Bedakan para pengetik
Kenapa ini penting "Cara mengetikmu mengidentifikasi dirimu" terdengar seperti cerita menakutkan sampai kamu membangun matcher itu sendiri. Di lab ini kamu akan membedakan 50 pengetik fiktif hanya dari waktu saja, lalu mengaktifkan pertahanan sederhana dan mengukur seberapa besar pengaruhnya. Kamu akan selesai dengan mengetahui cara kerja trik tersebut dan apa yang bisa melemahkannya.
Rencananya, dalam istilah sehari-hari
Bayangkan belajar mengenali 50 orang dari ketukan mereka. Pertama kamu dengarkan setiap orang mengetuk empat kali dan ingat usual ritme mereka. Lalu seseorang mengetuk dan kamu bertanya: ritme siapa yang paling mirip dengan ini? Itulah seluruh metodenya.
Profile: ringkasan perilaku biasa satu orang, di sini rata-rata waktu mereka. Membangun profil dari contoh yang sudah diketahui disebut enrolment.
Fitur: satu angka yang mendeskripsikan sebuah contoh. Daftar fitur mengubah kejadian berantakan (frasa yang diketik) menjadi sesuatu yang bisa dibandingkan oleh kode.
Data latihannya
typing_samples() dari dunia latihan memberimu percobaan mengetik frasa keep it private. Setiap percobaan adalah 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
Pengetik dibuat oleh generator dengan seed, bentuknya mirip dengan mengetik biasa. Jadi akurasi yang kamu ukur menunjukkan seberapa baik kamu memisahkan pengetik ini. Studi nyata melaporkan berbagai hasil tergantung pada orang, keyboard, dan teks; kami tidak membuat klaim tentang akurasi dunia nyata.
Mengukur "seberapa dekat"
Untuk membandingkan dua daftar waktu, jumlahkan seberapa jauh jaraknya di setiap posisi, abaikan apakah jaraknya positif atau negatif. abs() Python membuang tanda: abs(-7) adalah 7. zip(a, b) Python berjalan di dua daftar secara berdampingan:
for x, y in zip([100, 150], [90, 170]):
print(x, y, abs(x - y)) # 100 90 10, then 150 170 20
Jadi jarak di sini adalah 10 + 20 = 30. Jarak yang lebih kecil berarti "lebih mirip".
Pertahanan: noise
Opsi noise menambahkan jitter acak sekitar jumlah milidetik tersebut ke setiap timing, seperti cara alat privasi menunda kejadian tombol dengan jumlah acak kecil sebelum halaman melihatnya. Perhatikan apa dampaknya pada akurasi kamu, dan pikirkan apa dampaknya bagi orang yang mengetik: 150 milidetik lag acak pada setiap tombol akan terasa lambat.
Di bahasa lain
Jarak dan langkah profil terdekat di 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;
}Dan jarak di Rust:
fn distance(a: &[f64], b: &[f64]) -> f64 {
a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}Apa yang harus kamu lihat
Tanpa gangguan, hampir setiap percobaan cocok dengan pengetik yang benar. Gangguan sedang (50 ms) mengurangi sedikit akurasi, tapi sebagian besar percobaan tetap cocok; gangguan berat (150 ms) menurunkan akurasi secara tajam. Itulah timbal balik yang jujur: gangguan waktu membantu, tapi gangguan yang cukup untuk menyembunyikanmu juga membuat mengetik terasa lebih buruk. Pelajaran terakhir dari modul ini melihat pertahanan yang tidak mengorbankan kenyamananmu.
Ringkasan
- Enrol: hitung rata-rata waktu setiap orang ke dalam profil.
- Identifikasi: pilih profil dengan total gap (jarak) terkecil.
- Noise timing acak menurunkan akurasi, tapi hanya noise berat yang menurunkannya secara signifikan, dan itu mengorbankan kenyamanan.
- Akurasi pada typist yang dihasilkan mendeskripsikan generator, bukan orang sungguhan.
Tulis lima fungsi. features(sample) mengembalikan sample["dwell"] diikuti sample["flight"] sebagai satu list. distance(a, b) mengembalikan jumlah abs(x - y) dari dua list yang berdampingan. build_profiles(samples) mengembalikan dict yang memetakan nama setiap typist ke rata-rata posisi demi posisi dari list fitur mereka. identify(sample, profiles) mengembalikan nama yang profilnya memiliki jarak terkecil ke fitur sampel. accuracy(train, test) membangun profil dari train dan mengembalikan fraksi dari sampel test yang berhasil ditebak oleh identify (angka dari 0 sampai 1). Pencetakan di bagian bawah sudah ditulis.
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.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.