ВИЯВЛЕННЯ СПІЛЬНОТ У СОЦІАЛЬНИХ МЕРЕЖАХ
Ключові слова:
соціальні боти, виявлення, зловмисні акаунти, соціальні мережі, кластерний аналізАнотація
Однією з головних загроз є шкідливі програми (боти) – фейкові акаунти, здатні імітувати поведінку людини. На даний момент боти створюють багато проблем як для звичайних користувачів, так і для тих, хто використовує соціальні мережі для проведення маркетингових кампаній або соціальних досліджень. Використання профілів-ботів у соціальних мережах значно спотворює інформацію про реальні переваги та інтереси користувачів порталу. Тому необхідно визначити, які користувачі соціальної мережі є запрограмованими, і мати можливість розділити потік даних на той, що генерується ботами, і той, що генерується людьми. Загрозливий масштаб використання соціальних ботів вимагає створення ефективних алгоритмів для їх виявлення. Інтернет-платформи та соціальні сервіси самі по собі не надто переймаються цією проблемою. В результаті страждають як звичайні користувачі, які організовують різні спільноти, так і компанії, які просувають товари, бренди та послуги через соціальні мережі. Таким чином, завдання розпізнавання зловмисних акаунтів у соціальних мережах та боротьби з ними залишається актуальним у питанні кібербезпеки. Рішенням проблеми стане розробка методів мережевого аналізу, які призначені для ідентифікації та класифікації спільнот у соціальних мережах, оцінки їх зв'язності, ступеня довіри, а також розробка ефективних алгоритмів виявлення зловмисних акаунтів. Метою роботи є розробка вдосконаленого алгоритму виявлення зловмисних акаунтів у соціальних мережах, який базується на вивченні сучасних методів.
Посилання
1. Leung, C. K., Jiang, F., Poon, T. W., & Crevier, P.-É. (2018). Big data analytics of social network data: Who cares most about you on Facebook? Studies in Big Data, 27, 1–17.
2. Stanford University. (2024). Stanford Large Network Dataset Collection. http://snap.stanford.edu/data/
3. Al Mohamed, A. A., Al Mohamed, S., & Zino, M. (2023). Application of fuzzy multicriteria decision-making model in selecting pandemic hospital site. Future Business Journal, 9, Article 14.
4. Chawla, V., & Kapoor, Y. (2023). A hybrid framework for bot detection on Twitter: Fusing digital DNA with BERT. Multimedia Tools and Applications, 82(20), 30831–30854.
5. Singh, A. P., & Dutta, M. (2019). An efficient classifier for spam detection in social network. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 9(1), 2323–2328.
6. Hussain, M. (2017). Digital divide in the use of social networking sites: A study of P.G. students (gender-wise) through scalogram analysis. International Journal of Research in Economics and Social Sciences (IJRESS), 7(9), 527–536.
7. Kanavos, A., Antonopoulos, N., Karamitsos, I., & Mylonas, P. (2023). A comparative analysis of tweet analysis algorithms using natural language processing and machine learning models. In 2023 18th International Workshop on Semantic and Social Media Adaptation & Personalization (SMAP). IEEE.
8. Braker, C., Shiaeles, S., Bendiab, G., Savage, N., & Limniotis, K. (2021). BOTSPOT: Deep learning classification of bot accounts within Twitter. In Internet of Things, Smart Spaces, and Next Generation Networks and Systems (pp. 165–175). Springer.
9. Gösgens, M., van der Hofstad, R., & Litvak, N. (2024). The projection method: A unified formalism for community detection. Frontiers in Complex Systems, 2, 1–18.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
