АНАЛІЗ МЕТОДІВ ПРОГНОЗУВАННЯ ВНУТРІШНІХ ЗАГРОЗ НА ОСНОВІ АНАЛІЗУ ДАНИХ СОЦІАЛЬНОЇ МЕРЕЖІ TWITTER

Тамара Радівілова; Ігор Добринін; Вадим Пантєлєєв; Дмитро Фісенко; Володимир Білодід

doi:10.28925/2663-4023.2025.28.818

Автор(и)

Тамара Радівілова Харківський національний університет радіоелектроніки https://orcid.org/0000-0001-5975-0269
Ігор Добринін Харківський національний університет радіоелектроніки https://orcid.org/0000-0001-8910-2609
Вадим Пантєлєєв Харківський національний університет радіоелектроніки https://orcid.org/0009-0008-7824-8782
Дмитро Фісенко Харківський національний університет радіоелектроніки https://orcid.org/0009-0006-9966-5329
Володимир Білодід Харківський національний університет Повітряних Сил ім. І. Кожедуба https://orcid.org/0009-0002-8976-2310

DOI:

https://doi.org/10.28925/2663-4023.2025.28.818

Ключові слова:

Natural Language Processing;, Long Short-Term Memory, Random Forest, внутрішні загрози, оцінка якості прогнозів;, прогнозування

Анотація

Внутрішні загрози є значною проблемою для ефективного функціонування організацій. Дослідники зазвичай визначають внутрішні загрози, аналізуючи поведінку користувачів та трафік. Більшість існуючих робіт зосереджуються на методах виявлення внутрішніх загроз, а не на їх прогнозуванні. У цій роботі основна увага приділялася методам прогнозування внутрішніх загроз за допомогою аналізу даних соціальних мереж. У цій статті проаналізовано ефективність таких методів прогнозування: аналіз настроїв на основі словника, машинне навчання (Random Forest), рекурентні нейронні мережі (LSTM), трансформери (BERT), гібридний підхід (NLP CBOW + графічні нейронні мережі) та гібридний підхід (NLP CBOW + LPA). Для забезпечення надійності результатів ефективність методів прогнозування оцінювалася за допомогою декількох ключових показників: точність, відтворюваність, F1-показник, AUC-ROC, час навчання та час інференції. Для аналізу були проведені експерименти на наборі даних Sentiment140, який містить 1,6 мільйона твітів, позначених як позитивні або негативні. Для обробки даних та побудови моделей прогнозування використовувалися бібліотеки мови програмування Python. 80% даних було використано для навчання моделей, а 20% — для прогнозування. Результати аналізу показали, що найшвидшим методом прогнозування інцидентів є аналіз тону на основі словників. Він може бути використаний для аналізу змін настроїв в організації за допомогою онлайн-аналізу соціальних мереж. Кожна організація може встановити власну шкалу реагування на внутрішні інциденти. Аналіз також показав, що гібридні підходи, які комплексно аналізують як текстовий вміст, так і структуру соціальних зв'язків, демонструють найвищі показники точності прогнозування внутрішніх інцидентів. Однак ці підходи вимагають значних обчислювальних ресурсів, великих обсягів даних для навчання та більше часу на навчання, а також мають низьку інтерпретованість.

Завантаження

Дані завантаження ще не доступні.

Посилання

Casolaro, A., Capone, V., Iannuzzo, G., & Camastra, F. (2023). Deep learning for time series forecasting: Advances and open problems. Information, 14(11), 598.. https://doi.org/10.3390/info14110598

Hernández, R., Gutiérrez, I., & Castro, J. (2025). Social Network Analysis: A Novel Paradigm for Improving Community Detection. International Journal of Computational Intelligence Systems, 18(1), 87. https://doi.org/10.1007/s44196-025-00812-9

Rudchenko, D.V. (2017). Vyyavlennya spilʹnot ta yikh lideriv v sotsialʹnykh merezhakh dlya zabezpechennya bezpeky [Identification of communities and their leaders in social networks to ensure security], Information processing systems, 4(150), 128–131. http://dx.doi.org/10.30748/soi.2017.150.26

Lyudmyla, K., Vitalii, B., & Tamara, R. (2017, October). Fractal time series analysis of social network activities. In 2017 4th International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). 456–459). IEEE. https://doi.org/10.1109/INFOCOMMST.2017.8246438

Huang, D., Song, J., & He, Y. (2024). Community detection algorithm for social network based on node intimacy and graph embedding model. Engineering Applications of Artificial Intelligence, 132, 107947. https://doi.org/10.1007/978-3-031-67195-1_79

Kirichenko, L., Radivilova, T., & Anders, C. (2017). Detecting cyber threats through social network analysis: short survey. SocioEconomic Challenges, 1(1), 20—34.

Kyriazos, T., & Poga, M. (2024). Application of machine learning models in social sciences: managing nonlinear relationships. Encyclopedia, 4(4), 1790–1805. https://doi.org/10.3390/encyclopedia4040118

Rawat, R., Mahor, V., Chirgaiya, S., & Rathore, A.S. (2021). Applications of Social Network Analysis to Managing the Investigation of Suspicious Activities in Social Media Platforms. In: Daimi, K., Peoples, C. (eds) Advances in Cybersecurity Management. Springer Cham, 315–335. https://doi.org/10.1007/978-3-030-71381-2_15

Li, W., & Law, K. L. E. (2024). Deep Learning Models for Time Series Forecasting: A Review. IEEE Access, 12, 92306–92327. https://doi.org/10.1109/ACCESS.2024.3422528

Kirichenko, L., Radivilova, T., Zinkevich, I. (2018). Comparative Analysis of Conversion Series Forecasting in E-commerce Tasks. In: Shakhovska N., Stepashko V. (eds) Advances in Intelligent Systems and Computing II. CSIT 2017. Advances in Intelligent Systems and Computing, 689, 230–242. https://doi.org/10.1007/978-3-319-70581-1_16

Mulesa, O., Povkhan, I., Radivilova, T., & Baranovskyi, O. (2021). Devising a method for constructing the optimal model of time series forecasting based on the principles of competition. Eastern-European Journal of Enterprise Technologies, 5 (4 (113)), 6–11. https://doi.org/10.15587/1729-4061.2021.240847

Mulesa, O., Batyuk, A., Geche, F., Melnyk, O., Palinchak, M., & Radivilova, T. (2021). Information technology for time series forecasting based on the evolutionary method of the forecasting scheme synthesis. In IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT), 258–261. IEEE. https://doi.org/10.1109/CSIT52700.2021.9648639

Wan, A., Chang, Q., Khalil, A. B., & He J. (2023). Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism. Energy, 282, 128274. https://doi.org/10.1016/j.energy.2023.128274

Alotaibi, M. A. (2022). Machine Learning Approach for Short-Term Load Forecasting Using Deep Neural Network. Energies, 15(17), 6261. https://doi.org/10.3390/en15176261

Kirichenko, L., Radivilova, T., & Bulakh, V. (2019). Machine learning in classification time series with fractal properties. Data, 4(1(5)), 1-13. https://doi.org/10.3390/data4010005

Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., & Sun, L. (2023). Transformers in time series: A survey. (2022). arXiv preprint arXiv:2202.07125.

Su, X., Xue, S., Liu, F., Wu, J., Yang, J., Zhou, C., Hu, W., Paris, C., Nepal, S., Jin, D., Sheng, Q., & Yu, P. (2024). A comprehensive survey on community detection with deep learning. IEEE Transactions on Neural Networks and Learning Systems, 35(4), 4682–4702. https://doi.org/10.1109/TNNLS.2021.3137396.

Zhang, Y., Zhou, X., Zhang, Y., Li, S., & Liu, S. (2025). Improving time series forecasting in frequency domain using a multi resolution dual branch mixer with noise insensitive ArcTanLoss. Scientific Reports, 15(1), 12557. https://doi.org/10.1038/s41598-025-95529-2

Cai, J., Hao, J., Yang, H., Yang, Y., Zhao, X., Xun, Y., & Zhang, D. (2024). A new community detection method for simplified networks by combining structure and attribute information. Expert Systems with Applications, 246(123103). https://doi.org/10.1016/j.eswa.2023.123103

Yuliansyah, H., Othman, Z. A., Bakar, A. A. (2020). Taxonomy of Link Prediction for Social Network Analysis: A Review. IEEE Access, 8, 183470–183487. https://doi.org/10.1109/ACCESS.2020.3029122

Wu, L., Chen, Y., Shen, K., Guo, X., Gao, H., Li, S., & Long, B. (2023). Graph neural networks for natural language processing: A survey. Foundations and Trends in Machine Learning, 16(2), 119–328. https://doi.org/10.48550/arXiv.2106.06090

22 Zhang, W., He, P., Qin, C., Yang, F., & Liu, Y. (2024). A graph attention network-based model for anomaly detection in multivariate time series. The Journal of Supercomputing, 80(6), 8529–8549. https://doi.org/10.1007/s11227-023-05772-5

Kirichenko, L., Radivilova, T., & Ryzhanov, V.(2022). Applying Visibility Graphs to Classify Time Series. In: Babichev S., Lytvynenko V. (eds) Lecture Notes in Computational Intelligence and Decision Making. ISDMCI 2021. Lecture Notes on Data Engineering and Communications Technologies, 77, 397–409. https://doi.org/10.1007/978-3-030-82014-5_26

St-Aubin, P., & Agard, B. (2022). Precision and Reliability of Forecasts Performance Metrics. Forecasting, 4(4), 882–903. https://doi.org/10.3390/forecast4040048

AUC ROC Curve in Machine Learning. 2025. URL: https://www.geeksforgeeks.org/auc-roc-curve/

Shih, S. Y., Sun, F. K., Lee, H. Y. (2019). “Temporal pattern attention for multivariate time series forecasting”. Machine Learning, 108, 1421–1441. https://doi.org/10.1007/s10994-019-05815-0

Sentiment140 dataset with 1.6 million tweets. 2018. URL: https://www.kaggle.com/datasets/kazanova/sentiment140/data