[Антиплагиат] Полный список омографов

[Coin-1]

Примечание: Изначально эта тема была создана в корневом разделе русского локального форума Мета, но была перенесена модератором сюда. Читайте также английскую версию в основном разделе Meta.


Обычно в подписных кампаниях BitcoinTalk баунти-хантерам требуется написать определённое количество постов в неделю, за эту активность участникам начисляются стейки. Иногда недобросовестные пользователи копируют чужие сообщения или абзацы из сторонних статей в Интернете и постят их здесь на форуме. Такие посты могут быть легко сравнены и отслежены SEO-сервисами, поэтому для усложнения обнаружения эти баунти-хантеры начали использовать омографы.

Говоря упрощённо, омографы - это символы в международной таблице Unicode, которые выглядят визуально одинаково. В английском алфавите используются только ASCII-символы.

Если смешать в тексте омографы из разных языков, то при чтении человек не заметит никакой разницы, однако системы анализа не смогут выявить плагиат, просто сравнивая тексты в кодировке UTF-8.

Например:

• "SEO". Здесь все символы ASCII, омографы не используются. Длина слова в UTF-8 равна 3 байтам.
• "ЅΕО". Здесь первый символ "Ѕ" взят из македонского алфавита, второй символ "Ε" из греческого алфавита, а третий символ "О" из русского алфавита. Эти неанглийские буквы выглядят так же как ASCII-символы, но кодируются двумя байтами, поэтому длина слова в UTF-8 равна 6 байтам.

Таким образом некоторые пользователи, используя омографы, пишут посты на форуме, просто копируя и изменяя тексты других людей. Поэтому мне захотелось создать полный список омографов, которые могут использоваться в текстах на английском языке.


Судя по HTML-коду, на форуме используется следующий CSS-стиль:

Code:

style="font-family: Verdana, Arial, sans-serif;"

Итак, в постах используются три шрифта: "Verdana", "Arial" и "Sans Serif". Также для моноразмерных текстов используется "Courier New".

В таблице ниже представлены ASCII-символы и рядом их омографы, написанные всеми этими четыремя шрифтами. Смотрите мой следующий пост ниже.

[1714808090]

1714808090

[Coin-1]

Список омографов для ASCII:

	Символ ASCII	Номер Unicode	Комментарий	Verdana	Arial	Sans Serif	Courier New
1)	A (65)	0x0391 (913)	Греческий	A  Α	A  Α	A  Α	A  Α
2)	B (66)	0x0392 (914)	Греческий	B  Β	B  Β	B  Β	B  Β
3)	E (69)	0x0395 (917)	Греческий	E  Ε	E  Ε	E  Ε	E  Ε
4)	Z (90)	0x0396 (918)	Греческий	Z  Ζ	Z  Ζ	Z  Ζ	Z  Ζ
5)	H (72)	0x0397 (919)	Греческий	H  Η	H  Η	H  Η	H  Η
6)	I (73)	0x0399 (921)	Греческий	I  Ι	I  Ι	I  Ι	I  Ι
7)	K (75)	0x039A (922)	Греческий	K  Κ	K  Κ	K  Κ	K  Κ
8)	M (77)	0x039C (924)	Греческий	M  Μ	M  Μ	M  Μ	M  Μ
9)	N (78)	0x039D (925)	Греческий	N  Ν	N  Ν	N  Ν	N  Ν
10)	O (79)	0x039F (927)	Греческий	O  Ο	O  Ο	O  Ο	O  Ο
11)	P (80)	0x03A1 (929)	Греческий	P  Ρ	P  Ρ	P  Ρ	P  Ρ
12)	T (84)	0x03A4 (932)	Греческий	T  Τ	T  Τ	T  Τ	T  Τ
13)	Y (89)	0x03A5 (933)	Греческий	Y  Υ	Y  Υ	Y  Υ	Y  Υ
14)	X (88)	0x03A7 (935)	Греческий	X  Χ	X  Χ	X  Χ	X  Χ
15)	o (111)	0x03BF (959)	Греческий	o  ο	o  ο	o  ο	o  ο
16)	c (99) [4]	0x03E2 (994)	Греческий	c  ϲ	c  ϲ	c  ϲ	c  ϲ
17)	j (106) [2]	0x03E3 (995)	Македонский	j  ϳ	j  ϳ	j  ϳ	j  ϳ
18)	C (67) [4]	0x03E9 (1001)		C  Ϲ	C  Ϲ	C  Ϲ	C  Ϲ
19)	S (83)	0x0405 (1029)	Македонский	S  Ѕ	S  Ѕ	S  Ѕ	S  Ѕ
20)	I (73)	0x0406 (1030)		I  І	I  І	I  І	I  І
21)	J (74)	0x0408 (1032)	Македонский	J  Ј	J  Ј	J  Ј	J  Ј
22)	A (65)	0x0410 (1040)	Русский	A  А	A  А	A  А	A  А
23)	B (66)	0x0412 (1042)	Русский	B  В	B  В	B  В	B  В
24)	E (69)	0x0415 (1045)	Русский	E  Е	E  Е	E  Е	E  Е
25)	K (75) [1]	0x041A (1050)	Русский	K  К	K  К	K  К	K  К
26)	M (77)	0x041C (1052)	Русский	M  М	M  М	M  М	M  М
27)	H (72)	0x041D (1053)	Русский	H  Н	H  Н	H  Н	H  Н
28)	O (79)	0x041E (1054)	Русский	O  О	O  О	O  О	O  О
29)	P (80)	0x0420 (1056)	Русский	P  Р	P  Р	P  Р	P  Р
30)	C (67)	0x0421 (1057)	Русский	C  С	C  С	C  С	C  С
31)	T (84)	0x0422 (1058)	Русский	T  Т	T  Т	T  Т	T  Т
32)	X (88)	0x0425 (1061)	Русский	X  Х	X  Х	X  Х	X  Х
33)	a (97)	0x0430 (1072)	Русский	a  а	a  а	a  а	a  а
34)	e (101)	0x0435 (1077)	Русский	e  е	e  е	e  е	e  е
35)	o (111)	0x043E (1086)	Русский	o  о	o  о	o  о	o  о
36)	p (112)	0x0440 (1088)	Русский	p  р	p  р	p  р	p  р
37)	c (99)	0x0441 (1089)	Русский	c  с	c  с	c  с	c  с
38)	y (121) [3]	0x0443 (1091)	Русский	y  у	y  у	y  у	y  у
39)	x (120)	0x0445 (1093)	Русский	x  х	x  х	x  х	x  х
40)	s (115)	0x0455 (1109)	Македонский	s  ѕ	s  ѕ	s  ѕ	s  ѕ
41)	i (105)	0x0456 (1110)		i  і	i  і	i  і	i  і
42)	j (106)	0x0458 (1112)	Македонский	j  ј	j  ј	j  ј	j  ј
43)	Y (89)	0x04AE (1198)		Y  Ү	Y  Ү	Y  Ү	Y  Ү
44)	h (104)	0x04BB (1211)		h  һ	h  һ	h  һ	h  һ
45)	I (73) [2]	0x04C0 (1216)		I  Ӏ	I  Ӏ	I  Ӏ	I  Ӏ
46)	l (108) [2]	0x04CF (1231)		l  ӏ	l  ӏ	l  ӏ	l  ӏ
47)	G (71) [1]	0x050C (1292)		G  Ԍ	G  Ԍ	G  Ԍ	G  Ԍ
48)	Q (81)	0x051A (1306)		Q  Ԛ	Q  Ԛ	Q  Ԛ	Q  Ԛ
49)	q (113)	0x051B (1307)		q  ԛ	q  ԛ	q  ԛ	q  ԛ
50)	W (87)	0x051C (1308)		W  Ԝ	W  Ԝ	W  Ԝ	W  Ԝ
51)	w (119)	0x051D (1309)		w  ԝ	w  ԝ	w  ԝ	w  ԝ

^[1] почти одинаковы во всех шрифтах
^[2] одинаковы во всех шрифтах, кроме "Verdana" (v5.02)
^[3] одинаковы во всех шрифтах, кроме "Courier New" (v5.11)
^[4] одинаковы только в шрифте "Arial" (v5.06)

[Coin-1]

Зарезервировано.

[esmanthra]

для усложнения обнаружения эти баунти-хантеры начали использовать гомографы

"Омографы", а если еще корректнее - омоглифы. Омографы - это вообще-то про слова. Хотя хакерская атака с подменой букв в URL-адресах и называется "омографической".

системы анализа не смогут выявить плагиат, просто сравнивая тексты в кодировке UTF-8

И это замечание превратило бы данную тему в пособие для начинающих копипастеров, если бы не одно "но": продвинутые системы распознавания плагиата и работы с текстом таки выявляют омоглифы. К примеру, российская система Антиплагиат выявляет (по крайней мере так утверждает ее исполнительный директор). Google Chrome (который браузер) "палит" смесь кириллицы и латинницы просто при проверке орфографии (т.е. можно тупо включить проверку и перекопировать текст в любое поле в браузере - "спорные" места будут подсвечены). LanguageTool (что английский, что русский) показывает слова с омоглифами как "имеющие возможную ошибку в написании". А известный сайт-антиплагиатор text.ru и вовсе с омоглифами обходится жестко: неизвестные ему (вроде македонских символов) выбрасывает, известные подсчитывает в "SEO-анализе текста" (пункт "Замена символов") - и, естественно, все равно находит источник.

Кому интересно - может поковыряться в упомянутых с этой вот фразой (в которую специально понапихана куча разных омоглифов):

Code:

Thrее yеаrs agο, Micrоsоft Azure wаs the first tо bring blоckchain tο the clоud. Nоw it's cоnnеcting the tеchnоlоgy tо just abοut еverything еlse.

(Первоначально фраза взята отсюда.)

[biom33]

неужели такими подменами кто-то занимается для набивания постов, на мой взгляд подмена символов займет больше времени чем написание своего поста и поэтому бессмысленна или преследуются другие цели.

[Coin-1]

"Омографы", а если еще корректнее - омоглифы. Омографы - это вообще-то про слова. Хотя хакерская атака с подменой букв в URL-адресах и называется "омографической".

Да, правильнее будет "омографы", поправлю название темы. На мой взгляд, "омоглифы" - это, скорее, относится к изображениям, "омографы" - более широкое понятие.

И это замечание превратило бы данную тему в пособие для начинающих копипастеров, если бы не одно "но":

Здесь есть ещё одно "но": для SEO-сервиса нужно знать, на каком языке написано сообщение, так как алгоритму анализа нужно привести потенциальный плагиат к одинаковому формату со сравниваемым текстом. В любом случае, для работы SEO-сервису нужен полный список омографов, которые могут использоваться в текстах на данном языке. Могу сказать, что поисковые системы в общем случае хранят найденную в Интернете текстовую информацию "как есть", то есть без изменений.

неужели такими подменами кто-то занимается для набивания постов, на мой взгляд подмена символов займет больше времени чем написание своего поста и поэтому бессмысленна или преследуются другие цели.

Да, на форуме в англоязычных ветках некоторые недобросовестные баунти-хантеры занимаются подменой ASCII-символов в постах. Сообщения перед отправкой можно модифицировать простым JS-скриптом за одну секунду. Это не занимает много времени.

Оказывается, буквально недавно проблема была решена ретроспективной заменой таких символов при показе постов в англоязычных секциях, но, по-моему, ещё не все омографы были добавлены в тот список.

[grimeygrim]

Яндекс ещё лет 20 назад, когда он был просто одним из поисковиков, умел определять фразы, где русские буквы были заменены латинскими, аналогичными по написанию.

[Alex_Sr]

Пару дней назад увидел несколько одинаковых аккаунтов в SPREADSHEET моей подписной. Что интересно - мошенники использовали букву B из этого списка и при сортировке по алфавиту аккаунты оказывались в разных частях таблицы что затрудняло их обнаружение.

[Coin-1]

Пару дней назад увидел несколько одинаковых аккаунтов в SPREADSHEET моей подписной. Что интересно - мошенники использовали букву B из этого списка и при сортировке по алфавиту аккаунты оказывались в разных частях таблицы что затрудняло их обнаружение.

Интересно. Оказывается, даже в баунти-таблицах мошенники уже омографы используют.

Сейчас, кстати, на форуме плагиаторы начали применять так называемые "спиннеры", которые заменяют ключевые слова в исходном предложении на синонимы. При этом примерный смысл текста остаётся неизменным.

[Alex_Sr]

Сейчас, кстати, на форуме плагиаторы начали применять так называемые "спиннеры", которые заменяют ключевые слова в исходном предложении на синонимы. При этом примерный смысл текста остаётся неизменным.

Видимо генерировать "свежий" контент ботофермам все сложнее и сложнее. Вот и пускают в ход СЕО-шные инструменты типа СловоЁБа.

В результате получаются посты типа: "Мы думаем что криптовалюта вырастут, но возможно и упадет, но я точно не знал"  

[esmanthra]

плагиаторы начали применять так называемые "спиннеры", которые заменяют ключевые слова в исходном предложении на синонимы. При этом примерный смысл текста остаётся неизменным

Это не новшество какое-то. Простейший рерайт в копирайтинге строится на этом.