Elsevier Menyisipkan Hash Unik ke Metadata PDF untuk Setiap Unduhan (2022)

 (social.coop)
1 poin oleh GN⁺ 2024-06-11 | 1 komentar | Bagikan ke WhatsApp
  • Saat PDF akademik dibagikan, metadata per unduhan yang digabungkan dengan waktu akses dapat digunakan untuk melacak asalnya, meski file makalahnya sama
  • Nilai pengenal dapat diperiksa dengan exiftool, dan metadata tingkat atas dapat dihapus dengan kombinasi exiftool + qpdf
  • PDF juga memuat tag NISO yang menunjukkan “final published version” (VoR) serta pembatasan domain yang diizinkan, dan Elsevier memindai PDF yang memiliki metadata seperti ini
  • Metadata tersebut tampaknya tetap ada pada makalah yang diunduh dari Sci-Hub, sehingga bisa mengarah pada identifikasi akun akademik yang digunakan untuk mengunduh makalah
  • Dua PDF dengan tag pengenal berbeda tampak identik dalam diff setelah metadata dihapus dan diproses dengan qpdf --deterministic-id, tetapi sulit untuk menggeneralisasi bahwa tidak ada watermarking tambahan

Metadata PDF Elsevier yang Berbeda untuk Setiap Unduhan

  • PDF Elsevier menyisipkan hash unik sebagai metadata pada setiap unduhan
  • Jika makalah yang sama diunduh dua kali lalu metadatanya dibandingkan, akan muncul nilai yang berbeda
  • Jika nilai ini digabungkan dengan waktu akses, ia dapat digunakan untuk mengidentifikasi unduhan mana yang menjadi asal PDF yang dibagikan

Alat yang Digunakan untuk Memeriksa dan Menghapus

  • Metadata PDF dapat diperiksa langsung dengan exiftool
  • Perintah untuk menghapus metadata tingkat atas:
    • exiftool -all:all= <path.pdf> -o <output1.pdf>
    • qpdf --linearize <output1.pdf> <output2.pdf>
  • Untuk menghapus semua metadata, dapat digunakan dangerzone atau mat2
  • Alat terkait:
    • exiftool: alat baca/tulis metadata
    • qpdf: alat pemrosesan PDF
    • dangerzone: alat GUI yang merender PDF menjadi gambar lalu menjalankan OCR kembali
    • mat2: alat penghapus metadata yang merender PDF menjadi gambar tetapi tidak menjalankan OCR

Skrip Pembersihan Otomatis dan Ekstraksi Tag

  • Skrip shell yang disediakan mencari PDF secara rekursif di direktori yang ditentukan atau direktori saat ini, lalu menghapus metadatanya
  • Lingkungan targetnya adalah macOS dan sistem mirip Unix, dan memerlukan qpdf serta exiftool terpasang
  • Untuk setiap PDF, skrip membuat versi bersih dengan sufiks _clean.pdf, lalu menerapkan exiftool dan qpdf --linearize
  • Setelah itu, tag yang diekstraksi dengan benar serta kode Python untuk mengekstraknya langsung ditambahkan ke gist
  • Awalnya nilai ini disebut “hash”, tetapi nilai yang diekstraksi memiliki pola yang jelas, dan belum diketahui apa isi sebenarnya

Tag NISO dan Jejak yang Tertinggal di Sci-Hub

  • Metadata PDF mencakup tag NISO yang menunjukkan status dokumen
    • Status dokumen ditandai sebagai “final published version” (VoR)
    • Di dalamnya juga terdapat pembatasan tentang domain tempat dokumen seharusnya berada
  • Karena Elsevier memindai PDF yang memiliki metadata ini, metadata perlu dihapus saat membagikan salinan
  • Metadata tersebut tampaknya tetap dipertahankan pada makalah yang diunduh dari Sci-Hub
  • Jika Sci-Hub mengunduh makalah menggunakan kredensial akademik yang dikumpulkan, penerbit dapat memakai metadata ini untuk mengidentifikasi akun yang perlu ditutup atau dilindungi

Kemungkinan Watermarking Tambahan dan Hasil Verifikasi

  • Di luar metadata, masih ada kemungkinan watermarking yang lebih canggih
  • Hasil eksperimen pada dua file dengan tag pengenal berbeda:
    • Metadata dihapus
    • File dilinearisasi ulang dengan flag --deterministic-id dari qpdf
    • PDF hasilnya tampil identik dalam diff
  • Dari hasil ini saja, perlu berhati-hati untuk menggeneralisasi bahwa tidak ada watermarking tambahan
  • Metadata menjadi sarana identifikasi yang sangat menonjol karena dapat memindai PDF dalam jumlah besar dengan cepat

Bacaan terkait

1 komentar

 
GN⁺ 2024-06-11
Komentar Hacker News

  • Terbayang betapa kerasnya mereka berusaha menemukan orang-orang yang membagikan ide yang sejak awal tidak mereka buat maupun danai, lalu menghukum mereka karena tidak membayar
    Perusahaan seperti ini tampak seperti penghambat kemajuan umat manusia

    • Sebenarnya tidak sesulit itu, tapi saya setuju dengan intinya
      Selain itu, perusahaan seperti itu juga mengenakan biaya yang tidak masuk akal kepada penulis untuk layanan tambahan seperti pencetakan gambar berwarna
      Di masa depan yang jauh, saya rasa sekolah dan universitas akan membahas perusahaan-perusahaan seperti ini sebagai contoh parasit sosial
    • Masalahnya bukan perusahaan itu sendiri, melainkan lebih seperti gejalanya
      Menurut saya masalah sebenarnya adalah pemerintah, terutama pemerintah AS, yang memanfaatkan monopoli atas kekuatan koersif untuk membantu perusahaan seperti ini menegakkan model bisnis semacam itu
    • Kita juga harus mempertimbangkan seberapa besar upaya yang dibutuhkan untuk menulis sebuah buku
      Ada penulis yang menghabiskan bertahun-tahun, banyak penulis setidaknya menghabiskan 1 tahun, dan ada akademisi yang menghabiskan bertahun-tahun untuk satu makalah
      Elsevier juga merupakan mitra yang terlibat besar dalam produksi dan pendanaan pekerjaan ini, dan para karyawannya menangani penyuntingan, tata letak, dan distribusi
      Para penulis juga merupakan mitra dalam proses ini, dan banyak yang menerima royalti dari Elsevier
      Namun ada orang-orang yang menambahkan segala macam logika yang dipaksakan untuk membenarkan pembajakan
      Jika ada penulis yang miskin, kita harus melihat bahwa pembajakan menggerogoti kemampuan mereka untuk mencari nafkah dari penjualan tulisan
    • Lucu bahwa ketika Elsevier mencoba menegakkan hak cipta, HN memperlakukannya seperti iblis, tetapi begitu topiknya data pelatihan AI, tiba-tiba mereka berubah menjadi para pejuang kekayaan intelektual paling ketat yang pernah saya lihat
    • Sepemahaman saya, ini bukan semata-mata kesalahan Elsevier; masalahnya adalah struktur ketika pemerintah membagikan dana riset dan promosi berdasarkan jumlah publikasi di jurnal Elsevier

  • Kedengarannya seperti kebiasaan yang baik untuk menerima salinan dari dua sumber berbeda sebelum memublikasikan dokumen, lalu membandingkan hash-nya
    Data bisa disisipkan di mana saja: gambar, file audio, PDF, program, dan sebagainya
    Setidaknya dalam kasus Elsevier, tampaknya cukup jelas bahwa mereka memakai kunci untuk melacak pengguna

    • Tapi PDF kan tidak punya pop-up persetujuan cookie
      Mungkin akhirnya hukum itu bisa dipakai untuk sesuatu yang berguna

  • Ada DangerZone, tool bebas dan open source yang digunakan untuk menghapus malware potensial dari file PDF, dan juga bisa menghapus metadata
    Untuk sekadar membersihkan metadata mungkin berlebihan, tetapi layak disebutkan
    https://dangerzone.rocks/

    • Masalahnya mungkin bukan hanya metadata
      Dalam PDF yang cukup panjang, ada banyak cara untuk menyembunyikan identifier 128-bit
      Bisa berupa persegi putih di atas latar putih, piksel yang di sana-sini sedikit tidak sepenuhnya hitam, atau apa pun
      Banyak metode bahkan bisa tetap bertahan setelah dicetak lalu dipindai

  • Saya memakai skrip kecil untuk membersihkan PDF secara menyeluruh dan juga memperkecil ukurannya
    Kurang lebih seperti ini
    pdftops -paper A4 -expand -level3 file.pdf
    ps2pdf14 -dEmbedAllFonts=true \
    -dUseFlateCompression=true \
    -dOptimize=true \
    -dProcessColorModel=/DeviceRGB \
    -r72 \
    -dDownsampleGrayImages=true \
    -dGrayImageResolution=150 \
    -dAutoFilterGrayImages=false \
    -dGrayImageDownsampleType=/Bicubic \
    -dDownsampleMonoImages=true \
    -dMonoImageResolution=150 \
    -dMonoImageDownsampleType=/Subsample \
    -dDownsampleColorImages=true \
    -dColorImageResolution=150 \
    -dAutoFilterColorImages=false \
    -dColorImageDownsampleType=/Bicubic \
    -dPDFSETTINGS=/ebook \
    -dNOSAFER \
    -dALLOWPSTRANSPARENCY \
    -dShowAnnots=false \
    file.pdf file.pdf
    Jika perlu, metadata tambahan bisa dimasukkan setelahnya
    Ini tidak dirancang khusus untuk menghapus metode pelacakan tertentu, tetapi dalam kebanyakan kasus sederhana dan cukup berguna

  • Unduh PDF dari Elsevier, buka di PDF viewer Anda sendiri, lalu tekan cetak dan pilih Print to PDF pada pilihan printer

    • Sebagai langkah 0, Anda harus menonaktifkan penyimpanan Zone Identifier atau menghapusnya dengan tool
      Informasi ini kemungkinan besar tetap dipertahankan saat file disalin, dan bergantung pada tool serta formatnya, bisa masuk ke dalam file arsip lalu dipulihkan lagi nanti
      https://www.digital-detective.net/forensic-analysis-of-zone-...
      Di antara plugin Total Commander, ada juga yang menunjukkan dari mana file tertentu diunduh
      Saya memasang beberapa, jadi tidak tahu persis yang mana, tetapi mungkin plugin ini: https://totalcmd.net/plugring/ntfsstreamviewer.html
    • Unduh PDF dari penerbit, buka di PDF viewer, tekan cetak, lalu cetak sungguhan di kertas
      Setelah itu pindai lagi halaman PDF yang sudah dicetak, gabungkan menjadi dokumen PDF dengan convert, pdfunite, lalu kompres dengan ghostscript
    • Meski begitu, semua steganografi yang mungkin tersembunyi dalam kerning, warna, spasi baris, dan sebagainya bisa tetap bertahan
    • Ada juga cara mengunduh PDF dari Elsevier, mengonversi halamannya menjadi gambar PNG, menggabungkannya menjadi PDF baru, lalu menjalankan OCR
    • Hasilnya bisa benar-benar menghancurkan tag dan informasi aksesibilitas yang ada di PDF
      Tolong jangan lakukan ini kecuali Anda benar-benar yakin itu mutlak diperlukan

  • Saya tinggalkan ini karena terkait dengan topik ini
    https://github.com/kanzure/pdfparanoia
    Dan
    https://github.com/firstlookmedia/pdf-redact-tools

    • Di halaman pdf-redact-tools tertulis seperti ini: “Warning: This project is no longer maintained. A much better tool is dangerzone.”
      Tautan DangerZone bisa ditemukan di thread Mastodon yang awalnya diajukan

  • Kita perlu membuat alat yang memungkinkan pengetahuan umat manusia dibagikan dan dibuka

  • Fakta bahwa entitas seperti Elsevier bisa terus bertahan, dan orang-orang benar-benar membayar sistem parasitik seperti ini, perlu dianalisis untuk menemukan akar penyebabnya
    Petunjuk yang mungkin adalah bahwa dunia akademik pada akhirnya malas dan tidak berniat memperbaiki sistem, terlalu tenggelam dalam riset sehingga kualitas pekerjaan yang tidak langsung berkaitan dengan pekerjaan mereka sendiri sangat buruk, serta adanya struktur insentif yang kembali menguntungkan orang-orang yang mempertahankan sistem semacam ini
    Ada petunjuk lain?

    • Tergantung bidangnya, campur aduk
      Misalnya, bidang teknologi sudah banyak berpindah ke jurnal akses terbuka, dan itu juga berjalan baik untuk promosi peneliti
      Namun selama hal-hal seperti tenure bergantung pada publikasi di Nature, akan sulit menyingkirkan Nature dalam waktu dekat

  • Metadata adalah sasaran yang sangat mudah dalam watermarking dokumen
    Biasanya perender PDF menggunakan spasi, kerning, karakter tak terlihat, dan segala macam steganografi untuk membuat tiap salinan unik
    Saya ragu hash itu punya arti apa pun; dalam praktiknya kemungkinan besar itu adalah kode autentikasi pesan yang mencampurkan nilai rahasia dengan salinan unik
    Dengan begitu, penerbit terbantu mengidentifikasi salinan yang sudah “dicuci”
    Jika ada dua salinan atau lebih, bisa dianonimkan kembali, dan saya penasaran apakah model bahasa peringkas bisa berguna untuk hal seperti ini
    Tentu saja, diagram pun bisa diberi variasi steganografis
    PDF adalah dokumen yang berantakan, jadi hampir selalu saya ubah menjadi teks biasa, dan biasanya tidak ada kehilangan makna

  • Apakah praktik ini legal di UE?

    • Elsevier adalah perusahaan Belanda dan dimiliki oleh perusahaan Inggris, jadi sepertinya tidak akan ada masalah besar