Silabus Pelajaran 130 dari 156 · Melacak orangnya, bukan perangkatnya
Melacak orangnya, bukan perangkatnya

Pencocokan lintas perangkat

Kenapa ini penting Kamu mungkin pakai ponsel di bus, laptop di kantor, dan tablet di sofa, masing-masing punya cookies sendiri. Perusahaan iklan lebih suka tahu kalau itu semua adalah satu orang. Lab ini menunjukkan petunjuk yang mereka gunakan, seberapa sering petunjuk itu salah, dan petunjuk mana yang paling kuat: logging in.

Menghubungkan titik-titik

Bayangkan seorang detektif dengan tiga buku catatan terpisah, satu untuk setiap perangkat. Setiap buku catatan mencatat di mana perangkat tersebut online dan kapan. Tugas detektif adalah memutuskan buku catatan mana yang milik orang yang sama. Tidak ada yang memberi tahu mereka; mereka menebak dari tumpang tindihnya.

Pencocokan antar perangkat: memutuskan bahwa beberapa perangkat milik satu orang. Pencocokan deterministik menggunakan tautan pasti, seperti akun yang sama yang masuk di keduanya. Pencocokan probabilistik menggunakan tautan yang mungkin, seperti jaringan rumah yang sama atau jam penggunaan yang sama, dan menerima beberapa kesalahan.

IP address: alamat jaringan tempat lalu lintas perangkat berasal. Setiap perangkat di balik satu router rumah biasanya berbagi alamat rumah yang sama, dan banyak ponsel di jaringan seluler juga bisa berbagi satu alamat.

Tiga petunjuk

  • A login bersama: akun yang sama di dua perangkat. Sangat kuat.
  • A alamat IP yang sama: menunjukkan rumah, kantor, atau jaringan seluler yang sama, belum tentu orang yang sama.
  • Jam yang mirip: dua perangkat aktif pada waktu yang sama setiap harinya.

Data rumah tangga latihan kita berasal dari synthetic_households(), yang mengembalikan daftar kejadian dan kunci jawaban. Setiap kejadian adalah {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, dengan "login": None saat tidak ada yang masuk. Alamatnya berasal dari rentang yang dicadangkan untuk dokumentasi, tidak pernah digunakan di internet asli.

Sets membuat overlap jadi mudah

A Python set adalah kumpulan nilai unik, ditulis set() saat kosong. s.add(x) memasukkan nilai. a & b memberikan nilai di kedua set dan a | b nilai di salah satu set. Set kosong dianggap false dalam 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")

Skor dan penilaian

Kamu akan memberi setiap pasangan perangkat sebuah skor: 3 untuk login bersama, 1 untuk IP bersama, ditambah bagian dari jam yang sama (0 sampai 1). Pasangan pada atau di atas threshold dihitung sebagai "orang yang sama". Lalu kamu mengukur dua hal:

Precision: dari pasangan yang kamu klaim, bagian yang benar. Recall: dari pasangan yang benar, bagian yang kamu temukan. Pencocok yang teliti punya precision tinggi; yang rakus punya recall tinggi.

Di bahasa lain

Cara mencari irisan di JavaScript (JavaScript tidak punya operator & untuk set; mesin terbaru menambahkan metode intersection(), dan filtering bisa digunakan di mana saja):

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);

Dan di 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);

Apa yang harus kamu lihat

Pada ambang 1.0, alamat bersama saja sudah cukup, dan presisi hancur: teman sekamar, rekan kerja, dan orang asing di jaringan seluler yang sama semuanya digabung. Pada 1.5, matcher benar sekitar tujuh kali dalam sepuluh dan menemukan sekitar tujuh dari sepuluh pasangan asli. Pada 3.0 hanya login yang dihitung: hampir setiap klaim benar, tapi sebagian besar pasangan asli terlewat. Login memberikan satu petunjuk yang hampir pasti.

Pertahanan

Tetap logout di tempat yang tidak butuh akun, dan gunakan akun berbeda (atau tidak sama sekali) pada perangkat yang ingin kamu pisahkan. VPN mengubah petunjuk IP, tapi bukan login atau jamnya. Pelajaran terakhir modul ini menggabungkan semuanya.

Ringkasan

  • Perangkat dihubungkan oleh login (hampir pasti), alamat IP yang dibagikan dan jam yang mirip (keduanya tebakan).
  • Alamat yang dibagikan bergabung dengan rumah tangga dan jaringan, bukan orang, jadi mereka menghasilkan banyak kecocokan palsu.
  • Precision dan recall menunjukkan trade-off antara pencocokan yang hati-hati dan rakus.
  • Login adalah petunjuk terkuat yang kamu berikan.
Giliranku

Tulis empat fungsi. summarise(events) mengembalikan dict yang memetakan setiap device ke {"ips": set, "hours": set, "logins": set}, dan mengeluarkan None dari login. pair_score(a, b) mengambil dua ringkasan seperti itu dan mengembalikan 3 jika set login mereka berbagi nilai, ditambah 1 jika set IP mereka berbagi nilai, ditambah jumlah jam di keduanya dibagi jumlah jam di salah satu (0 jika keduanya kosong). match_devices(summaries, threshold) mengembalikan set tuple (a, b) dengan a < b untuk setiap pasangan nama device yang skornya setidaknya threshold. precision_recall(predicted, truth) mengembalikan tuple (precision, recall), menggunakan 0 saat sebuah set kosong.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.