سرفصل‌ها درس 130 از 156 · ردیابی شخص، نه دستگاه
ردیابی شخص، نه دستگاه

تطبیق میان‌دستگاهی

چرا مهم است ممکن است در اتوبوس از تلفن، در کار از لپ‌تاپ و روی مبل از تبلت استفاده کنید، هر کدام با کوکی‌های خودش. شرکت‌های تبلیغاتی خیلی بیشتر ترجیح می‌دهند بدانند همه یک نفرند. این آزمایشگاه سرنخ‌هایی را که به کار می‌برند، اینکه آن سرنخ‌ها چند وقت یک بار اشتباه‌اند، و اینکه کدام سرنخ با فاصله قوی‌ترین است را نشان می‌دهد: ورود به حساب.

وصل‌کردن نقطه‌ها

کارآگاهی را با سه دفترچهٔ جداگانه تصور کنید، یکی برای هر دستگاه. هر دفترچه فهرست می‌کند دستگاه کجا آنلاین شد، و کی. کار کارآگاه این است که تصمیم بگیرد کدام دفترچه‌ها به یک شخص تعلق دارند. هیچ‌کس به او نمی‌گوید؛ از روی همپوشانی‌ها حدس می‌زند.

تطبیق میان‌دستگاهی (cross-device matching): تصمیم‌گیری دربارهٔ اینکه چند دستگاه به یک شخص تعلق دارند. تطبیق قطعی از یک پیوند مطمئن، مانند همان حسابی که روی هر دو وارد شده، استفاده می‌کند. تطبیق احتمالاتی از پیوندهای محتمل، مانند همان شبکهٔ خانگی یا همان ساعت‌های استفاده، استفاده می‌کند، و برخی اشتباه‌ها را می‌پذیرد.

نشانی IP: نشانی شبکه‌ای که ترافیک یک دستگاه از آن می‌آید. همهٔ دستگاه‌های پشت یک روتر خانگی معمولاً نشانی خانه را شریک‌اند، و بسیاری از تلفن‌ها در یک شبکهٔ موبایل هم می‌توانند یک نشانی را شریک باشند.

سه سرنخ

  • یک ورود مشترک: همان حساب روی دو دستگاه. بسیار قوی.
  • یک نشانی IP مشترک: همان خانوار، دفتر یا شبکهٔ موبایل را نشان می‌دهد، نه لزوماً همان شخص را.
  • ساعت‌های مشابه: دو دستگاه که در همان ساعت‌های روز فعال‌اند.

خانوارهای تمرینی ما از synthetic_households() می‌آیند، که فهرستی از رویدادها و کلید پاسخ را برمی‌گرداند. هر رویداد {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"} است، با "login": None وقتی کسی وارد نشده بود. نشانی‌ها از بازه‌هایی‌اند که برای مستندسازی رزرو شده‌اند، و هرگز در اینترنت واقعی به کار نمی‌روند.

مجموعه‌ها همپوشانی‌ها را آسان می‌کنند

یک مجموعه (set) در Python کیسه‌ای از مقدارهای متمایز است، که وقتی خالی است set() نوشته می‌شود. s.add(x) مقداری را در آن می‌گذارد. a & b مقدارهایی را که در هر دو مجموعه‌اند می‌دهد و a | b مقدارهایی را که در هر کدام‌اند. یک مجموعهٔ خالی در یک if نادرست حساب می‌شود:

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")

نمره‌دادن و قضاوت

به هر جفت دستگاه یک نمره می‌دهید: 3 برای یک ورود مشترک، 1 برای یک IP مشترک، به‌علاوهٔ سهم ساعت‌های مشترک (0 تا 1). جفت‌هایی که در یا بالای یک آستانه هستند «همان شخص» حساب می‌شوند. سپس دو چیز را اندازه می‌گیرید:

دقت (precision): از جفت‌هایی که ادعا کردید، کسری که درست بودند. بازیابی (recall): از جفت‌های واقعی، کسری که پیدا کردید. یک تطبیق‌دهندهٔ محتاط دقت بالایی دارد؛ یک تطبیق‌دهندهٔ حریص بازیابی بالایی.

در زبان‌های دیگر

همپوشانی مجموعه در JavaScript (JavaScript برای مجموعه‌ها عملگر & ندارد؛ موتورهای تازه‌تر یک متد intersection() اضافه می‌کنند، و فیلترکردن همه‌جا کار می‌کند):

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);

و در 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);

آنچه باید ببینید

در آستانهٔ 1.0، یک نشانی مشترک به‌تنهایی کافی است، و دقت فرو می‌ریزد: هم‌خانه‌ها، همکاران و غریبه‌ها در همان شبکهٔ موبایل همه ادغام می‌شوند. در 1.5 تطبیق‌دهنده حدود هفت بار از ده بار درست است و حدود هفت از ده جفت واقعی را پیدا می‌کند. در 3.0 فقط ورودها حساب می‌شوند: تقریباً هر ادعایی درست است، اما بیشتر جفت‌های واقعی از دست می‌روند. ورود به حساب همان یک سرنخی را می‌دهد که تقریباً قطعی است.

دفاع

جایی که به حساب نیاز ندارید خارج‌شده بمانید، و روی دستگاه‌هایی که می‌خواهید جدا بمانند از حساب‌های متفاوت (یا هیچ حسابی) استفاده کنید. یک VPN سرنخ IP را تغییر می‌دهد، اما نه ورود یا ساعت‌ها را. درس پایانی این ماژول این‌ها را کنار هم می‌گذارد.

خلاصه

  • دستگاه‌ها با ورودها (تقریباً قطعی)، نشانی‌های IP مشترک و ساعت‌های مشابه (هر دو حدس) به هم پیوند می‌خورند.
  • نشانی‌های مشترک خانوارها و شبکه‌ها را به هم پیوند می‌دهند، نه آدم‌ها را، پس جورشدن‌های نادرست زیادی تولید می‌کنند.
  • دقت و بازیابی بده‌بستان میان تطبیق محتاطانه و حریصانه را نشان می‌دهند.
  • ورود به حساب قوی‌ترین سرنخی است که می‌دهید.
نوبت شما

چهار تابع بنویسید. summarise(events) یک dict برمی‌گرداند که هر دستگاه را به {"ips": set, "hours": set, "logins": set} نگاشت می‌کند، با کنارگذاشتن None از ورودها. pair_score(a, b) دو چنین خلاصه‌ای را می‌گیرد و 3 برمی‌گرداند اگر مجموعه‌های ورودشان یک مقدار مشترک داشته باشند، به‌علاوهٔ 1 اگر مجموعه‌های IPشان یک مقدار مشترک داشته باشند، به‌علاوهٔ تعداد ساعت‌های موجود در هر دو تقسیم بر تعداد ساعت‌های موجود در هر کدام (0 اگر هر دو خالی‌اند). match_devices(summaries, threshold) مجموعه‌ای از تاپل‌های (a, b) با a < b را برای هر جفت نام دستگاه که نمره‌اش دست‌کم threshold است برمی‌گرداند. precision_recall(predicted, truth) یک تاپل (precision, recall) برمی‌گرداند، و وقتی یک مجموعه خالی است از 0 استفاده می‌کند.

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.