Relacionar dispositivos
Por qué importa Puede que uses un teléfono en el autobús, un portátil en el trabajo y una tableta en el sofá, cada uno con sus propias cookies. Las empresas de publicidad preferirían con mucho saber que todos son una misma persona. Este laboratorio muestra las pistas que usan, con qué frecuencia se equivocan esas pistas, y cuál es con diferencia la más fuerte: iniciar sesión.
Unir los puntos
Imagina un detective con tres cuadernos distintos, uno por dispositivo. Cada cuaderno apunta dónde se conectó el dispositivo, y cuándo. El trabajo del detective es decidir qué cuadernos pertenecen a la misma persona. Nadie se lo dice; lo adivina por las coincidencias.
Relación entre dispositivos (cross-device matching): decidir que varios dispositivos pertenecen a una misma persona. La relación determinista usa un vínculo seguro, como la misma cuenta con la sesión iniciada en los dos. La relación probabilística usa vínculos probables, como la misma red de casa o las mismas horas de uso, y acepta algunos errores.
Dirección IP: la dirección de red de la que viene el tráfico de un dispositivo. Todos los dispositivos detrás de un mismo router de casa suelen compartir la dirección de la casa, y muchos teléfonos de una red móvil también pueden compartir una dirección.
Tres pistas
- Una sesión compartida: la misma cuenta en dos dispositivos. Muy fuerte.
- Una dirección IP compartida: sugiere el mismo hogar, la misma oficina o la misma red móvil, no necesariamente la misma persona.
- Horas parecidas: dos dispositivos activos a las mismas horas del día.
Nuestros hogares de práctica salen de synthetic_households(), que devuelve una lista de eventos y la solución. Cada evento es {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, con "login": None cuando nadie había iniciado sesión. Las direcciones vienen de rangos reservados para documentación, que nunca se usan en el internet real.
Los sets facilitan las coincidencias
Un set de Python es una bolsa de valores distintos, que se escribe set() cuando está vacío. s.add(x) mete un valor. a & b da los valores que están en los dos sets y a | b los que están en cualquiera de ellos. Un set vacío cuenta como falso en un if:
a = {9, 21, 22}
b = {8, 21, 22, 23}
print(a & b) # {21, 22}
print(len(a & b) / len(a | b)) # 2 / 5 = 0.4, the share of hours in common
if a & b:
print("they overlap")
Puntuar y juzgar
Darás a cada par de dispositivos una puntuación: 3 por una sesión compartida, 1 por una IP compartida, más la proporción de horas en común (de 0 a 1). Los pares que lleguen o superen un umbral cuentan como "la misma persona". Luego mides dos cosas:
Precisión: de los pares que afirmaste, la fracción que acertaste. Exhaustividad (recall): de los pares verdaderos, la fracción que encontraste. Un comparador cuidadoso tiene una precisión alta; uno codicioso tiene una exhaustividad alta.
En otros lenguajes
Coincidencias de sets en JavaScript (JavaScript no tiene un operador & para los sets; los motores más nuevos añaden un método intersection(), y filtrar funciona en todas partes):
const both = [...a.logins].some(x => b.logins.has(x));
const common = [...a.hours].filter(h => b.hours.has(h)).length;
const either = new Set([...a.hours, ...b.hours]).size;
const score = (both ? 3 : 0) + (either ? common / either : 0);Y en C#:
var common = a.Hours.Intersect(b.Hours).Count();
var either = a.Hours.Union(b.Hours).Count();
double score = (a.Logins.Overlaps(b.Logins) ? 3 : 0) + (either > 0 ? (double)common / either : 0);Lo que deberías ver
Con el umbral en 1.0, basta con una dirección compartida, y la precisión se desploma: compañeros de piso, colegas y desconocidos de la misma red móvil quedan todos fusionados. Con 1.5, el comparador acierta unas siete de cada diez veces y encuentra unos siete de cada diez pares verdaderos. Con 3.0 solo cuentan las sesiones: casi todas las afirmaciones son correctas, pero se escapan la mayoría de los pares verdaderos. Iniciar sesión entrega la única pista que es casi segura.
La defensa
No inicies sesión donde no necesites una cuenta, y usa cuentas distintas (o ninguna) en los dispositivos que quieras mantener separados. Una VPN cambia la pista de la IP, pero no la de la sesión ni la de las horas. La última lección de este módulo junta todo esto.
Resumen
- Los dispositivos se unen por las sesiones (casi seguro), las direcciones IP compartidas y las horas parecidas (las dos son conjeturas).
- Las direcciones compartidas unen hogares y redes, no personas, así que producen muchas coincidencias falsas.
- La precisión y la exhaustividad muestran el compromiso entre un comparador cuidadoso y uno codicioso.
- Iniciar sesión es la pista más fuerte que entregas.
Escribe cuatro funciones. summarise(events) devuelve un diccionario que asocia cada dispositivo a {"ips": set, "hours": set, "logins": set}, dejando None fuera de logins. pair_score(a, b) recibe dos de esos resúmenes y devuelve 3 si sus sets de logins comparten un valor, más 1 si sus sets de IP comparten un valor, más el número de horas que están en los dos dividido entre el número de horas que están en cualquiera de ellos (0 si los dos están vacíos). match_devices(summaries, threshold) devuelve un set de tuplas (a, b) con a < b para cada par de nombres de dispositivos cuya puntuación sea al menos threshold. precision_recall(predicted, truth) devuelve una tupla (precision, recall), usando 0 cuando un set está vacío.
¿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.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.