RDLSH: адаптивное распознавание сущностей и извлечение отношений для графов знаний Интернета вещей

В условиях стремительного развития Интернета вещей (IoT) проблемы безопасности становятся всё более серьёзными. Злоумышленники используют устройства IoT для осуществления сетевых атак, что приводит к утечке данных. Графы знаний позволяют эффективно предотвращать атаки и противостоять им посредством глубокого анализа и выявления связей при ситуационной осведомлённости в сфере безопасности и прогнозировании угроз. Распознавание сущностей и извлечение отношений являются ключевыми этапами построения графов знаний. Они используются для автоматического извлечения значимых сущностей и отношений из массивов данных и выполнения логического вывода; однако при извлечении информации из длинных текстов и сложных отношений по-прежнему возникают проблемы, связанные с точностью и вычислительными затратами. Для решения этих проблем в статье предложена модель RDLSH, предназначенная для обработки локального контекста, распознавания низкочастотных сущностей и выявления глобальных семантических связей. На основе архитектуры Reformer модель динамически настраивает параметры локально чувствительного хеширования и объединяет их с механизмом многоголового внимания, обеспечивая высокую эффективность захвата межабзацных и дальних зависимостей, а также обработку задач распознавания сущностей и извлечения отношений. Кроме того, модель RDLSH использует обратимые остаточные сети и двунаправленные механизмы передачи для оптимизации использования памяти при обработке больших массивов данных и повышения вычислительной эффективности. Экспериментальные результаты показывают, что модель RDLSH не только повышает точность извлечения сущностей и отношений, но и улучшает обработку межфразовых зависимостей и вычислительную эффективность.