Метод комплексированной обработки информации для достижения достоверности данных в цифровых сенсорных системах
Читать статью полностью
Метод комплексированной обработки информации для достижения достоверности данных в цифровых сенсорных системах(807,68 KB)Аннотация
Статья описывает метод комплексирования данных для повышения достоверности информации при избыточности и разнородности источников. Используется вероятностная модель с учетом надёжности, согласованности и характеристик данных, например временных меток. Вводится динамическая адаптация весов источников, перекрёстная верификация сообщений и выявление ложной и вредоносной информации для достижения достоверности данных в цифровых сенсорных системах.
Ключевые слова:
комплексирование данных – data compilation; достоверность информации – informa- tion reliability; информационные потоки – informa- tion flows; вероятностные модели – probabilistic models; согласованность данных – data consistency; надёжность источников – source reliability; ложная информация – false information; вредоносная информация – malicious information; фильтрация данных – data filtering.
Список литературы
1. Fake news detector using deep learning / A. Akshansh, C. Aksh, R. Gaurav [et al.] // International Journal of Advanced Research. – 2024. – No. 11 (04). – P. 1612–1621.
2. Revisiting Fake News Detection: Towards Temporalityaware Evaluation by Leveraging Engagement Earliness / J. Kim, J. Lee, Y. In [et al.] // arXivLabs. – 2024. – No. 2411. – P. 1–11.
3. Zhou, X. A survey of fake news: Fundamental theories, detection methods, and opportunities / X. Zhou, R. Zafarani // ACM Computing Surveys. – 2020. – No. 53 (5). – P. 1–40.
4. Привалов, А. Н. Поиск фейковых сайтов с использованием метода определения визуального сходства страниц / А.Н. Привалов, В.А. Смирнов // Известия Тульского государственного университета. Технические науки. – 2022. – № 9. – С. 260–264.
5. Обеспечение целостности данных посредством частичной «фрагментации» данных / А.К. Куртов, Д.О. Комиссаров, Е.И. Жабов, А.О. Сорокин // Современные научные исследования и инновации. – 2023. – № 9. – [Электронный ресурс]. – URL : https://web.snauka.ru/issues/2023/09/100716 (дата обращения: 05.03.2025).
6. Hammouchi, H. Evidence-Aware Multilingual Fake News Detection / H. Hammouchi, M.М. Ghogho // IEEE Access. – 2022. – No. 99. – P. 1–11.
7. Zhou, Y. The Silent Saboteur: The Impact and Management of Malicious Word-Of-Mouth in The Digital Age / Y. Zhou // Highlights in Business Economics and Management. – 2024. – No. 41. – P. 381–386.
8. The impact of malicious nodes on the spreading of false information / Z. Ruan, B. Yu, X. Shu [et al.] // Chaos: An Interdisciplinary Journal of Nonlinear Science. – 2020. – No. 30 (8). – P. 083101.
9. Sneha, B. Detecting malicious Twitter bots using machine learning / B. Sneha // International Journal for Research in Applied Science and Engineering Technology. – 2024. – Vol. 12, Iss. 3. – P. 1457–1463.
10. Wesam, H. A. Opinion mining for fake recommendations in e-commerce: A machine learning approach using LightGBM / H.A. Wesam, A. Ragheed, H.A. Yossra // AIP Conference Proceedings. – 2025. – No. 3169, В. 030015. – P. 1–11.
11. Козлов, В. В. Обоснование облика системы защиты стартового комплекса от деструктивных воздействий / В.В. Козлов, А.В. Лагун, В.А. Харченко // Известия ТулГУ. Технические науки. – 2023. – № 1.– С.259–265.
12. Лубенцов, А. В. Синтез метода оценки эффективности системы информационной безопасности / А.В. Лубенцов // Известия вузов. Электроника. – 2024.– Т. 29, № 1. – С. 118–129.
13. Метод выявления и противодействия распространению вредоносной информации в роевых робототехнических системах в процессе распределения задач / А.С. Павлов, В.И. Петренко, Ф.Б. Тебуева [и др.] // Инженерный вестник Дона. – 2022. – № 11 (95). – С. 382–410.
14. Gagolewski, M. Data Fusion: Theory, Methods, and Applications / M. Gagolewski. – 2022. – URL : https:// arxiv.org/abs/2208.01644 (дата обращения: 19.05.2025).
15. Yuqing, T. Research on Multi-sensor Data Fusion Technology / T. Yuqing, B. Jiujun, C. Xuebo // Journal of Physics: Conference Series. – 2020. – Vol. 1624. – P. 032046.
16. Galich, A. A data fusion approach for providing valid annual passenger transport statistics during the COVID-19 pandemic / A. Galich, C. Eisenmann, K. Köhler // European Transport Research Review. – 2025. – Vol. 17 (1).
17. Blasch, E. Handbook of multisensor data fusion: theory and practice / E. Blasch. – Boca Raton : CRC Press, 2017. – 870 p.
18. Multi-source data fusion for cyberattack detection in power systems / A. Sahu, Z. Mao, P. Wlazlo [et al.] // arXiv preprint arXi. – 2021. – P. 1–18.
19. Remote sensing data fusion approach for estimating forest degradation: A case study of boreal forests damaged by Polygraphus proximus / S. Illarionova, P. Tregubova, I. Shukhratov [et al.] // Frontiers in Environmental Science. – 2024. – Vol. 12. – P. 1412870.
20. Грищенко, Л. Л. Применение инструментария ситуационных центров для обеспечения ситуационного управления / Л.Л. Грищенко, В.В. Данилов // Право и государство: теория и практика. – 2023. – № 7 (223). – С. 166–169