НЕЙРО-НЕЧІТКА СИСТЕМА ANFIS ДЛЯ ОЦІНЮВАННЯ РИЗИКУ ДЕЗІНФОРМАЦІЇ В УМОВАХ ІНФОРМАЦІЙНОЇ ВІЙНИ

Вадим Лавров; Андрій Дудатьєв; Володимир Гарнага

doi:10.28925/2663-4023.2025.28.805

Автор(и)

Вадим Лавров Вінницький національний технічний університет https://orcid.org/0009-0005-7031-3891
Андрій Дудатьєв Вінницький національний технічний університет https://orcid.org/0000-0002-7944-2404
Володимир Гарнага Вінницький національний технічний університет https://orcid.org/0009-0000-9180-6445

DOI:

https://doi.org/10.28925/2663-4023.2025.28.805

Ключові слова:

ризик дезінформації, нейро-нечітка система, ANFIS, оцінка ризику, інформаційна війна, моделювання дезінформації, інформаційний простір, кібербезпека

Анотація

Стаття присвячена аналізу та розробці методики нейро-нечіткої системи ANFIS для оцінювання ризику дезінформації в умовах інформаційної війни. Запропоновано інтеграцію контентних, мережевих та психологічних факторів для розрахунку єдиного показника ризику (RiskScore) поширення дезінформації. В рамках моделі як вхідні змінні розглядаються: характеристики контенту (наприклад, правдивість чи емоційна забарвленість повідомлення), мережеві показники (наприклад, швидкість і масштаб розповсюдження, базове число репродукції R₀) та психологічні чинники аудиторії (рівень довіри, сприйнятливість до маніпуляцій тощо). Ці змінні подаються до адаптивної нечіткої системи, де на основі набору правил типу IF-THEN проводиться нечітка логічна оцінка ризику. Архітектура ANFIS дозволяє навчатися на обмежених або синтетичних даних, налаштовуючи параметри правил та функцій приналежності для підвищення точності. Запропонований підхід демонструє здатність об’єднати різнорідні фактори в єдину метричну оцінку ризику, що дає змогу виявляти потенційно небезпечні дезінформаційні кампанії на ранніх стадіях. Показано, що поєднання епідеміологічних показників (таких як базове число репродукції R₀) з контентно-психологічними характеристиками через нечітку логіку підвищує інформативність оцінки ризику, особливо в умовах інформаційних війн. Застосування ANFIS-моделі для оцінки ризику дезінформації може допомогти державним та оборонним структурам пріоритезувати зусилля з протидії інформаційним атакам, перевершуючи за гнучкістю традиційні лінійні моделі, епідеміологічні SIR-моделі та класичні нечіткі системи Мамдані. Результати можуть бути використані для подальшої розробки моделі.

Завантаження

Дані завантаження ще не доступні.

Посилання

Guzmán Rincón, A., Barragán Moreno, S., Rodríguez-Canovas, B., & Mondragón-Cardona, A. (2023). Social networks, disinformation and diplomacy: A dynamic model for a current problem. Humanities and Social Sciences Communications, 10(1), 1–14. https://doi.org/10.1057/s41599-023-01998-z

van der Linden, S. (2022). Misinformation: Susceptibility, spread, and interventions to immunize the public. Nature Medicine, 28, 460–467. https://doi.org/10.1038/s41591-022-01713-6

Maleki, M., Mead, E., Arani, M., & Agarwal, N. (2021). Using an epidemiological model to study the spread of misinformation during the Black Lives Matter movement [Preprint]. arXiv. https://arxiv.org/abs/2103.12191

Govindankutty, S., & Gopalan, S. P. (2024). Epidemic modeling for misinformation spread in digital networks through a social intelligence approach. Scientific Reports, 14, 19100. https://doi.org/10.1038/s41598-024-69657-0

Ravichandran, B. D., & Keikhosrokiani, P. (2023). Classification of COVID-19 misinformation on social media based on neuro-fuzzy and neural network: A systematic review. Neural Computing and Applications, 35(1), 699–717. https://doi.org/10.1007/s00521-022-07797-y

Kozhukhivskyi, A. D., & Kozhukhivska, O. A. (2022). Developing a fuzzy risk assessment model for ERP-systems. Radio Electronics, Computer Science, Control, (1), 12. https://doi.org/10.15588/1607-3274-2022-1-12

Adaptive neuro-fuzzy inference system. (n.d.). Wikipedia. https://en.wikipedia.org/wiki/Adaptive_neuro

_fuzzy_inference_system

Pérez-Pérez, E.-J., López-Estrada, F.-R., Puig, V., & Ocampo-Martínez, C. (2022). Fault diagnosis in wind turbines based on ANFIS and Takagi–Sugeno interval observers. Expert Systems with Applications, 206, 117698. https://doi.org/10.1016/j.eswa.2022.117698

Toliupa, S. V., & Kulko, A. A. (2025). Neuro-fuzzy intrusion-detection system for a critical-infrastructure information network. Cyberbezpeka: Osvita, Nauka, Tekhnika, 3(27), 233–247. https://doi.org/10.28925/2663-4023.2025.27.750

Lakhno, V. K., Blozva, A. V., Chasnovskyi, Ye. O., & Biriukov, O. A. (2021). Information security audit based on a neuro-fuzzy system. Technical Sciences and Technologies, (3)(25), 125–137. https://doi.org/10.25140/2411-5363-2021-3(25)-125-137

Malyar, M. M., Polishchuk, A. V., Polishchuk, V. V., & Sharkadi, M. M. (2019). Neuro-fuzzy model for multicriteria evaluation. Radioelektronika, Informatyka, Upravlinnia, (4), 83–91. https://doi.org/10.15588/1607-3274-2019-4-8

Rakytianska, H. B. (2016). Hierarchical neuro-fuzzy inverse-inference model for tuning classification-rule structures. Informatsiini Tekhnolohii ta Kompiuterna Inzheneriia, 34(3), 94–99. https://itce.vntu.edu.ua/article/view/214

Dmytriienko, K. O., & Korshun, N. I. (2025). Application of improved Kuramoto models for disinformation identification in social networks. Cyberbezpeka: Osvita, Nauka, Tekhnika, 3(27). https://doi.org/10.28925/2663-4023.2025.27.754

Lavrov, V. V., & Dudatiev, A. V. (2025). Review of existing methods for assessing disinformation risks in hybrid warfare. Cyberbezpeka: Osvita, Nauka, Tekhnika, 3(27), 248–256. https://doi.org/10.28925/2663-4023.2025.27.720

Obodiak, V. K., & Shelekhov, I. V. (Eds.). (2021). Modern information technologies in cybersecurity [Monograph]. Sumy State University. https://essuir.sumdu.edu.ua/bitstream/123456789/82619/3/

Obodiak_kiberbezpeka.pdf