در زیر وب سطح ، شکل عمومی اینترنت که روزانه از آنها برای بررسی ایمیل یا خواندن مقالات خبری استفاده می کنید ، یک "وب تاریک" پنهان وجود دارد. میزبان سایتهای ناشناس و محافظت از رمز عبور ، وب تاریک جایی است که بازارهای جنایی در تبلیغات و فروش اسلحه ، مواد مخدر و افراد قاچاق شکوفا می شوند. سازمان های اجرای قانون برای متوقف کردن این فعالیت ها بطور مداوم کار می کنند ، اما چالش های پیش روی آنها در تحقیق و پیگرد قانونی افراد واقعی در پشت کاربرانی که در این سایت ها ارسال می کنند بسیار زیاد است.
چارلی داگلی ، محقق گروه فناوری و سیستم های هوش مصنوعی آزمایشگاه MIT Lincoln ، می گوید: " ماهیت گسترده ای که در بازارهای تاریک وجود دارد ، ردیابی شرکت کنندگان و فعالیت های آنها را بسیار دشوار می کند." Dagli اشاره ای به نرخ سریع بسته شدن بازارهای وب تاریک دارد (زیرا آنها هک شده ، یورش می برند ، رها می شوند یا به عنوان "کلاهبرداری خروجی" تنظیم می شوند که در آن سایت بعد از پرداخت مشتری به منظور سفارشات غیرقابل اجرا ، عمداً خاموش می شود). آنها ظاهر می شوند عمر کوتاه این بازارها ، از چند ماه تا چند سال ، مانع تلاش برای شناسایی کاربرانشان می شود.
برای رفع این چالش ، آزمایشگاه لینکلن در حال توسعه ابزارهای نرم افزاری جدید برای تجزیه و تحلیل داده های سطحی و تاریک وب است.
این ابزارها از مزایای استفاده این مشکل شبیه به خال استفاده می کنند. فروشندگان اتصالات و خریداران در چندین لایه وب ، از سطح تا تاریک و در سراسر تالارهای وب تاریک نگهداری می کنند. داگلی می گوید: "این تعویض مداوم بین سایت ها اکنون جزئی از عملکرد بازارهای وب تاریک است."
کاربران دائماً پروفایلهای جدید ایجاد می کنند. اگرچه ممکن است آنها نام های مشابهی را از سایت به سایت دیگر استفاده نکنند ، اما اتصالات خود را با سیگنال دادن به یکدیگر از طریق محتوای خود زنده نگه می دارند. این سیگنال ها می توانند برای پیوند دادن شخصیتهای متعلق به همان کاربر در تالارهای وب تاریک و آشکارتر آن ، پیوند دادن شخصیتهای موجود در وب تاریک به شبکه سطحی جهت کشف هویت واقعی کاربر استفاده شوند.
پیوند دادن کاربران با وب تاریک همان کاری است که اجرای قانون در حال حاضر سعی در انجام آن دارد. مشکل این است که میزان داده هایی که برای دستیابی به آنها باید از طریق 500،000 پوند تلفنی و 2 میلیون آگهی جنسی که در ماه ارسال شده اند uff بسیار بزرگ و غیر ساختاری است برای آنها برای پیدا کردن سریع اتصالات. بنابراین ، تنها درصد کمی از موارد قابل پیگیری است.
برای خودکارسازی فرایند پیوند شخصیت ، آزمایشگاه لینکلن در حال آموزش الگوریتم های یادگیری ماشین برای محاسبه شباهت بین کاربران در انجمن های مختلف است. محاسبات مبتنی بر سه جنبه ارتباطات کاربران به صورت آنلاین است: "چگونه آنها را به دیگران معرفی می كنند ، چه می نویسند و چه كسی را با آنها می نویسند."
این الگوریتم برای اولین بار داده های کاربران را در یک Forum A داده شده تغذیه می کند و برای هر کاربر یک مدل نویسندگی ایجاد می کند. سپس داده های کاربران در Forum B علیه تمام مدل های کاربر از Forum A. اجرا می شود. برای یافتن مسابقات برای اطلاعات پروفایل ، این الگوریتم به دنبال سرنخ های سرراست است ، از جمله تغییر در املای نام کاربری مانند "sergeygork" در Forum A به "sergey gorkin" در Forum B یا شباهت های ظریف تر مانند "جو نایت" به "کابوس جوی".
ویژگی بعدی که سیستم به آن نگاه می کند شباهت محتوا است. این سیستم عبارات منحصر به فردی را انتخاب می کند - به عنوان مثال ، "سرگرمی در خورشید" - در تبلیغات متعدد استفاده می شود. Dagli می گوید: "نسخه کپی و چسباندن زیادی در حال انجام است ، بنابراین عبارت های مشابه ظاهر می شوند که احتمالاً از همان کاربر وجود دارد." سپس سیستم به دنبال شباهت هایی در شبکه کاربر است ، یعنی حلقه افرادی که کاربر با آنها در تعامل است و مباحثی که شبکه کاربر در مورد آنها بحث می کند.
مشخصات ، محتوا و ویژگی های شبکه سپس برای ارائه یك خروجی یك ذوب می شوند: نمره احتمال اینكه دو شخص از دو تالار گفتگو یك فرد واقعی زندگی را نشان می دهند.
محققان در حال آزمایش این الگوریتمهای پیوند شخصیتی با داده های توییتر و اینستاگرام منبع باز و داده های حقیقت زمینی با برچسب دستی از تالارهای وب تاریک بوده اند. تمام داده های مورد استفاده در این کار از طریق روش های مجاز بدست می آید. نتایج امیدوار کننده است. داگلی می گوید: "هر وقت یک مسابقه را گزارش می کنیم 95٪ از زمان را صحیح می کنیم. این سیستم یکی از بهترین سیستمهای پیوندی است که در ادبیات می توانیم پیدا کنیم."
این اثر جدیدترین پیشرفت در تحقیقات در حال انجام است. از سال 2014 تا 2017 ، آزمایشگاه لینکلن در برنامه Memex آژانس پروژه های تحقیقاتی پیشرفته دفاعی (DARPA) کمک کرده است. Memex منجر به مجموعه نرم افزاری برای تجزیه و تحلیل داده های سطحی و تاریک شد که با همکاری ده ها دانشگاه ، آزمایشگاه های ملی و شرکت ها توسعه داده شده است. ده فناوری آزمایشگاهی که متن ، گفتار و آنالیزهای بصری را که برای Memex ایجاد شده اند به عنوان نرم افزار منبع باز از طریق فهرست باز DARPA منتشر شدند.
امروزه بیش از 30 آژانس در سراسر جهان از نرم افزار Memex برای انجام تحقیقات استفاده می کنند. یکی از بزرگترین کاربران و یکی از ذینفعان در توسعه Memex ، واحد پاسخ به قاچاق انسان (HTRU) در دادستانی ولسوالی منهتن است.
سیروس ونس جونیور دادستان ناحیه منهتن در یک شهادت کتبی به نمایندگان مجلس ایالات متحده اظهار داشت که دفتر وی از ابزارهای Memex برای نمایش بیش از 6000 بازداشت به نشانه قاچاق انسان در سال 2017 استفاده کرده است. وی اظهار داشت: "ما همچنین از Memex در 271 تحقیقات قاچاق انسان و در شش کیفر جدید از قاچاق جنسی که در سال 2017 آورده شده بود استفاده کردیم." با معرفی Memex ، دستگیری های فحشا به نمایش گذاشته شده توسط HTRU برای نشانگرهای قاچاق انسان از 5 به 62 درصد افزایش یافت ، و تحقیقات در مورد بازداشتهای مربوط به روسپیگری پلیس Police نیویورک از 15 به 300 در سال افزایش یافت.
جنیفر دول ، معاون رئیس HTRU ، از آزمایشگاه بازدید کرد تا چگونگی بهره برداری این واحد از این فناوری ها را ارائه دهد. دول می گوید: "ما هر روز از این ابزارها استفاده می كنیم. آنها واقعاً نحوه انجام كار را در دفتر خود تغییر داده اند."
در حال حاضر ، ابزارهای Memex به HTRU این امکان را می دهند تا به سرعت موارد ظهور را بهبود ببخشد و تحقیقات مربوط به قاچاق جنسی را از راهکارهایی انجام دهد که اطلاعات کمی در این زمینه دارند. به عنوان مثال ، این ابزارها - از جمله ابزاری به نام TellFinder (ساخته شده توسط نرم افزار Memex kontribut Uncharted) برای فهرست بندی ، جمع بندی و جستجوی داده های آگهی جنسی - برای شناسایی بیشتر قربانیان زیر سن از داده ها در یک تبلیغات آنلاین روسپیگری استفاده شده است. دول می گوید: "این تحقیقات تحقیقاتی اضافی به HTRU اجازه می دهد تا قاچاقچیان را به اتهام خشونت علیه مجازات کند و این متهمان را به خاطر ماهیت واقعی جنایاتی که علیه قربانیان آسیب پذیر مرتکب شده اند ، محاکمه کند."
محققان در حال یادگیری چگونگی تكنولوژی فن آوری های نوظهور می توانند متناسب با آنچه كه آژانس ها نیاز دارند و چگونگی عملكرد وب تاریك را انجام می دهند ، ادامه دهند. لین لی یکی از محققان اصلی این کار مداوم در برنامه آزمایشگاههای Human Dark Dynamic Dark Networks (آزمایشگاه انسانی Human Dynamic Dark Networks) ، می گوید: "یادگیری ماشینی مبتنی بر داده ها به ابزاری مهم برای اجرای قانون برای مقابله با بازارهای غیرقانونی آنلاین در وب تاریک تبدیل شده است." دفتر فناوری آزمایشگاه. "اما ، برخی از چالش ها و زمینه های تحقیقاتی در حال حاضر شامل گسترش درک ما از اقتصاد تقاضا ، مختل کردن اقتصاد عرضه و به دست آوردن آگاهی کلی وضعیتی بهتر است."
درک بهتر چگونگی عملکرد زنجیره های پمپ وکیوم عرضه و تقاضا در اقتصاد تاریک به تیم کمک می کند تا فن آوری هایی را برای ایجاد اختلال در این زنجیره ها توسعه دهد. بخشی از هدف افزایش خطر شرکت در این اقتصاد غیرقانونی است. پیوند شخصیتها در وب تاریک با کسانی که در سطح وب هستند یک تاکتیک بالقوه قدرتمند است.
جوزف کمپبل ، رهبر فناوری هوش مصنوعی می گوید: "این اقتصاد غیرقانونی به سرعت در حال رشد توسط دارپا برای تأمین مالی فعالیت های تروریستی نشان داده شده است و HTRU به عنوان محرک برده داری مدرن نشان داده است. دفاع از تروریسم و از بین بردن برده داری یک نیاز ملی و بشردوستانه است." و گروه سیستم. "گروه ما دارای تخصص فوق العاده ای در زمینه هوش مصنوعی ، یادگیری ماشینی و تجزیه و تحلیل شبکه های انسانی بر اساس اطلاعاتی است که از گفتار چند زبانه ، متن و فیلم به دست آمده با ارتباطات و فعالیت های شبکه در کنار هم قرار گرفته است. فن آوری های پیشرفته ای که ما ایجاد می کنیم ، توسعه و پیشرفت به حامیان مالی ما منتقل می شود ، که روزانه از آنها با تأثیر فوق العاده ای برای این نیازهای ملی و بشردوستانه استفاده می کنند. "
در زیر وب سطح ، شکل عمومی اینترنت که روزانه از آنها برای بررسی ایمیل یا خواندن مقالات خبری استفاده می کنید ، یک "وب تاریک" پنهان وجود دارد. میزبان سایتهای ناشناس و محافظت از رمز عبور ، وب تاریک جایی است که بازارهای جنایی در تبلیغات و فروش اسلحه ، مواد مخدر و افراد قاچاق شکوفا می شوند. سازمان های اجرای قانون برای متوقف کردن این فعالیت ها بطور مداوم کار می کنند ، اما چالش های پیش روی آنها در تحقیق و پیگرد قانونی افراد واقعی در پشت کاربرانی که در این سایت ها ارسال می کنند بسیار زیاد است.
چارلی داگلی ، محقق گروه فناوری و سیستم های هوش مصنوعی آزمایشگاه MIT Lincoln ، می گوید: " ماهیت گسترده ای که در بازارهای تاریک وجود دارد ، ردیابی شرکت کنندگان و فعالیت های آنها را بسیار دشوار می کند." Dagli اشاره ای به نرخ سریع بسته شدن بازارهای وب تاریک دارد (زیرا آنها هک شده ، یورش می برند ، رها می شوند یا به عنوان "کلاهبرداری خروجی" تنظیم می شوند که در آن سایت بعد از پرداخت مشتری به منظور سفارشات غیرقابل اجرا ، عمداً خاموش می شود). آنها ظاهر می شوند عمر کوتاه این بازارها ، از چند ماه تا چند سال ، مانع تلاش برای شناسایی کاربرانشان می شود.
برای رفع این چالش ، آزمایشگاه لینکلن در حال توسعه ابزارهای نرم افزاری جدید برای تجزیه و تحلیل داده های سطحی و تاریک وب است.
این ابزارها از مزایای استفاده این مشکل شبیه به خال استفاده می کنند. فروشندگان اتصالات و خریداران در چندین لایه وب ، از سطح تا تاریک و در سراسر تالارهای وب تاریک نگهداری می کنند. داگلی می گوید: "این تعویض مداوم بین سایت ها اکنون جزئی از عملکرد بازارهای وب تاریک است."
کاربران دائماً پروفایلهای جدید ایجاد می کنند. اگرچه ممکن است آنها نام های مشابهی را از سایت به سایت دیگر استفاده نکنند ، اما اتصالات خود را با سیگنال دادن به یکدیگر از طریق محتوای خود زنده نگه می دارند. این سیگنال ها می توانند برای پیوند دادن شخصیتهای متعلق به همان کاربر در تالارهای وب تاریک و آشکارتر آن ، پیوند دادن شخصیتهای موجود در وب تاریک به شبکه سطحی جهت کشف هویت واقعی کاربر استفاده شوند.
پیوند دادن کاربران با وب تاریک همان کاری است که اجرای قانون در حال حاضر سعی در انجام آن دارد. مشکل این است که میزان داده هایی که برای دستیابی به آنها باید از طریق 500،000 پوند تلفنی و 2 میلیون آگهی جنسی که در ماه ارسال شده اند uff بسیار بزرگ و غیر ساختاری است برای آنها برای پیدا کردن سریع اتصالات. بنابراین ، تنها درصد کمی از موارد قابل پیگیری است.
برای خودکارسازی فرایند پیوند شخصیت ، آزمایشگاه لینکلن در حال آموزش الگوریتم های یادگیری ماشین برای محاسبه شباهت بین کاربران در انجمن های مختلف است. محاسبات مبتنی بر سه جنبه ارتباطات کاربران به صورت آنلاین است: "چگونه آنها را به دیگران معرفی می كنند ، چه می نویسند و چه كسی را با آنها می نویسند."
این الگوریتم برای اولین بار داده های کاربران را در یک Forum A داده شده تغذیه می کند و برای هر کاربر یک مدل نویسندگی ایجاد می کند. سپس داده های کاربران در Forum B علیه تمام مدل های کاربر از Forum A. اجرا می شود. برای یافتن مسابقات برای اطلاعات پروفایل ، این الگوریتم به دنبال سرنخ های سرراست است ، از جمله تغییر در املای نام کاربری مانند "sergeygork" در Forum A به "sergey gorkin" در Forum B یا شباهت های ظریف تر مانند "جو نایت" به "کابوس جوی".
ویژگی بعدی که سیستم به آن نگاه می کند شباهت محتوا است. این سیستم عبارات منحصر به فردی را انتخاب می کند - به عنوان مثال ، "سرگرمی در خورشید" - در تبلیغات متعدد استفاده می شود. Dagli می گوید: "نسخه کپی و چسباندن زیادی در حال انجام است ، بنابراین عبارت های مشابه ظاهر می شوند که احتمالاً از همان کاربر وجود دارد." سپس سیستم به دنبال شباهت هایی در شبکه کاربر است ، یعنی حلقه افرادی که کاربر با آنها در تعامل است و مباحثی که شبکه کاربر در مورد آنها بحث می کند.
مشخصات ، محتوا و ویژگی های شبکه سپس برای ارائه یك خروجی یك ذوب می شوند: نمره احتمال اینكه دو شخص از دو تالار گفتگو یك فرد واقعی زندگی را نشان می دهند.
محققان در حال آزمایش این الگوریتمهای پیوند شخصیتی با داده های توییتر و اینستاگرام منبع باز و داده های حقیقت زمینی با برچسب دستی از تالارهای وب تاریک بوده اند. تمام داده های مورد استفاده در این کار از طریق روش های مجاز بدست می آید. نتایج امیدوار کننده است. داگلی می گوید: "هر وقت یک مسابقه را گزارش می کنیم 95٪ از زمان را صحیح می کنیم. این سیستم یکی از بهترین سیستمهای پیوندی است که در ادبیات می توانیم پیدا کنیم."
این اثر جدیدترین پیشرفت در تحقیقات در حال انجام است. از سال 2014 تا 2017 ، آزمایشگاه لینکلن در برنامه Memex آژانس پروژه های تحقیقاتی پیشرفته دفاعی (DARPA) کمک کرده است. Memex منجر به مجموعه نرم افزاری برای تجزیه و تحلیل داده های سطحی و تاریک شد که با همکاری ده ها دانشگاه ، آزمایشگاه های ملی و شرکت ها توسعه داده شده است. ده فناوری آزمایشگاهی که متن ، گفتار و آنالیزهای بصری را که برای Memex ایجاد شده اند به عنوان نرم افزار منبع باز از طریق فهرست باز DARPA منتشر شدند.
امروزه بیش از 30 آژانس در سراسر جهان از نرم افزار Memex برای انجام تحقیقات استفاده می کنند. یکی از بزرگترین کاربران و یکی از ذینفعان در توسعه Memex ، واحد پاسخ به قاچاق انسان (HTRU) در دادستانی ولسوالی منهتن است.
سیروس ونس جونیور دادستان ناحیه منهتن در یک شهادت کتبی به نمایندگان مجلس ایالات متحده اظهار داشت که دفتر وی از ابزارهای Memex برای نمایش بیش از 6000 بازداشت به نشانه قاچاق انسان در سال 2017 استفاده کرده است. وی اظهار داشت: "ما همچنین از Memex در 271 تحقیقات قاچاق انسان و در شش کیفر جدید از قاچاق جنسی که در سال 2017 آورده شده بود استفاده کردیم." با معرفی Memex ، دستگیری های فحشا به نمایش گذاشته شده توسط HTRU برای نشانگرهای قاچاق انسان از 5 به 62 درصد افزایش یافت ، و تحقیقات در مورد بازداشتهای مربوط به روسپیگری پلیس Police نیویورک از 15 به 300 در سال افزایش یافت.
جنیفر دول ، معاون رئیس HTRU ، از آزمایشگاه بازدید کرد تا چگونگی بهره برداری این واحد از این فناوری ها را ارائه دهد. دول می گوید: "ما هر روز از این ابزارها استفاده می كنیم. آنها واقعاً نحوه انجام كار را در دفتر خود تغییر داده اند."
در حال حاضر ، ابزارهای Memex به HTRU این امکان را می دهند تا به سرعت موارد ظهور را بهبود ببخشد و تحقیقات مربوط به قاچاق جنسی را از راهکارهایی انجام دهد که اطلاعات کمی در این زمینه دارند. به عنوان مثال ، این ابزارها - از جمله ابزاری به نام TellFinder (ساخته شده توسط نرم افزار Memex kontribut Uncharted) برای فهرست بندی ، جمع بندی و جستجوی داده های آگهی جنسی - برای شناسایی بیشتر قربانیان زیر سن از داده ها در یک تبلیغات آنلاین روسپیگری استفاده شده است. دول می گوید: "این تحقیقات تحقیقاتی اضافی به HTRU اجازه می دهد تا قاچاقچیان را به اتهام خشونت علیه مجازات کند و این متهمان را به خاطر ماهیت واقعی جنایاتی که علیه قربانیان آسیب پذیر مرتکب شده اند ، محاکمه کند."
محققان در حال یادگیری چگونگی تكنولوژی فن آوری های نوظهور می توانند متناسب با آنچه كه آژانس ها نیاز دارند و چگونگی عملكرد وب تاریك را انجام می دهند ، ادامه دهند. لین لی یکی از محققان اصلی این کار مداوم در برنامه آزمایشگاههای Human Dark Dynamic Dark Networks (آزمایشگاه انسانی Human Dynamic Dark Networks) ، می گوید: "یادگیری ماشینی مبتنی بر داده ها به ابزاری مهم برای اجرای قانون برای مقابله با بازارهای غیرقانونی آنلاین در وب تاریک تبدیل شده است." دفتر فناوری آزمایشگاه. "اما ، برخی از چالش ها و زمینه های تحقیقاتی در حال حاضر شامل گسترش درک ما از اقتصاد تقاضا ، مختل کردن اقتصاد عرضه و به دست آوردن آگاهی کلی وضعیتی بهتر است."
درک بهتر چگونگی عملکرد زنجیره های پمپ وکیوم عرضه و تقاضا در اقتصاد تاریک به تیم کمک می کند تا فن آوری هایی را برای ایجاد اختلال در این زنجیره ها توسعه دهد. بخشی از هدف افزایش خطر شرکت در این اقتصاد غیرقانونی است. پیوند شخصیتها در وب تاریک با کسانی که در سطح وب هستند یک تاکتیک بالقوه قدرتمند است.
جوزف کمپبل ، رهبر فناوری هوش مصنوعی می گوید: "این اقتصاد غیرقانونی به سرعت در حال رشد توسط دارپا برای تأمین مالی فعالیت های تروریستی نشان داده شده است و HTRU به عنوان محرک برده داری مدرن نشان داده است. دفاع از تروریسم و از بین بردن برده داری یک نیاز ملی و بشردوستانه است." و گروه سیستم. "گروه ما دارای تخصص فوق العاده ای در زمینه هوش مصنوعی ، یادگیری ماشینی و تجزیه و تحلیل شبکه های انسانی بر اساس اطلاعاتی است که از گفتار چند زبانه ، متن و فیلم به دست آمده با ارتباطات و فعالیت های شبکه در کنار هم قرار گرفته است. فن آوری های پیشرفته ای که ما ایجاد می کنیم ، توسعه و پیشرفت به حامیان مالی ما منتقل می شود ، که روزانه از آنها با تأثیر فوق العاده ای برای این نیازهای ملی و بشردوستانه استفاده می کنند. "
استفاده از هوش مصنوعی برای مهندسی خواص مواد