論文の概要: Rendering on Real Silicon: GPU Render-Timing as a Passive, AI-Resistant CAPTCHA Signal

• arxiv url: http://arxiv.org/abs/2607.23389v1
• Date: Sat, 25 Jul 2026 23:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.089281
• Title: Rendering on Real Silicon: GPU Render-Timing as a Passive, AI-Resistant CAPTCHA Signal
• Title（参考訳）: リアルシリコン上でのレンダリング: パッシブでAIに耐性のあるCAPTCHA信号としてのGPUレンダリングタイピング
• Abstract要約: 我々は、永続的な識別子を漏らさず、識別するよりも分類するレンダリングタイミングのダイナミクスを計測する。 我々は、12時間のパッシブ配置で、その敵を特徴づける。 単一GPUアーキテクチャにおけるパイロットスケールの知見として報告する。
• 参考スコア（独自算出の注目度）: 4.02431279819382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional CAPTCHAs pose puzzles that modern AI systems increasingly solve, while behavioral and cryptographic-attestation defenses carry privacy or enrollment costs. We investigate an orthogonal signal: the physical timing behavior of a client's GPU under a controlled WebGL rendering workload. Unlike WebGL fingerprinting, which hashes pixel output into a static device identifier, we measure render-timing dynamics to classify rather than identify, leaking no persistent identifier. We characterize the in-the-wild adversary with a 12-hour passive deployment (207 unsolicited requests; 86% automated; 85% of browser-claiming clients failed HTTP header-consistency checks). We then collect labeled GPU-timing samples through a single public endpoint exercised by real browsers (positive class, 13 distinct GPUs) and by keyed headless automation across a render-backend matrix (negative class). Software-rendered automation -- empirically the dominant real-world adversary -- separates from genuine GPUs by roughly 5x in mean render time. On a confound-controlled comparison (identical GPU family and browser engine, differing only in headless vs. interactive execution), headless automation on real hardware still exhibits a distinct timing signature, separating from human samples by 75-106% on frame jitter, timer-quantization ratio, and coefficient of variation. We report these as pilot-scale findings on a single GPU architecture and outline the cross-architecture collection required to establish generalization.
• Abstract（参考訳）: 従来のCAPTCHAは、現代のAIシステムがますます解決するパズルを浮き彫りにしている。 直交信号:制御されたWebGLレンダリングワークロード下でのクライアントGPUの物理タイミング挙動について検討する。 静的デバイス識別子に画素出力をハッシュ化するWebGLフィンガープリンティングとは異なり、レンダリングタイミングのダイナミクスを計測して識別するのではなく分類し、永続的な識別子をリークする。 私たちは、12時間のパッシブデプロイメント(207の未解決リクエスト、86%の自動化、ブラウザが要求するクライアントの85%がHTTPヘッダ一貫性チェックを失敗した)で、Wildの敵を特徴づけています。 次に、実際のブラウザ(正のクラス、13の異なるGPU)と、レンダリングバックのマトリックス(負のクラス)にわたるキー付きヘッドレス自動化によって、ラベル付きGPU最適化サンプルを単一の公開エンドポイントで収集する。 ソフトウェアレンダリング自動化 -- 実証上は実世界の主流の敵 -- は、実際のGPUと約5倍のレンダリング時間で分離する。 コンファウンド制御比較(GPUファミリとブラウザエンジン、ヘッドレスとインタラクティブ実行の違い)では、実際のハードウェアにおけるヘッドレス自動化は、フレームジッタ、タイマ量子化比、変動係数で、人間のサンプルから75～106%離れている、明確なタイミングシグネチャがまだ残っている。 本稿では、単一のGPUアーキテクチャにおけるパイロットスケールの発見として報告し、一般化を確立するために必要なクロスアーキテクチャコレクションの概要を述べる。

関連論文リスト

• What Browsers Do in the Shaders: A Measurement Study of WebGPU Privacy [0.0]
  WebGPUは、検証済みプログラミングモデルを通じて、通常のWebページでGPUワークロードを実行することができる。 バリデーションはメモリの安全性を保護するが、共有ブラウザ、ドライバ、OS、GPU状態は依然としてプライバシ関連シグナルを公開することができる。 WGPULensは、制御されたシナリオ、ブラウザネイティブの共抵抗性、参加者フィールドスタディ、公開ページロード、緩和ポリシーをまたいだこれらの信号を測定するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-06-24T22:11:06Z)
• Covering Human Action Space for Computer Use: Data Synthesis and Benchmark [59.01879944842542]
  コンピュータ利用エージェント(CUA)は、GPT-5.4とClaudeによって説明されているように、画面上での作業を自動化する。 しかし、複雑な低周波相互作用に対する信頼性はまだ貧弱であり、ユーザの信頼を制限している。 複雑な相互作用におけるモデルの能力を評価するための新しいベンチマークCUActSpotを提案する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:58Z)
• AGORA: Adversarial Generation Of Real-time Animatable 3D Gaussian Head Avatars [54.854597811704316]
  AGORAは、3DGSを生成的敵ネットワーク内で拡張し、アニマタブルなアバターを生成する新しいフレームワークである。 表現の忠実度は、二重識別器の訓練スキームによって強制される。 AGORAは視覚的にリアルなだけでなく、正確に制御可能なアバターを生成する。
  論文  参考訳（メタデータ） (2025-12-06T14:05:20Z)
• Scalable GPU-Based Integrity Verification for Large Machine Learning Models [4.301162531343759]
  我々は、CPUとGPUプラットフォーム間の整合性保護を標準化することで、分散機械学習を強化するセキュリティフレームワークを提案する。 提案手法は,GPUアクセラレータ上での大規模なMLモデル実行と直接的に整合性検証を行う。 私たちは、基盤となるCPUやGPUインフラストラクチャに関係なく、エンタープライズチームがデプロイできるハードウェアに依存しない基盤を提供します。
  論文  参考訳（メタデータ） (2025-10-27T23:45:21Z)
• GPU-Accelerated Interpretable Generalization for Rapid Cyberattack Detection and Forensics [0.0]
  IGメカニズムは最近IEEE Transactions on Information Forensics and Securityで公開され、最先端のエビデンスベースの侵入検知を提供する。 我々は、PyTorchの再設計であるIG-GPUを紹介し、すべてのペアの交叉とサブセット評価をコモディティGPUにオフロードする。 15kレコードのNSL-KDDデータセットでは、IG-GPUはIGのマルチコアCPU実装よりも116倍のスピードアップを示している。
  論文  参考訳（メタデータ） (2025-07-16T12:38:19Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Zero-Shot Detection of AI-Generated Images [54.01282123570917]
  AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。 機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。 ZEDは精度の点でSoTAよりも平均3%以上改善されている。
  論文  参考訳（メタデータ） (2024-09-24T08:46:13Z)
• DarthShader: Fuzzing WebGPU Shader Translators & Compilers [19.345967816562364]
  より要求の多いWebアプリケーションを実行するための最近のトレンドは、WebGPU標準の採用につながっている。 信頼できないWebコンテンツは、伝統的にセキュリティではなくパフォーマンスのために最適化されたGPUスタックに渡される。 DarthShaderは、中間表現に基づくミュータと、より伝統的な抽象構文木を使用したものを組み合わせた最初の言語ファザである。
  論文  参考訳（メタデータ） (2024-09-03T12:06:19Z)
• WebGPU-SPY: Finding Fingerprints in the Sandbox through GPU Cache Attacks [0.7400926717561453]
  ウェブブラウザにおけるマイクロアーキテクチャアタックのための新しいアタックベクトルを提案する。 我々は、被害者の活動をスパイするGPUの計算スタックに対するキャッシュサイドチャネルアタックを開発する。 我々は、GPUベースのキャッシュ攻撃が、上位100のWebサイトの指紋認証において、90の精度を達成することを実証した。
  論文  参考訳（メタデータ） (2024-01-09T04:21:43Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• TAGPerson: A Target-Aware Generation Pipeline for Person Re-identification [65.60874203262375]
  本稿では,TAGPerson と呼ばれる合成人物画像を生成する新しいターゲット・アウェア・ジェネレーション・パイプラインを提案する。 具体的には、パラメータが制御可能で、ターゲットのシーンに応じて調整できるパラメータ化レンダリング手法である。 本実験では,MSMT17の一般合成画像,すなわちランク1精度の47.5%対40.9%に対して,目標認識合成画像よりもはるかに高い性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-12-28T17:56:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。