به گزارش ساوت چاینا مورنینگ پست، دارکوب، فضایی که برای بیشتر مردم ناشناخته است، بر پایه ارتباطات رمزگذاریشده و فناوریهای مسیریابی ناشناس بنا شده است؛ فناوریهایی که فعالیت کاربران را تقریباً غیرقابل ردیابی میکنند و این فضا را به پناهگاهی برای فعالیتهای غیرقانونی و قاچاق دادهها تبدیل کردهاند.
در سالهای اخیر، پژوهشگران در چین و سایر کشورها در زمینه تحلیل محتوای دارکوب پیشرفتهایی داشتهاند، اما بیشتر این تلاشها بر محتوای انگلیسیزبان متمرکز بوده و تحقیقات بسیار اندکی درباره محتوای چینیزبان منتشر شده است.
با این حال، یک گروه پژوهشی از دانشگاه پلیس تحقیقات جنایی چین به مدلی معرفی کرد که بهطور ویژه برای ترجمه و ارزیابی محتوای چینیزبان دارکوب آموزش دیده است.
نخستین چالش، نفوذ به وبسایتهای دارکوب برای جمعآوری دادهها بود. پژوهشگران دریافتند که الزامات ورود به سامانهها در پلتفرمهای مختلف تفاوت زیادی دارد و خزندههای سنتی وب در عبور از سامانههای تأیید کپچا و مقابله با روشهای دائماً در حال تغییر ضدخزش (Anti-scraping) که این وبسایتها به کار میگیرند، با مشکل مواجه هستند.
برای غلبه بر این مشکل، پژوهشگران سامانهای طراحی کردند که قادر بود وظایف مختلفی مانند ورود به حسابهای کاربری، تهیه فهرستها و دانلود تصاویر را انجام دهد.این سامانه همچنین تعداد دفعات دسترسی را تنظیم میکرد تا از شناسایی توسط سازوکارهای تشخیص فعالیت غیرعادی جلوگیری کند.
در نهایت این سامانه توانست بیش از ۱۰ هزار داده را از هشت وبسایت و انجمن معاملاتی چینیزبان جمعآوری کند.
سپس متنها و تصاویر به مدل دیگری منتقل شدند که تمامی تصاویر از جمله تصاویر حاوی اطلاعات کارتهای بانکی را به توصیفهای متنی یکپارچه تبدیل میکرد.
در مرحله بعد، گروه پژوهشی یکهزار و ۸۰۰ نمونه را بهصورت دستی برچسبگذاری کرد تا بهعنوان دادههای اولیه (Seed Data) برای آموزش نخستین مدل طبقهبندی مورد استفاده قرار گیرد.
سپس مدل با استفاده از روش یادگیری فعال به برچسبگذاری سایر دادهها پرداخت و پس از آن، نتایج برای راستیآزمایی در اختیار ارزیابان انسانی قرار گرفت.
پس از شش مرحله، این مدل موفق شد ۱۲ هزار و ۴۶۷ نمونه را در قالب هشت دسته طبقهبندی کند؛ از جمله تجارت اطلاعات و اعتبارنامههای مالی، قاچاق دادههای هویتی، ارائه خدمات غیرقانونی، محتوای جنسی صریح و محتوای افراطی یا خشونتآمیز.
علاوه بر این دستهبندیها، هر محتوای مشکوک نیز بر اساس اینکه یک «تخلف جزئی» یا یک «جرم جدی» محسوب میشد، بهطور جداگانه طبقهبندی شد.
با توجه به اینکه بیشتر نمونههای موجود در دارکوب پرخطر هستند، این گروه پژوهشی یک سازوکار امتیازدهی طراحی کرد. بر این اساس، محتوایی که هیچگونه مطلب حساس یا غیرقانونی نداشت، امتیازی بین ۰ تا ۰٫۲ دریافت میکرد. محتوای بالقوه پرخطر که شامل عبارات حساس اما فاقد محتوای غیرقانونی بود، در بازه ۰٫۲ تا ۰٫۴ امتیاز میگرفت، در حالی که محتوای غیرقانونی امتیازی بین ۰٫۴ تا ۱ دریافت میکرد.
امتیاز دقیق اختصاصیافته به محتوای غیرقانونی نیز به ماهیت آن بستگی داشت؛ بهگونهای که برای موارد مربوط به سرقت هویت یا اشاره به ارائه خدمات غیرقانونی، ۰٫۰۵ امتیاز اضافه میشد. همچنین در صورت وجود اشاره به افراد زیر سن قانونی یا ارائه دانش فنی یا ابزارهای ارتکاب جرم، برای هر یک ۰٫۱ امتیاز دیگر به آن افزوده میشد.
فهرست واژههای حساس در ابتدا بهصورت دستی و بر پایه کلمات و عباراتی که با فعالیتهای غیرقانونی در دارکوب مرتبط بودند، تهیه شد. سپس این واژهنامه بر اساس پیشبینیهای مدل بهروزرسانی شد، هرچند مقاله جزئیاتی درباره نحوه انجام این فرایند ارائه نکرده است.
مدل نهایی با استفاده از یک مجموعه آزمایشی مستقل شامل ۲۰۰ نمونه مورد ارزیابی قرار گرفت و نتایج نشان داد که ابزارهای هوش مصنوعی میتوانند محتوای موجود در دارکوب را با اطمینان و دقت طبقهبندی کنند.
این روش میتواند وظایف برچسبگذاری ریسک را با هزینه انسانی محدود و بهصورت پایدار انجام دهد و دادهها و پشتیبانی روششناختی قابل استفاده مجددی را برای تحلیل ریسک دارکوب چینی فراهم کند.
در تحقیقات آینده، مقیاس دادهها گسترش خواهد یافت و وظایف تحلیلی پیشرفتهتر و متناسب با زیستبوم دارکوب چینی مورد بررسی قرار خواهد گرفت.
منبع: scmp
