Red Neuronal Profunda: nueva estrategia de recuperación de información
La recuperación de datos se halla en una búsqueda constante de maneras que posibiliten el mejoramiento de las técnicas que se usan para detectar el rastro de archivos; es por ello que surge la propuesta de la Red Neuronal Profunda (DNN, por sus siglas en inglés), la cual posee una gran capacidad de procesamiento y comprensión que superan −incluso− sistemas convencionales de aprendizaje automático.
Para la recuperación de información en los discos duros, la DNN aprendería automáticamente las características de la señal empleada en la grabación original de estos, facilitando la interpretación de los rastros donde están los fragmentos de información inicial. Se prevé que con la DNN se obtendrán resultados mejores y más rápidos, pues presenta una resistencia fundamental al ruido magnético, aspecto que siempre es un incordio en los procesos de recuperación.
Redacción INCP a partir de artículo publicado por It User
Para más información consulte el artículo titulado “Mejorando la recuperación de datos con una red neuronal profunda” publicado por It User.
Mejorando la recuperación de datos con una red neuronal profunda
La recuperación de datos no es una ciencia exacta y constantemente se están buscando formas de mejorar las técnicas empleadas para detectar rastros de los archivos recuperables en los discos duros. Ahora, dos científicos de la Universidad Carnegie Mellon han propuesto el uso de una red neuronal profunda que permita la detección de la señal empleada para la grabación original, lo que permite mejorar la tasa de recuperación.
El potencial de las Redes Neuronales Profundas (DNN) para el trabajo con información digital es enorme, ya que cuentan con una gran capacidad para procesar datos y comprender información compleja, superando a los sistemas convencionales de aprendizaje automático y aprendizaje profundo. Ahora, una pareja de investigadores de la Universidad Carnegie Mellon, en Pensilvania (EEUU), han desarrollado una aplicación de esta tecnología en el campo de la recuperación de datos en discos duros HDD.
En estas unidades de grabación magnética la recuperación de datos se enfrenta a varios retos muy complicados, como la presencia de interferencias y ruidos magnéticos que dificultan la tarea de hallar rastros de los datos que formaban parte de archivos concretos entes del proceso de borrado. El enfoque de estos dos científicos se basa en entrenar una DNN con señales de lectura no ecualizadas, sin conocimientos previos del canal de grabación magnética.
Esto permitiría a la red neuronal aprender automáticamente las características de la señal empleada en la grabación, especialmente la correlación entre las señales de entrada y el impacto del ruido magnético, pudiendo interpretar rastros de dónde se encuentran los fragmentos de información que componían los archivos originales. Para ello, las estrategias actuales se basan en emplear diferentes sistemas de lectura para determinar la correlación de ruido magnético y otras características empleadas anteriormente en los canales de lectura de datos, pero es lento y complejo lograr que esto proporcione resultados válidos.
Mientras tanto, el enfoque de estos científicos es dejar en manos de un sistema de aprendizaje automático basado en una red neuronal profunda esta labor, lo que en su opinión proporciona mejores resultados y más deprisa que los enfoques tradicionales de recuperación de datos. En sus investigaciones, han hallado que el canal de lectura de DNN logra adaptar la interferencia entre símbolos (ISI), que es uno de los problemas a los que se enfrentan los procesos de recuperación de datos en unidades HDD. Y su enfoque también ha demostrado una importante resistencia frente al ruido magnético coloreado, uno de los problemas clásicos que dificultan las tareas de recuperación.
Aunque sus experimentos han revelado que para aprovechar al máximo el potencial de esta tecnología es preciso que las entradas de la red neuronal cubran la extensión ISI. Además, los datos de entrenamiento de la red neuronal profunda deben ser lo suficientemente representativos como para que el sesgo inductivo aprendido a través del canal de detección de DNN pueda usarse con efectividad como base útil para la detección real de rastros de datos.
Fuente: It User