Под системой принято понимать совокупность связанных между собой элементов. Сложной системой называется система, которая является гетерогенной, многомерной и многокритериальной.

Гетерогенность – свойство системы, связанное с многообразием физической природы и автономностью ее подсистем и элементов.

Многомерность – число варьируемых параметров и управляющих воздействий в системе.

Многокритериальность – наличие совокупности частных критериев оптимальности, отражающих различные стороны качества и эффективности системы.

Рассмотрим функционирование сложной системы на примере задачи выявления социальных ботов.

В настоящее время в сети Internet продолжается бурное развитие популярных социальных сетей ("Facebook", "Twitter", "Instagram" "ВКонтакте" и др.). Их характерной особенностью является то, что зарегистрированные в них учётные записи не всегда соответствуют реальным людям и могут быть фиктивными. Ввиду отсутствия на большинстве ресурсов серьёзных технических ограничений на создание новых учётных записей, специалисты по продвижению информации в социальных сетях (управление репутацией, реклама, распространение спама и др.) получают возможность заготовить большое количество ложных учётных записей для выполнения скоординированных действий в виртуальном пространстве и, тем самым, исказить естественный информационный фон. В последнее время искажению информационного фона также способствует использование специальных программ, имитирующих действия человека при работе с социальными сетями. Такие программы носят название социальных ботов [2].

Возникает задача выявления социальных ботов для исключения их из рассмотрения при анализе данных из социальных сетей. Эта задача априори является плохо формализованной, то есть задачей, для которой неизвестны расчетные формулы и последовательности действий, приводящие к результату. В подобных ситуациях целесообразно использовать такие методы решений,  которые  учитывают неполноту и неточность исходных данных, отсутствие точных алгоритмов. Основу одного из способов решения подобных задач составляет аппарат нечеткой логики.

Нечеткая логика как новая область математики была представлена в 60-ых годах прошлого столетия профессором Калифорнийского университета Лофти Заде [1].

В основе нечеткой логики лежит понятие нечеткого множества ¾ множества, определяемого небинарными отношениями вхождения. Это означает, что во внимание принимается не только то, входит элемент в данное множество или нет, но и степень его вхождения, которая может изменяться от нуля до единицы.

Определения основных понятий нечёткой логики доступны в специализированной литературе [4].

Нечеткие высказывания могут комбинироваться с помощью нечетких логических операций или связок, которые рассматриваются ниже. К таким операциям относятся логическое отрицание, логическая конъюнкция, логическая дизъюнкция, нечеткая импликация, нечеткая эквивалентность. Говоря об логических операциях с нечеткими высказываниями, нельзя не сказать о наличии большого числа альтернативных способов их определения.

Таким образом, основными этапами нечеткого вывода являются: а.Задание функций принадлежности для входов и выходов системы. б. Составление базы нечетких правил.

в. Выбор алгоритма и параметров для преобразования значений входных переменных процесса в выходные переменные на основе нечетких правил.

г. Фаззификация входных переменных.

Предположим, что в нашем распоряжении есть доступная открытая информация о совокупности действий пользователей в некоторой социальной сети, сохранённая в реляционной базе данных.

Пусть X(t)=(X1, X2, …, Xi, …, Xj, …, Xn, 𝑡) ¾ множество действий всех пользователей в социальной сети, совершённых в определённые моменты времени. Каждое Xi действие является дискретной величиной.

Зарегистрированные в социальных сетях виртуальные пользователи имеют возможность выполнять

следующие действия (их доступность определяется особенностями конкретной социальной сети):

установить или разорвать дружеские отношения с другим пользователем социальной сети (как односторонние, так и двухсторонние – взаимно подтверждённые со стороны данного пользователя);

комментировать опубликованные текстовые, фото- и аудиоматериалы других пользователей путём написания текстовых сообщений непосредственно под ними и т.д.

Xi(t)={X1, X2, …, Xni , t} ¾ множество действий 𝑛𝐼  для i-го пользователя в социальной сети. Пусть F ¾ множество открытых односторонних дружеских отношений, установленных пользователями в социальной сети и сохранённых в реляционной базе данных.

Fi(t)={Fi1 (t1), …, Fix (tx)} ¾ множество друзей i-го пользователя, где i=1, …, n.

Предположим также, что Fi1 (t1) – это перечень установленных отношений дружбы i-го пользователя с другими пользователями в момент времени 𝑡1. Аналогичным образом, пусть Fj1 (𝑡1) – перечень установленных отношений дружбы j-го пользователя в момент времени 𝑡1. Пусть между i-м и j-м пользователями установлены двусторонние отношения дружбы на момент времени t1. Поскольку дружеские отношения между пользователями

могут быть представлены в виде дуг ориентированного графа, соединяющих соответствующие вершины, то их также можно изобразить в виде матрицы смежности между пользователями социальной сети:

Предположим, что есть некоторые параметры, которые позволяют отличить социальных ботов от обычных пользователей.

Зададим функции принадлежности для входов и выходов системы нечеткого вывода. Входами системы являются лингвистические переменные «периодичность повторяющихся действий», «добавление в друзья» и «время круглосуточной работы», а выходом ¾ лингвистическая переменная «уровень достоверности».

При задании функций принадлежности учитывается информация по пользовательской статистике в социальных сетях на основании источников [3], [5].

Функции принадлежности для лингвистической переменной «добавление в друзья» приведены на Рисунке 1, где по оси абсцисс представлено количество добавленных пользователем друзей за 1 день.

Функции принадлежности для лингвистической переменной «уровень достоверности» приведены на Рисунке 2, где по оси представлен уровень достоверности пользователя. Реальные пользователи характеризуются низким уровнем достоверности, а социальные боты-высоким.

Возьмём для примера правила для выбора уровня достоверности (нечеткую базу знаний):

1.     «Если периодичность повторяющихся действий низкая регулярность и добавление в друзья мало и время круглосуточной работы мало, то уровень достоверности человек».

2.       «Если периодичность повторяющихся действий высокая регулярность и добавление в друзья много и время круглосуточной работы много, то уровень достоверности бот»Нечеткий вывод реализован по алгоритму Е. Мамдани. Логические конъюнкция и дизъюнкция в системе определяются основными формулами, нечеткая импликация ¾ формулой Е. Мамдани. Процесс дефаззификации осуществляется методом центра тяжести.


При дефаззификации методом центра тяжести обычное (не нечеткое) значение выходной переменной равно абсциссе центра тяжести площади, ограниченной графиком кривой функции принадлежности соответствующей выходной переменной.

В ходе работы построен алгоритм выявления социальных ботов. Исходными данными для алгоритма служат три активности пользователей в социальной сети: количество повторяющихся действий пользователя за временной промежуток 10 минут, количество добавленных пользователем друзей за 1 день, суммарное количество дней пребывания пользователя в сети за 1 месяц. Работа алгоритма базируется на нечетком выводе, в основе которого лежат 27 нечетких правил. В результате обрабатывания алгоритма пользователю социальной сети присваивается соответствующий уровень достоверности. По уровню достоверности принимается решение: является ли пользователь реальным человеком или ботом.

В результате обрабатывания алгоритма пользователю социальной сети присваивается соответствующий уровень достоверности. По уровню достоверности принимается решение: является ли пользователь реальным человеком или ботом.

На основе построенного алгоритма разработана программа по выявлению социальных ботов в социальной сети.

Следует отметить, что количество нечётких правил не имеет значения.

 

Список литературы

1.     Древс, Ю.Г. Информационные системы и процессы/ Ю.Г. Древс. - Москва: МИФИ, 2003. - 228с.

2.     Древс Ю.Г. Концепция построения эффективных систем выявления социальных ботов/ Древс Ю.Г., Сводцев А.К. - 14-ая Санкт-Петербургская международная конференция, 2014.

3.     Cossa. Социальные сети в 2011 году: исследование comScore [Электронный ресурс]. - Электрон. текстовые дан. – Режим доступа: http://www.cossa.ru/149/11382/, свободный.

4.     Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH/ А.В. Леоненков. - СПб.: БХВ- Петербург, 2005. - 736с.

5.     PewResarchСenterSocial. Networking Fact Sheet [Электронный ресурс]. - Электрон. текстовые дан. – Режим доступа:   http://www.pewinternet.org/fact-sheets/social-networking-fact-sheet/,   свободный.