Fluid Attacks CTF 2026: Coding - Emoji Classifier

🎯 Objetivo

Se nos proporcionó un dataset CSV masivo (emoji_dataset.csv) conteniendo miles de entradas con IDs, caracteres Emoji y etiquetas de texto (ej. “cat”, “dog”). El problema: muchas etiquetas eran incorrectas.

El reto exigía crear un script eficiente para detectar todas las entradas mal etiquetadas y devolver sus IDs ordenados.

💻 Solución

Dado el volumen de datos, la revisión manual era imposible. La solución requiere un enfoque de comparación contra una “fuente de verdad”.

1. Definición de la Verdad

Primero, establecemos un diccionario que mapea cada caracter emoji a su etiqueta correcta e inmutable.

Full Solver Script (`main.py`)

import csv
from typing import List

# --- SOLUCIÓN PARA EL RETO CTF ---

def find_mislabelled() -> List[int]:
    # 1. Mapa de verdad (Emoji -> Etiqueta Correcta)
    truth = {
        '😺': 'cat',
        '🐶': 'dog',
        '🍎': 'apple',
        '🚗': 'car'
    }
    
    bad_ids = []
    
    # 2. Leemos el archivo asegurando la ruta correcta y codificación
    try:
        # Usamos ruta relativa estándar para el reto
        path = './data/emoji_dataset.csv'
        
        with open(path, mode='r', encoding='utf-8') as f:
            reader = csv.DictReader(f)
            
            for row in reader:
                # Extraemos datos
                eid = int(row['id'])
                emoji = row['emoji'].strip()
                label = row['label'].strip()
                
                # 3. Verificamos si la etiqueta coincide con la realidad
                if emoji in truth:
                    expected = truth[emoji]
                    if label != expected:
                        bad_ids.append(eid)
                        
    except Exception as e:
        print(f"Error leyendo archivo: {e}")
        return []

    # 4. Retornamos la lista ordenada (Requisito del reto)
    return sorted(bad_ids)

# --- BLOQUE DE EJECUCIÓN ---
if __name__ == "__main__":
    resultado = find_mislabelled()
    print(f"IDs Encontrados ({len(resultado)}): {resultado}")

3. Optimización

El script debe ser rápido.

Usar diccionarios (hash maps) garantiza búsquedas O(1).
Leer el archivo línea por línea evita cargar todo el dataset en memoria RAM, lo cual es crucial para datasets gigantes.

🏆 Resultado