Programme Leçon 128 sur 156 · Pister la personne, pas l'appareil
Pister la personne, pas l'appareil

Distinguer les dactylos

Pourquoi c'est important « Ta frappe t'identifie », ça ressemble à une histoire pour faire peur jusqu'à ce que tu construises toi-même le comparateur. Dans ce labo, tu distingueras 50 dactylos inventés à partir des seuls temps, puis tu activeras une défense simple et mesureras combien elle aide. Tu finiras en sachant à la fois comment marche l'astuce et ce qui l'émousse.

Le plan, en termes de tous les jours

Imagine apprendre à reconnaître 50 personnes à leur façon de frapper à la porte. D'abord, tu écoutes chaque personne frapper quatre fois et tu retiens son rythme habituel. Puis quelqu'un frappe et tu te demandes : de quel rythme habituel est-ce le plus proche ? C'est toute la méthode.

Profil : un résumé du comportement habituel d'une personne, ici la moyenne de ses temps. Construire des profils à partir d'exemples connus s'appelle l'enrôlement.

Caractéristique : un nombre qui décrit un exemple. Une liste de caractéristiques transforme un événement désordonné (une phrase tapée) en quelque chose que le code peut comparer.

Les données d'entraînement

typing_samples() du monde d'entraînement te donne des essais de frappe de la phrase imposée keep it private. Chaque essai est un dict :

{"typist": "T07",
 "dwell":  [96, 104, 88, ...],    # 15 numbers, one per key, in milliseconds
 "flight": [151, 130, 202, ...]}  # 14 numbers, one per gap between keys

Les dactylos sont inventés par un générateur avec graine, vaguement modelé sur une frappe ordinaire. Donc la précision que tu mesures dit à quel point tu sépares ces dactylos. Les vraies études rapportent des résultats très variés selon les gens, les claviers et le texte ; on ne prétend rien sur la précision dans le monde réel.

Mesurer « à quel point c'est proche »

Pour comparer deux listes de temps, additionne l'écart entre elles à chaque position, sans tenir compte du signe de l'écart. Le abs() de Python retire le signe : abs(-7) vaut 7. Le zip(a, b) de Python parcourt deux listes côte à côte :

for x, y in zip([100, 150], [90, 170]):
    print(x, y, abs(x - y))    # 100 90 10, then 150 170 20

Donc la distance ici vaut 10 + 20 = 30. Une distance plus petite veut dire « plus semblable ».

La défense : le bruit

L'option noise ajoute à chaque temps une variation aléatoire d'environ autant de millisecondes, comme un outil de vie privée pourrait retarder les événements de touche de petites quantités aléatoires avant que la page les voie. Regarde ce que ça fait à ta précision, et pense à ce que ça ferait à la personne qui tape : 150 millisecondes de décalage aléatoire sur chaque touche donneraient une sensation de lenteur.

Dans d'autres langages

Les étapes de distance et de profil le plus proche en JavaScript :

const distance = (a, b) => a.reduce((t, x, i) => t + Math.abs(x - b[i]), 0);

function identify(features, profiles) {
  let best = null, bestDist = Infinity;
  for (const [name, p] of Object.entries(profiles)) {
    const d = distance(features, p);
    if (d < bestDist) { best = name; bestDist = d; }
  }
  return best;
}

Et la distance en Rust :

fn distance(a: &[f64], b: &[f64]) -> f64 {
    a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}

Ce que tu devrais voir

Sans bruit, presque chaque essai est associé au bon dactylo. Un bruit modéré (50 ms) coûte un peu de précision, mais la plupart des essais sont encore associés ; un bruit fort (150 ms) fait chuter nettement la précision. C'est le compromis honnête : le bruit sur les temps aide, mais assez de bruit pour te cacher rend aussi la frappe moins agréable. La dernière leçon de ce module regarde des défenses qui ne te coûtent pas en confort.

Récap

  • Enrôler : faire la moyenne des temps de chaque personne pour en faire un profil.
  • Identifier : choisir le profil avec le plus petit écart total (la distance).
  • Un bruit aléatoire sur les temps baisse la précision, mais seul un bruit fort la baisse beaucoup, et ça coûte en confort.
  • La précision sur des dactylos générés décrit le générateur, pas de vraies personnes.
À ton tour

Écris cinq fonctions. features(sample) renvoie sample["dwell"] suivi de sample["flight"] en une seule liste. distance(a, b) renvoie la somme de abs(x - y) sur les deux listes parcourues côte à côte. build_profiles(samples) renvoie un dict qui associe le nom de chaque dactylo à la moyenne, position par position, de ses listes de caractéristiques. identify(sample, profiles) renvoie le nom dont le profil a la plus petite distance aux caractéristiques de l'essai. accuracy(train, test) construit les profils à partir de train et renvoie la part des essais de test que identify trouve correctement (un nombre de 0 à 1). L'affichage en bas est déjà écrit.

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.