基于编辑距离比较的高仿号检测器

1.简介

随着各类社交网站的快速发展，越来越多的网红浮现出来。因而许多网红的高仿号也层出不穷，让人真假难辨。目前大多数的社交网站都保证用户名的候选码属性，即不允许两个用户使用同样的名称。尽管如此，许多高仿号仍然可以做到以假乱真，混淆视听。例如，图1，图2分别展示了钉钉的官方号和其中一个高仿号。

图1

除了级别上的差距以外，几乎看不出任何差别。后来在网友的提醒下我才注意到，高仿号中的talk并不是真正的talk，而是用大写的字母i代替了原先小写的L。

为了更好地甄别官方号和高仿号，在本文中我们开发了基于编辑距离计算的高仿号检测器。这里读者肯定要问了，你直接比较str1 == str2不就可以了吗，显然这种方式是可以的，但是这种方法只是做到了知其然，但没做到知其所以然。我们不但要识破高仿号，更要能彻底的揭穿高仿号的仿造手段，高仿号和官方号往往非常相似，只是在细小的地方做了手脚，我们的目的正是揪出这细小的细节。

2.算法回顾

编辑距离算法是经典的动态规划算法。编辑距离的定义是，假设有一个字符串s,欲使得字符串由s变为t，可以进行下列三种操作：
1）替换s中的某个字母
2）删除s中的某个字母
3）在s某处添加一个字母
每个操作只能操作一个字母，由s变为t所需的操作次数叫做编辑距离，所需的最少次数叫做最短编辑距离。

最短编辑距离编辑距离的动态转移方程可以写作
$dp[i+1][j+1]=min(dp[i][j+1]+1,dp[i+1][j]+1,dp[i][j]+str1[i]==str2[j]?0:1$
其中str1, str2表示要比较的两个字符串，dp[i+1][j+1]表示字符串str1[0:i]和str[0:j]的最短编辑距离，其中规定
$dp[0][i]=i,dp[i][0]=i$

我们以官方号 “数学汤家凤” 和高仿号 “数学家汤凤” 为例，展示最短编辑距离的dp矩阵，如表1

表1
最终我们取表格最右下方的元素，即为编辑距离2.

现在我们只知道最短编辑路径是2，但却不知道最短编辑距离的路径。实际上最短编辑距离就蕴含在这张dp矩阵中。按照一定的策略进行回溯，我们就可以得到编辑路径：

表2

入图，向左上角回溯时，如果编辑距离不变，说明没有进行编辑操作，如果编辑距离减少，说明字符被替换。由此可知，汤和家两个字发生了替换操作

值得注意的是，回溯的方法并不唯一。实际上可以按照三条路径进行回溯。

如图，向左走表示进行删除，而向上代表插入字符。因此，编辑路径也可以认为是，先由“数学汤家凤”删除汤字得到“数学汤凤”，再通过新增“家”字得到“数学汤家凤”，编辑距离同样是2.

3.我的工作

对于检测高仿号的问题，通常来说替换操作使用最为频繁，因此我们在代码中做了改进，使算法在回溯时，在两个字符串等长情况下，优先考虑替换的情况，而非新增和删除的情况；不等长的情况下，优先考虑通过删除或新增字符，使得两个字符串等长。这样得到的编辑路径，更加适合于解释高仿号的高仿方法。

4.检测效果

如下图3，我们从bilibili上汤老师的动态中复制出汤老师官方的ID，以及一个疑似的高仿号“数学家汤凤”的ID，分别到检测器中。点击检测。

图3
即可看到真实的ID与虚假的ID的对比。

同时对于只修改了一个字符的高仿号，我们还提供了强力模式，彻底的抠出高仿之处。在展示结果的同时，我们直接对被修改的字符进行检索。

图4
从图4中我们可以一眼看出这个替换后的字母是I（大写的i）而不是l（小写L）。

5.访问地址

www.fgb2019.top/checkup
也可以点击下方阅读原文进行访问。
请尽可能复制粘贴ID到检测器中进行检测，以获得最佳效果。

6.尾声

本文采用严肃的技术和搞笑的创意相结合，纯属娱乐，并不针对任何高仿号或官方号，我们更不会因为高仿号的存在而举报社交平台。欢迎访问，理性评论。