layanan menggunakan serangkaian batasan dan fitur WebGPU standar, sebagian besar parameter ini akan cocok di sejumlah besar mesin—hash seperti itu nyaman untuk membandingkan konfigurasi, tetapi tidak dapat secara otomatis dianggap sebagai sidik jari unik untuk kartu grafis tertentu. Karena itu, kebiasaan sederhana namun penting: jangan bertanya "hash apa yang ditunjukkan oleh pemeriksa?" tetapi "apa sebenarnya yang diukurnya?"

Dari deklarasi ke perilaku

Keunggulan WebGPU adalah memungkinkan pemindahan beberapa proses identifikasi objek (fingerprinting) dari ranah deklarasi ke ranah perilaku. Alih-alih membaca parameter lain, kita dapat meluncurkan tugas komputasi. Tes yang dimaksud menggunakan compute shader dan operasi atomik: beberapa thread paralel bekerja dengan penghitung bersama melalui Atomic Add. Bagi pengembang rata-rata, ini hanyalah mekanisme untuk menyinkronkan komputasi paralel. Bagi peneliti identifikasi objek, ada hal lain yang menarik: bagaimana tepatnya GPU mengatur dan menjadwalkan pekerjaan paralel ini.

Kartu grafis modern bukan hanya sekumpulan unit komputasi identik: distribusi tugas didasarkan pada arsitektur perangkat keras dan perangkat lunak yang kompleks, dan perilaku yang dihasilkan dipengaruhi oleh generasi GPU, driver, penjadwal beban, pengaturan kinerja, dan faktor lingkungan. Ini semacam eksperimen. Situs web tidak bertanya, "Apakah Anda memiliki RTX 2080?" – situs web tersebut mengatakan, "Berikut tugasnya, jalankan," dan kemudian menganalisis profil eksekusinya. Itulah intinya: sebuah deklarasi dapat diganti dengan string, tetapi perilaku perangkat keras sebenarnya jauh lebih sulit untuk dipalsukan.

Apa dampaknya bagi browser anti-deteksi?

Mari kita ambil contoh konfigurasi tipikal. Profil tersebut memberi tahu situs web bahwa pengguna sedang bekerja di komputer rumah biasa dengan kartu grafis NVIDIA terpisah, User Agent sesuai dengan browser Chrome standar di Windows, dan parameter lainnya juga dipilih dengan cermat. Namun, browser sebenarnya berjalan di VPS, yang tidak memiliki kartu grafis yang disebutkan. Sampai titik tertentu, perbedaan ini dapat disembunyikan di tingkat API: menanyakan model GPU mengembalikan nilai yang diinginkan, memeriksa renderer WebGL mengembalikan hasil yang benar.

Uji komputasi memunculkan pertanyaan yang berbeda: jika perangkat keras yang diklaim benar-benar ada, mengapa perilaku komputasi sebenarnya sangat berbeda dari yang diharapkan? Ini tidak berarti bahwa satu uji WebGPU dapat secara definitif menyatakan "kita memiliki sistem anti-deteksi"—perangkat lunak anti-penipuan hampir tidak pernah bekerja secara kasar seperti itu. Tetapi sinyal kuat lainnya muncul, dan sinyal-sinyal inilah yang dibutuhkan oleh sistem penilaian risiko modern. Hal yang paling menarik di sini bukanlah mengidentifikasi model kartu grafis, tetapi menemukan kontradiksi: peramban mengklaim satu hal, tetapi perilaku perangkat keras mengatakan hal lain. Justru inkonsistensi internal dalam identitas digital inilah yang semakin menarik perhatian perangkat lunak anti-penipuan.

Mengapa akurasi 70% itu tinggi?

Webinar tersebut menyebutkan angka akurasi identifikasi sekitar 70% untuk pendekatan ini. Tanpa deskripsi metodologi, ini tidak boleh dianggap sebagai karakteristik universal dari WebGPU Atomic Fingerprint mana pun, tetapi formulasi pertanyaan itu sendiri dengan jelas menggambarkan logika anti-penipuan. Orang awam mungkin berpikir, "Hanya 70%? Itu berarti tesnya tidak dapat diandalkan." Untuk anti-penipuan, ini adalah logika yang salah—tidak diperlukan sinyal tunggal yang sempurna dengan akurasi 100%.

Bayangkan sebuah sistem yang secara simultan memantau karakteristik peramban, User-Agent, tipe dan reputasi IP, ASN, geografi, parameter perilaku, Canvas, WebGL, WebGPU, kinerja CPU dan GPU, tanda-tanda virtualisasi, dan riwayat akun. Setiap indikator sendiri bisa salah, tetapi kombinasinya menghasilkan hasil yang sama sekali berbeda. Ini seperti investigasi: satu bukti saja jarang menyelesaikan kasus, tetapi selusin fakta independen yang mengarah ke arah yang sama memiliki bobot yang sama sekali berbeda. Oleh karena itu, bahkan sinyal perangkat keras yang cukup akurat pun terbukti sangat berguna.

Pemeriksa bukanlah alat anti-penipuan.

Ini adalah masalah khusus bagi pasar peramban anti-deteksi. Pengguna membuka pemeriksa publik, melihat nilai hijau, dan menyimpulkan bahwa peramban telah lulus uji. Tetapi pemeriksa dan sistem anti-penipuan yang sebenarnya menyelesaikan masalah yang berbeda. Pemeriksa publik perlu memberikan hasil yang ramah pengguna; sistem yang sebenarnya bahkan mungkin tidak mengungkapkan sinyal mana yang dikumpulkannya dan bobot apa yang diberikannya kepada masing-masing sinyal. Selain itu, sistem tersebut tidak perlu membandingkan sidik jari Anda dengan standar yang "benar"—cukup dengan memperhatikan kombinasi karakteristik yang secara statistik tidak biasa.

Oleh karena itu, ketika menguji lingkungan anti-deteksi, pertanyaan yang tepat bukanlah "Apakah saya lolos pemeriksaan?" tetapi "Apakah perilaku perangkat yang sebenarnya sesuai dengan profil yang dilihat situs?" Perbedaan antara kedua pertanyaan ini sangat besar.

Pengacakan juga meninggalkan jejak.

Ketika sidik jari baru muncul, reaksi awal pasar dapat diprediksi: sidik jari tersebut perlu diacak. Hal ini berhasil untuk beberapa jenis sidik jari, tetapi dengan karakteristik komputasional, muncul masalah mendasar. Jika perubahan terjadi bukan secara alami, pada tingkat perangkat keras dan driver, tetapi secara artifisial—di dalam browser—maka lapisan perilaku baru akan diperkenalkan. Dan lapisan ini juga dapat dieksplorasi.

Alih-alih bertanya "apakah sidik jarinya identik?", sistem anti-penipuan mulai mengajukan pertanyaan lain: seberapa stabil hasilnya, apakah konsisten dengan karakteristik perangkat keras lainnya, apakah masuk akal jika hasilnya berubah antar percobaan, apakah model GPU yang dideklarasikan bahkan mampu menunjukkan perilaku seperti itu. Ini adalah perlombaan tanpa akhir: kita menyembunyikan satu sinyal, dan sistem mulai menganalisis mekanisme yang digunakan untuk memalsukan sinyal tersebut. Inilah mengapa pengacakan primitif secara bertahap mencapai jalan buntu: untuk profil yang stabil, konsistensi internal lingkungan lebih penting daripada hasil acak.

Pengujian ini tidak selalu membebani kartu grafis hingga 100%.

Ada detail penting lainnya. Ketika berbicara tentang identifikasi GPU melalui komputasi, mudah untuk membayangkan benchmark yang berat: kipas berputar kencang, beban kartu grafis melonjak hingga 100%, dan pengguna langsung merasakan ada yang salah. Tetapi pengujian tidak harus berat. Dalam demo webinar, Atomic Fingerprint berjalan cukup cepat dan tidak menyebabkan lonjakan beban yang signifikan—dan itulah poin kuncinya.

Pengenalan sidik jari tidak memerlukan pengukuran kinerja GPU skala penuh; tugas komputasi kecil yang disesuaikan mungkin sudah cukup untuk identifikasi. Ini nyaman untuk situs web: pengujian terintegrasi ke dalam pemuatan halaman reguler, mencegah kunjungan ke toko online berubah menjadi peluncuran FurMark, dan pengguna mungkin tidak menyadari apa pun sama sekali. Inilah mengapa WebGPU sangat menarik bagi perangkat lunak anti-penipuan: ia memungkinkan akses ke komputasi tingkat rendah langsung dari halaman web, tanpa perlu menginstal aplikasi terpisah.

Dari multi-akuntansi hingga agen AI

Beberapa tahun lalu, audiens utama untuk penelitian semacam ini adalah pengembang peramban anti-deteksi, pemasar afiliasi, dan spesialis multi-akun. Sekarang, kategori besar lainnya telah bergabung dengan mereka: agen AI peramban. Agen-agen ini terus berinteraksi dengan situs web biasa: mencari informasi, mengisi formulir, menggunakan SaaS, mengelola dasbor, dan menguji antarmuka—biasanya menggunakan Playwright, Chromium, dan kerangka kerja otomatisasi lainnya. Dan semua ini paling sering dijalankan bukan di laptop pengguna, tetapi di cloud.

Satu server dapat menampung puluhan browser: orchestrator membuat dan menghancurkan kontainer, sesi bermigrasi antar node, setiap browser diberi profilnya sendiri, dan secara eksternal, semuanya tampak sebagai perangkat terpisah. Ini biasanya cukup untuk otomatisasi klasik, tetapi tidak untuk identifikasi perangkat yang serius. Identitas logis agen mulai menyimpang dari identitas fisik mesin: agen menganggap dirinya sebagai satu perangkat, profil browser menggambarkan perangkat lain, GPU milik infrastruktur ketiga, IP berasal dari jaringan keempat—dan semua ini tersedia secara bersamaan untuk sistem penilaian risiko.

Hal ini memunculkan kelas sinyal korelasi baru. Bayangkan sebuah platform yang menjalankan ratusan agen peramban secara paralel: masing-masing dengan profil, cookie, penyimpanan lokal, dan resolusi layar sendiri, sehingga pada tingkat aplikasi, ini adalah 100 pengguna independen. Namun secara fisik, mereka semua dapat berjalan di beberapa server identik. Dan jika puluhan perangkat yang seharusnya independen menunjukkan perilaku komputasi tingkat rendah yang sangat mirip, sistem tersebut memiliki alasan untuk mencurigai sumber infrastruktur yang sama. Untuk multi-akun, ini adalah masalah lama dalam bentuk baru; untuk industri agen AI, ini adalah masalah yang skalanya baru mulai muncul. Dan ini memengaruhi bahkan mereka yang menjalankan agen sepenuhnya secara legal: cepat atau lambat, kita harus memahami mengapa situs web menganggap infrastruktur semacam itu sebagai otomatisasi yang mencurigakan.

Semakin sulit untuk menyamarkan VPS sebagai PC biasa.

Server virtual sangat praktis bagi hampir semua orang: harganya terjangkau, tersedia 24/7, mudah dikloning, dan ideal untuk otomatisasi. Namun, server virtual tidak harus terlihat seperti komputer pengguna biasa—dan semakin banyak spesifikasi perangkat keras yang dapat diakses melalui peramban, semakin sulit untuk mengabaikan perbedaan ini. Sebelumnya, Anda sebagian besar harus bekerja dengan apa yang dilaporkan sistem; sekarang Anda dapat menguji bagaimana sistem tersebut sebenarnya berperilaku.

WebGPU Performance menunjukkan satu sisi dari pertanyaan—seberapa cepat operasi GPU tertentu dieksekusi. Atomic Fingerprint menambahkan sisi lain—bagaimana eksekusi paralel berperilaku. Dan pengujian semacam itu kemungkinan akan menjadi lebih umum dari waktu ke waktu, dan bukan hanya untuk kartu grafis: CPU, memori, timer, fitur penjadwal, virtualisasi, tumpukan grafis—browser modern menghadirkan area permukaan yang luas untuk pengukuran.

WebGL akan tetap ada.

Webinar aslinya menggambarkan sidik jari WebGL sebagai teknologi yang seharusnya digantikan oleh WebGPU, dan hal ini perlu diklarifikasi di sini. Munculnya sinyal yang lebih kuat biasanya tidak berarti bahwa sinyal lama langsung dihentikan pengumpulannya: fitur anti-penipuan tambahan yang murah hampir selalu bermanfaat. Oleh karena itu, lebih tepat untuk melihat WebGPU bukan sebagai tombol yang akan "menggantikan WebGL," tetapi sebagai lapisan sidik jari perangkat keras berikutnya. WebGL menyediakan satu set fitur, WebGPU set fitur lain, pengujian kinerja set ketiga, dan User-Agent serta Client Hints set keempat. Anti-penipuan tidak perlu memilih hanya satu; kekuatan sistem terletak pada kombinasinya.

Untuk alasan yang sama, pendekatan sebaliknya—menonaktifkan WebGPU sepenuhnya—juga tidak efektif. Ini berguna sebagai teknik diagnostik: Anda dapat membandingkan perilaku situs dengan dan tanpa API dan menentukan apakah ada sesuatu yang bergantung pada ketersediaannya. Tetapi sebagai strategi permanen, menonaktifkannya kurang efektif, karena ketiadaan teknologi juga merupakan karakteristik. Jika WebGPU menjadi fitur standar browser modern, profil dengan API yang dinonaktifkan sepenuhnya mungkin akan menonjol dari yang lain. Terlebih lagi, WebGPU semakin dibutuhkan bukan untuk pembuatan sidik jari, tetapi untuk grafis, komputasi, dan semakin banyak aplikasi web, termasuk beberapa beban kerja AI langsung di browser. Hal ini mengarah pada jebakan yang sudah dikenal: meningkatkan privasi tanpa batas hanya dengan menonaktifkan API tidak akan berhasil—pada titik tertentu, kumpulan fitur yang dinonaktifkan itu sendiri akan menjadi sidik jari.

Antifraud tidak mencari hal yang "buruk," tetapi hal yang aneh.

Mungkin ini adalah kesimpulan terpenting dari keseluruhan kisah WebGPU. Antifraud seringkali disajikan sebagai serangkaian detektor: VPN itu buruk, proxy itu buruk, ketidakcocokan WebGPU itu buruk, otomatisasi itu buruk. Sistem nyata jauh lebih kompleks. Pengguna jaringan perusahaan terhubung secara legal ke VPN; seorang pengembang bekerja di dalam mesin virtual; layanan cloud gaming menyediakan GPU jarak jauh; agen AI, menurut definisi, adalah otomatisasi. Oleh karena itu, satu fakta saja tidak cukup—sistem mencoba memahami konteks dan mengevaluasi kemungkinan keseluruhan kombinasi tersebut. Dan di sinilah lingkungan yang dirancang dengan buruk mulai mengalami masalah: browser mengklaim satu hal, GPU menunjukkan hal lain, kinerja hal ketiga, IP menceritakan kisah keempat, dan perilaku pengguna hal kelima. Setiap karakteristik dapat diterima secara individual, tetapi bersama-sama mereka menciptakan perangkat yang sulit ditemukan di dunia nyata.

Inilah mengapa era sidik jari statis secara bertahap berakhir. Pasar telah lama hidup dengan gagasan bahwa sidik jari adalah sekumpulan nilai: hash Canvas, hash WebGL, AudioContext, font, resolusi layar, konkurensi perangkat keras. Kumpulkan nilai-nilai ini, gabungkan, dan Anda mendapatkan pengidentifikasi. Tren yang lebih menarik saat ini adalah sidik jari aktif, di mana sebuah situs web tidak hanya menanyakan karakteristik perangkat, tetapi juga memberinya tugas dan memantau responsnya. Ini jauh lebih dekat dengan biometrik perilaku, kecuali objeknya adalah komputer dan bukan manusia: seberapa cepat suatu operasi dilakukan, bagaimana beban paralel didistribusikan, seberapa stabil hasilnya, bagaimana sistem berperilaku dalam kondisi yang berubah, dan apakah semua ini sesuai dengan perangkat keras yang dideklarasikan. Memalsukan jawaban atas pertanyaan-pertanyaan tersebut relatif mudah. ​​Memalsukan seluruh fisika perilaku suatu sistem jauh lebih sulit.

Apa artinya ini bagi pasar?

Bagi pengembang browser anti-deteksi, kesimpulannya agak tidak menyenangkan: pembuatan sidik jari semakin bergeser ke bawah tumpukan teknologi. Sekadar mengubah API JavaScript saja tidak lagi cukup—semakin dekat pengukuran dengan perilaku perangkat keras yang sebenarnya, semakin sulit untuk membangun abstraksi yang masuk akal. Bagi spesialis multi-akun, ini berarti kualitas infrastruktur menjadi lebih penting daripada jumlah switch dalam antarmuka anti-deteksi: hanya dengan tanda centang hijau saja tidak menjamin apa pun. Tim arbitrase harus menilai risiko infrastruktur secara terpisah dari kualitas profil IP dan browser—proxy residensial yang mahal tidak menyelesaikan inkonsistensi di tingkat perangkat.

Bagi pengembang agen AI, masalahnya bahkan lebih luas: mereka harus merancang tidak hanya kecerdasan agen tetapi juga interaksinya dengan lingkungan digital eksternal. Jika ribuan peramban otonom beroperasi di cloud, situs web pasti akan belajar membedakan infrastruktur tersebut dari perangkat pengguna biasa. Ini tidak selalu berarti pemblokiran—seiring waktu, mekanisme yang tepat untuk mengidentifikasi agen yang sah mungkin akan muncul. Tetapi sampai hal itu terjadi, otomatisasi peramban ada dalam infrastruktur yang secara historis dirancang untuk manusia—dan perangkat lunak anti-penipuan melihat kontradiksi ini.

WebGPU hanyalah permulaan

Sidik Jari Atom itu sendiri seharusnya tidak dilihat sebagai teknologi baru dan universal yang akan menghapus peramban anti-deteksi besok. Teknologi anti-penipuan berkembang secara berbeda: sinyal baru muncul, dianalisis, kemudian metode normalisasi dan perlindungan muncul, teknologi anti-penipuan belajar menganalisis metode ini, dan kemudian sumber informasi lain ditemukan. WebGPU lebih penting sebagai indikator arah. Peramban menjadi platform komputasi yang semakin canggih, yang berarti bahwa sebuah situs web tidak hanya dapat membaca informasi tentang perangkat tetapi juga bereksperimen dengannya.

Bagi para spesialis, ini mengubah pendekatan terhadap sidik jari digital. Pertanyaan utamanya bukan lagi "Apa yang dilaporkan browser tentang komputer?" tetapi "Apakah perilaku komputer sesuai dengan apa yang dilaporkan browser?"—dan perbedaan antara keduanya sangat besar. Dalam dunia sidik jari statis, seseorang dapat fokus pada nilai yang benar; dalam dunia sidik jari aktif, seseorang harus memikirkan perilaku yang benar dari seluruh lingkungan. Oleh karena itu, WebGPU Atomic Fingerprint menarik bahkan bagi mereka yang tidak pernah berencana untuk menulis pemeriksa GPU mereka sendiri: ini dengan jelas menunjukkan ke mana arah anti-penipuan modern—dari memeriksa parameter individual hingga memeriksa konsistensi internal perangkat. Bagi pemasar afiliasi, ini berarti hanya melihat alamat IP dan indikator hijau saja tidak lagi cukup; bagi pengembang anti-deteksi, ini berarti batas antara browser dan perangkat keras menjadi semakin penting; bagi insinyur agen AI, ini berarti infrastruktur eksekusi itu sendiri menjadi bagian dari identitas agen. Dan untuk anti-penipuan, ini adalah cara lain untuk mengajukan pertanyaan sederhana kepada perangkat: "Apakah Anda benar-benar komputer yang Anda klaim?"