Том 22, № 4 (2023)
Информационная безопасность
Теоретико-информационное представление виртуализации сетевого канала перехвата
Аннотация



Оптимальная нелинейная фильтрация оценок информационного воздействия в стохастической модели информационного противоборства
Аннотация



Сравнительный анализ выявления слухов в социальных сетях с использованием различных классификаторов
Аннотация
По мере того, как число пользователей социальных сетей растет, создание и распространение информации увеличиваются каждый день в огромных масштабах. Люди могут делиться своими идеями и мнениями на этих платформах. Сайт микроблогов в социальных сетях, таких как Facebook или Twitter, является предпочтительным средством обсуждения любого важного события, и информация передается немедленно. Это приводит к быстрому распространению слухов и распространению неточной информации, что вызывает у людей беспокойство. Поэтому важно оценить и подтвердить уровень достоверности такой информации. Из-за сложности текста автоматическое обнаружение слухов на ранних стадиях затруднительно. В данном исследовании используются различные методы NLP для извлечения информации из твитов, а затем применяются различные модели машинного обучения, чтобы определить, является ли информация слухом. Классификация выполняется с использованием трех классификаторов, таких как SVC (Support Vector Classifier), Gradient Boosting и классификаторы Naive Bayes для пяти различных событий из набора данных PHEME. Существуют некоторые недостатки: ограниченная обработка несбалансированных данных, трудность улавливания сложных лингвистических шаблонов, отсутствие интерпретируемости, сложности с обработкой больших пространств признаков и нечувствительность к порядку слов и контексту при использовании вышеуказанных классификаторов. Подход суммирования используется для преодоления вышеуказанных недостатков, при котором выходные данные комбинированных классификаторов представляют собой ансамбль с LSTM. Была проанализирована производительность моделей. Экспериментальные результаты показывают, что ансамблевая модель дает эффективные результаты по сравнению с другими классификаторами с точностью 93,59%.



AAFNDL — точная модель распознавания поддельной информации с использованием глубокого обучения вьетнамского языка
Аннотация
В интернете «фейковые новости» - это распространенное явление, которое часто беспокоит общество, поскольку содержит заведомо ложную информацию. Проблема активно исследовалась с использованием обучения с учителем для автоматического обнаружения фейковых новостей. Хотя точность растет, она по-прежнему ограничивается идентификацией ложной информации через каналы на социальных платформах. Это исследование направлено на повышение надежности обнаружения фейковых новостей на платформах социальных сетей путем изучения новостей с неизвестных доменов. Особенно трудно обнаружить и предотвратить распространение информации в социальных сетях во Вьетнаме, потому что все имеют равные права на использование интернета для разных целей. Эти люди имеют доступ к нескольким платформам социальных сетей. Любой пользователь может публиковать или распространять новости через онлайн-платформы. Эти платформы не пытаются проверять пользователей, их местоположение или содержимое их новостей. В результате некоторые пользователи пытаются распространять через эти платформы фейковые новости для пропаганды против отдельного лица, общества, организации или политической партии. Мы предложили проанализировать и разработать модель распознавания фейковых новостей с использованием глубокого обучения (называемого AAFNDL). Метод выполнения работы: 1) во-первых, анализируем существующие методы, такие как представление двунаправленного кодировщика от преобразователя (BERT); 2) приступаем к построению модели для оценки; 3) подходим к применению некоторых современных методов к модели, таких как метод глубокого обучения, метод классификатора и т.д., для классификации ложной информации. Эксперименты показывают, что наш метод может улучшить результаты на 8,72% по сравнению с другими методами.



Цифровые информационно-коммуникационные технологии
Компенсация ошибок, вызванных временной задержкой цифровых датчиков
Аннотация



Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы
Аннотация



Оппортунистическая маршрутизация на основе гибридной оптимизации с учетом спектра для самоорганизующихся сетей когнитивной радиосвязи
Аннотация
Оппортунистическая маршрутизация повысила эффективность и надежность в самоорганизующихся сетях когнитивной радиосвязи (CRAHN). Многие исследователи разработали модели оппортунистической маршрутизации, в том числе модель оппортунистической маршрутизации на базе карты спектра (SMOR), которая считается более эффективной моделью в этой области. Однако в SMOR существуют определенные ограничения, которые требуют внимания и устранения. В данной статье рассматривается проблема задержки и ухудшения коэффициента доставки пакетов из-за неучета пропускной способности сети. Чтобы решить эти проблемы, в базовой модели маршрутизации SMOR используется гибридный алгоритм оптимизации, состоящий из алгоритмов оптимизации Firefly и Grey Wolf. Разработанная таким образом гибридная модель маршрутизации SMOR на основе оптимизации Firefly и Grey-Wolf (HFGWOSMOR) повышает производительность за счет высокой локальной и глобальной поисковой оптимизации. Первоначально анализируется взаимосвязь между задержкой и пропускной способностью, а затем устанавливается совместная многолучевая связь. Предлагаемая модель маршрутизации также вычисляет значения энергии принимаемых сигналов в пределах порога полосы пропускания и периода времени, и, следовательно, проблемы с производительностью, обнаруженные в SMOR, решаются. Чтобы оценить её эффективность, предложенная модель сравнивается со SMOR и другими существующими моделями оппортунистической маршрутизации, которые показывают, что предлагаемая модель HFGWOSMOR работает лучше, чем другие модели.



Интеграция разнородных информационных ресурсов и данных дистанционного зондирования Земли при мониторинге и управлении развитием территорий
Аннотация


