confusable-vision

Puntuación empírica de similitud de glifos mediante raycasting de contornos vectoriales. Renderiza pares de caracteres confusables Unicode en 245 fuentes del sistema, mide la similitud estructural directamente a partir de los contornos de las fuentes (sin rasterización) y produce artefactos JSON con puntuaciones de distancia continua por fuente.

Resultados clave de 52,6 millones de comparaciones de un solo carácter y 190 millones de comparaciones de múltiples caracteres en 22.581 caracteres y 12 sistemas de escritura:

• 249,976 pares confusables únicos de un solo carácter en 245 fuentes, 12 escrituras, 66 pares entre escrituras. 764,395 descubrimientos totales a nivel de fuente.
• 2,524,275 pares confusables únicos de múltiples caracteres (bigrama) incluyendo rn/m en 95 fuentes (33 por debajo de distancia 0.40) y oy/uk cirílico en 16 fuentes.
• Puntuaciones de distancia continua por fuente, no listas binarias. Cada par tiene una distancia de rayo medida por fuente, proporcionando confianza consciente de la fuente para herramientas de seguridad posteriores.
• 305% más descubrimientos que SDF, 29% más rápido. La firma de rayo enriquecida de cinco capas es un superconjunto estricto de los hallazgos de SDF; los pares exclusivos de SDF no se replicaron bajo revisión manual.

La salida se alimenta directamente en namespace-guard para la detección en tiempo real de confusables en nombres de paquetes, nombres de dominio e identificadores.

How it works

RaySpace proyecta rayos paralelos a través de los contornos de las fuentes en 36 ángulos y captura cinco capas de información por glifo: recuentos de cruces, posiciones de cruces, ángulos de cruce, distancias ping (ancho del trazo en cada cruce) y ping máximo (ancho del contador entre cruces). Esto produce una firma compacta por carácter y por fuente. Dos firmas se comparan con una distancia L1 ponderada en las cinco capas.

Un filtro en cascada de tres etapas hace factible la comparación exhaustiva:

1. Filtro de ancho de avance (tolerancia del 15%) elimina pares con diferentes anchos de carácter. Elimina el 63% de los candidatos.
2. Comparación de rayos (umbral 2.0, ajustado a 1.0 para pares de escrituras grandes). Elimina otro 33%.
3. Solo el 3,3% de los candidatos sobreviven para convertirse en descubrimientos.

El banco de firmas (294,646+ entradas en 245 fuentes; más con --include-uppercase) se precalcula una vez. El descubrimiento se ejecuta como aritmética de un solo hilo en el banco, completando 52,6 millones de comparaciones de pares en 31 minutos sin hilos de trabajo ni GPU.

Quick start

npm install

# 1. Build the ray signature bank (prerequisite, ~24 min)
npx tsx scripts/build-signature-bank.ts

# 1b. Include uppercase Latin A-Z (optional)
#     By default the bank only includes IDNA PVALID codepoints (lowercase,
#     digits, symbols). Use --include-uppercase to add uppercase A-Z, useful
#     for font identification and trademark visual comparison where uppercase
#     glyph shapes matter. The builder is resumable, so this only computes
#     the additional codepoints.
npx tsx scripts/build-signature-bank.ts --include-uppercase

# 1c. Include arbitrary codepoint ranges (optional)
npx tsx scripts/build-signature-bank.ts --extra-range=0041-005A

# 2. Single-char discovery (22,581 chars, 12 scripts, ~36 min)
npx tsx scripts/discover-singlechar-sdf.ts --scorer=ray

# 3. Multi-char (bigram) discovery (676 bigrams, ~63 min)
npx tsx scripts/discover-multichar-sdf.ts --scorer=ray

# 4. Score known TR39 multi-char confusables (~5 min)
npx tsx scripts/score-multichar-sdf.ts --scorer=ray

# TR39 confusable pair scoring
npx tsx scripts/build-index.ts          # Render index (~160s, 11,370 PNGs)
npx tsx scripts/score-all-pairs.ts      # Score all pairs (~65s, 235K comparisons)

# Novel confusable discovery
npx tsx scripts/build-candidates.ts          # Candidate set (~23K chars)
npx tsx scripts/build-index.ts --candidates  # Render candidates (~40min, 89K PNGs)
npx tsx scripts/score-candidates.ts          # Score against Latin targets (~15min, 2.9M comparisons)

# Extract high-scoring discoveries from both pipelines
npx tsx scripts/extract-discoveries.ts

What it found

Pares confusables principales (un solo carácter, distancia media < 0.10)

"Ceros" = fuentes donde los contornos producen firmas de rayo bit-idénticas (distancia 0.000). La w latina/ԝ cirílica es idéntica en las 19 fuentes que contienen ambos glifos.

Avances entre escrituras (un solo carácter)

La Coda georgiana (U+10FF) forma un anillo confusable cuádruple con la o latina, la o cirílica y la ómicron griega, todas por debajo de la distancia 0.08.

Resultados principales de múltiples caracteres

El descubrimiento de oy/uk cirílico es el hallazgo novedoso más destacado: el bigrama latino "oy" es visualmente idéntico a la letra digráfica cirílica uk (ѹ) a distancia 0.000 en Helvetica y 0.0005 en Arial Unicode MS.

Calibración de umbral

Tres niveles operativos recomendados:

• Estricto (< 0.50): 138 pares de un solo carácter, falsos positivos casi nulos. Adecuado para bloqueo automatizado (registro IDN, validación de nombres de paquetes) donde los falsos positivos tienen un costo real.
• Estándar (< 1.00): 4,174 pares de un solo carácter, buen equilibrio entre cobertura y precisión. Adecuado para marcar y revisión manual en herramientas de seguridad.
• Exploratorio (< 2.00): Conjunto completo de descubrimientos. Contiene ruido en el extremo superior pero útil para investigación, auditoría de fuentes y creación de conjuntos de entrenamiento.

Font querying

Consulte qué pares confusables existen para una fuente específica. Útil para diseñadores de fuentes que lanzan un nuevo tipo de letra, proveedores de navegadores que evalúan un cambio de fuente del sistema, o cualquier persona que elija una fuente de visualización para contextos sensibles a la seguridad como dominios IDN.