Diferenciar digitadores
Por que isso importa "A sua digitação identifica você" parece história para assustar até você construir o comparador você mesmo. Neste laboratório você vai diferenciar 50 digitadores inventados só pelos tempos, depois ligar uma defesa simples e medir o quanto ela ajuda. Você vai terminar sabendo como o truque funciona e o que o enfraquece.
O plano, em termos do dia a dia
Imagine aprender a reconhecer 50 pessoas pela batida na porta. Primeiro você ouve cada pessoa bater quatro vezes e memoriza o ritmo habitual dela. Depois alguém bate e você pergunta: este ritmo está mais perto do ritmo habitual de quem? Esse é o método inteiro.
Perfil: um resumo do comportamento habitual de uma pessoa, aqui a média dos tempos dela. Montar perfis a partir de exemplos conhecidos se chama cadastro (enrolment).
Característica (feature): um número que descreve um exemplo. Uma lista de características transforma um evento bagunçado (uma frase digitada) em algo que o código consegue comparar.
Os dados de prática
typing_samples() do mundo de prática dá a você tentativas de digitar a frase fixa keep it private. Cada tentativa é um 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
Os digitadores são inventados por um gerador com semente, com um formato que lembra vagamente a digitação comum. Então a precisão que você mede diz o quão bem você separa estes digitadores. Estudos reais relatam uma grande variedade de resultados, dependendo das pessoas, dos teclados e do texto; não afirmamos nada sobre a precisão no mundo real.
Medindo "o quão perto"
Para comparar duas listas de tempos, some o quanto elas estão distantes em cada posição, ignorando se a diferença é positiva ou negativa. O abs() do Python descarta o sinal: abs(-7) é 7. O zip(a, b) do Python percorre duas listas lado a lado:
for x, y in zip([100, 150], [90, 170]):
print(x, y, abs(x - y)) # 100 90 10, then 150 170 20
Então a distância aqui é 10 + 20 = 30. Uma distância menor significa "mais parecidos".
A defesa: ruído
A opção noise adiciona uma variação aleatória de cerca daquela quantidade de milissegundos a cada tempo, do jeito que uma ferramenta de privacidade poderia atrasar os eventos de tecla em pequenas quantidades aleatórias antes que a página os veja. Veja o que isso faz com a sua precisão, e pense no que faria com quem está digitando: 150 milissegundos de atraso aleatório em cada tecla pareceriam lentos.
Em outras linguagens
Os passos de distância e de perfil mais próximo em 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;
}E a distância em Rust:
fn distance(a: &[f64], b: &[f64]) -> f64 {
a.iter().zip(b).map(|(x, y)| (x - y).abs()).sum()
}O que você deveria ver
Sem ruído, quase toda tentativa é associada ao digitador certo. Um ruído moderado (50 ms) custa um pouco de precisão, mas a maioria das tentativas ainda é associada; um ruído pesado (150 ms) derruba a precisão bastante. Esse é o meio-termo honesto: o ruído nos tempos ajuda, mas ruído suficiente para esconder você também deixa a digitação pior. A última lição deste módulo olha para defesas que não custam o seu conforto.
Resumo
- Cadastrar: tire a média dos tempos de cada pessoa num perfil.
- Identificar: escolha o perfil com a menor diferença total (distância).
- Ruído aleatório nos tempos reduz a precisão, mas só um ruído pesado a reduz muito, e isso custa conforto.
- A precisão em digitadores gerados descreve o gerador, não pessoas reais.
Escreva cinco funções. features(sample) retorna sample["dwell"] seguido de sample["flight"] numa única lista. distance(a, b) retorna a soma de abs(x - y) sobre as duas listas lado a lado. build_profiles(samples) retorna um dict que mapeia o nome de cada digitador para a média, posição por posição, das listas de características dele. identify(sample, profiles) retorna o nome cujo perfil tem a menor distância das características da amostra. accuracy(train, test) monta perfis a partir de train e retorna a fração das amostras de test que identify acerta (um número de 0 a 1). A impressão no final já está escrita.
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.