confusable-vision

Pontuação empírica de similaridade de glifos usando raycasting de contorno vetorial. Renderiza pares de caracteres confusáveis Unicode em 245 fontes do sistema, mede a similaridade estrutural diretamente dos contornos das fontes (sem rasterização) e produz artefatos JSON com pontuações de distância contínua por fonte.

Resultados principais de 52,6 milhões de comparações de caracteres únicos e 190 milhões de comparações de múltiplos caracteres em 22.581 caracteres e 12 sistemas de escrita:

• 249.976 pares confusáveis únicos de caractere único em 245 fontes, 12 scripts, 66 pares entre scripts. 764.395 descobertas totais no nível da fonte.
• 2.524.275 pares confusáveis únicos de múltiplos caracteres (bigramas) incluindo rn/m em 95 fontes (33 abaixo da distância 0,40) e oy/Cirílico uk em 16 fontes.
• Pontuações de distância contínua por fonte, não listas binárias. Cada par tem uma distância de raio medida por fonte, fornecendo confiança consciente da fonte para ferramentas de segurança downstream.
• 305% mais descobertas que SDF, 29% mais rápido. A assinatura de raio de cinco camadas enriquecida é um superconjunto estrito das descobertas do SDF; pares exclusivos do SDF não se replicaram sob revisão manual.

A saída alimenta diretamente namespace-guard para deteção de confusáveis em tempo de execução em nomes de pacotes, nomes de domínio e identificadores.

Como funciona

O RaySpace emite raios paralelos através de contornos de fontes em 36 ângulos e captura cinco camadas de informação por glifo: contagens de cruzamento, posições de cruzamento, ângulos de cruzamento, distâncias ping (largura do traço em cada cruzamento) e ping max (largura do contador entre cruzamentos). Isso produz uma assinatura compacta por caractere por fonte. Duas assinaturas são comparadas com uma distância L1 ponderada em todas as cinco camadas.

Um filtro em cascata de três estágios torna a comparação exaustiva tratável:

1. Filtro de largura de avanço (tolerância de 15%) elimina pares com larguras de caractere diferentes. Remove 63% dos candidatos.
2. Comparação de raios (limiar 2,0, apertado para 1,0 para pares de scripts grandes). Remove outros 33%.
3. Apenas 3,3% dos candidatos sobrevivem para se tornarem descobertas.

O banco de assinaturas (294.646+ entradas em 245 fontes; mais com --include-uppercase) é pré-calculado uma vez. A descoberta então é executada como aritmética single-threaded no banco, completando 52,6 milhões de comparações de pares em 31 minutos sem threads de trabalho ou GPU.

Início rápido

npm install

# 1. Construir o banco de assinaturas de raios (pré-requisito, ~24 min)
npx tsx scripts/build-signature-bank.ts

# 1b. Incluir maiúsculas Latin A-Z (opcional)
#     Por padrão, o banco inclui apenas codepoints IDNA PVALID (minúsculas,
#     dígitos, símbolos). Use --include-uppercase para adicionar maiúsculas A-Z,
#     útil para identificação de fontes e comparação visual de marcas registadas
#     onde as formas de glifos maiúsculos importam. O construtor é retomável,
#     então isto apenas calcula os codepoints adicionais.
npx tsx scripts/build-signature-bank.ts --include-uppercase

# 1c. Incluir intervalos arbitrários de codepoints (opcional)
npx tsx scripts/build-signature-bank.ts --extra-range=0041-005A

# 2. Descoberta de caractere único (22.581 chars, 12 scripts, ~36 min)
npx tsx scripts/discover-singlechar-sdf.ts --scorer=ray

# 3. Descoberta de múltiplos caracteres (bigramas) (676 bigramas, ~63 min)
npx tsx scripts/discover-multichar-sdf.ts --scorer=ray

# 4. Pontuar confusáveis multi-char conhecidos do TR39 (~5 min)
npx tsx scripts/score-multichar-sdf.ts --scorer=ray

# Pontuação de pares confusáveis do TR39
npx tsx scripts/build-index.ts          # Índice de renderização (~160s, 11.370 PNGs)
npx tsx scripts/score-all-pairs.ts      # Pontuar todos os pares (~65s, 235K comparações)

# Descoberta de confusáveis inéditos
npx tsx scripts/build-candidates.ts          # Conjunto de candidatos (~23K chars)
npx tsx scripts/build-index.ts --candidates  # Renderizar candidatos (~40min, 89K PNGs)
npx tsx scripts/score-candidates.ts          # Pontuar contra alvos Latinos (~15min, 2,9M comparações)

# Extrair descobertas de alta pontuação de ambos os pipelines
npx tsx scripts/extract-discoveries.ts

O que encontrou

Principais pares confusáveis (caractere único, distância média < 0,10)

"Zeros" = fontes onde os contornos produzem assinaturas de raio bit-identicas (distância 0.000). Latino w/Cirílico ԝ é idêntico em todas as 19 fontes que contêm ambos os glifos.

Avanços entre scripts (caractere único)

O Georgiano Coda (U+10FF) forma um anel confusável de quatro vias com o Latino o, o Cirílico o e o Grego omicron, todos abaixo da distância 0.08.

Resultados principais de múltiplos caracteres

A descoberta oy/uk Cirílico é o destaque inédito: o bigrama Latino "oy" é visualmente idêntico à letra digráfica Cirílica uk (ѹ) a uma distância de 0.000 em Helvetica e 0.0005 em Arial Unicode MS.

Calibração de limiares

Três níveis operacionais recomendados:

• Estrito (< 0.50): 138 pares de caractere único, falsos positivos quase nulos. Adequado para bloqueio automático (registo IDN, validação de nomes de pacotes) onde falsos positivos têm custo real.
• Padrão (< 1.00): 4.174 pares de caractere único, bom equilíbrio entre cobertura e precisão. Adequado para sinalização e revisão manual em ferramentas de segurança.
• Exploratório (< 2.00): Conjunto completo de descobertas. Contém ruído no limite superior, mas útil para pesquisa, auditoria de fontes e construção de conjuntos de treino.

Consulta de fontes

Consulte quais pares confusáveis existem para uma fonte específica. Útil para designers de fontes a lançar um novo tipo de letra, fornecedores de navegadores a avaliar uma alteração de fonte do sistema, ou qualquer pessoa a escolher uma fonte de exibição para contextos sensíveis à segurança, como domínios IDN.