مراقب باشید در دام «هوش منبع باز» گرفتار نشوید!

تینا مزدکی: «هوش منبع باز» که بیشتر به عنوان «OSINT» شناخته می شود، فناوری ای است که از داده های منابع در دسترس عموم برای اهداف اطلاعاتی استفاده می کند. حتی با وجود اینکه فناوری های اطلاعاتی مشابه در طول صدها سال وجود داشته اند، «هوش منبع باز» پس از انقلاب دیجیتال شتاب بیشتری گرفته است. قوانین امنیت داده ها مانند GDPR نیز درنهایت باعث تقویت سیستم هایی همچون «هوش منبع باز» شده است.

بسیاری از فناوری ها مانند یادگیری، تحلیل پیش بینی و علوم رفتاری ماشین ها از «هوش منبع باز» برای درک بهتر رفتار و الگوهای داده، استفاده کرده اند. بر اساس مدل RAND OSINT، فناوری اطلاعات در چهار مرحله کلیدی با توجه به اطلاعات موجود در اخبار، رسانه های اجتماعی و ادبیات خاکستری کار می کند. این مراحل عبارتند از:

جمع آوری

• فراگیری
• حفظ و نگهداری

پردازش

• ترجمه
• گردآوردی

بهره برداری

• احراز هویت
• ارزیابی اعتبار
• زمینه سازی

تولید

• طبقه بندی
• انتشار

این مراحل، اطلاعات جمع آوری شده معتبرتر و قابل اعتمادتر می شوند. اما جمع آوری و پردازش چنین فرآیندهای پیچیده ای نیازمند زمان و تلاش بیشتری از سوی محققان داده است. از آنجایی که «هوش منبع باز» تحقیقات کاملی انجام می دهد و شامل تجزیه و تحلیل پیچیده می شود، چند چالش وجود دارد که باید در هنگام استفاده از «هوش منبع باز» به آن ها توجه کرد:

تاثیر قوانین امنیت داده ها

«هوش منبع باز» ممکن است پیچیده ترین و مفیدترین اطلاعات را در اختیار شما قرار دهد، اما فاکتورهای زیادی وجود دارد که هنگام درک دامنه و چالش های «هوش منبع باز» باید در نظر بگیرید. تاثیر قوانین امنیت داده ها، تاکید بر امنیت داده ها با اجرای قوانین سختگیرانه امنیت داده مانند قانون حفاظت از داده های عمومی (GDPR) افزایش می یابد. این قوانین امنیت داده به آن معنی است که محققان داده باید روشی را که برای جمع آوری، پردازش و تجزیه و تحلیل داده ها استفاده می کنند، تغییر دهند تا نتیجه گیری کنند.

سازمان ها اکنون باید رضایت صریح سوژه های داده را قبل از پردازش تجزیه و تحلیل اطلاعات جمع آوری شده در نظر بگیرند و این یکی از چالش های کلیدی «هوش منبع باز» برای سازمان های مختلف است.

فیلتر کردن محتوا

انقلاب دیجیتال برای کاربران در سراسر جهان این امکان را فراهم کرده است که آزادانه با هم ارتباط برقرار کنند و نظرات خود را بیان کنند و بدون صرف هزینه به مخاطبان جهانی دسترسی پیدا کنند.

اما، انقلاب دیجیتال حجم داده ها را نیز افزایش داده است. در هوش منبع باز، برای به دست آوردن با ارزش ترین گزارش های اطلاعاتی، باید داده هایی با کیفیت بالا داشته باشید. این بدان معناست که سازمان ها برای دریافت بالاترین کیفیت داده ها باید فیلترهای محتوای مختلفی را اعمال کنند. سازمان ها با آموزش محققان داده خود در تلاشند که با بهبود مهارت های خود این چالش هوش منبع باز را برطرف کنند.

زیاد بودن داده های رد شده

از آنجایی که انتظار می رود کیفیت داده های جمع آوری شده بالا باشد، تعداد داده های ردشده و نامعتبر نیز به میزان قابل توجهی زیاد است. این منجر به نیاز سطح بالاتری از تلاش مورد نیاز محققان داده می شود. همچنین، با محاسبه و ارایه داده های پیچیده و دقیق هوش منبع باز تعداد تلاش های مورد نیاز برای جمع آوری، پردازش و تحویل این داده ها نیز بیشتر می شود.

همپوشانی با دیگر فناوری ها

هوش منبع باز ترکیبی از بسیاری از فناوری های اطلاعاتی دیگر مانند هوش مکانی (GEOINT)، هوش اندازه گیری (MASINT)، هوش انسانی (HUMINT) و هوش سیگنالی (SIGINT) است. این ماهیت همپوشانی طبقه بندی نوع عملیاتی را که تحت «هوش منبع باز» قرار می گیرند دشوار می کند. به عنوان مثال، اطلاعات جمع آوری شده از تجزیه و تحلیل رسانه های اجتماعی در حالت ایده آل باید تحت HUMINT باشد، اما همچنین تحت «هوش منبع باز» (OSINT) هم قرار می گیرد، زیرا اطلاعات به طور آشکار در اینترنت در دسترس است و این نیز یک چالش اساسی «هوش منبع باز» است.

چالش های ژیوپلیتیک

«هوش منبع باز»، هنگامی که در برنامه های دفاعی استفاده می شود ممکن است باعث ایجاد برخی چالش های سیاسی شود زیرا شامل نظارت بر داده ها در سراسر جهان است. به عنوان مثال تصاویر ماهواره ای سامانه موشکی S-300 که روسیه در نبرد اوکراین استفاده می کند و بیش از 100 میلیون دلار آمریکا قیمت دارد به تازگی به کمک «هوش منبع باز» آشکار شده است.

این شیوه های اطلاعاتی برای سازمان های دولتی و اطلاعاتی مانند اینترپل جهت ردیابی و توقف تهدیدات تروریستی مثمر ثمر است. اما، در عین حال، این شیوه های ضد جاسوسی توجه ژیوپلیتیک زیادی را به خود جلب می کند زیرا شامل نظارت بر داده های فرامرزی می شود. تا آنجا که به شیوه های دفاعی در فناوری های «هوش منبع باز» مربوط می شود، این یک چالش سخت به شمار می رود.

سازمان های دولتی در حال بهبود روابط فرامرزی برای غلبه بر این چالش «هوش منبع باز» هستند. دامنه آینده «هوش منبع باز 4» به دلیل انعطاف پذیری در کار با فناوری های مختلف، ابزار پیچیده تری نسبت به نسخه های قبلی خود محسوب می شود. می تواند پایگاه داده ای ایجاد کند که به سازمان ها کمک می کند تا داده ها را به راحتی تجزیه و تحلیل کنند و نتایج دقیق تری بگیرند.

پیشرفت های سریع در فناوری هایی مانند هوش مصنوعی، یادگیری و تجزیه و تحلیل داده های گسترده توسط ماشین ها و هوش مصنوعی، افق های جدیدی را در مقابل «هوش منبع باز» قرار داده است که قبلاً در دسترس نبود. همچنین ابزارهایی مانند IntelTechniques اکنون می توانند داده های مورد نیاز را از اطلاعات جمع آوری شده از این ابزارها در اختیار محققان داده قرار دهند.

منبع: knowledgenile

54323