Применение алгоритма спектральной бисекции для анализа преступных сообществ

Цель. Обоснование применения одного из методов разделения графов – алгоритма спектральной бисекции для анализа социальных сетей, а также оценка возможностей программной реализации данного алгоритма в ходе сбора доказательной информации при расследовании преступлений, совершаемых с использованием информационно-телекоммуникационных технологий.
Метод. К методам научного исследования, используемым в работе, относятся: анализ социальных сетей, методы, основанные на алгоритмах декомпозиции графов, методы анализа данных из открытых источников, методы линейной алгебры и алгоритмизация.
Результат. Обосновано основное направление структурного анализа социальной сети – определение сообществ и предложен подход к решению задачи исследования сообщества, который предполагает два этапа. На первом, подготовительном этапе, формируется граф исходной сети с учетом интенсивности связей между участниками, а на втором, основном, выполняется разделение исходного и получение целевого фрагмента графа, содержащего наиболее связанные узлы, которые будут соответствовать наиболее активным участникам сообщества. Ключевым элементом алгоритма разделения графа – алгоритма спектральной бисекции является вычисление вектора Фидлера, которое может быть реализовано на основе алгоритма Lanczoc. Предложена программная реализация алгоритма в виде функции Python, использующая библиотеку Numpy. Показаны возможности управления размерами целевого фрагмента исходного графа посредством параметра функции – величины взвешенной медианы.
Выводы. Экспериментальные оценки реализации алгоритма показали его положительные возможности в составе комплекса инструментов для исследования социальных сетей. Применение данного решения в ходе анализа социальной сети позволит значительно уменьшить количество изучаемых участников сообщества, сосредоточив усилия и основное внимание на наиболее активных и тесно связанных между собой, а включение в программную реализацию алгоритма дополнительных параметров обеспечит возможность углубленного исследования сообщества с учетом интенсивности и характера взаимодействия участников.

1. Аверченков В.И. Анализ применения моделей векторного представления текстовой информации для русскоязычных текстов / В.И. Аверченков, Д.В. Будыльский, А.Г. Подвесовский // Вестник компьютерных и информационных технологий. 2016. № 3(141). С. 31–37.

2. Батура Т.В. Модели и методы анализа компьютерных социальных сетей // Программные продукты и системы, № 3, 2013 г. С .130–137.

3. Берцун В.Н. Математическое моделирование на графах.Ч. 2:Томск: Изд-во Том. ун-та, 2013. − 88 с.

4. Головченко Е.Н. Обзор алгоритмов декомпозиции графов // Препринты ИПМ им. М.В. Келдыша. 2020. № 2. 38 с.

5. Использование и развитие методик оценки тональности контентов социальных сетей в целях обеспечения информационной безопасности пользователей / Е.А. Москалева [и др.] // Информация и безопасность / Воронеж. гос. техн. ун-т. Воронеж. 2019. Т. 22. № 3(4). С. 433–444.

6. Методическое и алгоритмическое обеспечение оценки деструктивного контента, циркулирующего в социальной сети / С.С. Куликов [и др.] // Информация и безопасность / Воронеж. гос. техн. ун-т. Воронеж. 2019. Т. 22. № 3(4). С. 373–386.

7. Минаев В.А., Федорович В.Ю. Моделирование информационных воздействий в социальных сетях: территориальный аспект // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2019.№ 4. С. 8–16. DOI: 10.25586/RNU.V9187.19.04. P.008.

8. Минаев В.А. Методы выявления латентной и негативной информации в текстовых документах / В.А. Минаев, И.Д. Королев, И.А. Кисленко // Технологии техносферной безопасности. – 2016. – № 5(69). – С. 241-248.

9. Минаев В.А. Количественная оценка деструктивности больших текстовых массивов в социальных медиа / В.А. Минаев, А.В. Симонов // Информация и безопасность. 2021. Т. 24. № 2. С. 267–280. DOI 10.36622/ VSTU.2021.24.2.011.

10. Минаев, В.А. Применение глубинных нейронных сетей для выявления деструктивного контента в социальных медиа / В.А. Минаев, А.В. Симонов, Поликарпов Е.С. // Информация и безопасность. 2021.Т. 24. № 3. С. 361–372. DOI: 10.36622/VSTU.2021.24.3.004.

11. Минаев В.А., Рабчевский А.Н., Мустакимова Я.Р. Выявление информационных операций в социальных сетях на их ранних стадиях // Информация и безопасность / Воронеж. гос. техн. ун-т. Воронеж. 2022. Т. 25. № 4. С. 485-494. DOI 10.36622/VSTU.2022.25.4.002

12. Остапенко А.Г. Социальные сети и деструктивный контент / А.Г. Остапенко [и др.]; под ред. чл.- кор. РАН Д.А. Новикова. М.: Горячая линия – Телеком, 2017. 276 с.

13. Поляков А.А., Чеповский А.А., Чеповский А.М. Алгоритмы поиска путей на графах большого размера//Фундаментальная и прикладная математика. 2014. том 19. № 1. С. 165–172.

14. Признаки и методики выявления деструктивных контентов в региональном интернет-пространстве / С.П. Майорова [и др.] // Информация и безопасность / Воронеж. гос. техн. ун-т. Воронеж. 2019. Т. 22. № 3(4). С. 423–432.

15. Рокха И. Улучшения в спектральном делении пополам//arXiv.org, 2017. С. 1–17.

16. Семенова А.В., Курейчик В.М. Ансамбль классификаторов для автоматического пополнения онтологий // Известия ЮФУ. Технические науки. 2018. № 2 (196). С. 163-173.

17. Современные методы выделения сообществ в социальных сетях Чесноков В.О., Ключарев П.Г. // Наука и Образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2017. № 4. С. 137–152.

18. Суходолов А.П., Лебедев А.В., Торопов Б.А., Бабкин А.А., Спасенников Б.А. Математические методы в правоохранительной деятельности: вопросы противодействия экстремизму в социальных сетях // Всероссийский криминологический журнал. 2018; Т.12; № 4. C. 468–475.

19. Терроризм и экстремизм: моделирование информационного противодействия: монография / А.А. Андреев, К.М. Бондарь, В.А. Минаев; Дальневосточный юрид. ин-т МВД России. – Хабаровск: РИО ДВЮИ МВД России, 2020. – 248 с.

20. Якобовский М.В. Обработка сеточных данных на распределенных вычислительных системах // Вопросы атомной науки и техники. Сер. Математическое моделирование физических процессов. 2004. Выпуск 2. С. 40–53.