Моделирование информационного противоборства в социальных сетях на основе теории игр и динамических байесовских сетей
Опубликовано: 18.11.2013
Авторы: Вельц С.В.
Опубликовано в выпуске: #11(23)/2013
DOI: 10.18698/2308-6033-2013-11-991
Раздел: Информационные технологии | Рубрика: Информационная безопасность
В статье рассматривается задача моделирования информационного влияния и противоборства в социальных сетях. Актуальность задачи обусловлена возрастающим влиянием социальных сетей на процессы в обществе и возрастающей конкуренцией в информационном пространстве. В данной работе предложен подход к решению указанной задачи на основе теории игр Штекельберга и динамических байесовских сетей. Также предлагается иерархический алгоритм оценки информационного влияния, что позволяет существенно ускорить вычисления в случае больших сетей. Практическая применимость подхода проверена в рамках вычислительного эксперимента на синтетических данных и данных сети Twitter. Предлагаемый подход обладает большой гибкостью и производительностью, что дает возможность решать широкий круг задач и делает перспективным его использование при построении информационно-аналитических систем.
Литература
[1] Khondker H. H. Role of the New Media in the Arab Spring. Globalizations, 2011, vol.8 (5), pp. 675-679
[2] Kempe D., Kleinberg J., Tardos E. Maximizing the spread of influence through a social network. Proceeding KDD ’03 Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, 2003, ACM New York, NY, USA, pp. 137-146
[3] Domingos P., Richardson M. Mining the Network Value of Customers. Proceedings of the Seventh International Conference on Knowledge Discovery and Data Mining, 2002
[4] Goldenberg J., Libai B., Muller E. Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth. Journal Marketing Letters, 2001, vol. 12, Issue 3
[5] Kempe D., Kleinberg J., Tardos E. Influential nodes in a diffusion model for social networks. 32nd International Colloquium on Automata, Languages and Programming (ICALP), 2005, pp. 1127-1138
[6] Hill S., Provost F., Volinsky C. Network-based marketing: Identifying likely adopters via consumer networks. Journal of Computational and Graphical Statistics, 2006, 21(2), pp. 256—276
[7] U.S. Dept. of the Army and U.S. Marine Corps. The U.S. Army. Marine Corps Counterinsurgency Field Manual. University of Chicago Press, 2007, pp. 3-24
[8] Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства. Москва, Физматлит, 2010, 228 с.
[9] Рассел С., Норвиг П. Искусственный интеллект: современный подход. Москва, Вильямс, 2006, 1406 с.
[10] Leskovec J. Cost-effective outbreak detection in networks. Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), 2007, pp. 420-429
[11] Zhang D., Gatica-perez D., Bengio S., Roy D. Learning influence among interacting Markov chains. Advances in Neural Information Processing Systems, 2005, 18
[12] Pelkowitz L. A continuous relaxation labeling algorithm for Markov random fields. IEEE Transactions on Systems, Man and Cybernetics, 1990, vol. 20, pp. 709-715
[13] Goyal A., Lu W., Lakshmanan L.V.S. CELF++: Optimizing the greedy algorithm for influence maximization in social networks, 2011
[14] Chen W., Yuan Y., Zhang L. Scalable influence maximization in social networks under the linear threshold model. ICDM, 2010
[15] Goyal A. SIMPATH: An Efficient Algorithm for Influence Maximization under the Linear Threshold Model. Proceeding ICDM ’11 Proceedings of the 2011 IEEE 11th International Conference on Data Mining, 2011
[16] Mathioudakis M., Bonchi F., Castillo C., Gionis A., Ukkonen A. Sparsification of influence networks. KDD, 2011, pp. 529-537
[17] Jiang Q. Song G., Cong G., Wang Y., Si W., Xie K. Simulated Annealing Based Influence Maximization in Social Networks, AAAI, 2011
[18] He X., Song G., Chen W., Jiang Q. Influence blocking maximization in social networks under the competitive linear threshold model. Proceedings of the 12th SIAM International Conference on Data Mining (SDM’2012), 2012
[19] Chen W., Lu W., Zhang N. Time-critical influence maximization in social networks with time-delayed diffusion process. Proceedings of the 26th Conference on Artificial Intelligence (AAAI’2012), 2012
[20] Tang J. Social influence analysis in large-scale networks, KDD, 2009
[21] Goyal A. Learning Influence Probabilities In Social Networks Proceedings of the Third ACM international conference on Web search and data mining, 2010
[22] M. Jain, J. Pita, M. Tambe, F. Ordonez, P. Paruchuri, S. Kraus. Bayesian Stackelberg games and their application for security at Los Angeles international airport. Newsletter ACM SIGecom Exchanges, 2008
[23] Jain M., Korzhyk D., Vanek O., Conitzer V., Pechoucek M., Tambe M. A double oracle algorithm for zero-sum security games on graphs. Proceeding AAMAS ’11 The 10th International Conference on Autonomous Agents and Multiagent Systems, 2011, vol. 1
[24] Tsai J., Nguyen T. H., Tambe M. Security Games for Controlling Contagion, AAAI, 2012
[25] Conte D., Foggia P., Sansone C., Vento M. Thirty years of graph matching in pattern recognition. International Journal of Pattern Recognition and Artificial Intelligence, 2004, vol. 18, no. 3, pp. 265-298
[26] Goyal A., Bonchi F., Lakshmanan L. Learning influence probabilities in social networks. WSDM ’10 Proceedings of the Third ACM international conference on Web search and data mining, 2010, pp. 241-250
[27] McMahan, Gordon, Blum. Planning in the presence of cost functions controlled by an adversary. ICML, 2003, pp. 536-543
[28] Zafarani R., Liu H. Social Computing Data Repository at ASU. URL: http://socialcomputing.asu.edu