Maak typisten van elkaar te onderscheiden
Waarom dit ertoe doet "Je typen identificeert je" klinkt als een eng verhaal totdat je de matcher zelf bouwt. In deze lab opdracht onderscheid je 50 fictieve typers alleen op basis van timing, en zet je daarna een simpele verdediging aan om te meten hoeveel het helpt. Je eindigt met de kennis van hoe de truc werkt en wat deze neutraliseert.
Het plan, in alledaagse termen
Stel je voor dat je leert om 50 mensen te herkennen aan hun klop. Eerst luister je naar elke persoon die vier keer klopt en onthoud je hun usual ritme. Dan klopt iemand aan en vraag je: naar wiens gebruikelijke ritme lijkt dit het meest? Dat is de hele methode.
Profile: een samenvatting van het gebruikelijke gedrag van één persoon, hier de gemiddelde tijden. Het bouwen van profielen vanuit bekende voorbeelden wordt enrolment genoemd.
Feature: één getal dat een voorbeeld beschrijft. Een lijst met features verandert een rommelig evenement (een getypte zin) in iets wat code kan vergelijken.
De praktijkdata
typing_samples() uit de praktijkwereld geeft je pogingen om de vaste zin keep it private te typen. Elke poging is een 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
De typisten worden gemaakt door een seeded generator, losjes gevormd als gewoon typen. Dus de accuracy die je meet zegt hoe goed je deze typisten scheidt. Echte studies rapporteren een breed scala aan resultaten afhankelijk van de mensen, toetsenborden en tekst; we doen geen claim over real-world accuracy.
Meting "hoe dichtbij"
Om twee lijsten van timings te vergelijken, tel je op hoe ver ze uit elkaar liggen bij elke positie, zonder te kijken of de kloof positief of negatief is. Python's abs() laat het teken vallen: abs(-7) is 7. Python's zip(a, b) loopt twee lijsten naast elkaar:
for x, y in zip([100, 150], [90, 170]):
print(x, y, abs(x - y)) # 100 90 10, then 150 170 20
De afstand hier is dus 10 + 20 = 30. Een kleinere afstand betekent "meer gelijk".
De verdediging: ruis
De noise optie voegt een willekeurige jitter van ongeveer dat aantal milliseconden toe aan elke timing, zoals een privacytool sleutelgebeurtenissen met kleine willekeurige bedragen zou kunnen vertragen voordat de pagina ze ziet. Kijk wat het doet met je nauwkeurigheid, en denk na over wat het zou doen voor de persoon die typt: 150 milliseconden willekeurige vertraging op elke toets zou traag aanvoelen.
In andere talen
De afstand en de dichtstbijzijnde-profiel stappen in 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;
}En de afstand in Rust:
fn distance(a: &[f64], b: &[f64]) -> f64 {
a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}Wat je zou moeten zien
Zonder ruis wordt bijna elke poging gekoppeld aan de juiste typaar. Matige ruis (50 ms) kost wat nauwkeurigheid, maar de meeste pogingen worden nog gekoppeld; zware ruis (150 ms) verlaagt de nauwkeurigheid sterk. Dat is de eerlijke afweging: timing ruis helpt, maar genoeg ruis om je te verbergen maakt typen ook slechter aanvoelen. De laatste les van deze module kijkt naar verdedigingen die je geen comfort kosten.
Samenvatting
- Enrol: bereken het gemiddelde van de tijden van elke persoon in een profiel.
- Identificeer: kies het profiel met de kleinste totale gap (afstand).
- Willekeurige timing ruis verlaagt de nauwkeurigheid, maar alleen zware ruis verlaagt het veel, en dat kost comfort.
- Nauwkeurigheid op gegenereerde typers beschrijft de generator, niet echte mensen.
Schrijf vijf functies. features(sample) geeft sample["dwell"] gevolgd door sample["flight"] terug als één lijst. distance(a, b) geeft de som van abs(x - y) over de twee lijsten naast elkaar terug. build_profiles(samples) geeft een dictionary terug die de naam van elke typist koppelt aan het gemiddelde van hun feature lijsten positie voor positie. identify(sample, profiles) geeft de naam terug waarvan het profiel de kleinste afstand heeft tot de features van het sample. accuracy(train, test) bouwt profielen uit train en geeft de fractie van test samples terug die identify goed krijgt (een getal van 0 tot 1). De print aan de onderkant is al geschreven.
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.