Проблемы защиты от ложной информации в компьютерных сетях
Ключевые слова:
достоверность, ложная информация, анализ текста, классификация, онтология, информационная безопасностьАннотация
Анализируется текущее состояние в области защиты от ложной информации в компьютерных сетях и формулируются актуальные проблемы, связанные с этой защитой. Предлагается подход к оценке мероприятий защиты от такой информации на основе использования марковской модели дезинформирования. Раскрывается архитектура перспективной системы анализа информации в компьютерных сетях по требованиям достоверности. В рамках этой архитектуры рассматриваются усовершенствованные методы анализа достоверности текстов. Предлагается комплексный подход к использованию известных и предложенных методов для оперативного выявления ложной информации в компьютерных сетях. Кроме того, метод может применяться в области борьбы с киберпреступностью и терроризмом для поиска сетевых ресурсов и коммуникационных площадок, которые могут быть использованы для организации противоправной деятельности.Литература
1. Осипов В.Ю., Юсупов Р.М. Информационный вандализм, криминал и терроризм как современные угрозы обществу // Труды СПИИРАН. 2009. №8. С. 34-45.
2. Осипов В.Ю., Ильин А.П., Фролов В.П., Кондратюк А.П. Радиоэлектронная борьба. Теоретические основы // Петродворец: ВМИРЭ. 2006. 302 с.
3. Алексеева И.Ю. и др. Информационные вызовы национальной и международной безопасности / Под ред. А.В. Фёдорова, В.Н. Цыгичко // М.: ПИР-Центр. 2001. 328 с.
4. Bartlett J., Reynolds L. The State of the Art 2015: a literature review of social media intelligence capabilities for counter-terrorism. // Demos. 2015. 98 p.
5. Котенко И. В., Чечулин А. А., Комашинский Д. В. Автоматизированное категорирование веб-сайтов для блокировки веб-страниц с неприемлемым содержимым // Проблемы информационной безопасности. Компьютерные системы. 2015. №2. С. 69-79.
6. Avast Online Security browser extension: Overview. URL: www.avast.ru/faq.php?article=AVKB18 (дата обращения: 14.04.2017).
7. Смирнов И.В., Шелманов А.О., Кузнецова Е.С., Храмоин И.В. Семантико-синтаксический анализ естественных языков. Часть II. Метод семантико-синтаксического анализа текстов // Искусственный интеллект и принятие решений. 2014. №1. С. 11-24.
8. Karpovich S., Smirnov A., Teslya N., Grigorev A. Topic Model Visualization With IPython // Proceedings of the 20th Conference of FRUCT association. 2017. pp. 131-137.
9. Dong X.L. et al. Knowledge-Base Trust: Estimating the Truthworthiness of Web Sources. URL: arxiv.org/pdf/1502.03519v1.pdf (дата обращения: 11.04.2017).
10. Александров В.В., Зайцева А.А., Кулешов С.В. Построение глоссариев культурологических канонов кибер-социальных групп в социальных сетях // Международный научный журнал «Инновационная наука». 2016. №12-2. С. 13-17.
11. Karpathy A., Fei-Fei L. Deep Visual-Semantic Alignments for Generating Image Descriptions. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2015 (CVPR 2015). 2015.
12. Lillo I., Niebles J.C., Soto A. Sparse composition of body poses and atomic actions for human activity recognition in RGB-D videos // Image and Vision Computing. 2017. vol. 59. pp. 63–75.
13. Batchuluun G., Kim J.H., Hong H.G. Fuzzy system based human behavior recognition by combining behavior prediction and recognition // Expert Systems with Applications. 2017. vol. 81. pp. 108–133.
14. Yogesh C.K. et al. Hybrid BBO_PSO and higher order spectral features for emotion and stress recognition from natural speech // Applied Soft Computing. 2017. vol. 56. pp. 217–232.
15. Kaya H., Karpov A., Salah A. Robust Acoustic Emotion Recognition based on Cascaded Normalization and Extreme Learning Machines // Proceedings of the 13th International Symposium on Neural Networks. 2016. LNCS 9719. pp. 115-123.
16. Budkov V., Vatamaniuk I., Basov V., Volf D. Investigation of Speech Signal Parameters Reflecting the Truth of Transmitted Information // Proceedings of the 18th International Conference on Speech and Computer (SPECOM 2016). 2016. LNAI 9811. pp. 419-426.
17. Воробьев В.И и др. Исследование и выбор криптографических стандартов на основе интеллектуального анализа документов // Труды СПИИРАН. 2016. №5. С. 69-87.
18. Харламов А.А. Способ формирования смыслового портрета текста и устройство для его осуществления. Патент России RU2000127135.
19. Poncet J. et al. Access by content based computer system. US Patent WO 2001033419 A2.
20. Sheth A., Avant D., Bertram C. System and method for creating a semantic web and its applications in browsing, searching, profiling, personalization and advertising. US Patent WO 2001069428 A1.
21. Omoigui N. System and method for knowledge retrieval, management, delivery and presentation. US Patent 20100070448 A1.
22. Gardner S. Ontology-based information management system and method. US Patent 7225183 B2.
23. Хованов Н.В. Оценка сложных объектов в условиях дефицита информации. К столетию метода сводных показателей А.Н. Крылова // Труды 8-й международной научной школы «Моделирование и анализ безопасности и риска в сложных системах». 2008. СПб.: ИПМАШ РАН. С. 18-28.
24. Перминов С. В., Афанасьев С. В. Семантический способ поиска информационных аномалий через Web // Труды СПИИРАН. 2006. №3. Т. 1. С. 279-287.
25. Перминов С.В. Система семантического поиска // Информационнно-измерительные и управляющие системы. 2008. №4. Т. 6. С. 45-50.
26. Нариньяни А. С. Кентавр по имени ТЕОН: Тезаурус + Онтология // Труды международного семинара Диалог'2001 по компьютерной лингвистике и ее приложениям. 2001. Т. 1. С. 184–188.
2. Осипов В.Ю., Ильин А.П., Фролов В.П., Кондратюк А.П. Радиоэлектронная борьба. Теоретические основы // Петродворец: ВМИРЭ. 2006. 302 с.
3. Алексеева И.Ю. и др. Информационные вызовы национальной и международной безопасности / Под ред. А.В. Фёдорова, В.Н. Цыгичко // М.: ПИР-Центр. 2001. 328 с.
4. Bartlett J., Reynolds L. The State of the Art 2015: a literature review of social media intelligence capabilities for counter-terrorism. // Demos. 2015. 98 p.
5. Котенко И. В., Чечулин А. А., Комашинский Д. В. Автоматизированное категорирование веб-сайтов для блокировки веб-страниц с неприемлемым содержимым // Проблемы информационной безопасности. Компьютерные системы. 2015. №2. С. 69-79.
6. Avast Online Security browser extension: Overview. URL: www.avast.ru/faq.php?article=AVKB18 (дата обращения: 14.04.2017).
7. Смирнов И.В., Шелманов А.О., Кузнецова Е.С., Храмоин И.В. Семантико-синтаксический анализ естественных языков. Часть II. Метод семантико-синтаксического анализа текстов // Искусственный интеллект и принятие решений. 2014. №1. С. 11-24.
8. Karpovich S., Smirnov A., Teslya N., Grigorev A. Topic Model Visualization With IPython // Proceedings of the 20th Conference of FRUCT association. 2017. pp. 131-137.
9. Dong X.L. et al. Knowledge-Base Trust: Estimating the Truthworthiness of Web Sources. URL: arxiv.org/pdf/1502.03519v1.pdf (дата обращения: 11.04.2017).
10. Александров В.В., Зайцева А.А., Кулешов С.В. Построение глоссариев культурологических канонов кибер-социальных групп в социальных сетях // Международный научный журнал «Инновационная наука». 2016. №12-2. С. 13-17.
11. Karpathy A., Fei-Fei L. Deep Visual-Semantic Alignments for Generating Image Descriptions. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2015 (CVPR 2015). 2015.
12. Lillo I., Niebles J.C., Soto A. Sparse composition of body poses and atomic actions for human activity recognition in RGB-D videos // Image and Vision Computing. 2017. vol. 59. pp. 63–75.
13. Batchuluun G., Kim J.H., Hong H.G. Fuzzy system based human behavior recognition by combining behavior prediction and recognition // Expert Systems with Applications. 2017. vol. 81. pp. 108–133.
14. Yogesh C.K. et al. Hybrid BBO_PSO and higher order spectral features for emotion and stress recognition from natural speech // Applied Soft Computing. 2017. vol. 56. pp. 217–232.
15. Kaya H., Karpov A., Salah A. Robust Acoustic Emotion Recognition based on Cascaded Normalization and Extreme Learning Machines // Proceedings of the 13th International Symposium on Neural Networks. 2016. LNCS 9719. pp. 115-123.
16. Budkov V., Vatamaniuk I., Basov V., Volf D. Investigation of Speech Signal Parameters Reflecting the Truth of Transmitted Information // Proceedings of the 18th International Conference on Speech and Computer (SPECOM 2016). 2016. LNAI 9811. pp. 419-426.
17. Воробьев В.И и др. Исследование и выбор криптографических стандартов на основе интеллектуального анализа документов // Труды СПИИРАН. 2016. №5. С. 69-87.
18. Харламов А.А. Способ формирования смыслового портрета текста и устройство для его осуществления. Патент России RU2000127135.
19. Poncet J. et al. Access by content based computer system. US Patent WO 2001033419 A2.
20. Sheth A., Avant D., Bertram C. System and method for creating a semantic web and its applications in browsing, searching, profiling, personalization and advertising. US Patent WO 2001069428 A1.
21. Omoigui N. System and method for knowledge retrieval, management, delivery and presentation. US Patent 20100070448 A1.
22. Gardner S. Ontology-based information management system and method. US Patent 7225183 B2.
23. Хованов Н.В. Оценка сложных объектов в условиях дефицита информации. К столетию метода сводных показателей А.Н. Крылова // Труды 8-й международной научной школы «Моделирование и анализ безопасности и риска в сложных системах». 2008. СПб.: ИПМАШ РАН. С. 18-28.
24. Перминов С. В., Афанасьев С. В. Семантический способ поиска информационных аномалий через Web // Труды СПИИРАН. 2006. №3. Т. 1. С. 279-287.
25. Перминов С.В. Система семантического поиска // Информационнно-измерительные и управляющие системы. 2008. №4. Т. 6. С. 45-50.
26. Нариньяни А. С. Кентавр по имени ТЕОН: Тезаурус + Онтология // Труды международного семинара Диалог'2001 по компьютерной лингвистике и ее приложениям. 2001. Т. 1. С. 184–188.
Опубликован
2017-07-03
Как цитировать
Осипов, В. Ю., Воробьев, В. И., & Левоневский, Д. К. (2017). Проблемы защиты от ложной информации в компьютерных сетях. Труды СПИИРАН, 4(53), 97-117. https://doi.org/10.15622/sp.53.5
Раздел
Информационная безопасность
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
