Temario Lección 150 de 156 · Medir la web como un investigador
Medir la web como un investigador

Proyecto de la etapa 7: un estudio con un arreglo

Por qué importa El trabajo real de privacidad es un ciclo: medir un problema, aplicar un arreglo, volver a medir y decir con honestidad qué cambió y cuánto costó. Este proyecto recorre ese ciclo de principio a fin, uniendo el rastreador de este módulo con una defensa del anterior.

Piensa en un médico que comprueba si un tratamiento funciona: mide primero, trata, vuelve a medir de la misma forma y apunta los efectos secundarios. Sin la primera medición no hay nada con qué comparar; sin los efectos secundarios el resultado solo es verdad a medias.

La pregunta

En la web simulada, ¿podría alguien que vigila tu conexión cifrada saber qué sitio delicado visitaste, y cuánto relleno haría falta para impedirlo de forma fiable?

Visitar un sitio de salud, de finanzas o de religión puede revelar algo personal aunque no se filtre nada más. Vas a:

  1. Medir el contexto. Rastrea SimWeb(seed), encuentra los sitios cuya categoría está en SENSITIVE y registra qué proporción de ellos carga un rastreador de la lista. Toma los 6 primeros sitios delicados por clasificación.
  2. Medir el problema. Obtén las cargas de página de esos 6 sitios con page_loads(seed, sites=...) y mide la precisión del centroide más cercano, como en la lección 143.
  3. Aplicar el arreglo. Prueba en orden los presupuestos de relleno de PAD_LEVELS. Para cada uno, rellena las cargas de entrenamiento con seed=1 y las de prueba con seed=2, vuelve a entrenar y vuelve a medir. Para en el primer presupuesto cuya precisión quede en TARGET o por debajo. Si ninguno lo consigue, quédate con el último.
  4. Medir el coste. El sobrecoste con el presupuesto elegido, como en la lección 143.
  5. Redactar los límites. Al menos dos frases honestas, como en la lección 149. Una va aquí encuentres lo que encuentres: el presupuesto se eligió mirando la precisión con las mismas cargas de prueba de las que luego informas, lo que favorece un poco el resultado. Un estudio cuidadoso elige el presupuesto con un tercer conjunto de cargas aparte e informa una sola vez del conjunto de prueba.

El informe

study(seed) devuelve un diccionario con exactamente estas claves:

{
  "seed": 7,
  "sites": ["...", ...],              # the 6 sensitive sites, by rank
  "sensitive_with_trackers": 0.97,    # share of ALL sensitive sites with a listed tracker
  "accuracy_before": 0.94,
  "padding_budget": 800,              # the first level in PAD_LEVELS reaching TARGET
  "accuracy_after": 0.19,
  "overhead": 2.07,                   # extra test cells as a fraction: here about 3 times the traffic
  "target_met": True,                 # accuracy_after <= TARGET
  "limits": ["...", "..."]            # at least two sentences
}

Los números se corrigen con una ejecución oculta con otra semilla, así que tu código tiene que hacer el estudio, no copiar una respuesta. Los límites no se corrigen por su contenido, pero el tutor puede darte comentarios sobre ellos. Piensa en: un mundo cerrado de 6 sitios, un observador que conoce tus ajustes de relleno, tráfico simulado, y qué dice y qué no dice la proporción de rastreadores.

Fíjate en las dos mitades del resultado. El relleno protege la visita de un observador de la red, pero los rastreadores de esos mismos sitios siguen sabiendo cosas de ti directamente. Ninguna defensa cubre nunca todas las amenazas, y tu redacción puede decirlo.

Una idea equivocada muy común: "Si la precisión bajó del objetivo, el problema está resuelto." Lo resolviste para este observador, en este mundo cerrado, con un coste medido. Es un resultado real, y tiene bordes.

En otros lenguajes

Elegir el primer nivel que cumple un objetivo, en otros lenguajes:

// JavaScript
let chosen, after;
for (const budget of PAD_LEVELS) {
  chosen = budget;
  after = paddedAccuracy(data, budget);
  if (after <= TARGET) break;
}
// Go
var chosen int
var after float64
for _, budget := range padLevels {
    chosen, after = budget, paddedAccuracy(data, budget)
    if after <= target { break }
}

Resumen

  • Mide, arregla, vuelve a medir de la misma forma e informa del coste.
  • El relleno ocultó a un observador de la red qué sitio delicado se visitó, con un precio en ancho de banda medido.
  • Los rastreadores de esos sitios son un problema aparte que el relleno no toca.
  • Los límites honestos son parte del resultado, no una disculpa por él.
Tu turno

Escribe study(seed) siguiendo los cinco pasos de arriba, y devuelve el diccionario del informe con exactamente las claves que se muestran. Usa PAD_LEVELS = [50, 100, 200, 400, 800] y TARGET = 0.4, la clasificación por el centroide más cercano con los rasgos (outgoing, incoming) y los empates a favor del primer sitio en orden alfabético, pad_traces(..., seed=1) para las cargas de entrenamiento y seed=2 para las de prueba. Asigna report = study(7). Las pruebas vuelven a ejecutar tu estudio con una semilla oculta.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.