A Scoping Review of Methods to Measure the Energy and Carbon Footprint of Web Tracking and Advertising

Jedes Mal, wenn Sie eine Website besuchen, findet im Hintergrund ein verborgener Austausch von Daten statt. Während Sie einen Artikel lesen oder ein Video ansehen, laufen unsichtbare Skripte ab, um Ihr Verhalten zu verfolgen, ein Profil Ihrer Interessen zu erstellen und gezielte Werbeanzeigen auszuspielen. Dieses System, das oft als Ad-Tech-Ökosystem bezeichnet wird, ist der primäre Weg, auf dem viele kostenlose Online-Dienste Geld verdienen. Das Erfassen, Speichern und Verarbeiten dieser massiven Menge an Nutzerdaten erfordert jedoch eine erhebliche Rechenleistung. Diese Leistung kommt aus Elektrizität, und die Erzeugung dieser Elektrizität produziert oft Kohlenstoffemissionen. Mit dem Wachstum des Internets wächst auch dessen ökologischer Fußabdruck, was Forscher vor eine schwierige Frage stellt: Wie viel dieser Energie wird tatsächlich nur für die Werbung und das Tracking aufgewendet, anstatt für den Inhalt, den Sie eigentlich sehen wollen?

Ein Team von Forschern der University of Toronto machte sich daran, dies zu beantworten, indem sie die bestehende wissenschaftliche Literatur überprüften. Sie führten selbst kein neues Experiment durch, sondern kartierten stattdessen die Landschaft der Art und Weise, wie andere Wissenschaftler versucht haben, diese spezifische Umweltkosten zu messen. Sie fanden heraus, dass das Feld noch jung und fragmentiert ist. Die von ihnen überprüften Studien sind über verschiedene Disziplinen verstreut, verwenden unterschiedliche Begriffe, um dieselben Prozesse zu beschreiben, und nutzen unterschiedliche Werkzeuge, um dieselben Dinge zu messen. Um dies verständlich zu machen, sammelten die Autoren 15 Schlüsselstudien aus einem ursprünglichen Pool von 4ks 46 Kandidaten und ordneten sie in fünf verschiedene Methoden ein, mit denen Forscher versuchen, die Energiekosten von Web-Tracking und Werbung zu isolieren.

Der am häufigsten verwendete Ansatz, der in der Mehrheit der Studien angewendet wird, nennt sich Ad-Blocking. Bei dieser Methode besuchen Forscher eine Liste populärer Websites zweimal: einmal mit einem Standardbrowser und einmal mit aktiviertem Werbeblocker. Durch den Vergleich der in beiden Szenarien verbrauchten Energie können sie die Differenz berechnen, die spezifisch durch die Anzeigen und Tracker verursacht wurde. Einige Forscher nutzen Browser-Erweiterungen, um die Werbung zu blockieren, während andere integrierte Browser-Funktionen oder sogar das Blockieren der Anfragen auf Netzwerkebene nutzen. Um diese Zahlen zu erhalten, verwenden sie oft Software, die den Prozessorverbrauch oder den Batterieverbrauch des Computers ausliest, oder in einigen Fällen schließen sie ein physisches Voltmeter an das Gerät an, um den in die Hardware fließenden Strom zu messen. Diese Methode ist praktisch, da sie auf einem normalen Computer durchgeführt werden kann, sie beruht jedoch auf der Annahme, dass die einzige Veränderung zwischen den beiden Besuchen das Vorhandensein der Werbung ist.

Eine zweite Gruppe von Forschern verfolgt einen kontrollierteren Ansatz, indem sie Websites in einer Laborumgebung nachbildet. Anstatt Live-Seiten im offenen Internet zu besuchen, laden sie die Seiten herunter und entfernen die Anzeigen und Tracking-Skripte selbst, um eine „saubere“ Version der Seite zu erstellen. Sie stellen diese Versionen dann lokal auf einem von ihnen kontrollierten Server bereit, um sicherzustellen, dass keine externen Variablen das Testergebnis beeinflussen. In einer Variation dieser Methode bauten Forscher eine Website von Grund auf neu auf und fügten ihr unterschiedliche Anzahlen von Tracking-Tools hinzu, wobei sie beobachteten, wie der Energieverbrauch mit jeder Hinzufügung anstieg. Dies bietet ein hohes Maß an Kontrolle über das Experiment und ermöglicht es Wissenschaftlern zu sehen, wie viel Energie ein einzelner Tracker verbraucht, auch wenn es die chaotische Realität des Live-Webs möglicherweise nicht perfekt widerspiegelt.

Eine dritte, ungewöhnlichere Methode beinhaltet das Abspielen einzelner Werbeanzeigen. Eine Studie sammelte tausende Anzeigen aus dem Netz und erstellte ein System, um diese nacheinander auf einer leeren Browserseite anzuzeigen. Indem die Forscher die Energie maßen, die zum Laden einer einzelnen Anzeige im Vergleich zu einer Basislinie einer leeren Seite erforderlich war, konnten sie die Kosten für das Rendern dieser spezifischen Werbeanzeige ermitteln. Sie nutzten diese Daten dann, um ein Computermodell zu trainieren, das die Energiekosten anderer Anzeigen basierend auf deren Merkmalen vorhersagen kann. Diese Technik ermöglicht einen granularen Blick auf die Kosten einzelner Werbeeinheiten, erfordert jedoch eine enorme Menge an manueller Datenerhebung, um die initiale Bibliothek der Anzeigen aufzubauen.

Der vierte Ansatz betrachtet den Datenfluss selbst und nicht das Gerät, das ihn anzeigt. Anstatt den Computerbildschirm zu messen, analysieren diese Forscher den Netzwerkverkehr, der zwischen dem Nutzer und dem Internet fließt. Sie untersuchen die gesendeten und empfangenen Datenpakete und versuchen zu identifizieren, welche Teile des Datenstroms zu Werbeanzeigen und Tracking-Cookies gehören. Durch die Summation des Gesamtvolumens dieses spezifischen Verkehrs können sie die Energie schätzen, die benötigt wird, um diese Daten über das Internet zu bewegen. Die Autoren dieser Übersicht weisen jedoch auf einen signifikanten Mangel dieser Methode hin: Allein zu wissen, wie viel Daten übertragen werden, sagt noch lange nicht aus, wie viel Energie für deren Verarbeitung aufgewendet wurde, da die Beziehung zwischen Datengröße und Energieverbrauch komplex und noch nicht vollständig verstanden ist.

Die letzte Methode stützt sich ausschließlich auf bestehende Zahlen statt auf neue Messungen. Forscher, die diesen Ansatz verwenden, nehmen Werte und Koeffizienten aus anderen veröffentlichten Studien – wie etwa die durchschnittlichen Energiekosten für das Bewegen eines Gigabytes an Daten oder die Kohlenstoffintensität des Stromnetzes – und wenden sie auf Schätzungen der Menge an Daten an, die Werbung generiert. Dies ermöglicht groß angelegte Berechnungen, ohne dass neue Experimente durchgeführt oder neue Daten erhoben werden müssen. Obwohl dies der zugänglichste Weg ist, um eine grobe Schätzung zu erhalten, hängt seine Genauigkeit vollständig von der Qualität und Relevanz der ursprünglich entlehnten Zahlen ab.

Die Rezension zeigt, dass das Feld gerade erst beginnt, Fuß zu fassen. Achtzig Prozent der von ihnen analysierten Studien wurden in den letzten fünf Jahren veröffentlicht, was auf ein rasches Interesse hindeutet, während sich die Umweltkrise verschärft. Trotz dieses Wachstums stellten die Forscher fest, dass die Studien selten miteinander kommunizieren. Verschiedene Teams verwenden unterschiedliche Begriffe für dieselben Konzepte, und sie bauen oft nicht auf den Erkenntnissen der anderen auf. Beispielsweise fand eine Studie heraus, dass die Größe der für eine Anzeige übertragenen Daten nicht zwangsläufig die benötigte Energie vorhersagt, die zum Anzeigen der Anzeige aufgewendet werden muss – eine Erkenntnis, die die Annahmen anderer Studien infrage stellt, die sich auf das Datenvolumen zur Schätzung des Energieverbrauchs verlassen.

Derzeit gibt es keine einzelne Standardmethode, auf die sich alle geeinigt haben. Die meiste Forschung konzentriert sich darauf, was auf dem Gerät des Nutzers geschieht, wodurch eine große Lücke in unserem Verständnis der Energie konsumiert wird, die von den riesigen Rechenzentren verbraucht wird, die diese Informationen speichern und verarbeiten. Da diese unternehmerischen Infrastrukturen opak und schwer zugänglich sind, mussten Forscher auf indirekte Methoden oder kontrollierte Simulationen zurückgreifen. Die Autoren schlagen vor, dass zukünftige Arbeiten bessere Wege entwickeln müssen, um die Energie zu messen, die in diesen Rechenzentren verbraucht wird, und um eine gemeinsame Sprache zu schaffen, damit Wissenschaftler aus verschiedenen Fachbereichen ihre Ergebnisse genau vergleichen können. Bis dahin haben wir ein Flickenteppich aus Methoden, die zwar Einblicke in die Umweltkosten der digitalen Wirtschaft gewähren, aber kein vollständiges Bild zeichnen.