Владимир Прохватилов "Кто разжигает мировые глобальные протесты?"
Авторский блог Дмитрий Перетолчин 00:26 2 марта 2020

Владимир Прохватилов "Кто разжигает мировые глобальные протесты?"

автор: старший научный сотрудник Академии военных наук

В 2019 году глобальные протесты охватили 31 страну мира. Либеральный американский канал CNN, который аккуратно и тщательно в течение всего года мониторит эти манифестации, приводит карту глобальных протестов этого года, на которой розовым «протестным» цветом обозначены 25 стран мира.

Среди них – Франция, Испания, Великобритания, Украина, Сербия, Албания, Черногория, Россия, Ирак, Ливан, Гонконг, Индонезия, Египет, Алжир, Судан, Зимбабве, Либерия, Гвинея, Венесуэла, Бразилия, Боливия, Эквадор, Чили и Перу. Агентство Bloomberg добавляет к этому списку Нидерланды, Индонезию, Колумбию, Эфиопию, Уганду и Малави.

Одновременные протесты в десятках странах мира можно трактовать как совпадение, а также как проявление цикличности мирового исторического процесса. Однако есть все основания в этом усомниться, если обратить внимание на тот факт, что все протесты направлены на подрыв геополитических позиций России и Китая.

3 ноября известный американский публицист, старший научный сотрудник Института Ближнего Востока Национального университета Сингапура и содиректор Института фан-культуры Вюрцбургского университета Джеймс Дорси опубликовал на своем личном сайте статью под неприкрыто угрожающим названием «Global protests: Russia and China risk ending up on the wrong side of history» («Глобальные протесты: Россия и Китай рискуют оказаться на неправильной стороне истории»).

Единственный аргумент Дорси в пользу своего тезиса о том, что «Россия и Китай рискуют оказаться на неправильной стороне истории», — именно обрушившаяся в этом году на более чем 30 стран мира лавина «глобальных протестов». Риск оказаться «на неправильной стороне истории» для России состоит в том, что, по мнению Дорси, она нацелена на «предотвращение и/или противодействие народным восстаниям на Ближнем Востоке, регионе, охваченном конфликтами и войнами». КНР же угрожает тревожная ситуация в Центральной Азии, мусульманском анклаве Синцзян, а также возможные протесты в Лаосе и Камбодже. Публикацию Дорси перепечатали многие западные издания, что дает основание рассматривать ее как программный месседж мировых глобалистов и либералов. Что же представляют из себя эти самые «народные восстания», которые, как пишет Дорси, якобы несут в себе угрозу для России и Китая? 

Системный признак так называемых «глобальных протестов», рекламируемых каналом CNN и профессором Дорси как «народные восстания» против коррупции, авторитаризма и социального неравенства, это то, что они начинались и начинаются по самым различным, как правило, социально-экономическим причинам, а затем проходят под антиправительственными лозунгами. Это классика государственных переворотов, управляемых извне. Организационной основой протестов служат Интернет и социальные сети. Поддержку им оказывают либеральные западные издания. Общая черта почти всех «глобальных протестов» – их направленность против «реакционного национализма» и политических лидеров, отстаивающих национальные ценности.

Тот факт, что масштабные социальные протесты, направленные на свержение правящих режимов стран-мишеней, стали возможными только благодаря вмешательству извне, достаточно хорошо известен. Мониторинг протестных настроений ведется в ведущих аналитических центрах Запада и Востока, которые предоставляют свою аналитику в распоряжение спецслужб и параполитических структур. Одним из самых востребованных методов прогнозирования социальных протестов на сегодняшний день является многоагентное моделирование.

«Многоагентное моделирование» — род военной игры, которая разворачивается на мощных компьютерах, сталкивая бесчисленное множество индивидуальных агентов друг с другом в симуляции сложных систем.

В отличие от других систем компьютерного моделирования, которыми, например, пользуются ученые-климатологи, многоагентное моделирование допускает, чтобы отдельные игроки вели себя эгоистично и, что важнее всего, учились на собственных ошибках и корректировали свои действия — именно так, как это делают отдельные участники экосистемы или вечной внутриклеточной битвы в человеческих телах» – так описывает этот метод сотрудник Института Сложности Санта-Фе Стефани Форрест.

Многоагентное моделирование протестов используют продвинутые компьютерные модели общества для разработки альтернативных вариантов типа «что если». Сценарий «заселен» множеством агентов. Каждый агент является автономной подпрограммой, она максимально «очеловеченным» образом связана с другими агентами, и по-своему реагирует на текущую социальную ситуацию, переключаясь между несколькими режимами поведения.

Смысл таких моделей в том, чтобы избежать описания человеческой деятельности «сверху вниз» при помощи фиксированных уравнений, как это принято в таких областях, как экономика и эпидемиология. Здесь же события моделируются «снизу вверх», через взаимодействие многих людей, что приводит к правдоподобию, сопоставимому с реальностью, а также дает уровень спонтанности, сымитировать который иными способами практически невозможно.

Одной из первых успешных моделей многоагентного моделирования был «Шугарскейп» (Sugarscape), разработанный экономистами Робертом Акстеллом (Robert Axtell) из Университета Джорджа Мейсона в Фэйрфаксе, штат Вирджиния и Джошуа Эпштейном (Joshua Epstein) из Нью-Йоркского университета. Они моделировали социальные явления на обычных настольных компьютерах и максимально упростили схему, сведя ее к набору простых агентов, которые перемещались по сетке в поисках условного «сахара», который в одних местах находился в изобилии, а в других практически отсутствовал. Несмотря на свою простоту, «Шугарскейп» положил начало намного более сложным моделям группового поведения в таких направлениях как, например, «миграция, соперничество и сегрегация отдельных районов».

В 90-е годы была разработана система анализа и моделирования транспорта «Трансимз» (Transims), разработанная Кристофером Барретом и его коллегами в Национальной лаборатории в Лос-Аламосе (штат Нью-Мехико). В отличие от традиционных моделей дорожного движения, использовавших уравнения для описания массового перемещения транспортных средств аналогично перемещению жидкости, «Transims» моделировал каждый автомобиль и его водителя отдельно в виде агента, передвигающегося по городской дорожной сети.

Многоагентное моделирование дало серьезный результат в эпидемиологии.

Во время вспышки вируса Эбола в 2014 году в Западной Африке группа «Вирджиния Тек» (Virginia Tech) использовала многоагентную модель, чтобы помочь военным США определить оптимальные места для полевых госпиталей. Планировщикам было необходимо знать, где инфицированность достигнет пика, когда смогут прибыть мобильные части, как далеко и как быстро пациентов можно будет переправлять в больницы по заведомо плохим дорогам региона — а также множество других проблем, которые невозможно учесть в уравнениях традиционных моделей.

В другом случае лаборатория Эпштейна Нью-Йоркского университета моделировала потенциальные вспышки вируса Зика, который распространяется комарами и вызывает необратимые врожденные дефекты. Группа разработала модель с восемью с половиной миллионами агентов — по числу жителей Нью-Йорка. В результате стало возможным не только предсказать худший сценарий эпидемии (его эпидемиологи могли вычислить и из уравнений), но и определить самые «горячие точки». В экономике агентное моделирование может стать мощным инструментом для понимания глобальной бедности, как считает экономист Всемирного банка в Вашингтоне, округ Колумбия, Стефан Аллегат.

С повсеместным распространением интернета и социальных сетей многоагентное моделирование стало применяться для форкастинга социальных протестов.

Сегодня многоагентное моделирование является мощным инструментом исследования процессов эволюции сложных социальных систем. Одним из ведущих американских экспертов по моделированию социальных протестов является Гизем Коркмаз, адъюнкт-профессор в отделе социальной аналитики и анализа решений (SDAD) Института и Инициативы Биокомплексности Университета Вирджинии. Она является главным исследователем проекта Minerva 2016 года под названием «Динамика общих знаний в социальных сетях: экспериментальный подход». Она также является сотрудником двух проектов в рамках программ DARPA: компьютерного моделирования социального поведения в Интернете (SocialSim) и социальных наук следующего поколения. Во время исследовательской работы в научной лаборатории сетевой динамики и моделирования она участвовала в проекте EMBERS в рамках программы IARPA (Агентство перспективных исследовательских проектов разведки) с открытым исходным кодом. Она разработала сетевые и статистические модели, которые используют множество источников данных, таких как социальные сети, включая Twitter, новости/блоги, для прогнозирования критических общественных событий (протестов, забастовок) и результатов выборов в целевых странах Латинской Америки.

В 2016 году Гизем Коркмаз опубликовала на сайте Национального центра биотехнологической информации (National Center for Biotechnology Information) совместный с группой авторов (Jose Cadena, Chris J. Kuhlman, Achla Marathe, Anil Vullikanti, Naren Ramakrishnan) доклад «Multi-Source Models for Civil Unrest Forecasting» («Многоагентные модели форкастинга гражданских беспорядков»).

В докладе говорится, что «гражданские беспорядки (акции протеста, забастовки и «захваты») варьируются от небольших ненасильственных акций протеста, направленных на решение конкретных проблем, до событий, которые превращаются в массовые беспорядки. Обнаружение и прогнозирование этих событий представляет ключевой интерес для социологов и политиков, поскольку они могут привести к значительным социальным и культурным изменениям».

Авторы исследования занимались прогнозированием гражданских беспорядков в шести странах Латинской Америки на ежедневной основе, с ноября 2012 года по август 2014 года, используя «многочисленные источники данных, которые отражают социальные, политические и экономические условия, в которых происходят гражданские волнения». Сообщается также, что это «первая модель прогнозирования социальных волнений, которая объединяет несколько соответствующих источников данных и исследует относительную ценность различных источников данных».

Модели, которые использовались для прогнозирования социальных протестов, содержат «предикторы, извлеченные из социальных сетей (Twitter и блоги) и новостных источников, в дополнение к количеству запросов к Tor, широко используемой сети анонимности». Также использовались базы данных о политических событиях и курсам валютного обмена по каждой стране. Модели прогнозирования оценивались с использованием отчета так называемого «отчета золотого стандарта» (Gold Standard Report – GSR), то есть базы данных о гражданских беспорядках в исследуемых странах в отчетный период, который был составлен «независимой группой ученых-социологов и экспертов в данной области», как сообщают авторы доклада. При расчетах были использованы модели логистической регрессии с помощью метода Lasso (Least Absolute Shrinkage and Selection Operator).

Важным атрибутом для прогнозирующих моделей этого типа является снижения числа переменных из потенциально большого их набора. Анализ тысяч событий, связанных с гражданскими беспорядками, показывает, что число функций, которые выбирает Лассо-регрессия, составляет лишь небольшую часть от общего набора функций; в диапазоне от 2 до 119 из первоначальных почти 3 тысяч. Функции, которые остаются после снижения их числа регрессией Лассо, «дают представление о характере событий, связанных с гражданскими беспорядками, и имеют потенциал для предоставления действенной информации планировщикам политики».

В качестве источников (агентов) использовались социальные сети и новости, которые, по мнению авторов доклада, «более информативны, чем другие источники данных, включая базы данных о политических событиях, и повышают эффективность прогнозирования». Однако, как отмечают авторы доклада, социальные сети увеличивают разброс результирующих показателей.

Облако слов в словаре гражданских волнений, используемом для фильтрации твиттера, новостей и блогов, включает в себя слова, относящиеся к протесту: «gobierno» (правительство), «estudiantes» (студенты), ключевые фразы («salir a la calle» (выходят на улицы)), ключевые игроки конкретной страны («Henrique Capriles»).

Многоагентный подход позволяет избежать ограничений, которые возникают при использовании одного источника, например, твиттера. Если единственный источник данных становится недоступным, неясно, могут ли быть или как быстро модели будут адаптированы к новым альтернативным источникам, говорится в докладе. Кроме того, события гражданских беспорядков – это сложные процессы, которые нельзя полностью охарактеризовать, рассматривая один информационный канал. Объединение различных типов показателей гражданских волнений, таких как социальные сети, политические блоги и личные блоги, источники новостей и показатели экономической эффективности, создает более информированный и надежный сигнал, который может прогнозировать события гражданских беспорядков.

В другой работе («Forecasting Social Unrest Using Activity Cascades» — «Прогнозирование социальных волнений с использованием каскадов активности») тот же коллектив авторов (Jose Cadena, Gizem Korkmaz, Chris J. Kuhlman, Achla Marathe, Naren Ramakrishnan, Anil Vullikant) из Института биоинформатики Virginia Tech (Блэксбург, штат Вирджиния, США) представил модель прогнозирования протестных событий, которая использует каскады активности в твиттере для предсказания возникновения протестов в трех странах Латинской Америки: Бразилии, Мексике и Венесуэле. Эта модель основана на предположении, что появление такого каскада активности является предшественником или суррогатом реального протестного события, которое произойдет «на земле». Сообщается, что модель каскадов активности обладает хорошей прогностической силой для моделирования гражданских беспорядков, а также поддается строгому анализу.

Результаты исследования показывают, что очень маленький набор критических пользователей имеет решающее значение для возникновения каскада активности, а их неучастие вызывает разрушение каскада активности.

С другой стороны, если большая часть рядовых пользователей не участвует, каскад также не может возникнуть. Таким образом, для существования каскада требуется «разумная доля» рядовых пользователей, а также несколько критически важных пользователей. Поскольку большие каскады не очень распространены, их возникновение сигнализирует о резонансном событии. Авторы исследования пишут, что метод каскадов активности позволяет предсказывать события типа «черных лебедей», например «Бразильскую весну».

Составлен словарь из 614 слов, связанных с протестами (например, «марш», «бунт», «забастовка», «организация», «демократия», «конфликт», «революция», «криминализация»), 192 ключевых фразы (например, «право на труд», «марча пор ла пас») и 105 ключевых игроков в конкретной стране (важные общественные деятели, политические партии, профсоюзы), которые используются в качестве ключевых слов. Изложена методика расчета минимального числа критических пользователей, удаление которых приводит к распаду каскада.

Финансирование рецензируемых работ американских экспертов осуществлялось IARPA – Агентством передовых исследований в сфере разведки, находящимся в подчинении у Директора национальной разведки США. Дэн Браха, профессор Университета Массачусетса в Дартмуте, сотрудничающего с Институтом сложных систем Новой Англии (NECSI) в Кембридже (штат Массачусетс), считает, что экзогенные социальные и экономические предпосылки и причины недостаточны для объяснения интенсивной социальной нестабильности, и что эффекты «заражения» и эндогенные процессы положительной обратной связи могут дать ключ к решению этой проблемы.

Сегодня использование социальных сетей, таких как Facebook, YouTube и Twitter, позволяет быстро распространять новости о гражданских беспорядках по всему миру. Дэн Браха проанализировал глобальные данные о гражданских беспорядках до и после широкого использования радио- и телевизионных приемников. Анализ показывает устойчивость механизмов, вызывающих волнения, несмотря на быстрый рост телекоммуникационных технологий с течением времени.

Результаты, полученные профессором Браха, впервые демонстрируют существование универсальных моделей коллективных волнений в разных странах и регионах, сообщается в публикации «Predicting the Behavior of Civil Unrest: Social Instability Meets Science» на сайте New England Complex Systems Institute.

Нужно отметить, что работы американских и, в целом, западных исследователей социальных протестов акцентированы на доказательстве отсутствия влияния экзогенных причин гражданских беспорядков, в то время как именно внешнее вмешательство является главной причиной всевозможных «цветных» революций и гражданских протестов. Практика показала, что в отсутствие такого вмешательства социум в большинстве случаев остается стабильным даже при низком уровне жизни и отсутствии демократических выборов и социальных лифтов.

Согласно официальной американской версии, в начале 2011 года, на фоне развертывающейся «Арабской весны», по инициативе аналитиков Управления Директора национальной разведки США (ODNI) Агентство передовых исследований в сфере разведки (Intelligence Advanced Research Projects Activity – IARPA), находящееся в подчинении ODNI, развернуло программу «Индикаторы с открытым исходным кодом» (Open Source Indicators – OSI) для того, чтобы «разработать методы непрерывного автоматического анализа общедоступных данных для прогнозирования и/или выявления значимых общественных событий, таких как политические события, кризисы, гуманитарные кризисы, массовое насилие, беспорядки, массовые миграции, вспышки болезней, экономическая нестабильность, нехватка ресурсов и реагирование на стихийные бедствия». По сути, «чтобы обскакать новости» (Essentially to “beat the news”).

В апреле 2012 года доктор Нарен Рамакришнан, директор аналитического центра Discovery в Исследовательском университете штата Вирджиния (Virginia Polytechnic Institute and State University — Virginia Tech), организовал многопрофильную команду из академических и промышленных кругов для запуска проекта EMBERS (Early Model-Based Event Recognition using Surrogates – раннее распознавание событий на основе модели с использованием суррогатов), изначально нацеленного на прогнозирование гражданских беспорядков, выборов, вспышек болезней и внутриполитических кризисов в Латинской Америке. Проект EMBERS должен был реализовать цели Программы OSI, автоматизировав генерацию предупреждений, чтобы аналитики могли сосредоточиться на интерпретации открытий, а не на механизме интеграции информации. Заметим, что EMBERS в переводе на русский означает «Тлеющие угли».

Подход команды доктора Рамакришнана, в которую вошли специалисты в области компьютерных наук, статистики, математики, электротехники и вычислительной техники, заключался в сотрудничестве человека и компьютера. Они использовали опыт и знания профильных экспертов (subject matter experts – SME) в разработке моделей для компьютерной обработки огромных массивов Больших Данных.

Что касается Венесуэлы, то здесь профильные эксперты указали, что, поскольку цены находятся под жестким контролем правительства, то, при определенных условиях, может возникнуть товарный дефицит. Поэтому модели были настроены на отслеживание в интернете и СМИ «возросшей болтовни» о нехватке товаров первой необходимости. И действительно, нехватка, помимо прочего, туалетной бумаги привела к массовым протестам.

Ахиллесовой пятой Эквадора является проведение референдумов, так как конституция в последние 20 лет разрешает выводить любые законы, предложенные президентом и отклоненные Конгрессом, на референдум. Поэтому, внимание команды доктора Рамакришнана было сосредоточено на законотворчестве и общественных предпочтениях. Таким образом, профильные эксперты определяли критические локальные проблемы (иными словами – параметры порядка), характерные для конкретной страны, которые помогали разработать наиболее эффективные модели.

С самого начала доктор Рамакришнан установил такой порядок, что EMBERS тестировал разные модели, а затем включал то, что дало результат изучали, в каждую новую итерацию. Одной из основных проблем при анализе Больших данных является извлечение сигналов из шума. Очевидной проблемой Больших Данных является огромное количество «stuff» (информационного хлама), которые необходимо изучить, чтобы найти полезные биты, объединяющиеся далее в «картинки», которые поддерживают прогноз.

В Латинской Америке, по меньшей мере, 60% «сигналов тревоги» EMBERS генерирует из неструктурированных данных: 35 % из социальных средств массовой информации (включая твиты) и 25 % из новостей. Остальные 40 % поступают из разных источников, включая исторические данные и высоко структурированные данные (такие как цены на продовольствие и товары, экономические показатели) и другие отчеты.

На этапе «обогащения сообщений» EMBERS структурирует неструктурированные данные с помощью платформы для анализа текста Rosette® от Basis Technology. «Розетка» — это «открывашка и сортировщик», обогащающая текст и применяющая метаданные. Например, «Розетка» прочесывает ленту Twitter, новостные ленты и блоги, сортируя их по категориям: «испанский, португальский, английский, французский» или «существительное, глагол, прилагательное» или «дата/время, человек, местоположение, организация».

EMBERS – это полностью автоматическая система, работающая 24 × 7 без вмешательства человека, перерабатывая почти 20 ГБ данных с открытым исходным кодом в сутки. Данные поступают из более чем 19 000 блогов и новостных лент, твитов, сообщений, изменений в Википедии, экономических показателей, опросов общественного мнения, данных о погоде, Google Flu Trends и даже из некоторых нетрадиционных источников данных, таких как изображений парковок и данным о бронировании мест в ресторанах.

EMBERS начал свою деятельность в ноябре 2012 года, сосредоточившись на 20 странах Латинской Америки и выпустив «предупреждения», которые прогнозировали различные протестные события. Точность «предупреждений» оценивалась независимой сторонней группой корпорации MITRE. С самого начала перед MITRE была поставлена ​​задача разработать «ground truth» (что можно контекстно перевести как «систему координат» или «точку отсчета»), просматривая газетные статьи на предмет сообщений о гражданских беспорядках. Команда MITRE сформировала эти отчеты по так называемому «золотому стандарту» (GSR) и использовала их как в качестве данных для верификации моделей различных команд, так и в качестве критерия для оценки успеха.

EMBERS начал рассылать «предупреждения» в ноябре 2012 года по Латинской Америке и к концу первого года демонстрировал некоторую предсказательную силу, но этого было недостаточно, чтобы назвать безоговорочным успехом. Прогнозы EMBERS не превысили минимального параметра качества, который был определен IARPA и составлял 3,0 по 4-балльной шкале (4 – безупречно). В конце первого года EMBERS балансировал на уровне этого минимального критерия качества, не превышая его.

Ко второму году работы EMBERS уверенно давал прогнозы с рейтингом значительно выше 3.0 по гражданским беспорядкам. К марту 2014 года, после 17 месяцев генерации «предупреждений», EMBERS уверенно «обгонял новости» и делал это лучше конкурентов. Всего было сгенерировано более 10 000 «предупреждений». Около 40-50 предупреждений в день. Правильно прогнозировались протесты во время «бразильской весны» летом 2013 года, которые продлились три недели и включали сотни протестов.

Правильно прогнозировались студенческие протесты в Венесуэле в начале 2014 года. EMBERS также правильно прогнозировал, что протесты в Венесуэле примут насильственный характер. EMBERS превысил свои двухлетние цели по метрикам по трем критериям, соблюдая по одному, и уступил – очень мало – по пятому критерию. В июне 2014 года, еще до своего успеха в Латинской Америке, команда EMBERS начала работу по прогнозированию событий на Ближнем Востоке.

Управление перспективных исследовательских проектов Министерства обороны США DARPA (Defense Advanced Research Projects Agency) обосновывает необходимость компьютерного моделирования социального поведения населения той или иной страны необходимостью информационной защиты от действий потенциального противника.

С момента своего создания в апреле 2012 года в среднем от 80 до 90 процентов прогнозов, которые он генерирует, оказались точными, и они поступают в среднем на семь дней раньше прогнозируемого события. EMBERS основывается на том, что компьютерные гики называют «индикаторами с открытым исходным кодом» — социальных медиа, спутниковых изображениях и более чем 200 000 общедоступных блогах. Он копирует до 2000 сообщений в секунду и покупает данные с открытым исходным кодом, такие как «пожарный шланг» Twitter, который транслирует сотни миллионов твитов в режиме реального времени в день.

«Это полностью автоматизированная система, которая генерирует от 45 до 50 оповещений в день, 24 часа в сутки, семь дней в неделю. В нем указывается дата прогнозируемого события, место и координаты, кто или какие группы участвуют, причина волнений и уровень достоверности прогноза. Цель? Предсказать все, что может дать США шанс защитить американцев за рубежом и их союзников»,

– пишет издание.

EMBERS точно предсказал импичмент президента Парагвая в 2012 году, протесты на чемпионате мира в Бразилии в 2013 году и жестокие студенческие протесты 2014 года в Венесуэле. В эти дни (в июле 2015 года) программа контролирует 20 стран в Латинской Америке и начинает изучать Ближний Восток и Северную Африку, охватывая Ирак, Сирию, Египет, Бахрейн, Иорданию, Саудовскую Аравию и Ливию.

Проект EMBERS был рожден в рамках конкурса, организованного в 2012 году Джейсоном Мэтэни, заместителем директора Государственного управления по прогнозированию сюрпризов (the government’s Office for Anticipating Surprise – это название реального офиса) и функционером IARPA, подразделения Управления директора Национальной разведки США. Трем командам – из Политехнического Института штата Вирджиния Virginia Tech, фирмы по квантовым вычислениям Raytheon BBN Technologies в Кембридже (штат Массачусетс), и Hughes Research Laboratories (Малибу, штат Калифорния), — было предложено построить наилучшую возможную модель прогнозирования на основе индикаторов с открытым исходным кодом. Самым успешным из них оказался EMBERS, который в конечном итоге интегрировал в свою группу нескольких членов других команд, в том числе Raytheon BBN.

Независимый подрядчик, который считывает и оценивает точность прогнозов EMBERS, является некоммерческий исследовательский центр MITRE (Маклин, штат Вирджиния), финансируемый правительством США. MITRE, как сообщается на сайте организации, работает в тесном контакте с Министерством национальной безопасности США (Department of Homeland Security).

MITRE имеет глубокие связи с Пентагоном, структурами национальной безопасности и разведки США. Сотрудничающий с MITRE Терри Рид является представителем руководителя отдела информационной безопасности Министерства национальной безопасности в комитете Рабочей группы по системам национальной безопасности, который занимается политическими проблемами, связанными с секретными информационными системами.

Присутствие американских и иных спецслужб в информационном и физическом пространстве стран-мишеней не исчерпывается электронной разведкой, которая, помимо прочего, с тем или иным успехом прогнозирует социальные беспорядки и волнения. Несмотря на то, что все без исключения западные источники видят причину социальных протестов только лишь во внутренних неурядицах, которые действительно имеют место в любой стране мира, государственный переворот, каковым де-факто является цветная революция, в подавляющем большинстве случаев, невозможен без внешнего вмешательства и финансирования.

Для эффективного управления нарастающим хаосом необходимы сигналы обратной связи, которые и обеспечиваются в рамках таких проектов, как EMBERS («Тлеющие угли»). В последние годы в открытом доступе в интернете появилось много публикаций американских аналитиков из команды Virginia Tech, в которых рассказывается об их успешной работе по моделированию социальных протестов и иных социальных процессов. Основное внимание в этих публикациях уделяется проблематике и успехам машинного моделирования, и лишь слега рассказывается об участии и роли профильных экспертов (subject matter experts – SME).

На самом деле, как можно предположить, не машинное моделирование, а профильные эксперты решают самую сложную задачу: определяют кризисные параметры порядка и весовые коэффициенты этих параметров. Машинное моделирование берет на себя лишь скоростной анализ и сортировку тысяч «агентов», из которых профильные эксперты и выделяют ключевые «агенты», то есть параметры порядка, от которых зависит устойчивость сложной адаптивной системы – социума и политикума страны-мишени.

Алгоритмы сортировки «агентов» оптимизируются в процессе многочисленных итераций с участием профильных аналитиков корпорации MITRE в процессе сверки произведенных командой Virginia Tech прогнозов с реальными событиями. Весовые коэффициенты параметров порядка уточняются, так же как уточняются и корректируются сами параметры порядка, то есть путем сопоставления прогнозов и реальных событий.

Именно ведущие специалисты по ключевым направлениям определяют успех или неуспех форкастинга социальных катастроф, а машинный анализ и многоуровневая сортировка являются лишь инструментом, таким, как бухгалтерские счеты или арифмометр в прошлом.

На самом деле, моделирование социальных процессов на основе многоагентного подхода широко применяется во всем мире, в том числе и в России. Преимущество американских аналитиков и спецслужб состоит не столько в масштабном финансировании таких проектов, сколько в системном подходе и до совершенства отлаженном взаимодействии всех родов и видов виртуальных и физических войск. Проект EMBERS, также как и проекты Minerva органично входит в стратегические разработки Пентагона, такие как стратегия «Принуждающей мощи» (coercive power).

Если говорить о способах противодействия таким стратегиям, то приоритетной мишенью для информационных атак являются аналитики американского стратегического Генштаба, то есть «профильные специалисты» из американских университетов и аналитических центров, которые разрабатывают планы «цветных» революций во всем мире.

Источники: 1 и 2

Загрузка...

Комментарии Написать свой комментарий

К этой статье пока нет комментариев, но вы можете оставить свой