مجموعههای گمنامی و آنتروپی
چرا مهم است سرتیترها چیزهایی مانند «مرورگر شما یکتاست» یا «این ویژگی 10 بیت میدهد» میگویند. این درس به شما نشان میدهد چنین عددهایی چطور اندازه گرفته میشوند، و دو دامی که بسیاری از آنها را بزرگتر از حقیقت میکنند. آنوقت میتوانید دربارهٔ ادعاهای حریم خصوصی، از جمله ادعاهای خودتان، قضاوت کنید.
پنهانشدن در یک جمعیت
ایستگاهی پر از رفتوآمدکنندگان با کتهای سیاه یکسان را تصور کنید. اگر شما هم کت سیاه بپوشید، میان صدها نفر پنهان میشوید. اگر یک کت زرد روشن بپوشید، جمعیتی که در آن پنهان میشوید فقط خودتان هستید.
مجموعهٔ گمنامی (anonymity set): گروه کسانی که برای یک ناظر دقیقاً شبیه شما به نظر میرسند. هر چه بزرگتر باشد، بهتر پنهان میشوید. مجموعهای به اندازهٔ 1 یعنی یکتا هستید.
در درس 50 اندازه گرفتید یک نفر، سام، چقدر در یک جمعیت متمایز بود. اینجا کل جمعیت 5,000 مرورگر مصنوعی را اندازه میگیرید (که synthetic_browsers ساخته، بدون هیچ آدم واقعی)، تا ببینید همه چقدر خوب پنهان میشوند.
گروهبندی، سپس شمارش
چند ویژگی انتخاب کنید، مثلاً ["timezone", "language"]. انگشتنگاری هر مرورگر تاپلی از آن مقدارهاست، برای مثال ("Europe/London", "en-GB"). یک تاپل میتواند کلید dict باشد، پس collections.Counter میتواند بشمارد چند مرورگر در هر کدام شریکاند:
from collections import Counter
Counter([("A", "x"), ("A", "x"), ("B", "x")])
# Counter({('A', 'x'): 2, ('B', 'x'): 1})هر شمارش یک مجموعهٔ گمنامی است. شمارش 1 یک مرورگر یکتاست. با همهٔ 13 ویژگی، بیشترِ 5,000 مرورگر یکتا از آب درمیآیند.
آنتروپی: یک عدد برای کل جمعیت
در درس 48 از آنتروپی شانون برای اندازهگیری میزان درهمبودن نویسههای یک متن استفاده کردید. همان فرمول روی یک جمعیت کار میکند: برای هر مجموعهٔ گمنامی، سهم p آن از همه را بگیرید، و -p * log2(p) را جمع بزنید.
آنتروپی (یک انگشتنگاری): میانگین تعداد بیتهایی که یک ردیاب از این ویژگیها دربارهٔ یک بازدیدکنندهٔ تصادفی میفهمد. 0 بیت: همه یکسان به نظر میرسند. log2(N) بیت: همه در یک جمعیت N نفری یکتا هستند.
مثال: چهار مرورگر با منطقههای زمانی A، A، B، C. سهمها 1/2، 1/4 و 1/4 هستند، پس آنتروپی برابر 0.5 x 1 + 0.25 x 2 + 0.25 x 2 = 1.5 بیت است.
دام 1: سقف
یک جمعیت 5,000 نفری هرگز نمیتواند بیش از log2(5000)، حدود 12.3 بیت، نشان دهد، چون در آن نقطه همه از قبل یکتا هستند. پس پژوهشی روی 5,000 مرورگر که به «12 بیت» میرسد ممکن است به سقف خورده باشد، نه اینکه ویژگی را اندازه گرفته باشد. و یکتا در میان 5,000 یکتا در میان میلیاردها نیست. نمونههای بزرگتر عددهای بزرگتر و صادقانهتری میدهند.
دام 2: جمعزدن ویژگیها
منطقهٔ زمانی و زبان با هم سفر میکنند: بیشتر مرورگرهای Asia/Tokyo میگویند ja-JP. کارت گرافیک و سیستم هم همینطور. پس جمعزدن آنتروپی هر ویژگی بهتنهایی همان اطلاعات را چند بار میشمارد. sum_of_parts شما بسیار بالاتر از joint، آنتروپی همهٔ ویژگیها که با هم اندازه گرفته شده، و بسیار بالاتر از سقف 12.3 بیتی درمیآید. عدد مشترک (joint) همان عدد صادقانه است.
یک تصور نادرست رایج
«آنتروپی بالا یعنی همه قابل ردیابیاند.» آنتروپی یک میانگین است. یک جمعیت میتواند آنتروپی بالایی داشته باشد در حالی که گروه بزرگی از آدمها با چیدمانهای بسیار رایج همچنان خوب پنهان شوند. به هر دو نگاه کنید: میانگین، و اینکه چند نفر در مجموعههای کوچک نشستهاند.
امتحان کنید وقتی قبول شدید، entropy_bits(crowd, [t]) را برای هر ویژگی چاپ کنید (راهحل این کار را میکند). کدام سه ویژگی بیشترین بیتها را حمل میکنند؟ سپس مقدارهای مرورگر خودتان برای آن ویژگیها را با یک سایت آزمون انگشتنگاری مانند Cover Your Tracks از EFF مقایسه کنید.
در زبانهای دیگر
JavaScript:
function entropyBits(rows, traits) {
const counts = new Map();
for (const r of rows) {
const key = JSON.stringify(traits.map(t => r[t]));
counts.set(key, (counts.get(key) || 0) + 1);
}
let bits = 0;
for (const c of counts.values()) {
const p = c / rows.length;
bits -= p * Math.log2(p);
}
return bits;
}Go:
func entropyBits(keys []string) float64 {
counts := map[string]int{}
for _, k := range keys {
counts[k]++
}
bits := 0.0
for _, c := range counts {
p := float64(c) / float64(len(keys))
bits -= p * math.Log2(p)
}
return bits
}خلاصه
- یک مجموعهٔ گمنامی همهٔ کسانی است که دقیقاً شبیه شما به نظر میرسند؛ اندازهٔ 1 یعنی یکتا.
- آنتروپی میانگین بیتهایی است که دربارهٔ یک بازدیدکننده فهمیده میشود: گروهبندی، شمارش، سپس جمع -p log2(p).
- هیچ نمونهای از N نمیتواند بیش از log2(N) بیت نشان دهد؛ نمونههای کوچک جمعیت را کمتر از واقع نشان میدهند.
- ویژگیها را با هم اندازه بگیرید: جمعزدن یکییکی آنها ویژگیهای پیوسته را دو بار میشمارد.
fingerprint(row, traits) (تاپلی از مقدارها)، anonymity_sets(rows, traits) (یک dict از انگشتنگاری به شمارش)، fraction_unique(rows, traits) (سهم سطرهایی که در مجموعهای به اندازهٔ 1 هستند)، entropy_bits(rows, traits) (آنتروپی شانون روی مجموعههای گمنامی) و max_bits(n) (log2(n)) را بنویسید. سپس joint را برابر آنتروپی crowd روی همهٔ TRAIT_NAMES قرار دهید، و sum_of_parts را برابر جمع آنتروپی هر ویژگی تکی.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.