Reconhecimento de Entidades Nomeadas Baseado em Transformadores em Registros de Voo de Drones para Apoiar Investigações Forenses

O aumento do uso de drones pelo público eleva o número de incidentes e ataques com drones. Mecanismos preventivos sofisticados, bem como procedimentos e estruturas pós-incidente, são necessários. A investigação forense é realizada após um incidente com drone, visando descobrir o cenário do incidente, mitigar o risco e relatar os resultados da análise. Geralmente, o procedimento forense padrão com drones consiste em três etapas: aquisição de evidências, análise de evidências e relatório. Entre as pesquisas existentes, muitas tentativas foram feitas na proposta e avaliação de estruturas, estudo de caso e proposta e avaliação de ferramentas. No entanto, menos pesquisas se concentram na utilização de artefatos de dados específicos da imagem forense do drone, como telemetria, dataflash e dados de registros de voo. Portanto, esta pesquisa tem como objetivo propor o uso de dados de mensagens de log para descobrir e extrair algumas informações relacionadas ao incidente usando uma técnica de PNL baseada em deep learning, ou seja, reconhecimento de entidades nomeadas usando o Transformer. A similaridade cosseno é proposta como um substituto para o produto escalar no mecanismo de autoatenção da camada do codificador Transformer. Além disso, propomos uma arquitetura NER construída a partir de uma combinação de vários métodos existentes e relatamos a avaliação de desempenho. Extraímos a imagem forense do drone DJI de um conjunto de dados disponível publicamente usando Autopsy e DJI Phantom Help e coletamos as mensagens de log criptografadas. Seis tipos de entidades são definidos após a leitura cuidadosa da mensagem do log. Esses tipos de entidade são utilizados no processo de anotação manual usando o esquema IOB2 como etiqueta. O conjunto de dados construído é utilizado para avaliar o modelo proposto junto com vários modelos de referência. O método proposto supera o modelo de referência anterior com uma pontuação F1 de 91.348%. Finalmente, concluímos o experimento e mencionamos várias direções futuras.