Интернет-археологам будущего придётся туго

image015.png

Историки 2061 года наверняка захотят понять, как зародилась и жила World Wide Web. Какие методы будут в их распоряжении?

Сегодняшние специалисты восстанавливают картину прошлого по крупицам, но перед историками будущего, скорее всего, встанет проблема совсем другого плана: как осмыслить наше необъятное цифровое наследие?

Многие из нас порождают больше данных, чем способны контролировать: руки никак не дойдут до того, чтобы разложить все эти бесконечные фотографии по альбомам; содержимое жёстких дисков в жутком беспорядке; Интернет с его бессистемностью и анонимностью выглядит не лучше.

Все эти HTML, MP3- и JPEG-файлы, составляющие основу современной Всемирной паутины, вероятно, останутся читаемыми в течение очень долгого времени. Но определение их первоначального происхождения и подлинности - незаурядная задача, так как данные часто дублируется, редактируются, аннотируются и изменяются.

Чтобы защитить наши файлы, мы, как правило, создаём резервные копии, отправляем их сами себе по электронной почте или размещаем в Интернете. Файлы также проходят через "руки" многих людей. Все эти действия вносят в них изменения, не видимые невооружённым глазом. Интернет-археологам они сослужат двойную службу: с одной стороны, тем самым они получат ценную информацию о том, как распространялись данные; с другой - будет практически невозможно установить, кто создал тот или иной файл.

Один из возможных способов выявления истины - хеширование (hashing): этот математический метод позволяет представить крупный массив данных в виде небольшого ("хеш-значение"), что облегчает сравнение файлов. Однако даже незначительные изменения в исходных данных приводят к появлению совсем другого хеш-значения, так что связь между копиями увидеть трудно.

Можно разбить файлы на сегменты и присвоить каждому отдельное хеш-значение - тогда станет ясно, что, если два файла состоят в основном из одинаковых сегментов, они связаны между собой. Увы, в случае некоторых типов файлов этот метод работает не очень хорошо. Например, небольшое сжатие изображения не сильно повлияет на его внешний вид, но хеш-значение изменится существенно.

А как быть с текстами? Интернет переполнен анонимными комментариями, обновлениями статуса и сообщениями в блогах - как найти авторов? Прежде всего можно воспользоваться старым добрым способом: проанализировать словарный запас, длину предложений, грамматические структуры, ошибки. Исследователи из Национального института вычислительной техники и автоматизации в Гренобле (Франция) утверждают (arxiv.org/abs/1101.5578), что можно определить пользователя по одним только его никам.

С наиболее простой системой анализа можно ознакомиться на сайте I Write Like - и заодно выяснить, стиль какого писателя напоминает ваша манера изъясняться. Правда, есть проблема: если вы введёте текст известного литератора, машина за редким исключением не сможет угадать, чьему перу он принадлежит.

И ещё одна проблема: со временем стиль может существенно измениться. Один из примеров - Агата Кристи.

Другой подход - семантический анализ. Например, этим занимается Аарон Цинман из Массачусетского технологического института (США). Он разработал программу Defuse, которая определяет, насколько запись в анонимном блоге соответствует общественным ценностям. Разумеется, это всего лишь попытка оценки, и у разных программ результаты будут совершенно разными.

Так как же быть историкам будущего? Вероятно, следует признать, что, несмотря на обилие информации, специалистам предстоит всё так же собирать нашу жизнь по кусочкам и обрывкам.

Подготовлено по материалам NewScientist