Безопасность и борьба с мошенничеством
Введение
Наиболее распространенным способом решения проблемы с правильным подсчетом шагов является использование показаний с акселерометра. При этом извлекается значение вектора ускорения из акселерометра на устройстве, которое будет действовать как шагомер. Типичный 3-х осевой акселерометр смартфона производит следующий сигнал в кармане бегуна:
Каждый период волноформы эквивалентен человеческому шагу в идеальных условиях. Для повышения результатов, применяется фильтр нижних частот. Это приводит к более плавной форме волны и позволяет исключить высокочастотный шум.
Проблемы
Проблема при таком подходе – читинг путем симулирования шаблона ускорения. Например, прикрепление акселерометра к движущемуся объекту, животному или механизму может привести к периодическим пикам, которые будут распознаваться как шаги. Хорошую демонстрацию таких «мошеннических» методов можно наблюдать в следующих видеоматериалах:
https://www.youtube.com/watch?v=ptkaEJiKVuw https://www.youtube.com/watch?v=fl1ophVnCrc https://www.youtube.com/watch?v=4jJAG6TAhzg Решения
Использование большего количества сенсоров: гироскоп, магнитометр
Это позволяет получить разные сигнатуры, которые затем можно объединить путем слияния показаний с датчиков; в итоге возникает уникальная сигнатура шаблона ходьбы. Например, отфильтрованный сигнал от гиросокопа при ходьбе сильно отличается от сигнала с акселератора.
Объединение данных с двух датчиков дает нам шесть точек данных в шести измерениях, шесть для акселерометра и три для гироскопа соответственно. Комбинирование их при использовании 6-мерного вектора и поиск постоянного периодического шаблона позволяют хорошо повысить точность распознавания мошенничества.
К тому же, мы можем использовать показания магнитометра. Магнитометр измеряет электромагнитное поле и используется при определении направлений. Если вы помните, то у каждого смартфона есть компас. Распознавание направления позволит “заблокировать” все вращающиеся устройства, а также показания от животных, к которым прикреплен смартфон.
Спектральный анализ
Далее, сигнал от сенсора можно проанализировать при помощи преобразования Фурье. Преобразование Фурье трансформирует сигналы из временной области в частотную область. Ходьба или бег обычно постоянны по частоте, если рассматривать краткосрочный интервал. Изучая сигнатуры частот с устройств, мы можем обнаружить подозрительное поведение, и поймать мошенников.
Если вы бежите по улице
Прежде всего, мы должны отметить, что все устройства, показанные в видеоматериалах, приведенных выше, являются стационарными. Например, когда пользователь идет по улице, то, помимо получения данных от счетчика шагов, мы сможем проверить изменение местоположения при помощи анализа данных с GPS. Создание механизма обмана, который не только будет имитировать движение человеческой ноги, но и перемещение в пространстве, нецелесообразно для потенциального мошенника. Причина в том, что для этого потребуются инвестиции ресурсов и времени, которые перевешивают выгоду (обман ради получения монет RUN).
Если вы бежите в тренажерном зале
Если вы живете где-нибудь в Калифорнии, то вы можете бегать трусцой по улице в течении 365 дней в неделю, но что делать, если вы живете там, где сезоны меняются 4 раза в год, и зимой вы предпочитаете бежать на беговой дорожке? В данном случае, для подсчета шагов потребуется уже определенное машинное обучение. Например, приложение Movement может проверить, действительно ли данное место – спортзал. Если несколько пользователей приложения находятся в одном месте и ведут определенную физическую активность – то можно предположить, что это - спортзал, стадион и т. д. Поэтому, хотя GPS-датчик не задействован при этом, то платформа сможет учесть данные от большого числа пользователей и принять разумные решения.
Что делать, если я бегаю внутри дома? Ведь при этом мое местоположение не меняется.
Это вполне нормально, вы все равно получите монеты RUN за то расстояние, которые вы пройдете или пробежите. Но при неизменности местоположения, платформа Movement App проведет дополнительные проверки перед выдачей вам монет. Предположим, что у нас есть 100 пользователей. При этом, мы видим, что 96 из них выходят на улицу (из-за изменения местоположения GPS), а 4 занимаются внутри. Платформа может сравнить запущенные шаблоны от четырех пользователей, занимающихся внутри, и увидеть, нет ли данных, которые сильно отличались бы от данных остальных. Если такое обнаруживается, то платформа может проверить данные от тех, кто выходит за пределы помещений (более достоверные данные), и искать любую несогласованность. Это пример того, как крупные корпорации, такие как Facebook, Twitter, Instagram, ищут ненормальное поведение пользователей. Анализ помогает им идентифицировать ботов и блокировать вредоносные аккаунты.