АНАЛИЗ МЕТОДОВ ПОИСКА ИНФОРМАЦИИ И ИНТЕЛЛЕКТУАЛЬНАЯ КЛАССИФИКАЦИЯ ИНФОРМАЦИИ ИЗ ДАРКНЕТА
DOI:
https://doi.org/10.52167/1609-1817-2024-135-6-214-222Ключевые слова:
индексирование, даркнет, машинное обучение, NLP, цифровая криминалистика, интеллектуальная классификация, анализ данных, кибербезопасность, TOR, краулеры, нейронная сеть, BERT, LSTM, FastText, TF-IDFАннотация
В данной статье проводится анализ существующих методов поиска информации и интеллектуальной классификации данных, доступных в закрытых сетях даркнета. Рассматриваются особенности текстовых данных, специфичные для даркнета, такие как наличие специализированного сленга, жаргона и кодовых выражений. Представлен сравнительный анализ традиционных методов поиска и современных подходов, основанных на применении нейронных сетей, включая модель BERT и её адаптации для поиска в даркнете. Описаны вызовы, связанные с доступностью и индексированием информации, а также предложены методы классификации, направленные на повышение точности выявления и фильтрации незаконного контента. Статья подчеркивает значимость использования машинного обучения для автоматизации поиска и мониторинга даркнета, что может способствовать улучшению информационной безопасности.
Библиографические ссылки
[1] Greengard, Samuel. "Tor (network)". Encyclopedia Britannica, 21 Aug. 2024, https://www.britannica.com/technology/Tor-encryption-network. Accessed 16 October 2024.
[2] Montasari, R., Boon, A. (2023). An Analysis of the Dark Web Challenges to Digital Policing. In: Jahankhani, H. (eds) Cybersecurity in the Age of Smart Societies. Advanced Sciences and Technologies for Security Applications. Springer, Cham. https://doi.org/10.1007/978-3-031-20160-8_19.
[3] Vildanov Timur Emilievich, Ivanov Nikita Sergeevich Analysis of parsing and web scraping tools in the framework of developing an arbitration investment strategy in the sports betting market // Skif. 2021. No. 5 (57).
[4] Mitchell, R. (2018). Web Scraping with Python: Collecting Data from the Modern Web. O'Reilly Media, Inc.
[5] Akzholov R.K., Veriga A.V. TEXT PREPROCESSING FOR SOLVING NLP PROBLEMS // Science Bulletin. 2020. No. 3 (24).
[6] Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017). "Enriching Word Vectors with Subword Information." Transactions of the Association for Computational Linguistics, vol. 5, pp. 135-146.
[7] Ramos, J. (2003). "Using TF-IDF to Determine Word Relevance in Document Queries." Proceedings of the First International Conference on Machine Learning.
[8] Zhou, Peng & Shi, Wei & Tian, Jun & Qi, Zhenyu & Li, Bingchen & Hao, Hongwei & Xu, Bo. (2016). Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification. 207-212. 10.18653/v1/P16-2034.
[9] Sayeed, Md Shohel & Roji, Varsha & Anbananthen, Kalaiarasi. (2023). BERT: A Review of Applications in Sentiment Analysis. HighTech and Innovation Journal. 4. 453-462. 10.28991/HIJ-2023-04-02-015.
[10] Schölkopf, B., & Smola, A. J. (2002). Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Асель, Асем Шаяхметова, Нургуль Байтемирова, Валентина Махатова, Дариха Рыспаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
