ВИЯВЛЕННЯ ТА КІЛЬКІСНЕ ОЦІНЮВАННЯ УЗГОДЖЕНОЇ АКТИВНОСТІ СПІЛЬНОТ БОТ-ПРОГРАМ У СОЦІАЛЬНИХ ПРОГРАМНИХ МЕРЕЖАХ НА ОСНОВІ МЕРЕЖЕВОГО ТА ЧАСОВОГО АНАЛІЗУ

Я. І.  Перегуда; Л. А.  Люшенко

doi:10.34185/1562-9945-2-163-2026-17

Автор(и)

Я. І. Перегуда https://orcid.org/0009-0002-7292-7887
Л. А. Люшенко https://orcid.org/0000-0003-4319-5955

DOI:

https://doi.org/10.34185/1562-9945-2-163-2026-17

Ключові слова:

бот-програми, соціальні мережі, координовані інформаційні кампанії, узгоджена активність, мережевий аналіз, часові закономірності активності, статистична значущість, нульова модель випадкової синхронності

Анотація

У статті досліджуються методи виявлення та кількісного оцінювання узгодженої активності спільнот бот-програм у соціальних програмних платформах на основі поєднання мережевих, часових і змістових ознак. Запропоновано програмний підхід, у якому з інтернет-журналів взаємодій будується зважений граф акаунтів, виконується виділення спільнот шляхом оптимізації модульності. Узгодженість у межах спільнот оцінюється через поєднання парних показників часової синхронності та збігів за елементами взаємодії. Після цього здійснюється статистична перевірка на основі перестановочної нульової моделі та контроль частки хибнопозитивних результатів. Отримані результати демонструють, що ранжування спільнот за запропонованими показниками відокремлює групи з підвищеною часткою бот-програм, а аналіз статис-тично значущих пар формує інтерпретовані ядра узгоджених зав’язків, які придатні для пояснення виявлених структур і подальшого моніторингу. Практична цінність під-ходу полягає у відтворюваності обчислень у вигляді програмного конвеєра з чіткими вихідними інтерфейсами та можливості пріоритизації спільнот бот-програм з під-вищеними ризиками для задач контролю координованих інформаційних кампаній.

Посилання

Ferrara, E., Varol, O., Davis, C., Menczer, F., & Flammini, A. (2016). The rise of social bots. Communications of the ACM, 59(7), 96–104. https://doi.org/10.1145/2818717

Cresci, S. (2020). A decade of social bot detection. Communications of the ACM, 63(10), 72–83. https://doi.org/10.1145/3409116

Starbird, K. (2019). Disinformation’s spread: bots, trolls and all of us. Nature, 571(7766), 449. https://doi.org/10.1038/d41586-019-02235-x

Pacheco, D., Hui, P.-M., Torres-Lugo, C., Truong, B. T., Flammini, A., & Menczer, F. (2021). Uncovering coordinated networks on social media: Methods and case studies. Pro-ceedings of the International AAAI Conference on Web and Social Media, 15(1), 455–466. https://doi.org/10.1609/icwsm.v15i1.18075

Beutel, A., Xu, W., Guruswami, V., Palow, C., & Faloutsos, C. (2013). CopyCatch: Stop-ping group attacks by spotting lockstep behavior in social networks. In Proceedings of the 22nd International Conference on World Wide Web (pp. 119–130). ACM. https://doi.org/10.1145/2488388.2488400

Cao, Q., Yang, X., Yu, J., & Palow, C. (2014). Uncovering large groups of active malicious accounts in online social networks. In Proceedings of the 2014 ACM SIGSAC Conference on Computer and Communications Security (pp. 477–488). ACM. https://doi.org/10.1145/2660267.2660269

Chavoshi, N., Hamooni, H., & Mueen, A. (2016). DeBot: Twitter bot detection via warped correlation. In 2016 IEEE 16th International Conference on Data Mining (ICDM) (pp. 817–822). IEEE. https://doi.org/10.1109/ICDM.2016.0096

Mazza, M., Cresci, S., Avvenuti, M., Quattrociocchi, W., & Tesconi, M. (2019). RTbust: Exploiting temporal patterns for botnet detection on Twitter. arXiv. https://arxiv.org/abs/1902.04506

Cinelli, M., Cresci, S., Quattrociocchi, W., Tesconi, M., & Zola, P. (2022). Coordinated inauthentic behavior and information spreading on Twitter. Decision Support Systems, 160, 113819. https://doi.org/10.1016/j.dss.2022.113819

Luceri, L., Salkar, T. V., Balasubramanian, A., Pinto, G., Sun, C., & Ferrara, E. (2025). Coordinated inauthentic behavior on TikTok: Challenges and opportunities for detection in a video-first ecosystem. arXiv. https://arxiv.org/abs/2505.10867