ОПЕРАЦІОНАЛІЗАЦІЯ OSINT-ОЗНАК ТА ГІБРИДНА МОДЕЛЬ ПРОГНОЗУВАННЯ ІНСАЙДЕРСЬКИХ ІНЦИДЕНТІВ

Вадим Пантєлєєв; Володимир Білодід

doi:10.28925/2663-4023.2026.35.1451

Автор(и)

Вадим Пантєлєєв Харківський національний університет радіоелектроніки https://orcid.org/0009-0008-7824-8782
Володимир Білодід Харківський національний університет Повітряних Сил ім. І. Кожедуба https://orcid.org/0009-0002-8976-2310

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1451

Ключові слова:

OSINT, інсайдерські загрози, операціоналізація ознак, графові нейронні мережі, події безпеки, інциденти безпеки, прогнозування, захист персональних даних

Анотація

У статті запропоновано методичний підхід до прогнозування інсайдерських інцидентів. Підхід поєднує операціоналізацію ознак розвідки з відкритих джерел (OSINT) із гібридною моделлю, яка враховує структуру корпоративного графа. Поведінкові передумови внутрішніх інцидентів – невдоволення, фінансовий тиск, зовнішні зв’язки, пошук нового місця роботи – часто з’являються у відкритому цифровому просторі раніше, ніж у внутрішній телеметрії організації. Проте перетворення таких сигналів на валідні, надійні та юридично допустимі ознаки моделі залишається невирішеним завданням. Операціоналізацію подано як ланцюг відображень: латентний конструкт – індикатор – джерело OSINT – вимір із нормалізацією – готова ознака, що об’єднується з внутрішніми показниками доступу й активності. Запропоновано таксономію OSINT-ознак за вісьмома категоріями та чотири критерії їх якості: змістову валідність, надійність вимірювання, часову випереджальність і правомірність збору. Обчислювальний експеримент на синтетичному наборі з двох тисяч профілів показав, що за прийнятих сценарних припущень додавання OSINT-ознак підвищує площу під ROC-кривою з 0,685 до 0,772, поліпшує точність на рідкісному класі та дає помітне випередження сигналу до інциденту. Другу частину дослідження присвячено обмеженням наявних графових підходів. Систематизовано п’ять недоліків; головними з яких є гомофілійне припущення передавання повідомлень, надзгладжування подань на привілейованих вузлах-хабах та недосліджена змагальна стійкість. З їх урахуванням було побудовано гібридну модель. Вона об’єднує OSINT-ознаки, внутрішню телеметрію та структурний сигнал графа комунікацій і доступу до ресурсів, а пропагацію виконує гетерофілійно-стійкими операторами. На гармонізованому за базовими рівнями експерименті структурний сигнал підвищує площу під ROC-кривою до 0,831. На сегменті привілейованих облікових записів глибока гомофілійна згортка деградує, тоді як гетерофілійно-стійкі архітектури утримують якість на рівні 0,80–0,82 і дають найнижчу похибку калібрування. Уперше для цієї задачі кількісно оцінено змагальну стійкість. Маскування відкритого цифрового сліду разом із приховуванням аномальних зв’язків знижує якість прогнозу до рівня самої телеметрії. Запропоноване захисне донавчання з маскованою аугментацією частково відновлює стійкість без істотної втрати чистої якості. У роботі також окреслено етико-правові межі застосування OSINT у кадрових процесах відповідно до засад захисту персональних даних.

Завантаження

Дані завантаження ще не доступні.

Посилання

Cybersecurity Insiders. (2025). 2025 insider risk report: The shift to predictive whole-person insider risk management. https://www.cybersecurity-insiders.com/2025-insider-risk-report-the-shift-to-predictive-whole-person-insider-risk-management/

Global Market Insights. (2025). Open-source intelligence (OSINT) market size, share and growth forecast. https://www.gminsights.com/industry-analysis/open-source-intelligence-osint-market

Park, W., You, Y., & Lee, K. (2018). Detecting potential insider threat: Analyzing insiders’ sentiment exposed in social media. Security and Communication Networks, 2018, Article 7243296. https://doi.org/10.1155/2018/7243296

Osterritter, L., & Carley, K. M. (2021). Conversations around organizational risk and insider threat. In Proceedings of the 2021 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (pp. 613–621). IEEE. https://doi.org/10.1145/3487351.3492721

Gao, Y., Wang, X., He, X., Liu, Z., Feng, H., & Zhang, Y. (2023). Addressing heterophily in graph anomaly detection: A perspective of graph spectrum. In Proceedings of the ACM Web Conference 2023 (pp. 1528–1538). Association for Computing Machinery. https://doi.org/10.1145/3543507.3583268

Kirichenko, L., Radivilova, T., Pichugina, O., Chala, L., & Khandak, D. (2022). Trend detection in short time series using discrete wavelet transform. In Proceedings of the IX International Scientific Conference “Information Technology and Implementation” (IT&I-2022) (CEUR Workshop Proceedings, Vol. 3347, pp. 159–168). CEUR-WS. https://ceur-ws.org/Vol-3347/

Іванченко, Є., Аверічев, І., & Рижаков, М. (2025). Узагальнена модель прогнозування та виявлення кібербезпекових аномалій на основі штучного інтелекту. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(28), 529–546. https://doi.org/10.28925/2663-4023.2025.28.823

Radivilova, T. і Pantelieiev, V. (2026) «Баєсівська часова модель для раннього прогнозування інсайдерських загроз», Сучасний стан наукових досліджень та технологій в промисловості, (3(37), с. 107–119. doi: 10.30837/2522-9818.2026.3.107.

Browne, T. O., Abedin, M., & Chowdhury, M. J. M. (2024). A systematic review on research utilising artificial intelligence for open source intelligence (OSINT) applications. International Journal of Information Security, 23, 2911–2938. https://doi.org/10.1007/s10207-024-00868-2

Babenko, T., Kolesnikova, K., Abramkina, O., & Vitulyova, Y. (2025). Automated OSINT techniques for digital asset discovery and cyber risk assessment. Computers, 14(10), Article 430. https://doi.org/10.3390/computers14100430

Drozd, M., & Nesterenko, S. (2025). Analysis of software for the implementation of OSINT in the field of information security. Bulletin of V.N. Karazin Kharkiv National University, Series «Mathematical Modeling. Information Technology. Automated Control Systems», 66, 45–55. https://doi.org/10.26565/2304-6201-2025-66-04

Легомінова, С., Щавінський, Ю., Рабчун, Д., Запорожченко, М., & Будзинський, О. (2024). Небезпека інструментів OSINT та способи пом’якшення наслідків їх використання для організації. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 1(25), 294–303. https://doi.org/10.28925/2663-4023.2024.25.294303

Akinsola, F. A., Ogwueleka, F. N., & Mbanaso, U. M. (2025). A comprehensive survey of insider threat landscape and detection indicators. Kwaghe International Journal of Engineering and Information Technology, 2(3). https://doi.org/10.58578/kijeit.v2i3.7704

Pichugina, O., Kirichenko, L., & Radivilova, T. (2022). Binary classification: Ensemble methods utilizing decision theory tools. In Proceedings of the 2nd International Workshop of IT-professionals on Artificial Intelligence (ProfIT AI 2022) (CEUR Workshop Proceedings, Vol. 3348, pp. 19–33). CEUR-WS. https://ceur-ws.org/Vol-3348/

Gong, Y., Cui, S., Liu, S., Jiang, B., Dong, C., & Lu, Z. (2024). Graph-based insider threat detection: A survey. Computer Networks, 254, Article 110757. https://doi.org/10.1016/j.comnet.2024.110757

Fei, K., Zhou, J., Su, L., Wang, W., & Chen, Y. (2025). Log2Graph: A graph convolution neural network based method for insider threat detection. Journal of Computer Security, 33(2), 37–56. https://doi.org/10.3233/JCS-230092

Li, X., Li, X., Jia, J., Li, L., Yuan, J., Gao, Y., & Yu, S. (2023). A high accuracy and adaptive anomaly detection model with dual-domain graph convolutional network for insider threat detection. IEEE Transactions on Information Forensics and Security, 18, 1638–1652. https://doi.org/10.1109/TIFS.2023.3245413

Thi, V. D., Duc, T. T., Nguyen, T. V., & Luong, H.-M. P. (2026). Insider threat detection using knowledge graphs and RiskScore-guided graph neural networks. Engineering, Technology & Applied Science Research, 16(2), 33712–33721. https://doi.org/10.48084/etasr.17187

Zhu, J., Yan, Y., Zhao, L., Heimann, M., Akoglu, L., & Koutra, D. (2020). Beyond homophily in graph neural networks: Current limitations and effective designs. In Advances in Neural Information Processing Systems (Vol. 33). Curran Associates. https://doi.org/10.48550/arXiv.2006.11468

Chien, E., Peng, J., Li, P., & Milenkovic, O. (2021). Adaptive universal generalized PageRank graph neural network. In Proceedings of the 9th International Conference on Learning Representations (ICLR 2021). https://doi.org/10.48550/arXiv.2006.07988

Gasteiger, J., Bojchevski, A., & Günnemann, S. (2019). Predict then propagate: Graph neural networks meet Personalized PageRank. arXiv. https://doi.org/10.48550/arXiv.1810.05997

Chen, M., Wei, Z., Huang, Z., Ding, B., & Li, Y. (2020). Simple and deep graph convolutional networks. In Proceedings of the 37th International Conference on Machine Learning (Proceedings of Machine Learning Research, Vol. 119, pp. 1725–1735). PMLR. https://doi.org/10.48550/arXiv.2007.02133

Радівілова, Т., Добринін, І., Пантєлєєв, В., Фісенко, Д., Мазепа, А., & Білодід, В. (2025). Аналіз методів прогнозування внутрішніх загроз на основі аналізу даних соціальної мережі Twitter. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(28), 478–489. https://doi.org/10.28925/2663-4023.2025.28.818

Xu, F., Wang, N., Wu, H., Wen, X., Zhao, X., & Wan, H. (2024). Revisiting graph-based fraud detection in sight of heterophily and spectrum. Proceedings of the AAAI Conference on Artificial Intelligence, 38(8), 9214–9222. https://doi.org/10.1609/aaai.v38i8.28773

Zügner, D., Akbarnejad, A., & Günnemann, S. (2018). Adversarial attacks on neural networks for graph data. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2847–2856). Association for Computing Machinery. https://doi.org/10.1145/3219819.3220078

Радівілова, Т., & Пантєлєєв, В. (2026). Метод темпорального раннього прогнозування внутрішніх інцидентів з калібруванням ймовірностей ризику. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 2(34), 687–701. https://doi.org/10.28925/2663-4023.2026.34.1362

Думчиков, М. О. (2025). Відкрита розвідка (OSINT) у протидії інформаційним війнам: аналітичні інструменти та правові межі. Аналітично-порівняльне правознавство, 2(6), 273–277. https://doi.org/10.24144/2788-6018.2025.06.2.43

Nonum, E. O., Avwokuruaye, O., & Ezemonye, T. M. (2025). Role of open source intelligence (OSINT) in cybersecurity and threat analysis. International Journal of Latest Technology in Engineering, Management & Applied Science, 14(3), 189–200. https://doi.org/10.51583/IJLTEMAS.2025.140300023