AdGraph: Un enfoque de Aprendizaje Automático para el bloqueo automático y efectivo de anuncios
Umar Iqbal (The University of Iowa), Peter Snyder (Brave Software), Shitong Zhu (University of California Riverside), Benjamin Livshits (Brave Software y Imperial College London), Zhiyun Qian (University of California Riverside), Zubair Shafiq (The University of Iowa) | Aprendizaje Automático, Privacidad
Las listas de filtros están ampliamente desplegadas por los bloqueadores de anuncios para bloquear anuncios y otras formas de contenido no deseado en los navegadores web. Sin embargo, estas listas de filtros son curadas manualmente basadas en comentarios informales de fuentes colectivas, lo cual trae consigo un número significativo de retos de mantenimiento. Para abordar estos desafíos, proponemos un enfoque de aprendizaje automático para el bloqueo automático y efectivo de anuncios llamado AdGraph. Nuestro enfoque se basa en información obtenida de múltiples capas de la pila web (HTML, HTTP y JavaScript) para entrenar un clasificador de aprendizaje automático para bloquear anuncios y rastreadores. Nuestra evaluación en los 10K mejores sitios web de Alexa muestra que AdGraph bloquea automáticamente y efectivamente anuncios y rastreadores con un 97.7% de precisión. Nuestro análisis manual muestra que AdGraph tiene mejor recuperación que las listas de filtros, bloquea 16% más anuncios y rastreadores con un 65% de precisión. También mostramos que AdGraph es bastante robusto contra la ofuscación adversarial por parte de editores y anunciantes que eluden las listas de filtros.
