Bir YouTube içerik üreticisi, bir videonun nerede kaydedildiğini yalnızca arka plandaki uçak sesinden — üstelik kamerayı tutan kişinin duyamadığı bir sesten — yaklaşık 100 metre hassasiyetle belirleyebildiğini söylüyor.
Colsto adlı kanalın 105.000 abonesi var. Bu hafta yayımladığı videoda bir güvenlik kamerası görüntüsünü ele aldı ve neredeyse hiçbir şeyle yola çıktı: tarih, 8 Eylül, ve kaydın ABD'nin kıta topraklarında bir yerde çekildiği bilgisi. Kameranın yerini kendi ifadesiyle birkaç yüz fit, yani yaklaşık 100 metre hassasiyetle belirledi ve yeri New York eyaletindeki Oyster Bay olarak açıkladı.
Sinyal, tepeden geçen pervaneli bir uçağın Doppler eğrisi. Uçak yaklaşıp uzaklaşırken motorunun uğultusunun perdesi bükülür; bu bükülme dinleyici için duyulmaz ama spektrogramda yakınlaşıp çözünürlüğü artırdığınızda görünür. Düşük frekanslar duvarlardan geçer, dolayısıyla iz neredeyse ortam sesi içeren her kayıtta ortaya çıkar — kendi gösterdiğine göre telefon sıkıştırmasından geçmiş seste bile.
Bundan sonrası tamamen ölçek meselesi. Bir Python betiğiyle ABD kıta toprakları için tam bir günlük ADS-B uçuş verisini indirdi; bu iş saatler sürdü. ADS-B konum, hız, irtifa ve uçak tip kodunu taşır; tip kodu jetleri pervaneli uçaklardan ayırmasını sağladı ve sınıflandıramadığı uçakları, bilinen jetleri eleyerek dışlama yoluyla ele aldı. Ayrıca ülke çapında bir yükseklik modeline ihtiyaç duydu, çünkü ADS-B deniz seviyesinden yüksekliği bildirirken ses yayılımı mikrofona olan eğik mesafeye bağlıdır; bir de yayılımın kendisinin 3B fizik modeline. Projenin aylar içinde 5.000 satırdan fazla koda ulaştığını söylüyor.
Klipte 920 saniye arayla iki geçiş vardı. Birinci adım: bir dinleyicinin önce bir uçağı, 920 saniye sonra bir başkasını duyacağı her yeri bulmak — sesin ulaşma süresini hesaba katarak. ABD kıta topraklarının yüzde 0,05'inden azını kapsayan bir test alanında bile bu filtre yaklaşık 35.000 aday nokta bıraktı.
İkinci adım: her uçağın hızını ve menzilini Doppler eğrisinin frekans düşüşünden türetmek. Ülke genelinde bu yaklaşık 73.000 aday üretti; çoğu havaalanı yakınında.
Üçüncü adım bir yokluğu kullandı. İki geçiş arasında yaklaşık on beş dakika boyunca hiçbir uçak duyulmuyordu. O pencerede bir uçağın duyulacağı her konum — örneğin havaalanı yakınları — elendi. Yaklaşık 15.000 nokta kaldı.
Dördüncü adım: hayatta kalan her nokta için gerçek uçuş verisinin üreteceği Doppler eğrisini modelleyip spektrogramla puanlamak. Açık ara en yüksek puanı gerçek kamera konumu aldı; ardından Street View ile doğruladı — ağaç hattı uyuşuyordu ve kamera görüntülerde görünüyordu. İkinci bir testte, Doppler eğrisi neredeyse seçilemez olmasına rağmen, kayıt saati bilinen tek dakikalık sesle aynı yeri buldu.
İddiaların ciddi çekinceleri var. Ne kodunu ne de bir aracı yayımladı, dolayısıyla başkaları işini denetleyemiyor; birkaç kişi yöntemi GitHub'da yeniden kurdu ama demo malzemesi olmadan hassasiyet rakamı bağımsız olarak doğrulanamıyor. Genellenebilirlik de açık: daha önceki bir videosunda yerleri gök gürültüsünden yaklaşık 5 km hassasiyetle bulmuştu, yani üç büyüklük mertebesi daha kaba.
Savunma konusunda da karamsar. Yüksek geçiren filtre bunu ortadan kaldırmıyor; sesi bastırmak da işe yaramıyor. Ona göre işe yarayan tek şey, videoyu iki uçak arasındaki zaman aralığını bozacak biçimde kesmek ya da ek gürültü azaltma uygulamak — ki bunların ikisi de odayı değil kaydı değiştiriyor. Pratik riski düşük görüyor, çünkü birini bulmanın muhtemelen yüz tane daha kolay yolu var.
Bu argümanın rahatsız edici hâli şu: Yüz tane daha kolay yol olduğu için, bu yöntemin ucuzca göz ardı edilmesi mümkün oldu.
