رویکردی نوین در تشخیص اخبار جعلی در جنگ سایبری مبتنی بر یادگیری انتقالی و تحلیل موضع

انتشار سریع اخبار جعلی در شبکه های اجتماعی به یک چالش مهم در حوزه امنیت اطلاعات و امنیت سایبری، به ویژه در زمینه دفاع غیر فعال، تبدیل شده است. تشخیص زود هنگام این اخبار برای کنترل انتشار اطلاعات نادرست و ارتقای امنیت سایبری ضروری است. این مطالعه با استفاده از همبستگی بین تیتر و متن اخبار به شناسایی اخبار جعلی می پردازد و هدف آن بهبود دقت تشخیص از طریق تکنیک های پیشرفته یادگیری عمیق است. ما رویکردی نوین ترکیبی از یادگیری انتقالی و تحلیل موضع ارائه می کنیم. دو مدل مستقل زبانی bert به طور جداگانه روی تیترها و متن اخبار تنظیم دقیق می شوند. شبکه های عصبی عمیق این اجزاء را تحلیل کرده و همبستگی آن ها را برای تعیین صحت خبر ارزیابی می کنند. روش شناسی شامل پیش پردازش متن، رمزگذاری تیتر و متن با استفاده از bert و به کارگیری یک طبقه بندی خطی کاملا متصل برای ارزیابی همخوانی آن ها است. نتایج آزمایش ها نشان می دهد که رویکرد پیشنهادی دقت تشخیص را نسبت به روش های موجود به طور قابل توجهی بهبود می بخشد. با در نظر گرفتن تیتر و متن به عنوان اجزای مستقل و اندازه گیری همبستگی آن ها، مدل قادر است تناقض های نشانه دهنده اخبار جعلی را به طور موثر شناسایی کند. این روش دقت و بازیابی بالاتری را ارائه می دهد و پتانسیل کاربرد در دنیای واقعی امنیت سایبری را نشان می دهد. این مطالعه اثر بخشی یادگیری انتقالی و تحلیل موضع در تشخیص اخبار جعلی را نشان می دهد. مدل پیشنهادی ابزاری قوی برای شناسایی اطلاعات نادرست ارائه می دهد و به بهبود امنیت سایبری و یکپارچگی اطلاعات کمک می کند. پژوهش های آینده می توانند داده های جند زبانه و ویژگی های زمینه ای اضافی را برای ارتقای بیشتر عملکرد مدل بررسی کنند.

a novel approach to fake news detection in cyber warfare based on transfer learning and stance analysis

background & purpose:the rapid spread of fake news on social media has become a significant challenge in information security and cybersecurity, particularly in the context of passive defense. early detection of such news is crucial for enhancing cybersecurity and controlling the dissemination of misinformation. this paper addresses the problem by leveraging the correlation between news headlines and their bodies to identify fake news, aiming to improve detection accuracy through advanced deep-learning techniques.methodology: this study proposes a novel approach based on transfer learning and stance analysis. two independent bert language models are fine-tuned separately on the headline and body of news articles. deep neural networks analyze these components, and their correlation is measured to determine the authenticity of the news. the methodology involves preprocessing the text, encoding the headline and body using bert, and employing a fully connected linear classifier to evaluate their alignment.findings: the results demonstrate that the proposed approach significantly improves detection accuracy compared to existing methods. by treating the headline and body as independent components and measuring their correlation, the model effectively identifies discrepancies indicative of fake news. the method achieves higher precision and recall, showcasing its potential for real-world applications in cybersecurity.conclusion: the study highlights the effectiveness of transfer learning and stance analysis in fake news detection. the proposed model offers a robust solution for identifying misinformation, contributing to enhanced cybersecurity and information integrity. future work could explore multilingual datasets and additional contextual features to further refine the model’s performance.