La Quadrature du Net

Un historique de toutes nos réunions

Table des matières

mercredi 10 mars 2010

La voix du secrétaire (Jean)

Présents à la réunion, en fonction de l'ordre d'arrivée :

Olivier (M),
moi,
Emmanuel (un nouveau, aucun rapport avec Emmanuel S),
Théo,
Nils,
Jérôme,
Nicolas,
Jérôme,
Laurent (G),
Charles,
Simon de la Quadrature du Net,
un participant dont je n'ai pas appris le nom,
Laurent (B),
Dam's,
et David (L).

Nous avons mangé des salades aux lardons, ou au Saint-Félicien, de l'andouillette, du saucisson de Lyon et de la bavette. Nous avons bu diverses bières, dont de l'Orval, ainsi que de la vodka et deux Ricard et une limonade.

Avec la venue de Simon, il a été question de la Quadrature du Net. Nous avons également parlé d'Internet, et d'informatique. Quant à Perl, il en a été question dans certains sujets concernant Internet.

La Quadrature du Net

Simon ne s'est pas contenté d'apporter les « Pi-shirts » promis, il nous a évoqué les dernières actualités concernant les sujets qui occupent la Quadrature du Net. En ce moment, le Parlement européen participe à la discussion sur un projet de traité nommé « ACTA », destiné à lutter contre la contrefaçon. Il s'agit autant du piratage des logiciels informatiques que de la contrefaçon des chemises Lacoste et des briquets Cartier. Or, il se trouve que les députés européens ont dû signer un accord de non-divulgation, destiné à les empêcher de communiquer au public la teneur du projet de loi avant qu'il soit voté. Certains ont trouvé cela si scandaleux qu'ils ont décidé de passer outre la consigne contre la divulgation et de laisser sortir certains passages du projet. Pour cela, il y a eu paraît-il des scènes dignes de James Bond, avec des députés ouvrant leur dossier sur les genoux cachés par leur pupitre et photographiant en douce les documents pour les diffuser ensuite. Le résultat a été que le Parlement Européen a décidé que la discussion du projet se ferait au grand jour de façon démocratique, ou bien le projet de traité serait rejeté d'office s'il n'y a pas de discussion ouverte. Le processus démocratique a été sauvé, mais il reste encore du travail pour la Quadrature du Net.
Lors du vote de la loi HADOPI deuxième version et du vote de la loi LOPPSI, certaines chaînes de télévision ont montré une Assemblée Nationale active, assidue, débordant de monde, participant aux débats. La vérité est très différente : il n'y avait que quelques dizaines de députés lors du vote de cette loi. En conséquence de quoi, la Quadrature du Net a porté l'affaire devant le CSA qui a jugé que les chaînes en cause devraient diffuser un démenti aux heures de grande écoute.
Simon évoque un homme d'affaires américain, qui finance les associations comme la sienne avec les bénéfices qu'il effectue à la bourse. Cet individu veut bien donner de l'argent à l'association, mais à la condition expresse qu'il ne soit pas le seul à contribuer. Non pas qu'il cherche à économiser ses deniers personnels, mais il souhaite que l'association ne devienne pas le porte-parole de ses requêtes à lui, mais qu'elle continue à défendre les intérêts de plusieurs classes de la population.
Simon nous donne la liste des membres de la Quadrature du Net. Il y a un seul permanent qui, jusqu'à présent, ne touchait pas de salaire. Heureusement pour lui, avec la campagne d'appel au financement de l'association, il y a un peu plus de réserves financières et donc, ce permanent peut disposer d'un salaire régulier. Précédemment, il ne recevait que le remboursement des notes de frais. Et à part ce permanent, il y a quelques autres personnes, dont Simon, qui travaillent, à temps partiel.

Internet

Nils s'est récemment intéressé à Skyblog. Comme le nom le laisse deviner, ce site a été créé par l'informaticien de Skyrock, qui n'a pas prévu l'ampleur et le succès de ce site, D'ailleurs, cela se voit lorsque l'on examine l'aspect technique du site. Ainsi, les commentaires ajoutés à un billet sont simplement des paragraphes de texte séparés par des balises <p>. Il n'y a pas de structure, comme des listes « à puces » <ul> <li>.
Un autre aspect de cette impression de bricolage est que l'ajout d'un commentaire n'est pas immédiat. Il faut attendre une période de baisse de charge, pour que le serveur puisse consacrer un peu de CPU à regénérer les pages HTML dans lesquelles des commentaires ont été ajoutés. De même, il existe un moteur de recherche pour Skyblog. Ce moteur a été écrit par une société extérieure, dont c'est la compétence principale. On observe que les résultats des requêtes que l'on soumet au moteur de recherche ne reflètent pas l'état actuel du site, mais l'état de la veille. Nils pense donc, avec un peu de mauvaise foi, que tous les soirs, l'informaticien de Skyblog constitue une archive .tar.gz des fichiers modifiés et qu'il envoie cette archive à la société qui s'occupe du moteur de recherche.
Le public de Skyblog est nettement séparé du public de Facebook. Les adolescents vont sur Skyblog tandis que leurs parents vont sur Facebook. Les adolescents préfèrent éviter Facebook, car leurs parents s'y trouvent déjà et, dans le cas où un adolescent ouvrirait un compte sur Facebook, inévitablement son père ou sa mère lui soumettrait une proposition d'amitié, proposition que l'adolescent aurait du mal à refuser. En conséquence de quoi, les parents pourraient surveiller l'activité de leur enfant sur Internet, ou plus précisément sur le web 2.0. Tandis que Skyblog n'attire pas les parents, donc cela permet aux adolescents d'avoir leur domaine réservé loin du regard inquisiteur de leurs parents.
Il existe néanmoins une catégorie d'adultes qui fréquentent Skyblog : les professeurs de lycée, qui tentent de savoir un peu ce que pensent leurs élèves. On différencie aisément le blog d'un professeur du blog d'un lycéen. Le blog d'un lycéen est écrit en style SMS tandis que le blog d'un professeur est écrit en français correct et le sujet principal de ce blog est la détérioration de l'orthographe chez les jeunes.
Skyblog n'est pas seulement utilisé par les adolescents français, mais également par les adolescents québecois. C'est ainsi que Nils a lu sur un blog l'interjection « KR1S » qu'il a eu du mal à interpréter, jusqu'au moment où il a réalisé que c'était l'écriture en mode SMS du juron québecois « Christ ! » Il espère voir un jour écrit « Tabernacle! » en mode SMS, mais il craint que sa recherche n'aboutisse jamais, car c'est trop long à écrire, donc peu compatible avec l'attitude SMS de Skyblog.
Quelqu'un d'autre intervient pour signaler qu'il utilise la barre d'outils de Google lorsqu'il surfe sur le web. Cette barre d'outils comporte un bouton permettant de traduire les pages web d'une langue étrangère à votre langue maternelle. Et pour vous faciliter la vie, Google analyse la page que vous visualisez pour en deviner le langage et vous proposer cette langue par défaut. Le problème, c'est que lorsque cet intervenant consulte le blog d'une adolescente, la barre d'outils propose une traduction allemand -> français, alors que le blog est écrit en français. En fait, compte tenu du mode SMS, notamment du remplacement systématique de « qu » par « K », on peut comprendre que Google puisse avoir des problèmes pour identifier la langue utilisée.
Lorsqu'il analyse une page web, Nils cherche à différencier les parties purement techniques concernant la navigation des parties intéressantes, porteuses de contenu de la page web. Pour cela, un critère assez simple à mettre en œuvre est de compter le nombre de lettres et le nombre de caractères de ponctuation : si la ponctuation est plus importante que les lettres, c'est un élément technique de navigation à laisser tomber, si les lettres sont plus nombreuses que la ponctuation, c'est du texte porteur de sémantique. Sauf que dans le cas de Skyblog, cela ne fonctionne pas. Non seulement il y a l'utilisation du style SMS, mais en plus les bloggueurs usent et abusent de certains signes de ponctuation, n'hésitant pas à conclure leur billet par une ligne entière de points d'exclamation. Cela dit, on peut s'interroger sur l'application de l'expression « porteur de sémantique » appliquée à ce genre de billet.
Un autre obstacle à l'analyse du texte est la coutume consistant à écrire un texte en dégradé de couleur. Cette technique consiste à insérer des balises <span> pour chaque caractère. Curieusement, on peut constater que dans ces balises, les couleurs sont spécifiées par un triplet hexadécimal plutôt que par le nom en clair (mais en anglais) de la couleur souhaitée.
Sur Skyblog, circulent des questionnaires que les adolescents s'empressent de remplir, alors que les questions sont très inquisitrices sur la vie privée du questionné. Et Nils a pu constater que certains utilisateurs de Skyblog ont adopté un login très proche de leur identité de tous les jours, donc ces questionnaires représentent une réelle menace pour la protection de la vie privée de ces utilisateurs. Cela n'a nullement empêché ces adolescents de répondre au questionnaire. Nils fait remarquer que dans la version québecoise du questionnaire, figure une question du genre « quel est le prof que vous détestez le plus ? ». Et les adolescents ne voient aucun inconvénient à répondre à cette question, pas plus qu'aux autres. D'autre part, si jamais un professeur cherche à savoir s'il est mentionné sur Internet et lance une recherche sur Google, que pensera-t-il si la seule mention de son nom figure dans la réponse à cette question ?
Une coutume curieuse en vigueur sur Skyblog est la course aux commentaires. Chacun cherche à avoir le plus possible de commentaires sur ses billets. Du coup, certains utilisateurs proposent des échanges du genre « Pour chaque commentaire que vous ajoutez à mon blog, j'en mets trois sur le vôtre. » Certains utilisateurs sont tellement avides de commentaires qu'ils proposent ce marché avec un rapport de 8 commentaires donnés pour chaque commentaire reçu. Aucune considération n'est apportée au contenu sématique desdits commentaires.
On trouve un phénomène analogue sur Twitter. Certains utilisateurs de Twitter cherchent à accumuler les followers. Certains ont plus d'un millier de followers et pourtant, n'ont jamais reçu de twit qui leur soit directement adressé.
Un participant évoque :le filtrage des adresses web lorsque l'on est en Chine. Il semblerait qu'il soit impossible d'accéder aux adresses en .org. De même, il est impossible de lire les pages web des abonnés de Free, sans doute à cause du nom subversif de ce fournisseur d'accès. Est-ce que le logiciel de filtrage est capable de reconnaître les mots subversifs dans d'autres langages que l'anglais et apparaissant dans une sous-chaîne, comme agendadulibre.fr ?
De nombreux sites web chinois consistent simplement en un script JavaScript, il n'y a même pas la séparation du <head> et du <body>. Pourquoi une telle organisation ? Toujours est-il que cela explique l'intérêt des perleurs chinois pour WWW::Mechanize.
Nils évoque l'analyse des sites web entièrement en JavaScript ou entièrement en Flash. En effet, sa tâche est compliquée par le fait qu'il ne dispose pas de la structure HTML. Il est obligé de se contenter d'extraire les chaînes de caractères en dur dans le source JavaScript. Mais il n'est pas toujours possible dans ce cas de savoir si la chaîne de caractères apparaîtra dans le <head> généré ou dans le <body> généré, ni si elle apparaîtra en tant que texte affiché ou en tant qu'attribut d'une balise <a href='...'> par exemple. Et pour Flash, c'est encore plus compliqué, car il y a plusieurs versions de Flash, incompatibles entre elles.
Emmanuel et Nils évoquent une autre classe de pages web pour lequelles l'analyse est ardue : les pages web formatées à grands coups de tables emboîtées. Typiquement, une telle page web contient une table à trois colonnes, la colonne centrale contenant le texte intéressant de la page et les deux colonnes extérieures assurant simplement des fonctions de navigation. Mais ce n'est pas toujours le cas et d'autre part, il arrive que cette table à trois colonnes soit déjà emboîtée dans une autre table. Et finalement, peut-être y a-t-il des données tabulaires pour lesquelles la balise <table> est justifiée ? Pour identifier ce dernier cas, il existe un critère heuristique assez simple. Si la table comporte des cellules d'en-tête <th>, il s'agit de données tabulaires. S'il n'y a que des cellules <td>, la table sert uniquement à formater l'affichage de la page web.
Si j'ai bien compris, Drupal insère des balises sémantiques dans les pages web générées. Cela serait donc très bien pour Nils, qui verrait son travail d'extraction et d'analyse facilité grâce à ces indications sur la sémantique de la page web. Sauf que la pénétration de Drupal sur le web français est très faible.
Emmanuel a défini une base de données en MySQL sans spécifier aucune clé primaire. Il ne voit pas l'intérêt de spécifier une clé primaire pour une table, sachant que l'on peut déclarer que tel ou tel index rejette les doublons sans pour autant que ce soit la clé primaire de la table. De même, les clés étrangères peuvent fonctionner sans que l'on ait défini de clé primaire pour aucune des tables concernées par la relation de clé étrangère. Ensuite, Emmanuel a voulu utiliser Catalyst pour accéder à sa base de données dans une application web et cela n'a pas fonctionné. Pourquoi ? Parce que Catalyst, tout comme la plupart des ORM, se base sur les clés primaires pour identifier les relations entre tables. La notion de clé primaire est purement sémantique et les ORM tirent partie de cette sémantique pour éviter que les utilisateurs soient obligés de spécifier les relations entre tables lors du paramétrage de l'ORM.
Il a été question de Dancer, créé par Alexis Sukrieh, que certains ont rencontrés à diverses conférences. Dancer est un framework léger pour du web dynamique. Si nécessaire, il est possible de le compléter par un outil de formattage tel que Template Toolkit 2.
Quelqu'un a évoqué une manière de bloquer un serveur Apache. Lorsque Apache est lancé, il crée un certain nombre de processus fils, appelés processus workers, pour permettre des connexions multiples. Disons 100 workers pour fixer les idées. Pour bloquer Apache, la méthode consiste à ouvrir 100 connexions HTTP avec le serveur et à ne plus rien envoyer sur ces connexions. Ainsi, si une demande de connexion arrive d'un client légitime, elle sera refusée, Apache ayant épuisé son quota. L'attaque est vicieuse dans la mesure où elle ne provoque pas un accroissement de la charge CPU ou de la mémoire utilisée, elle est donc indécelable avec les outils de surveillance du système. Et en supposant que l'administrateur Apache se soit rendu compte du blocage, le seul moyen de débloquer la situation consiste à couper la totalité des connexions. Or, parmi les 100 connexions établies, il y en a peut-être quelques-unes, 3 ou 4, provenant de clients légitimes...
Google conserve les logs de tout ce qui passe chez eux : requêtes soumises au moteur de recherche, messages reçus sur les comptes Gmail et ainsi de suite. Ce que les gens ne réalisent pas forcément, c'est que cela s'applique également aux conversations tenues sur GoogleTalk, qui sont considérées par la plupart des gens comme du domaine du volatil et de l'éphémère. Et GoogleTalk est plus facile à traiter et à analyser que des écoutes téléphoniques qui, rappelons-le, ne sont jamais utilisées. Et rappelons également que certains présidents de la République Française ont annoncé lors de leur entrée en fonction après avoir été élus qu'ils faisaient détruire les archives des écoutes téléphoniques. Tâche très simple, puisque les écoutes téléphoniques n'existent pas.
Il existe un risque inverse, avec Gmail, celui de voir disparaître ses archives personnelles sans pouvoir les récupérer. Même si comme indiqué plus haut, Google conserve la trace de toutes les informations qui passe dans ses mains, on n'est pas à l'abri d'une panne de machine avec perte de données. Ou bien, ainsi que cela s'est passé avec Caramail, le site web sur lequel vous avez externalisé votre vie privée ferme boutique sans crier gare et les archives de votre vie privée disparaissent dans l'oubli.

Informatique

Il a été question d'Unicode et des encodages UTF-nn. Par exemple, en UTF-8, il existe, ou plutôt il existait, plusieurs façons différentes d'encoder certains caractères. Rien à voir avec la décomposition de certains caractères, comme par exemple « é » = U+00E9 = U+0065 + U+0301, mais avec la décomposition
```
  U+00E9 -> 0xC3A9.
```
Si j'ai bien compris, dans certains cas, l'ancienne spécification d'UTF-8 permettait d'obtenir une séquence d'octets comportant des octets nuls, donc des chaînes propices à des failles de sécurité dans les programmes écrits en C. La nouvelle version évite l'utilisation d'octets nuls.
Olivier évoque un nouvel encodage, UTF-7.5. Cet encodage a pour but une compatibilité avec ISO-8859-1. Dans cet encodage, les codepoints U+0000 à U+007F et de U+00A0 à U+00FF sont codés sur un seul octet et les autres codepoints sont codés uniquement avec les octets 0x80 à 0x9F, correspondant à des caractères de contrôle inusités en pratique.
Nils évoque la cohabitation entre le Latin-1 et le Latin-9. La seule différence entre ces deux codages est que le Latin-9 comporte le « œ » et le symbole de l'euro, qui remplacent des caractères peu utilisés du Latin-1. En pratique, les serveurs web ignorent complètement la différence entre ces deux codages et envoient des pages en Latin-9 en précisant dans les en-têtes HTTP ou HTML que c'est du Latin-1. Et malgré cela, certains navigateurs web affichent correctement les « œ » et les euros !
Il a été question des anciens Unix, comme AIX, QENIX et SCO, mais j'ai oublié le détail de la conversation. Je me souviens simplement qu'Olivier a signalé que la détermination du fuseau horaire sur HP-UX est assez inhabituelle, voire tordue et que cela justifie l'écriture d'un module Perl pour cela. Module qu'il a donc écrit lui-même.