2025/12/15 23:56

We are discontinuing the dark web report

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

要約

Google は消費者アカウント向けのダークウェブ侵害監視サービスを終了し、2026年1月15日に新規スキャンを停止し、2026年2月16日までに関連データをすべて削除します。会社はレポートが限定的な実行可能なステップしか提供していないと述べており、Security Checkup、Google アカウント用パスキー作成、Google Safety Center の Authentication Tools、Google パスワードマネージャー、および Password Checkup など、より明確な保護を提供する他のセキュリティツールへユーザーを誘導しています。

既存の消費者は、最終削除前にいつでも監視プロファイルを削除できます。手順は Dark Web Report → 「あなたの情報が含まれる結果」→ 監視プロファイル編集 → 監視プロファイル削除 の順です。さらに、「あなたについての結果」ツールでは、Google 検索結果に表示される個人情報を検索し、その削除をリクエストできます。

この監視は個人用 Google アカウントのみが対象であり、Google Workspace（ビジネス）アカウントや監督付きアカウントにはアクセス権がありませんでした。そのため、サービス終了の影響を受けません。

本文

ダークウェブレポート（暗号化されたネットワーク上であなたの個人情報を検索するために設計されていたサービス）は、以下の日程で停止します。

2026年1月15日 – 新しいダークウェブ侵害のスキャンを終了
2026年2月16日 – ダークウェブレポートは利用できなくなる

ダークウェブレポートを廃止する理由

このレポートは一般的な情報提供にとどまっており、実際に取るべき対策が示されていないとのフィードバックが多く寄せられました。今後は、オンラインでデータを守るための具体的かつ実践的な手順を提示できるツールへ注力します。ダークウェブを含むあらゆるオンライン脅威に対して監視・防御を継続し、個人情報保護のための新しいツール開発にも取り組みます。

既存のセキュリティツールをご活用ください：

Security Checkup（セキュリティチェックアップ）
Google アカウントへのログインにパスキーを作成する
安全なサイン‑インのための認証ツール（Google Safety Center）
Google パスワードマネージャー
Password Checkup（パスワードチェックアップ）

「あなたに関する結果」を使う

このツールは、電話番号や住所など Google 検索結果から個人情報を探し出し、削除リクエストを行うことができます。オンラインで安全に過ごすための詳細もご覧ください。

監視プロファイルデータの扱い

2026年2月16日 にダークウェブレポート関連の全データは削除されます。必要なら早めにプロファイルを削除していただけます。削除後はレポートへのアクセスができなくなります。

監視プロファイルの削除手順

コンピュータでダークウェブレポートを開きます。
「あなたに関する結果」セクションで編集（Edit monitoring profile）をクリックします。
ページ下部にある 監視プロファイルを削除（Delete monitoring profile）を選択します。

ポイント：ダークウェブレポートの対象となるのは、消費者向け Google アカウントのみです。Google Workspace アカウントや保護付きアカウントは対象外です。

この情報は役に立ちましたか？改善点があればお知らせください。

同じ日のほかのニュース

一覧に戻る →

2025/12/16 6:37

Fix HDMI-CEC weirdness with a Raspberry Pi and a $7 cable

## Japanese Translation: > **概要：** > Samsung S95B TV（論理アドレス 0x00）、Denon AVR‑X1700H（0x05）、Apple TV、PS5、Xbox Series X、Nintendo Switch 2、および `/dev/cec0` をリッスンする Raspberry Pi 4 が含まれるホームシアター構成で、テレビの入力にのみ切り替えるコンソールが原因となるオーディオルーティング問題を著者は解決します。 > Pi（論理アドレス 0x01）から AVR に「System Audio Mode Request」パケット（`15:70:00:00`）を送信することで、受信機は ARC を有効化し、すべてのコンソールオーディオをテレビではなく自身経由でルーティングします。 > 著者は Python スクリプト `cec_auto_audio` でこれを実装しており、長時間稼働する `cec-client -d 8` を起動し、TRAFFIC 行から Active Source イベント（オペコード 0x82）を解析し、以前に Set System Audio Mode（オペコード 0x72）が検出されていない場合に毎回ウェイク時にパケットを送信します。 > スクリプトは systemd サービス `cec_auto_audio.service` としてパッケージ化され、起動時に開始されます。これにより、多層の HomeKit/Eve オートメーションと比べて低レイテンシで軽量な代替手段を提供します。 > トラブルシューティングガイドには、スキャン（`echo "scan" | cec-client -s`）、トラフィック監視（`cec-client -m`）、および欠落オペコード（0x82, 0x84, 0x70, 0x72）の良いケースと悪いケースの比較が含まれます。 > 残るエッジケースとして、コンソールのスタンバイがテレビチューナーを起動させる場合や HomeKit オートメーションがアクティブなソースなしでテレビをオンにする場合などには、追加の状態機械ロジックが必要になる可能性があります。著者はコミュニティメンバーに対し、より広範なトラブルシューティングのために CEC パケットトレースを共有してもらうよう呼びかけています。

2025/12/11 8:54

Nature's many attempts to evolve a Nostr

## Japanese Translation: **要約** 人気のあるアプリケーションの普遍的な設計は、ユーザーのデータと暗号鍵を所有する単一クラウドサーバーに集中しています（「あなたの鍵がないなら、あなたのデータではない」）。この中央集権化は封建制や寡占構造を生み出します。サーバーは橋を上げてユーザーを切り離す城のような存在です。フェデレーション（例：Mastodon、Matrix）はサーバー間で通信できるようにしますが、鍵とデータは依然としてサーバーの管理下にあり、ネットワーク理論はそのようなフェデレートシステムがスケールフリー分布へ収束し、支配的なハブを生み出すと予測しています。これはGmail/ProtonMail のメール寡占や Facebook Threads の ActivityPub ノードが Fediverse を支配する現象として観察されています。セルフホスティングは居住IPの禁止やインフラコストにより多くのユーザーが個人サーバーから離れるため、非実用的になります。ピアツーピアネットワークはユーザー所有鍵を提供しますが、拡張性、信頼できないノード、スーパーpeer の中央集権化、複雑な最終的一致メカニズム、および長い多ホップルーティング遅延に悩まされます。 Nostr プロトコルは「リレーモデル」を提案します。単純で信頼できないリレーは署名されたメッセージを転送するだけで、相互通信しません。これにより $N^2$ スケーリング問題を回避します。ユーザーは数個（通常 2–10）のリレーユーザーに購読し、自分のデータと鍵を完全に制御でき、リレーが失敗または停止した場合でも信頼性高く離脱できます。広く採用されれば、これはユーザーに真の所有権と単一点障害への耐久性を与え、中央集権サーバーに依存する企業に対し、よりユーザー中心で分散型アーキテクチャとの競争を強いるでしょう。これにより、ソーシャルメディアやメッセージングは真の分散モデルへと再構築される可能性があります。

2025/12/12 15:47

“Are you the one?” is free money

## 日本語訳: --- ## 要約この記事は、番組「Are You the One?」の参加者が数学モデルを用いて、最終エピソード前にほぼ確実に全ての正しいカップルを推測できる方法を説明しています。戦略的にトゥルーブースとエピソード終了時のマッチアップデータを活用することで達成されます。 - **ゲーム設定**：10人の男性と10人の女性が、色でのみ明らかになる10組の完璧なペアに分けられます。参加者はすべてのペアを正しく推測し、100万ドルを獲得します。 - **情報源**： - *トゥルーブース* は特定のペアが成立しているかどうか（バイナリ結果）を確認します。 - *エピソードマッチアップ* はそのラウンドで正しいペアの総数のみを明らかにします。「ブラックアウト」エピソード（0件マッチ）は、そのラウンド内のすべてのペアについて否定的な情報を提供し、複数のトゥルーブースと同等の効果があります。 - **モデル**：著者は OR‑Tools の最適化フレームワークを構築し、シーズン開始時に約400万件の有効マッチング（≈4 百万）を追跡し、各イベント後に更新します。シーズン1ではエピソード8でモデルが「解読」されました。 - **情報理論**：各イベントは約1〜1.6ビットの情報量を提供します。シミュレーションでは ~1.23 bits/イベント、実際の番組データでは ~1.39 bits/イベント、最適戦略で最大 1.59 bits/イベントが得られます。全検索空間は約22ビット（10!）を必要とするため、完璧な戦略には平均して約1.1 bits/イベントが十分です。 - **結果**： - ランダムペアリングでは、カップル数に関係なく平均正解スコアは約1になります。 - 100シーズンのランダムシミュレーションでモデルを使用した成功率は74％でしたが、情報理論戦略では98％に上昇します。 - 実際の番組データ（7シーズン）では71％の成功率と約1.39 bits/イベントとなり、純粋なランダムよりわずかに優れていますが、理論的最適値にはまだ届きません。 - **今後の作業**：著者はインタラクティブなウェブツールを開発予定で、ユーザーが異なる戦略を試し、必要な情報ビット数を確認し、実際のデータとパフォーマンスを比較できるようにします。 **影響** 本研究は参加者やプロデューサーに対して効率的な質問設計のための具体的なアルゴリズムフレームワークを提供し、エンターテインメントにおける組合せ最適化とベイズ推論の実用例を示すとともに、研究者にリアルワールドケーススタディとしてさらなる探求の機会を与えます。