Cross-device matching
Waarom dit ertoe doet Je gebruikt misschien een telefoon in de bus, een laptop op je werk en een tablet op de bank, elk met eigen cookies. Advertentiebedrijven willen liever weten dat ze allemaal van één persoon zijn. Dit lab laat de aanwijzingen zien die ze gebruiken, hoe vaak die aanwijzingen fout zijn, en welke aanwijzing verreweg de sterkste is: inloggen.
De punten verbinden
Stel je een detective voor met drie aparte notitieboeken, één per apparaat. Elk notitieboek bevat een lijst van waar het apparaat online is geweest en wanneer. De taak van de detective is om te beslissen welke notitieboeken bij dezelfde persoon horen. Niemand vertelt het hen; ze raden het op basis van overlappingen.
Cross-device matching: beslissen dat meerdere apparaten bij één persoon horen. Deterministic matching gebruikt een zekere link, zoals hetzelfde account ingelogd op beide. Probabilistic matching gebruikt waarschijnlijke links, zoals hetzelfde thuisnetwerk of dezelfde uren van gebruik, en accepteert wat fouten.
IP-adres: het netwerkadres waaruit het verkeer van een apparaat komt. Elk apparaat achter een thuisrouter deelt meestal het adres van het huis, en veel telefoons op een mobiel netwerk kunnen ook één adres delen.
Drie aanwijzingen
- A gedeelde login: hetzelfde account op twee apparaten. Zeer sterk.
- A gedeeld IP-adres: suggereert hetzelfde huishouden, kantoor of mobiele netwerk, niet noodzakelijkerwijs dezelfde persoon.
- Vergelijkbare uren: twee apparaten actief op dezelfde tijden van de dag.
Onze oefenhuishoudens komen uit synthetic_households(), wat een lijst van events en de answer key teruggeeft. Elk event is {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, met "login": None wanneer niemand was ingelogd. De adressen zijn uit bereiken gereserveerd voor documentatie, nooit gebruikt op het echte internet.
Sets maken overlappingen makkelijk
A Python set is een verzameling van verschillende waarden, geschreven set() als deze leeg is. s.add(x) zet een waarde erin. a & b geeft de waarden in beide sets en a | b de waarden in een van de sets. Een lege set telt als false in een 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")
Scoring en beoordelen
Je geeft elk paar apparaten een score: 3 voor een gedeelde login, 1 voor een gedeeld IP, plus het deel van de gezamenlijke uren (0 tot 1). Paren op of boven een threshold tellen als "dezelfde persoon". Dan meet je twee dingen:
Precisie: van de paren die je claimde, het deel dat juist was. Recall: van de ware paren, het deel dat je vond. Een zorgvuldige matcher heeft een hoge precisie; een hebzuchtige heeft een hoge recall.
In andere talen
Overlap in JavaScript instellen (JavaScript heeft geen & operator voor sets; nieuwere engines voegen een intersection() methode toe, en filteren werkt overal):
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);En 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);Wat je zou moeten zien
Bij drempelwaarde 1.0 is een gedeeld adres alleen al genoeg, en de precisie stort in: huisgenoten, collega's en vreemden op hetzelfde mobiele netwerk worden allemaal samengevoegd. Bij 1.5 heeft de matcher in zeven van de tien gevallen gelijk en vindt hij ongeveer zeven van de tien ware paren. Bij 3.0 tellen alleen logins: bijna elke claim is juist, maar de meeste ware paren worden gemist. Inloggen geeft het ene aanwijzing dat bijna zeker is.
De verdediging
Blijf uitgelogd op plekken waar je geen account nodig hebt, en gebruik verschillende accounts (of geen) op apparaten die je gescheiden wilt houden. Een VPN verandert de IP aanwijzing, maar niet de login of de uren. De laatste les van deze module brengt deze samen.
Samenvatting
- Devices worden gekoppeld door logins (bijna zeker), gedeelde IP-adressen en vergelijkbare uren (beide gokwerk).
- Gedeelde adressen verbinden huishoudens en netwerken, geen mensen, dus ze produceren veel valse matches.
- Precisie en recall laten de afweging zien tussen zorgvuldige en hebzuchtige matching.
- Inloggen is de sterkste aanwijzing die je geeft.
Schrijf vier functies. summarise(events) geeft een dictionary terug die elk apparaat koppelt aan {"ips": set, "hours": set, "logins": set}, waarbij None buiten de logins blijft. pair_score(a, b) neemt twee van deze samenvattingen en geeft 3 terug als hun loginsets een waarde delen, plus 1 als hun IPsets een waarde delen, plus het aantal uren in beide gedeeld door het aantal uren in een van beide (0 als beide leeg zijn). match_devices(summaries, threshold) geeft een set van tuples (a, b) terug met a < b voor elk paar apparaatnamen waarvan de score minstens threshold is. precision_recall(predicted, truth) geeft een tuple (precision, recall) terug, waarbij 0 wordt gebruikt wanneer een set leeg is.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.