CC BY
28
5. Ван Хунбо, Ли Пэнфэй, Сюэ Юаньюань, Коровкин Максим Васильевич Построение маршрута с помощью улучшенного метода изохрон при минимизации времени плавания и с учетом прогноза погоды // Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2017. №3.
6. Пышный В.А. Моделирование загрузки транспортной сети // Известия Тульского государственного университета. Технические науки. 2012. Вып. 2. С. 457-473. EDN PSWIMJ.
7. Михайлов А.Ю., Тарханова Н.В., Яценко С.А. Методические рекомендации по проведению обследования транспортной подвижности льготных категорий населения анкетным методом // Вестник ИрГТУ. 2013. №12 (83). [Электронный ресурс] URL: https://cYberleninka.ru/artirie/n/metodicheskie-rekomendatsii-po-provedemYu-obsledovamYa-transportnoY-podvizhnosti-lgotaYh-kategoriY-naseleniYa-anketrnm-metodom (дата обращения: 10.10.2022).
Огар Татьяна Петровна, старший преподаватель, ogar@kti.ru, Россия, Камышин, Камышин-ский технологический институт (филиал) Волгоградского государственного технического университета,
Научный руководитель: Степанченко Илья Викторович, д-р техн. наук, доцент, директор, stilvi@mail.ru, Россия, Камышин, Камышинский технологический институт (филиал) Волгоградского государственного технического университета
ABOUT THE METHOD OF COLLECTING AND PROCESSING PASSENGER TRAFFIC DATA OF URBAN
PUBLIC TRANSPORT
T.P. Ogar
A method of collecting and processing data on passenger traffic in the urban passenger public transport system is proposed. The method allows to prepare a representative sample of data for modeling passenger public transport processes and obtaining adequate results of modeling passenger traffic correspondence of various categories (workers, students, schoolchildren and pensioners). An example of the application of the method in modeling the operation of the urban passenger transport system in Volgograd is considered. The correlation coefficient between the simulation results and the reporting data is 0.97, which allows us to conclude that the proposed method is acceptable.
Key words: data processing, data collection methods, modeling of transport correspondence data, patterns of transport behavior.
Ogar Tatyana Petrovna, senior lecturer, ogar@kti.ru, Russia, Kamyshin, Kamyshin Technological Institute (branch of) Volgograd State Technical University,
Stepanchenko Ilya Victorovich, doctor of technical sciences, docent, director, stilvi@mail.ru, Russia, Kamyshin, Kamyshin Technological Institute (branch of) Volgograd State Technical University
УДК 336.71:004.056
DOI: 10.24412/2071-6168-2023-1-379-387
МЕТОД ПРОГНОЗИРОВАНИЯ ДИНАМИКИ РАСПРОСТРАНЕНИЯ ДЕСТРУКТИВНОЙ ИНФОРМАЦИИ В СОЦИАЛЬНЫХ ИНТЕРНЕТ-СЕРВИСАХ НА ОСНОВЕ КОНТЕНТ-АНАЛИЗА
В.В. Тельбух, А.В. Десятых, И.И. Захарчук, В.А. Пирухин
Предложен метод прогнозирования динамики распространения информации и запросов на него по данным контент-анализа сообщений в социальных Интернет-сервисах. Применение метрики самоподобия позволило выявить постоянную составляющую контент-функции и установить ее природу. Внедрение метода в систему обеспечения информационной безопасности Российской Федерации позволит повысить эффективность системы управления и принятия решений в аспекте выработки необходимых механизмов информационных противодействий.
Ключевые слова: социальный Интернет-сервис, акторы сети, контент-анализ, деструктивное информационное воздействие, показатель Херста, информационная безопасность, прогнозирование, синергетическое управление.
Актуальность. В настоящее время социальные Интернет-ресурсы (СИР) используются населением не только для обмена информацией, но и в качестве источника информации о различных событиях, возникающих в обществе и государстве [1, 2]. Более 80% населения Российской Федерации (РФ)
имеет хотя бы один профиль, зарегистрированный в том или ином Интернет-сообществе или социальной сети (СС). В тоже время, популярность Интернета в качестве среды оперативной коммуникации делает его не только полезным источником информации, но и создает угрозы его использования в качестве инструмента деструктивного влияния на целевые аудитории (ЦА).
В Доктрине информационной безопасности РФ отмечается, что службы иностранных разведок, террористические и экстремистские организации используют СИР для дестабилизации внутриполитической обстановки, разжигания межнациональной и религиозной розни, создания очагов социальной напряженности и т.д [3]. В качестве примера деструктивного использования информационных ресурсов можно привести митинги А.Навального и его сторонников в 2021 году. По анализу тематических сообщений и охвату ЦА можно сделать вывод, что такие сети как «Твиттер» (запрещенная сеть на территории РФ), «Ютуб», «Тик-ток» активно тиражировали сообщения, направленные на призывы граждан принять участия в незаконных антиправительственных акциях.
Также необходимо отметить попытки дестабилизации обстановки на фоне проведения мобилизационных мероприятий на территории РФ, объявленные указом президента 21 сентября 2022 года. Для этого в различных СС и мессенджерах активно распространялась дезинформация о массовой гибели военнослужащих в ходе специальной военной операции, предательстве командиров, коррумпированности военных чиновников, недостатке обмундирования и медицинских средств, отправки неподготовленных мобилизованных подразделений в зону боевых действий. В результате деструктивного информационного воздействия в ряде регионов прошли антивоенные митинги и акции, которые имели потенциал перерасти в массовые и дестабилизировать внутриполитическую обстановку в стране.
Таким образом очевидна потребность в противодействии такого рода деструктивным информационным воздействиям в СИР. Решение данной задачи неизбежно связано с обнаружением деструктивного контента или запросов на него, анализом и прогнозированием динамики распространения сообщений, что является теоретико-прикладной задачей контентного анализа.
Анализ предшествующих работ в данной области [4-7] показал, что СИР принадлежат к классу сложных нелинейных динамических систем, следовательно их можно отнести к высокоорганизованным системам со многими иерархическими уровнями управления. Как следствие, существенно ограничиваются возможности применения известных математических методов и моделей для прогнозирования динамики распространения контента или запросов на него в СИР. Также в результате анализа установлено, что для решения поставленной выше задачи наиболее адаптированными являются основные положения теории динамических систем [8, 9], поскольку наблюдаемый показатель взаимодействия акторов в СИР является некоторой функцией, которую можно назвать контент-функцией. Под контент-функцией следует понимать функцию, которая во времени описывает изменение динамики распространения контента или запросов на него по данным контент-анализа сообщений в СИР.
Основной проблемой на пути определения контент-функции является то, что закономерности, описывающие динамику исследуемых процессов, имеют скрытый характер. В [10-13] утверждается, что наиболее перспективным подходом для обнаружения скрытых зависимостей и выделения в них закономерных процессов является применение возможностей интеллектуального анализа и извлечения данных (Data Mining.) В сфере Data Mining выделяют две группы методов - кибернетические и статистические, последние из которых обеспечивают реализацию возможностей по исследованию природы взаимодействия акторов СИР на основе анализа временных рядов. Таким образом, контент-анализ сообщений в СИР представляет значительный интерес с точки зрения прогнозирования динамики распространения информации.
Цель статьи заключается в разработке нового эффективного методологического инструментария для исследования динамики распространения деструктивного контента или запросов на него по данным контент-анализа сообщений в СИР.
В исследовании предполагается, что реакция акторов сети на распространяемый контент происходит с некоторым опозданием относительно времени его публикации, поэтому динамика взаимодействия акторов описывается часовым рядом с опозданием. Следовательно, можно заключить, что специфика распространения контента или реакция на него имеет некоторые устойчивые тенденции, которые длятся значительно дольше, чем сам процесс их образующий. Данный вывод позволяет выдвинуть гипотезу исследования - прогнозирование динамики распространения контента и запросов на него по данным контент-анализа сообщений может быть осуществлено на основе известных метрик самоподобия [14, 15]. В данной статье в основу такой метрики предложено положить показатель Херста [15]. В отличие от других метрик самоподобия показатель Херста позволяет определить не только популярность ряда, но и что главное - его природу.
Метод прогнозирования динамики распространения деструктивной информации в СИР. Сущность разработанного метода раскрыта на рис. 1 в виде обобщенной структурной схемы системы прогнозирования динамики распространения деструктивной информации в СИР на основе контент-анализа.
На акторов виртуальных сообществ постоянно осуществляются целенаправленные деструктивные информационные воздействия, которые описываются как угрозы информационной безопасности D = {D1,D2,...Dn}.
Запрос акторов на контент
"Г
Источншш угроз информационной безопасности
D
Сервис контент-анализа сообщений
Г
Ё 0
Социальные интернет-сервисы
т Xgffi
Накопление Хч(г)
—► Расчет показателя —► СППР
Херста
Прогнозирование н динамики
Синтез спнергетического
управления (информационного противодействия)
Рис. 1. Обобщенная структурна схема системы прогнозирования динамики распространения деструктивной информации в сети Интернет на основе контент-анализа.
Для выявления системой обеспечения информационной безопасности соответствующего деструктивного контента или фиксации количества запросов на такой контент используются возможности сервисов контент-анализа сообщений в СИР. На практике такими сервисами могут быть Social mention, Лента.Ком, InfoStream, Яндекс.Блоги, IQBuzz, YouScan, TweetDeck, Wobot, SemanticForce или специализированные информационно-аналитические системы, такие как Призма.
Запросы акторов СИР на контент описываются кортежем Q. Как результат генерирования запросов на контент и поступления его от соответствующих источников происходит изменение динамики процессов взаимодействия акторов XQ{t). По накопленным данным в дальнейшем рассчитываются значения выбранной метрики самоподобия - показателя Херста Н®. После анализа полученных значений система поддержки и принятия решений на основе определенных правил принимает решение о целесообразности прогнозирования динамики показателей взаимодействия акторов СИР с целью выработки мер информационного противодействия, заключающихся в формировании синергетического управления uy(t), направленного на параметры взаимодействия акторов в СИР и нейтрализацию источников угроз информационной безопасности DE 0.
В случае персистентности временного ряда XQ (t) осуществляется экстраполяция полученных данных на основе одного из выбранных методов. В противном случае экстраполяция не проводится, а продолжается процедура контент-анализа согласно схеме метода, представленного на рис. 1.
Описание этапов метода.
Этап 1. Формирование контент функции заключается в определении множества СИР А, для которых проводится исследование распространения акторами виртуальных сообществ контента, содержащего деструктивные информационные признаки. Устанавливается аспект процессов взаимодействия акторов СИР из множества параметров К для дальнейшего изучения. Такими параметрами взаимодействия акторов в СИР являются: спрос на определенный контент и распространение контента в виртуальных сообществах СИР. Задается семантическое ядро I, деструктивного информационного посыла D, которое состоит из ключевых слов для поиска контента в СИР. Контент-функцию определяют на заданном временном интервале Тт. Поэтому в формализованном виде запрос к сервису контент анализа публикаций актеров в СИР принимает вид кортежа Q:
Q = (A,K,I,Tm). (1)
В результате выполнения запроса получается контент-функция X® (t), где t = 1,2, ...п, определяется на основе количества тематических публикаций выбранного контента с деструктивным информационным содержанием 1п или запросов на него.
Этап 2. Расчет показателя Херста. Заключается в установлении стабильности контент-функции XQ(t) в зависимости от количества публикаций в СИР и основывается на методе Херста (R/S -анализ). Для этого рассчитывается показатель Н^по выражению [24]:
Н* = log(R/S)/log(l). (2)
где HQ - показатель Херста для контент-функции XQ(t); S - среднеквадратическое отклонение контент-функции XQ(t); R - разброс накопленного отклонения контент-функции XQ(t); l - количество наблюдений. Среднеквадратичное отклонение S контент-функции XQ (t) рассчитывается следующим образом:
5 = Jl~iXlt=1(X4t)-XQ)2, (3)
где XQ = l~1Zlt=1(XQ(t)).
Разброс накопленного отклонения R рассчитывают, как:
R = maxXQminXQ, (4)
i<t<i i<t<i
где XQ =Y}t=1{XQ(t)-XQ).
Этап 3. Прогнозирование изменения динамики контент-функции. Для принятия решения о целесообразности экстраполяции динамики распространения контента в СИР или запросов на него устанавливается природа исследуемых процессов. Контент-функции могут быть отнесены к одному из трех
типов (см. табл. 1) в зависимости от характера направленности информационных воздействий, степени деструктивности распространяемого контента и интенсивности функционирования источника угроз информационной безопасности.
Таблица1
Тип контент-функции_
Тип корреляционной динамики ряда Х^ОО Природа процессов распространения контента или запросов на него в системе
Случайный процессы независимы и не коррелируемы, информационные акции могут носить разовый случайный характер
Антиперсистентный (эргодический) контент-функция является волатильной и состоит из реверсов типа «спад-подъем». Если динамика распространения информации растет за текущий период контент-анализа, то наиболее вероятным является его спад на последующем периоде
Персистентный если динамика публикаций контента или формирование запросов на него возрастает (или уменьшается) за период контент-анализа, то его динамика поведения не изменится и в следующем периоде. Динамика распространения контента имеет устойчивый тренд.
Персистентность ряда увеличивается с ростом показателя Херста и приближением его к своей верхней границе (Н® ^1). В противном случае прогнозирование динамики не проводится. Правила принятия решений по прогнозированию контент-функции основываются на значении рассчитанного показателя Херста Н® на 2 этапе метода. В формализованном виде правила принятия решений приведены в табл. 2.
Таблица 2
Правила принятия решений_
№ Значение показателя Херста, Н Решение относительно прогноза, Ш
1 На = 0,5 нецелесообразный
2 0<Яе <0,5 нецелесообразный
3 0,5 < Яе <1 целесообразный
Этап 4. Прогнозирование изменения показателя взаимодействия. Устанавливается функциональная зависимость между контент-функцией X® (с) и временем £. Для наибольшего согласования экспериментальных данных и их наилучшего сглаживания целесообразно использовать метод
наименьших квадратов (МНК). Сущность МНК заключается в поиске аппроксимирующего многочлена [16, 17], для которого:
р = ъи^ (О -X* (О)2 ^тт. (5)
На основе построенного аппроксимирующего многочлена контент-функции реализуют
прогноз динамики распространения информации или запросов на нее в СИР. Это позволяет повысить оперативность и эффективность управления взаимодействием акторов виртуальных сообществ в разрезе спроса на деструктивный контент путем заблаговременной корректировки управляющих действий и предотвращения реализации угроз информационной безопасности.
Проведение экспериментов. Рассмотрим реальные деструктивные информационные воздействия, которые имели место в информационном пространстве РФ.
Экспериментальные данные № 1. Исследуем изменение количества публикаций среди акторов виртуальных сообществ. С этой целью определим динамику распространения контента, который содержал деструктивные информационные посылы в ходе антиправительственных митингов А.Навального и его сторонников на тему «Борьба с коррупцией». Запросы контент-сервиса IQBuzz имеют следующие параметры поиска: язык документов -любой язык; тип документов-пост, комментарий, форум, видео, микроблог, социальные сети; дата создания - за все время.
Результаты работы запроса к контент-сервису IQBuzz представлен в табл. 3. Расчет метрики самоподобия Н® по данным из табл. 3 проведено согласно выражениям (2)-(4) (Н®1 = 0,816). Опираясь на данные из табл. 2 можно сделать вывод, что распространение контента «Борьба с коррупцией» имеет персистентную (неслучайную) природу, а также обладает признаками тренда.
Таблица 3
Исходные данные контента «Борьба с коррупцией»_
День Дата Количество сообщений акторов СИР
1 26.03.2017 345
2 27.03.2017 334
3 28.03.2017 311
4 29.03.2017 289
5 30.03.2017 276
6 31.03.2017 266
7 1.04.2017 265
8 2.04.2017 221
9 3.04.2017 219
10 4.04.2017 210
При помощи MS Excel была построена аппроксимирующая кривая исследуемой контент-функций PQl(t) = 95.301е"0324. Коэффициент достоверности аппроксимации равен R2 = 0,912 (см. рис. 2).
100 50 О
О 2 4 5 8 30 32 34 36
t
Рис. 2. Динамика распространения контента «Борьба с коррупцией»: результаты экстраполяции
На основе полученной аппроксимирующей кривой выполнена экстраполяция количества публикаций на следующие 4 дня (см. табл. 4).
Таблица 4
Прогноз динамики публикаций «Борьба с коррупцией»_
День Дата Прогноз количества публикаций акторов ИС Экспериментальные значение количества публикаций акторов ИС
11 4.04.2017 210 209
12 5.04.2017 178 178
13 6.04.2017 166 163
14 7.04.2017 166 165
Анализ данных из табл. 4 показывает, что результаты прогнозирования аппроксимирующей кривой PQ(t) согласуются с экспериментальными данным, а количество публикаций, в которых содержится деструктивная информация, уменьшается с экспоненциальной скоростью. Таким образом, можно сделать вывод, что для данного примера нецелесообразно расходовать ресурсы системы обеспечения информационной безопасности государства для организации информационного противодействия.
Экспериментальные данные № 2. Проанализируем динамику запросов в СИР на контент «Бобра с коррупцией». Средствами сервиса контекстного поиска Google AdWords было определено количество запросов акторов СИР на словосочетание «Борьба с коррупцией» (см. табл. 5). Показатель Херста имеет значение Н®2 = 0,891, что свидетельствует о персистентности ряда. В таком случае считается необходимым осуществление процедуры прогнозирования.
Таблица5
Исходные данные спроса акторов на контент «Борьба с коррупцией»_
Период Дата Количество запросов акторов СИР, тыс.
1 26.03.2017 1,35
2 27.03.2017 1,25
3 28.03.2017 1,15
4 29.03.2017 1,05
5 30.03.2017 0,59
6 31.03.2017 0,55
7 1.04.2017 0,45
8 2.04.2017 0,37
9 3.04.2017 0,36
10 4.04.2017 0,35
В результате экстраполяции средствами MS Excel по МНК построена аппроксимирующая кривая P°2(t) = 1605.3е_О139 для временного ряда XQ2(t) изменения спроса акторов СИР с коэффициентом детерминации R2 = 0,91 (см. рис. 3).
На основе полученной аппроксимирующей кривой P®(t) выполнена экстраполяция количества запросов на следующие 4 дня (см. табл. 6).
На рис. 3 видно, что уровень заинтересованности акторов СИР к анализируемому контенту медленно спадает по экспоненциальному закону. Для ускорения переходных процессов и наиболее интенсивного уменьшения спроса на контент «Борьба с коррупцией» применяются принципы синергетиче-
ского управления [18, 19]. Так взаимодействие акторов в СИР в формализованном виде описывается системой нелинейных дифференциальных уравнений вида:
-=ах — ху — ЬхА\
-=-су + ху,
где х(р) - процесс, описывающий спрос акторов СИР на контент, представляющий интерес для исследуемого виртуального сообщества; у(Ь) - процесс, описывающий предложение по контенту, представляющему интерес для источников угроз информационной безопасности; а - показатель изменения скорости спроса акторов СИР на контент; Ъ - показатель изменения состояния процесса конкуренции акторов в СИР на публикацию контента, аналогичного по сути и содержанию; с - показатель изменения скорости предложения акторам СИР контента, представляющего для них интерес.
Рис. 3. Динамика распространения запросов на контент «Борьба с коррупцией» в ИС: результаты экстраполяции
Таблица 6
Прогноз динамики запросов акторов «Борьба с коррупцией»_
День Дата Прогноз количество запросов акторов СИР, тыс. Экспериментальные значение количества запросов акторов СИР, тыс.
11 4.04.2017 0,35 0,35
12 5.04.2017 0,34 0,35
13 6.04.2017 0,33 0,33
14 7.04.2017 0,32 0,32
Установлено, что рабочие параметры системы нелинейных дифференциальных уравнений (6) принимают значения: изменения скорости спроса на контент а = 0,7; изменение процесса конкуренции Ъ = 0,45 и скорости предложения контента с = 0,3. Для регулирования спроса акторов на контент СИР, связанного со словосочетанием «Борьба с коррупцией» использована модель:
4>£(x,y) = q>lX + q>2(1-y/N), (7)
где фъ ф2- коэффициенты регулирования спроса и предложения на контент, который представляет интерес для акторов СИР; N - уровень предложения предпочтительного контента с учетом его ценности.
На основе параметра (7) синтезировано синергетическое управление вида:
иу (х, у) = ^N(ax — ху — Ьх2) + Nф- (х, у) + су — ху. (8)
Параметрами синергетического управления иу (х, у) являются: уровень предложения по предоставлению контента N = 0,35; параметры регуляризации <р1 = 0,6 и ф1 = 0,3; длительность переходных процессов в системе Т- = 1 мес.
Вследствие организации информационного противодействия распространению контента, содержащего деструктивные информационные посылы, изменение динамики спроса акторов на контент будет меняться как показано на рис. 4, где X(t) - спрос на контент (тыс. запросов, по данным Google AdWords), Xv(t) - синергетический управляемый спрос (тыс. запросов, вследствие информационного противодействия).
Анализ полученных табличных и графических данных позволяет сделать вывод о персистент-ности ряда и наличии характерных закономерностей по распространению деструктивной информации и запросов на нее в СИР. Полученные данные дают возможность построения и прогнозирования аппроксимирующей кривой, описывающей динамику контента в СИР.
1600
О 2 4 6 6 30 32 34 35 Рис. 4. Изменение динамики спроса акторов на контент «Отравление Навального»
Заключение. Использование предложенного метода на реальных экспериментальных данных контент-анализа сообщений в СИР позволило установить его преимущества, основными из которых являются возможность прогнозирования популярности деструктивного или любого другого контента среди пользователей СИР, а так же увеличение признакового поля анализируемого контента по заданным параметрам. Простота и доступность предлагаемого подхода создает благоприятные условия для его реализации в системе обеспечения информационной безопасности Российской Федерации.
Список литературы:
1. Могилевская Г.И., Авдеева Т.Г., Алексеенко Ю.В. Мониторинг и анализ социальных сетей для предотвращения угроз информационной безопасности // Аллея науки. 2017. № 14. Том 1. С. 799-804.
2. Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства / Под ред. чл.-корр. РАН Д.А. Новикова. М.: Издательство физико-математической литературы, 2010. С. 4-11.
3. Ищенко А.Н., Прокопенко А.Н., Страхов А.А. Новая доктрина информационной безопасности Российской Федерации как основа противодействия угрозам безопасности России в информационной сфере // Проблемы правоохранительной деятельности. 2017. №. 2. С. 55-62.
4. Охапкина Е.П. и др. Динамическая система функционирования сообществ социальной сети // Известия Кабардино-Балкарского научного центра РАН. 2022. №. 2 (106). С. 41-71.
5. Миловидов В. Модель «всеобщего выигрыша» как комплексный ответ на вызовы корпоративного управления в сетевом обществе // Форсайт. 2020. Т. 14. №. 4. С. 112-120.
6. Перова Ю.П. и др. Анализ и моделирование процессов в сложных социальных сетевых структурах на основе уравнения Фоккера-Планка. 2022.
7. Лебедев А.В. Взаимосвязь и различия математических моделей технических и социальных систем // Современные средства автоматизации деятельности сотрудников территориальных органов и образовательных организаций ФСИН России: проблемы и перспективы. 2020. С. 26-34.
8. Угольницкий Г.А. и др. Теория управления устойчивым развитием активных систем // Управление большими системами: сборник трудов. 2020. №. 84. С. 89-113.
9. Мамончикова А.С. Формализация информационного конфликта на основе теории динамических систем // Наукоемкие технологии в космических исследованиях Земли. 2020. Т. 12. №. 6. С. 6875.
10. Ениколопов С.Н. и др. Создание инструмента автоматического анализа текста в интересах социо-гуманитарных исследований. Часть 1. Методические и методологические аспекты // Искусственный интеллект и принятие решений. 2019. №. 2. С. 28-38.
11. Wu S. Nonlinear information data mining based on time series for fractional differential operators // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2019. Т. 29. №. 1. С. 013114.
12. Goswami S. et al. A review on application of data mining techniques to combat natural disasters // Ain Shams Engineering Journal. 2018. Т. 9. №. 3. С. 365-378.
13. Wang S., Cao J., Yu P. Deep learning for spatio-temporal data mining: A survey // IEEE transactions on knowledge and data engineering. 2020.
14. Kotenko I. et al. An approach to detecting cyber attacks against smart power grids based on the analysis of network traffic self-similarity // Energies. 2020. Т. 13. №. 19. С. 5031.
15. Zhukov D., Khvatova T., Otradnov K. Forecasting News Events Using the Theory of Self-similarity by Analysing the Spectra of Information Processes Derived from the Vector Representation of Text Documents // International Conference on Convergent Cognitive Information Technologies. Springer, Cham, 2018. С. 54-69.
16. Mohammed D.S. Numerical solution of fractional integro-differential equations by least squares method and shifted Chebyshev polynomial // Mathematical Problems in Engineering. 2014. Т. 2014.
17. Gaisina L.M. et al. Social management systems'modeling based on the synergetic approach: methods and fundamentals of implementation // Academy of Strategic Management Journal. 2017. Т. 16. С. 83.
18. Knyazeva H. The synergetic principles of nonlinear thinking // World Futures. 1999. Т. 54. №. 2. С. 163-181.
Тельбух Вячеслав Владимирович, адьюнкт, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф.Можайского,
Десятых Александр Владимирович, адьюнкт, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф.Можайского,
Захарчук Иван Илларионович, канд. техн. наук, доцент, zaharchuk@mirea.ru, Россия, Москва, Институт кибербезопасности и цифровых технологий «МИРЭА - Российский технологический университет»,
Пирухин Виталий Александрович, канд. воен. наук, старший научный сотрудник, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
A METHOD FOR PREDICTING THE DYNAMICS OF THE SPREAD OF DESTR UCTIVE INFORMA TION IN SOCIAL INTERNET SERVICES BASED ON CONTENT ANALYSIS
V.V. Telbukh, A.V. Desyatykh, I.I. Zakharchuk, V.A. Pirukhin
A method is proposed for predicting the dynamics of information dissemination and requests for it based on content analysis of messages in social Internet services. The use of the self-similarity metric made it possible to identify the constant component of the content function and establish its nature. The introduction of the method into the information security system of the Russian Federation will improve the efficiency of the management and decision-making system in terms of developing the necessary mechanisms for information countermeasures.
Key words: social Internet service, network actors, content analysis, destructive information impact, Hurst index, information security, forecasting, synergetic management.
Telbukh Vyacheslav Vladimirovich, adjunct, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky,
Desyatykh Alexander Vladimirovich, adjunct, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Zakharchuk Ivan Illarionovich, candidate of technical sciences, docent, zaharchuk@mirea.ru, Russia, Moscow, Institute of Cybersecurity and Digital Technologies «MIREA - Russian Technological University»,
Pirukhin Vitaly Aleksandrovich, candidate of military sciences, senior researcher, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky
