План исследования Графовые методы для анализа социальных сетей и дезинформации

2026-09-28 · 10 мин. для прочтения
blog science

План исследования Графовые методы для анализа социальных сетей и дезинформации.

Содержание

1 План исследования

1.1 Введение

  • Актуальность темы
    • Рост социальных сетей и анонимных сетей (Tor, I2P) как среды для распространения дезинформации, координации ботов и незаконной деятельности. Необходимость автоматизированных методов анализа на основе графов.
  • Объект и предмет исследования
    • Объект — социальные сети и даркнет-платформы.
    • Предмет — графовые модели и методы анализа структур связей для выявления ботов, дезинформации и ключевых узлов в даркнете.
  • Цель и задачи исследования
    • Формулировка цели (например, разработка и сравнительная оценка графовых методов для нескольких задач).
    • Конкретных задач (обзор, выбор архитектур, эксперименты, оценка).
  • Методы исследования
    • Теория графов, графовые нейронные сети (GNN), алгоритмы поиска сообществ, анализ центральностей.
  • Научная новизна и практическая значимость
    • Адаптация GNN к мультиреляционным графам.
    • Сравнение методов на единых метриках.
    • Выявление ограничений.

1.2 Глава 1. Теоретические основы и обзор литературы

  • Базовые понятия теории графов и анализ социальных сетей.
    • Степень вершины, центральности (degree, betweenness, closeness), модульность, алгоритмы поиска сообществ (Louvain, Leiden).
  • Графовые нейронные сети: архитектуры и применение.
    • GCN, GraphSAGE, GAT, GIN. Механизмы message passing и neighborhood aggregation.
    • Обзор результатов применения GNN в анализе социальных сетей.
  • Обзор методов
    • Выявление ботов.
      • Эволюция подходов: от признаковых моделей к графовым и мультимодальным.
      • Групповой уровень детектирования через анализ подграфов и аномалий топологии.
    • Обнаружение дезинформации
      • Модели распространения новостей как графы.
      • GNN и гибридные архитектуры (BERT + GNN, LLM + GNN).
      • Характерные паттерны: высокая скорость распространения через влиятельные узлы, кластеры низкодостоверных пользователей.
    • Анализ Darknet
      • Исследование скрытых сервисов Tor и I2P как единой экосистемы.
      • Выявление ключевых узлов и сообществ через метрики центральности. Визуализация и картирование экосистемы даркнета.
  • Выводы по главе
    • Формулировка исследовательского пробела: необходимость систематического сравнения графовых методов на унифицированных наборах данных для трёх рассмотренных задач.

1.3 Глава 2. Методология исследования

  • Общая схема экспериментального исследования.
    • Пайплайн: сбор/выбор данных → построение графов → обучение моделей → оценка метрик.
  • Наборы данных.
    • Для ботов: MGTAB, TwiBot-22.
    • Для дезинформации: FakeNewsNet.
    • Для Darknet: датасет Interconnection between darknets.
  • Построение графов.
    • Граф связей аккаунтов для задачи ботов.
      • Узлы — пользователи, рёбра — взаимодействия (репосты, ответы, упоминания).
      • Мультиреляционные рёбра.
    • Граф распространения новости для задачи дезинформации.
      • Узлы — пользователи/посты, рёбра — репосты, ответы, временные метки.
    • Граф скрытых сервисов для задачи Darknet.
      • Узлы — домены .onion и .i2p, рёбра — гиперссылки, общие технологии.
  • Выбор и обоснование моделей.
    • Базовые модели:
      • GCN, GraphSAGE, GAT.
    • Специализированные:
      • MultiBotGNN (для мультиреляционных графов ботов).
      • Dual-Stream Graph-Augmented Transformer (BERT + GAT/Graph Transformer) для дезинформации.
    • Для Darknet:
      • алгоритмы центральности (in-degree, betweenness) и Leiden для поиска сообществ.
  • Метрики оценки.
    • Accuracy, Precision, Recall, F1-score, AUC-ROC для задач классификации; модульность и conductance для анализа сообществ; устойчивость центральностей для Darknet.

1.4 Глава 3. Экспериментальная часть

  • Эксперименты по выявлению ботов.
    • Обучение GNN на MGTAB и TwiBot-22. Сравнение с признаковыми baseline-моделями.
    • Анализ вклада различных типов рёбер (мультиреляционность) в качество детекции.
    • Оценка устойчивости к маскировке ботов под реальных пользователей.
  • Эксперименты по обнаружению дезинформации.
    • Обучение Dual-Stream модели (BERT + GNN) на PHEME/FakeNewsNet.
    • Раннее обнаружение: оценка качества на временных срезах каскада (ранние стадии распространения).
    • Визуализация графов распространения: сравнение паттернов фейковых и реальных новостей.
  • Эксперименты по анализу Darknet.
    • Построение графа сервисов. Вычисление метрик центральности. Выявление топ-узлов по in-degree.
    • Применение алгоритма Leiden для выделения сообществ по типам активности (хакерство, финансы, крипто).
    • Анализ связей между Tor и I2P: поиск мостовых сервисов.
  • Сравнительный анализ и обсуждение.
    • Сопоставление эффективности графовых методов на трёх задачах.
    • Выявление общих закономерностей (например, важность анализа топологии для всех трёх направлений).
    • Ограничения: чувствительность к шуму, масштабируемость, зависимость от качества разметки.
  • Практические рекомендации.
    • Для платформ (модерация), правоохранительных органов (приоритизация узлов в даркнете).
  • Ограничения и направления будущих исследований.
    • Интеграция GNN с LLM, динамические графы, федеративное обучение, повышение объяснимости моделей.

1.5 Заключение

  • Основные результаты.
    • Краткое изложение ключевых выводов по каждому направлению.

2 Датасеты

2.1 Датасеты для выявления ботов

2.1.1 MGTAB

  • Multi-Relational Graph-Based Twitter Account Detection Benchmark
  • Репозиторий: https://github.com/GraphDetec/MGTAB
  • Первый графовый бенчмарк, одновременно аннотирующий ботов и позиции пользователей (stance).
  • Содержит более 1.55 млн пользователей, 130 млн твитов и 10 199 экспертно размеченных аккаунтов.
  • Включает 7 типов связей между пользователями.

2.1.2 TwiBot-22

  • Репозиторий: https://twibot22.github.io/
  • Крупнейший на сегодняшний день графовый бенчмарк для обнаружения ботов в Twitter.
  • Предоставляет разнообразные сущности и связи в социальном графе, а также включает перереализацию 35 базовых моделей для сравнения.

2.2 Датасеты для обнаружения дезинформации

2.2.1 FakeNewsNet

  • Репозиторий: https://github.com/KaiDMML/FakeNewsNet
  • Многомерный датасет для обнаружения фейковых новостей, включающий текстовые и визуальные признаки, а также социальный контекст (новостные статьи, твиты, пользовательские взаимодействия).
  • Содержит подмножества PolitiFact и BuzzFeed.

2.3 Датасет для анализа Darknet

2.3.1 Interconnection between darknets

3 Возможные программные комплексы

3.1 Комплекс для выявления ботов

  • Назначение:

    • Исследовательский стенд и веб-приложение для классификации аккаунтов на основе мультиреляционного графа связей.

  • Ключевые функции:

    • Построение динамических эго-графов пользователя с несколькими типами рёбер (follower, mention, reply, retweet, co-hashtag).
    • Извлечение признаков профиля и текстовых эмбеддингов (например, LaBSE) для каждого узла.
    • Обучение и сравнение нескольких GNN-архитектур: GCN, GAT, GraphSAGE, Relational GCN.
    • Интерактивный веб-интерфейс, где пользователь вводит имя аккаунта и получает оценку вероятности «бот» с визуализацией его графа связей.

  • Ориентиры для реализации:

    • MGTAB-Live
      • Фреймворк, который использует двухслойный Relational GCN над семью типами рёбер и достигает 88,23% accuracy на бенчмарке MGTAB.
      • Его архитектура (rate-limit-resilient scraper + Server-Sent Events + React frontend) может служить образцом для собственного прототипа.
    • LGB (Language model + GNN)
      • Гибридный подход, полезный для слабо связанных узлов (isolated nodes), которые чисто графовые методы пропускают.
      • LGB доступен онлайн, что позволяет воспроизвести baseline и сравнить с ним свою модель.

  • Стек:

    • PyTorch Geometric, DGL, FastAPI/Streamlit для демо, NetworkX для визуализации.

  • Что защищается как программный комплекс:

    • Воспроизводимый пайплайн сырые данные → граф → обучение → метрики → веб-демо с возможностью замены датасета (MGTAB, TwiBot-22).

3.2 Комплекс для обнаружения дезинформации

  • Назначение:

    • Платформа для анализа графа распространения новости и выявления фейков по структурным и временным паттернам.

  • Ключевые функции:

    • Сбор каскада распространения (репосты, ответы, цитирования) с временными метками.
    • Построение динамического графа распространения с возможностью срезов по времени (для задачи раннего обнаружения).
    • Гибридная модель: текстовый энкодер (BERT/RoBERTa) + графовый модуль (GAT или Graph Transformer) для классификации каскада как «фейк / не фейк».
    • Визуализация каскада с подсветкой «подозрительных» подграфов (например, кластеров низкодостоверных пользователей).
    • Модуль «раннего предупреждения»: оценка вероятности фейка на ранних стадиях (первые N часов / первые K репостов).

  • Ориентиры для реализации:

    • Dual-stream Graph-Augmented Transformer (BERT + GAT)
    • CoST (Comprehensive Structural and Temporal Learning)
      • Подход, который явно моделирует и структуру, и временную эволюцию каскада, что усиливает задачу раннего обнаружения.
    • MAPLE (Multi-Graph Neural Network Attention Fusion)
    • SCAN-NEWS
      • Пример готовой платформы с графическим интерфейсом для проверки достоверности информации и визуализации графа диффузии.
      • Полезен как референс по пользовательскому опыту и структуре модулей.

  • Стек:

    • PyTorch, HuggingFace Transformers, PyG/DGL, Plotly/Dash для интерактивной визуализации каскада.

  • Что защищается:

    • Программный комплекс с воспроизводимым экспериментом на PHEME (кросс-валидация по событиям) и демонстрацией работы модуля раннего предупреждения.

3.3 Комплекс для анализа Darknet

  • Назначение:

    • Инструмент для построения графа скрытых сервисов Tor/I2P, выявления ключевых узлов и сообществ.

  • Ключевые функции:

    • Краулер для сбора .onion, .i2p адресов (с учётом этических и правовых ограничений — только публично доступные индексы и seed-узлы).
    • Построение мультиграфа: узлы — сервисы, рёбра — гиперссылки, общие технологии, упоминания в форумах.
    • Вычисление центральностей (in-degree, betweenness, PageRank) и выделение топ-узлов.
    • Поиск сообществ алгоритмом Leiden, Louvain с последующей интерпретацией кластеров (например, «хакерские форумы», «криптомаркеты», «утечки данных»).

  • Интерактивная визуализация графа с возможностью фильтрации по типу связи и языку.

  • Ориентиры для реализации:

    • VoidAccess
      • OSINT-инструмент, который строит co-occurrence графы, сообщества и инфраструктурные кластеры из данных Tor-индексов, paste-сайтов и threat-фидов.
      • Его пайплайн (сбор → обогащение → построение графа → экспорт в STIX/MISP) можно адаптировать под исследовательские задачи.
    • Unveiling the mysteries of the dark web
      • Исследование, в котором предложен one-size-fits-all граф с несколькими типами рёбер и узлов, поддерживающий анализ на уровне страниц и сайтов, а также анализ границ между даркнетом и surface web.
      • Это готовый концептуальный каркас для вашего графа.
    • Датасет Interconnection between darknets.

  • Стек:

    • Python (Scrapy + stem для Tor), NetworkX/igraph, leidenalg, Gephi или Dash для визуализации.

  • Что защищается:

    • Программный комплекс краулер → граф → метрики центральности → поиск сообществ → интерактивная карта с воспроизводимым анализом на публичном датасете.

3.4 Общая библиотека для графового анализа соцсетей

  • Унифицированная библиотека, которая поддерживает все сценарии через единый API:

    • загрузчики датасетов (MGTAB, TwiBot-22, PHEME, Darknet Interconnection);
    • конструкторы графов (гетерогенные, мультиреляционные, динамические);
    • обёртки над GNN-моделями (GCN, GAT, GraphSAGE, R-GCN, Graph Transformer);
    • стандартизированные метрики оценки (F1, AUC-ROC, а также graph-specific: homophily, modularity);
    • модуль визуализации (экспорт в интерактивный HTML или интеграция с Dash).

  • Ориентиры:

    • Spektral (для TensorFlow/Keras) и PyTorch Geometric
      • Базовые библиотеки, на которые можно опереться, не изобретая слои GNN с нуля.
    • EasyGraph
      • Лёгкая библиотека для графового анализа, включающая модули EasyGNN.
      • Удобно для быстрого прототипирования.

  • Что защищается:

    • Библиотека с документацией, примерами использования для каждой из задач и сравнительными бенчмарками.

4 Варианты названий

  • Название выбирается в зависимости от того, что будет главным в работе:
    • обзор и сравнение методов;
    • разработка программного комплекса;
    • эксперименты на конкретном датасете;
    • новая модификация модели.
  • Формула названия: [Метод/подход] + [объект] + [цель/задача].

4.1 Обобщающие названия

  • Если в работе рассматриваются все три направления или графовые методы в целом.
    • Графовые методы анализа социальных сетей и дезинформации: обзор, сравнение и экспериментальная оценка
    • Применение графовых нейронных сетей для анализа социальных сетей, распространения дезинформации и теневого сегмента интернета
    • Графовые модели в задачах выявления ботов, обнаружения фейков и анализа Darknet
    • Сравнительный анализ графовых подходов для анализа социальных сетей и дезинформации
    • Исследование возможностей графовых методов для анализа социальных сетей и скрытых сетей

4.2 Выявление ботов

  • Выявление бот-аккаунтов в социальных сетях на основе анализа графа связей
  • Классификация аккаунтов социальных сетей с использованием мультиреляционных графовых нейронных сетей
  • Разработка метода обнаружения ботов в Twitter на основе графовых нейронных сетей
  • Анализ графа ближайшего окружения пользователя для выявления ботов в социальных сетях
  • Применение гетерогенных графов для повышения устойчивости детекции социальных ботов
  • Сравнение графовых архитектур для задачи выявления ботов на датасете MGTAB
  • Мультиреляционный графовый подход к обнаружению координированного поведения ботов

4.3 Обнаружение дезинформации

  • Обнаружение дезинформации в социальных сетях на основе анализа графа распространения новости
  • Выявление фейковых новостей с использованием гибридной модели BERT и графовой нейронной сети
  • Анализ каскадов распространения информации для раннего обнаружения дезинформации
  • Графовые методы выявления недостоверной информации в социальных сетях
  • Структурно-временной анализ графов распространения для детекции фейковых новостей
  • Обнаружение слухов в социальных сетях на основе динамических графов взаимодействий
  • Сравнительная оценка графовых моделей для задачи раннего обнаружения дезинформации
  • Поиск характерных паттернов распространения фейковых новостей на основе анализа графов

4.4 Анализ Darknet

  • Графовый анализ скрытых сервисов Tor и I2P для выявления ключевых узлов
  • Исследование структуры Darknet на основе графовых моделей и метрик центральности
  • Обнаружение сообществ и ключевых игроков в теневом сегменте интернета с помощью графового анализа
  • Применение графовых нейронных сетей для классификации скрытых сервисов Darknet
  • Анализ взаимосвязей между Tor и I2P: графовый подход к картированию даркнета
  • Выявление незаконных сообществ в Darknet на основе алгоритмов поиска сообществ

4.5 Комбинированные и сравнительные

  • Графовые методы для анализа социальных сетей и дезинформации: от выявления ботов до анализа Darknet
  • Единый графовый пайплайн для задач детекции ботов, дезинформации и анализа скрытых сетей
  • Сравнительный анализ графовых нейронных сетей в задачах анализа социальных сетей и Darknet
  • Мультиреляционные и гетерогенные графы в задачах анализа социальных сетей и дезинформации

4.6 Программные комплексы и инструменты

  • Разработка программного комплекса для выявления ботов в социальных сетях на основе графовых методов
  • Программный комплекс анализа графа распространения новости для обнаружения дезинформации
  • Инструмент графового анализа скрытых сервисов Darknet для выявления ключевых узлов
  • Разработка веб-приложения для классификации аккаунтов социальных сетей с использованием GNN
  • Программная библиотека для графового анализа социальных сетей и дезинформации

4.7 Акцент на графовые нейронные сети

  • Применение графовых нейронных сетей для анализа социальных сетей и дезинформации
  • Графовые нейронные сети в задачах выявления ботов и обнаружения фейковых новостей
  • Сравнение архитектур GCN, GAT и GraphSAGE для анализа социальных графов
  • Гибридные модели на основе GNN и трансформеров для обнаружения дезинформации
  • Мультиреляционные графовые нейронные сети для анализа социальных взаимодействий

4.8 Акцент на конкретные методы

  • Анализ центральностей и поиск сообществ в графах социальных сетей и Darknet
  • Выявление ключевых узлов в графах распространения информации и скрытых сетей
  • Алгоритмы поиска сообществ в задачах анализа социальных сетей и теневого интернета
Research Education
Дмитрий Сергеевич Кулябов
Authors
Дмитрий Сергеевич Кулябов
Профессор кафедры теории вероятностей и кибербезопасности
Работаю профессором на кафедре теории вероятностей и кибербезопасности Российского университета дружбы народов им. Патриса Лумумбы. Научные интересы относятся к области теоретической физики и математического моделирования.