ЗАСТОСУВАННЯ ВЛАСТИВОСТЕЙ ПЕРКОЛЯЦІЇ ДЛЯ ПРОТИДІЇ ПОШИРЕННЮ ДЕСТРУКТИВНОГО ПСИХОЛОГІЧНОГО ВПЛИВУ В СОЦІАЛЬНИХ МЕРЕЖАХ
DOI:
https://doi.org/10.46972/2076-1546.2021.20.07Ключові слова:
соціальні мережі, безмасштабні графи, деструктивний психологічний вплив, перколяція графаАнотація
Сучасне планування психологічних операцій не можливе без використання таких інформаційних технологій, як засоби моделювання, що забезпечують точність спланованих операцій та передбачення їх результатів. У статті запропоновано концепцію протидії поширенню деструктивних інформаційних впливів через персональні акаунти спільнот соціальних мереж, яка, на відміну від відомих, базується на попередньому імітаційному моделюванні конкретної спільноти з метою визначення ключових та найбільш уразливих акторів у ній, що вимагають знешкодження (блокування), а їх видалення призведе до різкого розпаду (перколяції) співтовариства. У роботі наведено результати імітаційних експериментів щодо цілеспрямованого блокування акаунтів соціальних спільнот соціальної мережі «ВКонтакте», що є джерелом поширення деструктивного впливу. Встановлено, що ефект перколяції має місце як для графа всієї мережі, так і для окремих об’єднань (груп) усередині аналізованої спільноти, знайдених із використанням різних відомих методів кластеризації. Як показують результати моделювання, визначення порога перколяції дозволяє встановити частку найбільш вразливих вершин (акторів), що вимагають блокування для протидії поширенню деструктивних впливів у соціальних мережах. Показано, що оцінка порога перколяції коливається в межах 30–50% цілеспрямовано віддалених вершин. При цьому передбачається, що противник володіє аналогічною стратегією і може використовувати її для поширення деструктивного впливу. З іншого боку, якщо виходити з позиції нападника в рамках завдання інформаційного протиборства, то імітаційне моделювання за поточними даними дає можливість розробити оптимальну стратегію протидії певній спільноті, що становить небезпеку. Запропонований підхід сприяє розробці інформаційної технології як для захисту персональних акаунтів соціальних мереж від деструктивних впливів, так і для ефективної протидії в завданнях інформаційного впливу, управління та протиборства.
Посилання
Gubanov, D. A., Novikov, D. A., & Chkhartishvili, A. G. (2010). Sotsial'nye seti: modeli informatsionnogo vliianiia, upravleniia i protivoborstva [Social networks: models of information influence, control and confrontation.]. Moscow [in Russian].
Hryshchuk, R. V. (2016). Osnovy kibernetychnoi bezpeky [Fundamentals of cyber security]. Yu. H. Danyk (Ed.). Zhytomyr [in Ukrainian].
Callaway, D. S., Newman, E. J., Strogatz, S. H., & Duncan, J. (2000). Watts Network Robustness and Fragility: Percolation on Random Graphs. Physical Review Letters, Vol. 85, № 25, 5468–5471.
Newman, E., & Girvan, M. (2004). Finding and Evaluating Community Structure in Networks. Physical Review E, Vol. 69, Iss. 2, 1–15.
Molodetska – Hrynchuk, K. V. (2017). Semantychnyi analiz tekstovoho kontentu dlia vyiavlennia informatsiinykh vplyviv na aktoriv u sotsialnykh internet-servisakh [Semantic analysis of textual content for identifying informational influences on actors in social Internet services]. In Problemy i perspektyvy rozvytku IT industrii : materialy mizhnar. nauk.-prakt. konf.[ Problems and prospects of IT industry development: materials intern. scientific-practical conf.]. Kharkiv, November, 2017. (p. 58). Kharkiv [in Ukrainian].
Dorogovtsev, S. N., & Mendes, J. F. (2003). Evolution of Networks. From Biological Nets to the Internet and WWW. Oxford: Oxford University Press.
Pastor-Satorras, R., & Vespignani, A. (2001). Epidemic Spreading in Scale-Free Networks. Physical Review Letters, Vol. 86, № 14, 3200–3203.
Pastor-Satorras, R., & Vespignani, A. (2001). Epidemic Dynamics and Endemic States in Complex Networks. Physical Review E, Vol. 63, Iss. 6, 1–8.
Pastor-Satorras, R., & Vespignani, A. (2002). Immunization of Complex Networks. Physical Review E, Vol. 65, Iss. 3, 1–9.
Moreno, Y., Pastor-Satorras, R., & Vespignani, A. (2002). Epidemic Outbreaks in Complex Heterogeneous Networks. The European Physical Journal B, Vol. 26, 521–529.
Dezső, Z., & Barabási, A. (2002). Halting Viruses in Scale-Free Networks. Physical Review E, Vol. 65, Iss. 5, 1–4.
Callaway, D. S., Hopcroft, J. E., Kleinberg, J. M., Newman, M. E. J., & Strogatz, S. H. (2001). Are Randomly Grown Graphs Really Random? Physical Review E, Vol. 64, Iss. 4, 1–7.
De Meo, P., Ferrara, E., Fiumara, G., & Provetti, A. (2001). Generalized Louvain Method for Community Detection in Large Networks. In Proceedings of the 11th International Conference On Intelligent Systems Design And Applications. IEEE. November 22–24, 2011. (pp. 88–93).
Savchuk, V. S. (2018). Graphic Model of The Target Audience of Psychological Influence in Social Networks. In Information & Security: Hybrid Warfare Challenges and Responses: Lessons from Ukraine, Vol. 41, 28–36. Sofia.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 http://creativecommons.org/licenses/by-nc-nd/4.0
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
