محققان دانشگاه کینگ سعود ، در عربستان سعودی ، با استفاده از یادگیری عمیق موسوم به OCDD ، رویکرد جدیدی را برای کشف حمله سایبری در توییتر ایجاد کرده اند. برخلاف سایر رویکردهای یادگیری عمیق ، که ویژگیهایی را از توییتها استخراج کرده و آنها را به یک طبقه بندیگر تغذیه می کنند ، روش آنها یک توییت به عنوان مجموعه ای از بردارهای کلمه را نشان می دهد.

در سالهای اخیر ، حمله به فضای مجازی در رسانه های اجتماعی تبدیل به موضوعی عظیم و گسترده شده است. حمله سایبری مستلزم استفاده از کانال های ارتباطی آنلاین برای زورگویی سایر کاربران با ارسال پیام های ارعاب کننده ، تهدید آمیز یا سوء استفاده است. این می تواند عواقب روانی و گاه خطرناکی برای قربانیان داشته باشد.

محققان در سراسر جهان تلاش کرده اند تا روش های جدیدی را برای شناسایی حمله سایبری ، مدیریت آن و کاهش شیوع آن در رسانه های اجتماعی توسعه دهند. بسیاری از رویکردهای یادگیری عمیق برای شناسایی کار در فضای مجازی با تجزیه و تحلیل ویژگی های متنی و کاربر. با این حال ، این تکنیک ها محدودیت های مختلفی دارند ، که می تواند عملکرد آنها را به میزان قابل توجهی کاهش دهد.

به عنوان مثال ، برخی از این رویکردها با معرفی ویژگیهای جدید سعی در بهبود شناسایی دارند. با این وجود افزایش تعداد ویژگی ها می تواند مراحل استخراج و انتخاب ویژگی را پیچیده تر کند. علاوه بر این ، این رویکردها در نظر نمی گیرند که برخی از داده های کاربر ، مانند سن و تاریخ تولد ، به راحتی ساخته می شوند. برای رفع محدودیتهای روشهای شناسایی مجرمان سایبری موجود ، منیرا الاجلان و مراد یخف ، دو محقق در دانشگاه کینگ سعود ، رویکرد جدیدی را با عنوان شناسایی بهینه سازی سایبری توییتر (OCDD) پیشنهاد کردند.

"بر خلاف کار قبلی در این زمینه، OCDD می کند ویژگی های از توییت استخراج نشده و تغذیه آنها را به یک طبقه بندی در عوض، آن را نشان دهنده یک صدای جیر جیر به عنوان مجموعه ای از بردارهای کلمه،" محققان در مقاله خود، در منتشر شده توضیح IEEE کاوش و ارائه شده در 21 ST عربستان کامپیوتر جامعه کنفرانس ملی کامپیوتر (NCC). "در این روش معنای کلمات حفظ می شود و می توان مراحل استخراج و انتخاب ویژگی را از بین برد."

الجلان و یاخلف رویکرد خود را بر روی داده های آموزش دارای برچسب ایجاد کرده اند و با استفاده از GloVe ، الگوریتمی یادگیری بدون نظارت که می تواند بازاریابی از کلمات را بدست آورد ، تعبیه کلمات را برای کلمات جداگانه ایجاد کرد. این کلمات تعبیه شده سپس به یک شبکه عصبی کانونشنال (CNN) تغذیه می شوند تا تشخیص دهند که آیا آنها می توانند با حمله سایبری همراه باشند یا خیر.

الگوریتم های CNN معمولاً از یک لایه ورودی و خروجی و همچنین چندین لایه دیگر تشکیل شده اند. تنظیم دستی پارامترها برای هر یک از این لایه ها می تواند یک کار وقت گیر و چالش برانگیز باشد. بنابراین محققان تصمیم گرفتند كه الگوریتم بهینه سازی متاوریستی را در مدل خود بگنجانند كه می تواند با شناسایی مقادیر بهینه یا نزدیك مطلوب برای طبقه بندی ، این فرایند را تسهیل كند.

محققان می نویسند: "OCDD با از بین بردن وظیفه سخت استخراج / انتخاب ویژگی و جایگزینی آن با بردارهای کلمه ای که معنای کلمات و CNN را که طبقه بندی توییت ها را به روشی هوشمندانه تر از الگوریتم های طبقه بندی سنتی ، وضعیت فعلی تشخیص سایبری را بهبود می بخشد ، پیشرفت می کند." در مقاله خود

OCDD هنگام کار بر روی کارهای کاوی متن ، به نتایج بسیار امیدوارکننده ای رسید. با این حال ، هنوز در زمینه های تشخیص حمله به فضای مجازی پیاده سازی و ارزیابی شود . محققان اکنون قصد دارند رویکرد خود را تطبیق دهند تا بتواند متن را به زبان عربی نیز تحلیل کند.

 https://www.namasha.com/v/gFaRKlVT