Programma Lezione 130 di 156 · Tracciare la persona, non il dispositivo
Tracciare la persona, non il dispositivo

Collegamento tra dispositivi

Perché è importante Potresti usare un telefono sull'autobus, un portatile al lavoro e un tablet sul divano, ciascuno con i suoi cookie. Le aziende pubblicitarie preferirebbero di gran lunga sapere che sono tutti una persona. Questo laboratorio mostra gli indizi che usano, quanto spesso quegli indizi sbagliano, e quale indizio è di gran lunga il più forte: fare l'accesso.

Unire i puntini

Immagina un investigatore con tre quaderni separati, uno per dispositivo. Ogni quaderno elenca dove il dispositivo è andato online, e quando. Il compito dell'investigatore è decidere quali quaderni appartengono alla stessa persona. Nessuno glielo dice; tira a indovinare dalle sovrapposizioni.

Collegamento tra dispositivi: decidere che diversi dispositivi appartengono a una persona. Il collegamento deterministico usa un legame sicuro, come lo stesso account con l'accesso fatto su entrambi. Il collegamento probabilistico usa legami probabili, come la stessa rete di casa o le stesse ore di uso, e accetta qualche errore.

Indirizzo IP: l'indirizzo di rete da cui arriva il traffico di un dispositivo. Ogni dispositivo dietro un router di casa di solito condivide l'indirizzo della casa, e anche molti telefoni su una rete mobile possono condividere un indirizzo.

Tre indizi

  • Un accesso condiviso: lo stesso account su due dispositivi. Molto forte.
  • Un indirizzo IP condiviso: fa pensare alla stessa famiglia, allo stesso ufficio o alla stessa rete mobile, non per forza alla stessa persona.
  • Orari simili: due dispositivi attivi alle stesse ore del giorno.

Le nostre famiglie di esercitazione vengono da synthetic_households(), che restituisce una lista di eventi e la chiave di risposta. Ogni evento è {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, con "login": None quando nessuno ha fatto l'accesso. Gli indirizzi vengono da intervalli riservati alla documentazione, mai usati sulla vera internet.

I set rendono facili le sovrapposizioni

Un set di Python è un sacchetto di valori distinti, scritto set() quando è vuoto. s.add(x) ci mette dentro un valore. a & b dà i valori presenti in entrambi i set e a | b quelli presenti in almeno uno. Un set vuoto conta come falso in 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")

Dare un punteggio e giudicare

Darai a ogni coppia di dispositivi un punteggio: 3 per un accesso condiviso, 1 per un IP condiviso, più la quota di ore in comune (da 0 a 1). Le coppie uguali o sopra una soglia contano come "stessa persona". Poi misuri due cose:

Precisione: delle coppie che hai dichiarato, la frazione giusta. Richiamo: delle coppie vere, la frazione che hai trovato. Un abbinatore attento ha una precisione alta; uno avido ha un richiamo alto.

In altri linguaggi

La sovrapposizione di set in JavaScript (JavaScript non ha un operatore & per i set; i motori più nuovi aggiungono un metodo intersection(), e filtrare funziona ovunque):

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);

E in 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);

Che cosa dovresti vedere

Con la soglia 1.0, basta un indirizzo condiviso, e la precisione crolla: coinquilini, colleghi e sconosciuti sulla stessa rete mobile vengono tutti uniti. Con 1.5 l'abbinatore ha ragione circa sette volte su dieci e trova circa sette coppie vere su dieci. Con 3.0 contano solo gli accessi: quasi ogni dichiarazione è giusta, ma la maggior parte delle coppie vere viene persa. Fare l'accesso consegna l'unico indizio quasi certo.

La difesa

Resta senza accesso dove non ti serve un account, e usa account diversi (o nessuno) sui dispositivi che vuoi tenere separati. Una VPN cambia l'indizio dell'IP, ma non l'accesso o gli orari. L'ultima lezione di questo modulo mette insieme queste cose.

Riepilogo

  • I dispositivi vengono uniti dagli accessi (quasi certi), dagli indirizzi IP condivisi e dagli orari simili (entrambi a tentoni).
  • Gli indirizzi condivisi uniscono famiglie e reti, non persone, quindi producono molte false corrispondenze.
  • Precisione e richiamo mostrano il compromesso tra un abbinamento attento e uno avido.
  • Fare l'accesso è l'indizio più forte che regali.
Tocca a te

Scrivi quattro funzioni. summarise(events) restituisce un dict che associa ogni dispositivo a {"ips": set, "hours": set, "logins": set}, lasciando None fuori dagli accessi. pair_score(a, b) riceve due riassunti di questo tipo e restituisce 3 se i loro set di accessi condividono un valore, più 1 se i loro set di IP condividono un valore, più il numero di ore presenti in entrambi diviso per il numero di ore presenti in almeno uno (0 se sono vuoti entrambi). match_devices(summaries, threshold) restituisce un set di tuple (a, b) con a < b per ogni coppia di nomi di dispositivi il cui punteggio è almeno threshold. precision_recall(predicted, truth) restituisce una tupla (precision, recall), usando 0 quando un set è vuoto.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.