20 мая 2018г.
Изучение особенностей распространения информации по сети свободных агентов позволяет моделировать не только технические свойства сетевых потоков информации, но другие далекие от социальных сетей объекты, в частности нейронные сети. Основываясь на мониторинге сетей, проводимом различными организациями, можно получить необходимые данные об ограничениях и допустимых упрощениях моделей. Исходя из этого, в данной статье была разработана простейшая модель распространения информации в сети и проведены оценки её поведения при наличии различных начальных условий.
Ключевые слова: информация, поток информации, социальная сеть, граф, моделирование, дискретные состояния.
В настоящее время социальные сети представляют собой весьма интересный объект для изучения эволюции потоков информации среди множества распределённых источников [4,5]. Особенностью этого процесса является невозможность прямого контроля над ним и точного прогноза его развития [2]. С другой стороны сложность социальных сетей уже сопоставима по числу агентов с теми моделями нейронных сетей, которые применяются для исследования функций и деятельности мозга человека, в частности, с использованием геометрических образов [3].
Цель данной статьи – представить простейший подход к моделированию распространения информации между агентами сети.
Пусть имеется социальная сеть доступная через Интернет, например, Facebook. В эту сеть осуществляется вброс некоторой информации с интенсивностью λ . Источником сообщений может быть либо реальное лицо, либо бот. Выделим из сети систему агентов (для определённости только реальных лиц), начинающуюся с источника, передающего одному агенту сети (пользователю) намеренно «ложное» сообщение. Заметим, что на самом деле это только одна из ветвей рассылок ложного сообщения агентом. Поскольку другие ветви не привносят какого-либо нового поведения системы, мы не будем принимать их во внимание для определённости границ группы участников сети.
Далее будем считать, что агент (пользователь) сети, получивший сообщение, перепрошивает его трём другим агентам, и каждый получивший эту «ложную» информацию также перепрощивает её трём агентам. В результате возникает поток помеченной информации, захватывающий всё новые массы агентов- пользователей. Существует и обратный поток информации, опровергающей «ложь» с интенсивностью µ на одного пользователя. В результате система имеет следующие дискретные состояния:
S0 – состояние системы – выделенной в рамках модели группы пользователей соцсети, – когда имеется источник «ложной» информации (лицо или бот) и ни один из пользователей пока «не заражён»;
S1 – состояние системы, когда имеется источник ложной информации (лицо или бот) и один из пользователей «заражён»;
S2 – состояние системы, когда имеется источник ложной информации (лицо или бот) и четверо пользователей «заражены»;
S3 – состояние системы, когда имеется источник «ложной» информации (лицо или бот) и 13 пользователей «заражены»; и т.д.
Получим следующий линейный граф (рис.1):
Он представляет собой цепь из дискретных состояний. В отличие от обычного линейного графа здесь можно говорить о растущей в геометрической прогрессии интенсивности «потока заявок» в систему, а на самом деле росте интенсивности потока помеченной («ложной») информации в сети. По мере роста числа заражённых пользователей растёт и обратный поток – поток разоблачения «лжи» пропорциональный числу пользователей. Здесь подтверждается известное высказывание классика о том, что одного человека можно обманывать долго, а многих – только короткое время.
Запишем теперь уравнения Колмогорова для финальных вероятностей дискретных состояний в полученном графе.
Отсюда 𝑝0 = 0,0448, 𝑝1 = 0,0895, 𝑝2 = 0.1343, 𝑝3 = 0.2479, 𝑝4 = 0.4835 . Таким образом, в случае двойного превышения интенсивности потока лжи над интенсивностью потока разоблачений около половины агентов-пользователей сети в среднем «заражены».
Заключая, заметим, что инструменты анализа блого-сферы могут представить пользователю актуальную информацию о состоянии исследуемой области и, использование данных анализа как входные данные для грамотно построенной модели, приведет к наиболее точной постановке задачи: «Реакция пользователей на информационную атаку». Для дальнейшего развития исследования потоков информации в сетях потребуется имитационное моделирование на основе агентных моделей [1,5], что позволит детально рассмотреть этапы охвата сегментов сети информационным вбросом.
Список литературы
1.
Рыжиков Ю.И. Имитационное моделирование // Теория и технологии. – 1999. – № 5 (2). – С.137—172.
2.
Трофимов В.М., Видовский Л.А., Дьяченко Р.А. Модель информационного воздействия в социальных сетях // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015. № 110. С. 1788-1801.
3.
Трофимов В.М. О математической природе сообразительности // Вестник Новосибирского государственного педагогического университета. –
2017. – Т. 7. – № 4. – С. 151-170.
4.
Чесноков В.О. Применение алгоритма выделения сообществ в информационном противоборстве в социальных сетях // Вопросы кибербезопасности. – 2017. - №1(19). – С.37 – 44.
5.
http://www.scienceforum.ru/2013/21/2365 «Имитационное моделиро-вание: теория и практика»
