Development of a method for calculation of information protection from the clustering coefficient and information flow in social networks

Володимир Миколайович Ахрамович

doi:10.15587/2706-5448.2022.255962

Автор(и)

Володимир Миколайович Ахрамович Державний університет телекомунікацій, Україна https://orcid.org/0000-0002-6174-5300

DOI:

https://doi.org/10.15587/2706-5448.2022.255962

Ключові слова:

динамічні моделі, система захисту інформації, метод винятків, однорідне характеристичне рівняння, стійкість системи

Анотація

Об'єктом дослідження є система захисту інформації соціальної мережі. У роботі досліджуються динамічні моделі системи захисту інформації в соціальних мережах з урахуванням коефіцієнта кластеризації, а також аналізується стабільність системи захисту. У теорії графів коефіцієнт кластеризації є мірою того, як вузли в графі мають тенденцію до групування. Наявні дані свідчать про те, що в більшості реальних мереж, і зокрема в соціальних мережах, вузли, як правило, утворюють тісно пов’язані групи з відносно високою щільністю зв’язків. Ця ймовірність більша, ніж середня ймовірність випадкового з’єднання між двома вузлами. Існує два варіанти цього терміна: глобальний і локальний. Глобальна версія створена для загальної ідеї кластеризації мережі, а локальна описує вкладення окремих вузлів. Існує практичний інтерес у вивченні поведінки системи захисту соціальних мереж від значення фактора кластеризації.

Розглянуто динамічні системи захисту інформації в соціальних мережах у математичному розумінні цього терміна. Під динамічною системою розуміють будь-який об'єкт або процес, для якого поняття стану як сукупності деяких величин у даний момент часу однозначно визначено та описано заданий закон, що описує зміну (еволюцію) початкового стану в часі. Цей закон дозволяє початковому стану передбачити майбутній стан динамічної системи. Його називають законом еволюції.

Дослідження базується на нелінійності системи захисту соціальних мереж. Для розв'язування системи нелінійних рівнянь використовуються: метод винятків, спільний розв'язок відповідного однорідного характеристичного рівняння. Оскільки в деяких областях даних диференціал функції захисту має додатне значення (вимога теореми Ляпунова для цієї області не виконується), необхідне додаткове дослідження стійкості системи захисту в межах робочих параметрів. Визначено фазові портрети системи захисту даних у MatLab/Multisim, які свідчать про стабільність системи захисту в робочому діапазоні параметрів, навіть при максимальному значенні впливів.

Біографія автора

Володимир Миколайович Ахрамович, Державний університет телекомунікацій

Доктор технічних наук, професор

Кафедра систем інформаційного та кібернетичного захисту

Посилання

Laptiev, O., Savchenko, V., Kotenko, A., Akhramovych, V., Samosyuk, V., Shuklin, G., Biehun, A. (2021). Method of Determining Trust and Protection of Personal Data in Social Networks. International Journal of Communication Networks and Information Security, 1, 15–21. doi: http://doi.org/10.1109/atit54053.2021.9678599
Fagiolo, G. (2007). Clustering in complex directed networks. Physical Review E, 76 (2). doi: http://doi.org/10.1103/physreve.76.026107
Kaiser, M. (2008). Mean clustering coefficients: the role of isolated nodes and leafs on clustering measures for small-world networks. New Journal of Physics, 10 (8), 083042. doi: http://doi.org/10.1088/1367-2630/10/8/083042
Akhramovych, V., Shuklin, G., Pepa, Y., Muzhanova, T., Zozulia, S. (2022). Devising a procedure to determine the level of informational space security in social networks considering interrelations among users. Eastern-European Journal of Enterprise Technologies, 1 (9 (115)), 63–74. doi: http://doi.org/10.15587/1729-4061.2022.252135
Savchenko, V., Akhramovych, V., Tushych, A., Sribna, I., Vlasov, I. (2020). Analysis of Social Network Parameters and the Likelihood of its Construction. International Journal of Emerging Trends in Engineering Research, 8 (2), 271–276. doi: http://doi.org/10.30534/ijeter/2020/05822020
Wang, Y., Ghumare, E., Vandenberghe, R., Dupont, P. (2017). Comparison of Different Generalizations of Clustering Coefficient and Local Efficiency for Weighted Undirected Graphs. Neural Computation, 29 (2), 313–331. doi: http://doi.org/10.1162/neco_a_00914
Gracheva, М., Iakobi, Y., Stepanenko, V., Luneva, Y. (1950). Communication Patterns in Task‐Oriented Groups. The Journal of the Acoustical Society of America, 22 (6), 725–730. doi: http://doi.org/10.1121/1.1906679
Yevin, I. A. (2010). Introduction to the theory of complex networks. Computer Research and Modeling, 2 (2), 121–141. doi: http://doi.org/10.20537/2076-7633-2010-2-2-121-141
Zharinov, I., Krylov, V. (2008). Constructing graphs with minimum average path length. Bulletin of Izhevsk State Technical University, 4, 164–169.
Pavlov, Y. L., Cheplyukova, I. A. (2019). On the asymptotics of degree structure of configuration graphs with bounded number of edges. Discrete Mathematics and Applications, 29 (4), 219–232. doi: http://doi.org/10.1515/dma-2019-0020
Mamedova, H., Agaev, F., Zeinalova, L. (2019). Using social media to personalize e- learning. İnformasiya texnologiyaları problemləri, 1, 27–34.
Starodubtsev, V. (2015). Personalization of the virtual educational environment. Pedagogical Education in Russia, 7, 24–29.
Pavlov, J. (2019). On the asymptotics of the cluster coefficient of a configuration graph with an unknown distribution of vertex degrees. Information and its application, 13 (3), 9–13. doi: http://doi.org/10.14357/19922264190302
Firsov, М. (2017). Benchmarking graph clustering algorithms for decision-making problems. Basic research, 12 (1), 138–142.
Mahmoudi, A., Yaakub, M. R., Bakar, A. A. (2019). The Relationship between Online Social Network Ties and User Attributes. ACM Transactions on Knowledge Discovery from Data, 13 (3), 1–15. doi: http://doi.org/10.1145/3314204
Mahmoudi, A., Yaakub, M. R., Abu Bakar, A. (2018). New time-based model to identify the influential users in online social networks. Data Technologies and Applications, 52 (2), 278–290. doi: http://doi.org/10.1108/dta-08-2017-0056