Lehrplan Lektion 128 von 156 · Die Person verfolgen, nicht das Gerät
Die Person verfolgen, nicht das Gerät

Tippschreiber unterscheiden

Warum das wichtig ist "Deine Tippweise identifiziert dich" klingt wie eine Gruselgeschichte, bis du den Matcher selbst baust. In diesem Lab wirst du 50 erfundene Tipper allein anhand der Zeit unterscheiden, dann eine einfache Verteidigung einschalten und messen, wie sehr sie hilft. Du wirst am Ende wissen, wie der Trick funktioniert und was ihn stumpf macht.

Der Plan, in Alltagssprache

Stell dir vor, du lernst, 50 Personen an ihrem Klopfen zu erkennen. Zuerst hörst du dir jede Person vier Mal klopfen an und merkst dir ihren usual Rhythmus. Dann klopft jemand und du fragst: Welchem üblichen Rhythmus kommt das am nächsten? Das ist die ganze Methode.

Profile: eine Zusammenfassung des üblichen Verhaltens einer Person, hier der Durchschnitt ihrer Zeitangaben. Profile aus bekannten Beispielen zu erstellen nennt man enrolment.

Feature: eine Zahl, die ein Beispiel beschreibt. Eine Liste von Features macht ein unordentliches Ereignis (einen getippten Satz) zu etwas, das Code vergleichen kann.

Die Übungsdaten

typing_samples() aus der Praxiswelt gibt dir Versuche zum Tippen der festen Phrase keep it private. Jeder Versuch ist ein dict:

{"typist": "T07",
 "dwell":  [96, 104, 88, ...],    # 15 numbers, one per key, in milliseconds
 "flight": [151, 130, 202, ...]}  # 14 numbers, one per gap between keys

Die Tippschreiber werden von einem gesäten Generator erzeugt, der grob wie gewöhnliches Tippen geformt ist. Also sagt die Genauigkeit, die du misst, wie gut du diese Tippschreiber trennst. Echte Studien berichten von einer breiten Palette an Ergebnissen, abhängig von den Personen, Tastaturen und Texten; wir machen keinen Anspruch auf Genauigkeit in der realen Welt.

Messung von "wie nah"

Um zwei Listen von Zeitangaben zu vergleichen, addiere den Abstand an jeder Position und ignoriere dabei, ob die Lücke positiv oder negativ ist. Pythons abs() lässt das Vorzeichen weg: abs(-7) ist 7. Pythons zip(a, b) geht zwei Listen nebeneinander durch:

for x, y in zip([100, 150], [90, 170]):
    print(x, y, abs(x - y))    # 100 90 10, then 150 170 20

Der Abstand hier ist also 10 + 20 = 30. Ein kleinerer Abstand bedeutet "ähnlicher".

Die Verteidigung: Rauschen

Die noise Option fügt jedem Timing ein zufälliges Jitter von etwa diesen Millisekunden hinzu, so wie ein Datenschutztool Tastaturereignisse um kleine zufällige Beträge verzögern könnte, bevor die Seite sie sieht. Beobachte, was es mit deiner Genauigkeit macht, und überlege, was es für die tippende Person bedeuten würde: 150 Millisekunden zufälliger Verzögerung bei jeder Taste würden sich träge anfühlen.

In anderen Sprachen

Der Abstand und die Schritte des nächsten Profils in JavaScript:

const distance = (a, b) => a.reduce((t, x, i) => t + Math.abs(x - b[i]), 0);

function identify(features, profiles) {
  let best = null, bestDist = Infinity;
  for (const [name, p] of Object.entries(profiles)) {
    const d = distance(features, p);
    if (d < bestDist) { best = name; bestDist = d; }
  }
  return best;
}

Und die Distanz in Rust:

fn distance(a: &[f64], b: &[f64]) -> f64 {
    a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}

Was du sehen solltest

Ohne Rauschen wird fast jeder Versuch dem richtigen Tipper zugeordnet. Moderates Rauschen (50 ms) kostet etwas Genauigkeit, aber die meisten Versuche werden immer noch zugeordnet; starkes Rauschen (150 ms) senkt die Genauigkeit drastisch. Das ist der ehrliche Kompromiss: Timing-Rauschen hilft, aber genug Rauschen zum Verstecken macht das Tippen auch schlechter. Die letzte Lektion dieses Moduls betrachtet Abwehrmechanismen, die dich keinen Komfort kosten.

Zusammenfassung

  • Enrol: Durchschnitt der Zeiten jeder Person in ein Profil einfügen.
  • Identifiziere: wähle das Profil mit der kleinsten Gesamtlücke (Distanz).
  • Zufälliges Timing-Rauschen verringert die Genauigkeit, aber nur starkes Rauschen verringert sie stark, und das kostet Komfort.
  • Die Genauigkeit bei generierten Tippern beschreibt den Generator, nicht echte Menschen.
Du bist dran

Schreibe fünf Funktionen. features(sample) gibt sample["dwell"] gefolgt von sample["flight"] als eine Liste zurück. distance(a, b) gibt die Summe von abs(x - y) über die zwei nebeneinander liegenden Listen zurück. build_profiles(samples) gibt ein Dictionary zurück, das den Namen jedes Schreibers auf den positionsweisen Durchschnitt ihrer Merkmalslisten abbildet. identify(sample, profiles) gibt den Namen zurück, dessen Profil die kleinste Distanz zu den Merkmalen der Probe hat. accuracy(train, test) erstellt Profile aus train und gibt den Anteil der test Proben zurück, die identify richtig erhält (eine Zahl von 0 bis 1). Der Druck am Ende ist bereits geschrieben.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.