La correspondance entre appareils
Pourquoi c'est important Tu utilises peut-être un téléphone dans le bus, un ordinateur portable au travail et une tablette sur le canapé, chacun avec ses propres cookies. Les sociétés publicitaires préféreraient de loin savoir qu'ils appartiennent tous à une seule personne. Ce labo montre les indices qu'elles utilisent, à quelle fréquence ces indices se trompent, et quel indice est de loin le plus fort : la connexion à un compte.
Relier les points
Imagine un détective avec trois carnets séparés, un par appareil. Chaque carnet liste où l'appareil s'est connecté, et quand. Le travail du détective est de décider quels carnets appartiennent à la même personne. Personne ne le lui dit ; il devine à partir des recoupements.
Correspondance entre appareils (cross-device matching) : décider que plusieurs appareils appartiennent à une même personne. La correspondance déterministe utilise un lien sûr, comme le même compte connecté sur les deux. La correspondance probabiliste utilise des liens probables, comme le même réseau domestique ou les mêmes heures d'utilisation, et accepte quelques erreurs.
Adresse IP : l'adresse réseau d'où vient le trafic d'un appareil. Tous les appareils derrière une même box partagent en général l'adresse du foyer, et beaucoup de téléphones sur un réseau mobile peuvent aussi partager une adresse.
Trois indices
- Une connexion partagée : le même compte sur deux appareils. Très fort.
- Une adresse IP partagée : suggère le même foyer, le même bureau ou le même réseau mobile, pas forcément la même personne.
- Des heures semblables : deux appareils actifs aux mêmes heures de la journée.
Nos foyers d'entraînement viennent de synthetic_households(), qui renvoie une liste d'événements et le corrigé. Chaque événement est {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, avec "login": None quand personne n'était connecté. Les adresses viennent de plages réservées à la documentation, jamais utilisées sur le vrai internet.
Les sets rendent les recoupements faciles
Un set Python est un sac de valeurs distinctes, écrit set() quand il est vide. s.add(x) y met une valeur. a & b donne les valeurs présentes dans les deux sets et a | b celles présentes dans l'un ou l'autre. Un set vide compte comme faux dans 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")
Noter et juger
Tu vas donner un score à chaque paire d'appareils : 3 pour une connexion partagée, 1 pour une IP partagée, plus la part des heures en commun (de 0 à 1). Les paires qui atteignent ou dépassent un seuil comptent comme « même personne ». Puis tu mesures deux choses :
Précision : parmi les paires que tu as annoncées, la part qui était juste. Rappel : parmi les vraies paires, la part que tu as trouvée. Un comparateur prudent a une précision élevée ; un gourmand a un rappel élevé.
Dans d'autres langages
Le recoupement de sets en JavaScript (JavaScript n'a pas d'opérateur & pour les sets ; les moteurs récents ajoutent une méthode intersection(), et le filtrage marche partout) :
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);Et 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);Ce que tu devrais voir
Au seuil 1.0, une adresse partagée suffit à elle seule, et la précision s'effondre : colocataires, collègues et inconnus sur le même réseau mobile sont tous fusionnés. À 1.5, le comparateur a raison environ sept fois sur dix et trouve environ sept des dix vraies paires. À 3.0, seules les connexions comptent : presque chaque annonce est juste, mais la plupart des vraies paires sont ratées. Se connecter livre le seul indice presque certain.
La défense
Reste déconnecté là où tu n'as pas besoin de compte, et utilise des comptes différents (ou aucun) sur les appareils que tu veux garder séparés. Un VPN change l'indice de l'IP, mais pas la connexion ni les heures. La dernière leçon de ce module réunit tout ça.
Récap
- Les appareils sont reliés par les connexions (presque certain), les adresses IP partagées et les heures semblables (deux suppositions).
- Les adresses partagées relient des foyers et des réseaux, pas des personnes, donc elles produisent beaucoup de fausses correspondances.
- La précision et le rappel montrent le compromis entre une correspondance prudente et une gourmande.
- Se connecter est l'indice le plus fort que tu donnes.
Écris quatre fonctions. summarise(events) renvoie un dict qui associe chaque appareil à {"ips": set, "hours": set, "logins": set}, sans None dans les connexions. pair_score(a, b) prend deux de ces résumés et renvoie 3 si leurs sets de connexions partagent une valeur, plus 1 si leurs sets d'IP partagent une valeur, plus le nombre d'heures présentes dans les deux divisé par le nombre d'heures présentes dans l'un ou l'autre (0 si les deux sont vides). match_devices(summaries, threshold) renvoie un set de tuples (a, b) avec a < b pour chaque paire de noms d'appareils dont le score est au moins égal à threshold. precision_recall(predicted, truth) renvoie un tuple (precision, recall), avec 0 quand un set est vide.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.