task-2718/detect-censorship.R

   1 # Tor Censorship Detector
   2 # Usage: R --slave < detect-censorship.R
   3
   4 # Read CSV file containing daily user number estimates.
   5 direct <- read.csv("direct-users.csv")
   6
   7 # Start plotting everything to a single PDF (with multiple pages).
   8 pdf("detect-censorship.pdf")
   9
  10 # Convert the column containing daily Iranian users to a time series
  11 # object, starting on the 263th day of 2009 with a frequency of 365 days.
  12 # We're probably off by a day or two, but this should be fine for now.
  13 all <- ts(direct$ir, start = c(2009, 263), frequency = 365)
  14
  15 # Uncomment to print the time series values.
  16 #print(all)
  17
  18 # Let's try our approach for the last 365 days to see if we detect any
  19 # blocking in that time period.  In the final version of this script, we'd
  20 # only have a single run with i = 1.
  21 for (i in 365:1) {
  22   idx <- length(direct$date) - i
  23
  24   # Convert the daily Iranian users until i days in the past to a time
  25   # series object.
  26   x <- ts(direct$ir[1:idx], start = c(2009, 263), frequency = 365)
  27
  28   # Apply an ARIMA(1, 0, 1) model to the time series.
  29   x.fit = arima(x, order = c(1, 0, 1))
  30
  31   # Predict 10 dates ahead.
  32   x.fore=predict(x.fit, n.ahead=10)
  33
  34   # Calculate a lower bound.  Here we use the predicted value minus three
  35   # standard errors.
  36   L = x.fore$pred - 3*x.fore$se
  37
  38   # If the observed daily user number is lower than our predicted lower
  39   # bound, plot the data and lower bound.
  40   if (direct$ir[idx + 1] < L[1]) {
  41
  42     # Plot the full time series.
  43     ts.plot(all)
  44
  45     # Add a line for the ten predicted values.
  46     lines(L, col = "red", lwd = 2)
  47   }
  48 }
  49
  50 # Close the PDF device.
  51 dev.off()
  52