Көруге ұқсас символдар мен әріптер

Кіріспе

Орфография мен типографияда гомоглиф – екі немесе одан көп графема, таңба немесе глифтердің пішіндері бірдей немесе өте ұқсас көрінетін, бірақ мағынасы әртүрлі болатын түрлерінің бірі. Бұл атау осы қасиеттерді бөлісетін таңбалар тізбегіне де қолданылады. 2008 жылы Юникод консорциумы өзінің Техникалық есебі #36-ны бір шрифт ішіндегі таңбалардың визуалды ұқсастығынан және әртүрлі шрифттердегі таңбалардың ұқсастығынан туындайтын мәселелер туралы жариялады. Гомоглифтік символдардың мысалдары: а) диаэреза және умлаут (екі нүкте, бірақ мағынасы әртүрлі, әдетте бірдей кодтық нүктелермен кодталған); және б) тире және минус белгісі (екі қысқа көлденең сызық, бірақ мағынасы әртүрлі, көбінесе бірдей кодтық нүктемен кодталған). Сандар мен әріптер арасында 1 және кіші әріпті l әрқашан бөлек кодталады, бірақ көптеген қаріптерде өте ұқсас глифтермен көрсетіледі, ал 0 және үлкен O әрқашан бөлек кодталады, бірақ көптеген қаріптерде өте ұқсас глифтермен көрсетіледі. Гомоглифтік әріптердің кез келген жұбын графикалық түрде анық ажыратуға болатын глифтермен және жеке кодтық нүктелермен көрсетуге болады, бірақ бұл әрқашан жасалмайды. Бір/el және нөл/oh гомоглифтерін анық ажырата алмайтын қаріптер формулаларды, URL-дерді, бастапқы кодты, ID-лерді және таңбаларды контекстсіз ажырату қиын болатын басқа мәтіндерді жазу үшін қолайсыз деп есептеледі. Осы мақсаттар үшін, мысалы, кесілген нөлді пайдаланып глифтерді ажырататын қаріптер артықшылыққа ие.

Қатынасты терминдер

Гомограф термині кейде гомоглифпен шатастырылып, синоним ретінде қолданылады, бірақ жалпы лингвистикалық мағынада гомографтар – бірдей жазылатын, бірақ әртүрлі мағынасы бар сөздер, бұл сөздердің ерекшелігі, әріптердің емес. Аллографтар – әр түрлі көрінетін, бірақ бірдей мағынаны білдіретін шрифт дизайнының нұсқалары, мысалы, және немесе бір немесе екі сызығы бар доллар таңбасы. Синоглиф термині ұқсас, бірақ сәл абстрактілірек мағынаға ие, мысалы, символ және әріп (Lsd-де) екеуі де фунт стерлингті білдіреді, бірақ тек сол контексте ғана. Аллографтар мен синоглифтер бейресми түрде дисплей нұсқалары деп те аталады.

Умлаут және диареза

Алғашқы механикалық тегіш машиналар дәуірінде олар бір түймешемен ("артқа жою және қайта басу" әдісін қолдана отырып) терілді, бұл әдіс қос инвертті тырнақшаны теру үшін де қолданылды. Дегенмен, умляут бастапқыда екі қысқа тік сызықтан (екі нүкте емес) тұратын жұп ретінде пайда болды (Саттерлинді қараңыз). Қызықтысы, албан тіліндегі Е әрпінің үстіндегі екі нүкте диареза деп сипатталғанымен, диарезаның функциясын атқара алмайды.

0 және O; 1, 1 және I

Қазіргі кезде қолданыстағы екі кең таралған және маңызды гомоглифтер жиынтығы – нөл цифры және үлкен әріп O (яғни 0 және O); сондай-ақ бір цифры, кіші әріп L және үлкен әріп i (яғни 1, l және I). Механикалық теру машиналарын жасаған кезде бұл глифтердің арасында көрінетін айырмашылық өте аз немесе мүлдем болмады, сондықтан машинистер оларды пернетақтада терудің ыңғайлы қысқа жолдары ретінде жиі алмастырып қолданды. Шындығында, көптеген пернетақталарда тіпті "1" цифрына арналған перне де болмады, сондықтан пайдаланушылар оның орнына "l" әрпін басуға мәжбүр болды, ал кейбіреулері 0-ді де қоспады. Осы машинистер 1970 және 1980 жылдары компьютерлік пернетақта операторларына айналғанда, олардың ескі дағдылары олармен бірге сақталды және кейде жаңылысуға себеп болды. Көптеген қазіргі типтік дизайндар осы гомоглифтерді мұқият ажыратады, әдетте нөл цифрын таррақ етіп, ал бір цифрын айқын серифтермен көрсетеді. Алғашқы компьютерлік басылымдар одан да әрі барып, нөлді сызықпен немесе нүктемен белгіледі, бұл скандинавиялық "Ø" әрпі мен грек әрпі Φ (фи) арасында жаңа қайшылықтарға әкелді. Таңбаларды ажырату үшін таңба түрлерін қайта жасау шатасуды азайтты. Екі әртүрлі таңбаның белгілі бір бақылаушыға бірдей көріну деңгейі "көрнекі ұқсастық" деп аталады. Кейбір типтік дизайндар DIN 1450 оқылымдылық стандатына сәйкес келеді, бұл таңбаларды оңай ажырату үшін жасауды қамтиды: үлкен O-дан ажырату үшін нөлді сызықпен белгілеу; кіші әріпті l-ді құйрығымен және үлкен әріпті I-ді серифтермен 1 цифрынан ажырату; 5 цифрын үлкен S әрпінен ажырату және т.б. Гомоглифтерге жақын болуына байланысты, "thorn" (тікен) әрпін көрсету үшін "a" әрпін қолданудан туындаған шатасудың мысалы бар. Алғашқы ағылшын типографтары Голландиядан әкелінген жинақтарды импорттады, онда бұл әріп болмады, сондықтан олар оның орнына "a" әрпін қолданды, өйткені (Blackletter шрифтінде) олар жеткілікті түрде ұқсас көрінеді. Бұл қазіргі заманда "Ye olde shoppe" сияқты құбылыстарға әкелді, бұл сөздің бұрын "the" емес, /j//iː/ деп жазылғанын дұрыс емес білдіреді. Мензис есімінің (Менгис деп айтылады және бастапқыда Menʒies деп жазылған) пайда болуының себебі де осыған байланысты: "yogh" әрпінің орнына "a" әрпі қолданылды.

Two common and important sets of homoglyphs in use today are the digit zero and the capital letter O (i. e. 0 and O); and the digit one, the lowercase letter L and the uppercase i (i. e. 1, l and I). In the early days of mechanical typewriters there was very little or no visual difference between these glyphs, and typists treated them interchangeably as keyboarding shortcuts. In fact, most keyboards did not even have a key for the digit "1", requiring users to type the letter "l" instead, and some also omitted 0. As these same typists transitioned in the 1970s and 1980s to being computer keyboard operators, their old keyboarding habits continued with them, and was an occasional source of confusion. Most current type designs carefully distinguish between these homoglyphs, usually by drawing the digit zero narrower and drawing the digit one with prominent serifs. Early computer print outs went even further and marked the zero with a slash or dot, which led to a new conflict involving the Scandinavian letter "Ø" and the Greek letter Φ (phi). The redesigning of character types to differentiate these characters has meant less confusion. The degree to which two different characters appear the same to a given observer is called the "visual similarity". Some type designs conform to the DIN 1450 legibility standard by carefully designing such characters to be easy to distinguish: slashed zero to distinguish it from capital O; lowercase l with a tail and uppercase I with serifs to distinguish it from the digit 1; distinguishing the numeral 5 from the capital S; etc. An example of confusion due to near homoglyphs arose from the use of a to represent a (thorn). Early English typesetters imported Dutch typesets that did not contain the latter character, so used the letter instead because (in Blackletter typeface) they look sufficiently similar. It has led in modern times to such phenomena as Ye olde shoppe, implying incorrectly that the word the was formerly written ye /j//iː/ rather than þe. The spelling of the name Menzies (pronounced Mengis and originally spelled Menʒies) arose for the same reason: the letter was substituted for (yogh).

Көп әріпті гомоглифтер

Кейбір басқа әріптердің үйлесімдері ұқсас көрінеді, мысалы, rn әрпі m әрпіне, cl әрпі d әрпіне және vv әрпі w әрпіне ұқсас.

Кейбір тығыз аралықтағы қаріптерде (мысалы, Tahoma), c әрпін j, l немесе i сияқты әріптердің қасына қойғанда хомоглиф пайда болады, мысалы, cj cl ci (g d a). Кейбір таңбалар бір-біріне жақын орналасқанда, бір көз тастағанда басқа, мүлдем байланысы жоқ таңбаның визуалды бейнесін тудырады. Бұны дәлірек айтсақ, кейбір типографиялық лигатуралар жеке глифтерге ұқсас болуы мүмкін. Мысалы, (fi) лигатурасы кейбір қаріптерде немесе шрифттерде A әрпіне ұқсас көрінуі мүмкін. Бұл шатасу мүмкіндігі кейде лигатураларды қолдануға қарсы аргумент ретінде келтіріледі.

Юникодтық гомоглифтер

Юникодта "шатастыратын" деп аталатын көптеген күшті гомоглифтік таңбалар үшін кодтық нүктелер бар, және олар интернационалданған домендік атауларға қатысты ерекше назар аударды. Теория бойынша кем дегенде, біреу домендік атауды оның гомоглифімен ауыстыру арқылы әдейі шатастыруға тырысуы мүмкін, осылайша біріншісінен оңай ажыратылмайтын екінші домендік атауды жасап, оны фишингте пайдалануға болады (негізгі мақаланы қараңыз: IDN гомографтық шабуыл). Көптеген шрифттерде грек әрпі 'Α', кириллица әрпі 'А' және латын әрпі 'A' визуалды түрде бірдей болып көрінеді, сондай-ақ латын әрпі 'a' және кириллица әрпі 'а' да (осы принцип латын әрпі 'aBceHKopTxy' мен кириллица әрпіне де қолданылады). Домендік атауды осы формалардың біреуін екіншісімен, жеке тіркелген атаумен алмастыру арқылы шатастыруға болады. Сондай-ақ, бір әліпбидегі гомоглифтердің көптеген мысалдары бар, мысалы 'í' (жедел дыбыс белгісімен) және 'i', É (E жедел) және Ė (E үстінде нүктесі бар) және È (E ауыр), Í (жедел дыбыс белгісімен) және ĺ (кішкентай l жедел). Осы қауіпсіздік мәселесін талқылау кезінде екі ұқсас таңбалар тізбегінің "гомоглифтік жұп" ретінде қабылдану мүмкіндігіне қарай бағалауға болады, немесе тізбектер сөздерге ұқсас болса, "псевдогомографтар" ретінде қарастырылады (осы терминдердің өзі басқа контексттерде шатасу тудыруы мүмкін екенін атап өткен жөн). Қытай тілінде көптеген жеңілдетілген қытай таңбалары сәйкес келетін дәстүрлі қытай таңбаларының гомоглифтері болып табылады. TLD тіркелімдері мен веб-браузер дизайнерлері гомоглифтік шатасу қаупін азайтуға тырысады. Әдетте, бұл бірнеше тілден алынған таңбалар жиынтығын араластыратын атауларды тыйым салу арқылы жүзеге асырылады (мысалы, toys Я us.org, онда кириллица әрпі Я қолданылған, жарамсыз болар еді, бірақ wíkipedia.org және wikipedia.org әлі де әртүрлі веб-сайттар болып табылады). Канаданың .ca тіркелімі бір қадам алға жылжып, тек диакритикалық белгілермен ғана ерекшеленетін атаулардың бірдей иесі мен тіркеушісі болуын талап етеді. Қытай таңбаларын өңдеу әр түрлі: org және info тіркелімдерінде бір нұсқаны тіркеу екіншісін ешкімге қол жетімді етпейді, ал biz тіркелімінде бірдей атаудың дәстүрлі және жеңілдетілген нұсқалары екі домендік жиынтық ретінде ұсынылады, олардың екеуі де бір домендік атау серверіне сілтеме жасайды. Қатысты құжаттаманы әзірлеушілердің веб-сайттарында және ICANN ұсынған IDN форумында табуға болады. Кириллицада 'С' әрпі латын 'C' әрпіне ұқсас ғана емес, сонымен қатар JCUKEN QWERTY гибридтік пернетақталарында бірдей батырманы алады. Бұл дизайн ерекшелігі Екатеринбургтегі Пернетақта ескерткішіндегі 'C/С' батырмасында көрінеді.

Unicode has code points for many strongly homoglyphic characters, known as "confusables". and were called to particular attention in regard to internationalized domain names. In theory at least, one might deliberately spoof a domain name by replacing one character with its homoglyph, thus creating a second domain name, not readily distinguishable from the first, that can be exploited in phishing (see main article IDN homograph attack). In many typefaces, the Greek letter 'Α', the Cyrillic letter 'А' and the Latin letter 'A' are visually identical, as are the Latin letter 'a' and the Cyrillic letter 'а' (the same can be applied to the Latin letters "aBceHKopTxy" and the Cyrillic letters ""). A domain name can be spoofed simply by substituting one of these forms for another in a separately registered name. There are also many examples of near homoglyphs within the same script such as 'í' (with an acute accent) and 'i', É (E acute) and Ė (E dot above) and È (E grave), Í (with an acute accent) and ĺ (Lowercase L with acute). When discussing this specific security issue, any two sequences of similar characters may be assessed in terms of its potential to be taken as a 'homoglyph pair', or if the sequences clearly appear to be words, as 'pseudo homographs' (noting again that these terms may themselves cause confusion in other contexts). In the Chinese language, many simplified Chinese characters are homoglyphs of the corresponding traditional Chinese characters. Efforts by TLD registries and Web browser designers aim to minimize the risks of homoglyphic confusion. Commonly, this is achieved by prohibiting names which mix character sets from multiple languages (toys Я us. org, using the Cyrillic letter Я, would be invalid, but wíkipedia. org and wikipedia. org still exist as different websites); Canada's ca registry goes one step further by requiring names which differ only in diacritics to have the same owner and same registrar. The handling of Chinese characters varies: in org and info registration of one variant renders the other unavailable to anyone, while in biz the traditional and simplified versions of the same name are delivered as a two domain bundle which both point to the same domain name server. Relevant documentation will be found both on the developers' Web sites, and on an IDN Forum provided by ICANN. In Cyrillic, Cyrillic С not only looks like Latin C, but also occupy the same button in JCUKEN QWERTY hybrid layout keyboards. This design nuance can be seen on the C/С button represented in Keyboard Monument in Yekaterinburg.

Қасиетті деп тану

Барлық түрдегі гомоглифтерді "қос канонизация" деп аталатын әдіс арқылы анықтауға болады. Домендік атаулардағы гомоглифтік өзгешеліктерді іздеуге қабілетті, қауіпсіздіктің жаңартқыш шешімдерін пайдалану, ықтимал қауіптерді анықтау және алдын алу процесін автоматтандыруға мүмкіндік береді. Сонымен қатар, домендік атауларды қатаң бақылау және тіркеу ережелерін енгізу гомоглифтерге байланысты тәуекелдерді жылдам анықтап, жоюға көмектеседі. Кибер қауіпсіздік мәдениетін қалыптастыру және соңғы технологияларды қолдану арқылы ұйымдар гомоглифтік шабуылдарға қарсы қорғанысын күшейте алады, соның арқасында онлайн ортаны қауіпсіздендіруге болады.