Associação entre dispositivos
Por que isso importa Você talvez use um celular no ônibus, um notebook no trabalho e um tablet no sofá, cada um com os próprios cookies. As empresas de anúncios prefeririam muito saber que todos são uma única pessoa. Este laboratório mostra as pistas que elas usam, com que frequência essas pistas erram, e qual pista é de longe a mais forte: fazer login.
Ligando os pontos
Imagine um detetive com três cadernos separados, um por dispositivo. Cada caderno lista onde o dispositivo se conectou, e quando. O trabalho do detetive é decidir quais cadernos pertencem à mesma pessoa. Ninguém conta a ele; ele adivinha pelas sobreposições.
Associação entre dispositivos: decidir que vários dispositivos pertencem a uma pessoa. A associação determinística usa uma ligação certa, como a mesma conta conectada nos dois. A associação probabilística usa ligações prováveis, como a mesma rede de casa ou os mesmos horários de uso, e aceita alguns erros.
Endereço IP: o endereço de rede de onde vem o tráfego de um dispositivo. Todos os dispositivos atrás de um roteador doméstico costumam compartilhar o endereço da casa, e muitos celulares numa rede móvel também podem compartilhar um endereço.
Três pistas
- Um login compartilhado: a mesma conta em dois dispositivos. Muito forte.
- Um endereço IP compartilhado: sugere a mesma casa, o mesmo escritório ou a mesma rede móvel, não necessariamente a mesma pessoa.
- Horários parecidos: dois dispositivos ativos nos mesmos horários do dia.
Nossas casas de prática vêm de synthetic_households(), que retorna uma lista de eventos e o gabarito. Cada evento é {"device": "phone-004", "ip": "203.0.113.7", "hour": 21, "login": "acct-1f2e3d"}, com "login": None quando ninguém estava conectado. Os endereços são de faixas reservadas para documentação, nunca usadas na internet real.
Conjuntos facilitam as sobreposições
Um set (conjunto) do Python é um saco de valores distintos, escrito set() quando vazio. s.add(x) coloca um valor dentro. a & b dá os valores que estão nos dois conjuntos e a | b os valores que estão em qualquer um. Um conjunto vazio conta como falso num 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")
Pontuando e julgando
Você vai dar a cada par de dispositivos uma pontuação: 3 por um login compartilhado, 1 por um IP compartilhado, mais a fatia de horários em comum (de 0 a 1). Os pares no limiar ou acima dele contam como "a mesma pessoa". Depois você mede duas coisas:
Precisão: dos pares que você afirmou, a fração que estava certa. Revocação: dos pares verdadeiros, a fração que você encontrou. Um comparador cuidadoso tem precisão alta; um ganancioso tem revocação alta.
Em outras linguagens
Sobreposição de conjuntos em JavaScript (o JavaScript não tem o operador & para conjuntos; motores mais novos adicionam um método intersection(), e filtrar funciona em todo lugar):
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 em 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);O que você deveria ver
No limiar 1.0, um endereço compartilhado sozinho já basta, e a precisão despenca: colegas de casa, colegas de trabalho e desconhecidos na mesma rede móvel são todos juntados. Em 1.5, o comparador acerta cerca de sete vezes em dez e encontra cerca de sete em dez dos pares verdadeiros. Em 3.0, só os logins contam: quase toda afirmação está certa, mas a maioria dos pares verdadeiros fica de fora. Fazer login entrega a única pista que é quase certa.
A defesa
Fique desconectado onde você não precisa de conta, e use contas diferentes (ou nenhuma) nos dispositivos que você quer manter separados. Uma VPN muda a pista do IP, mas não o login nem os horários. A última lição deste módulo junta tudo isso.
Resumo
- Os dispositivos são ligados por logins (quase certo), endereços IP compartilhados e horários parecidos (ambos são palpite).
- Endereços compartilhados ligam casas e redes, não pessoas, então produzem muitas associações falsas.
- Precisão e revocação mostram o meio-termo entre uma associação cuidadosa e uma gananciosa.
- Fazer login é a pista mais forte que você entrega.
Escreva quatro funções. summarise(events) retorna um dict que mapeia cada dispositivo para {"ips": set, "hours": set, "logins": set}, deixando None fora dos logins. pair_score(a, b) recebe dois desses resumos e retorna 3 se os conjuntos de login compartilham um valor, mais 1 se os conjuntos de IP compartilham um valor, mais o número de horários nos dois dividido pelo número de horários em qualquer um (0 se os dois estiverem vazios). match_devices(summaries, threshold) retorna um conjunto de tuplas (a, b) com a < b para cada par de nomes de dispositivos cuja pontuação é pelo menos threshold. precision_recall(predicted, truth) retorna uma tupla (precision, recall), usando 0 quando um conjunto está vazio.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.