РАЗРАБОТКА ПРИКЛАДНОГО ПОДХОДА К МОДЕЛИРОВАНИЮ ИНФОРМАЦИОННОГО ПРОТИВОСТОЯНИЯ В СОЦИАЛЬНЫХ СЕТЯХ НА ОСНОВЕ МЕТОДОВ ТЕОРИИ ИГР

В данной работе исследуется динамика социальных сетей в контексте информационного противоборства между пользователями. В работе представлен новый способ моделирования информационного противоборства в социальных сетях, основанный на теоретико-игровых и вероятностных подходах. Кроме того, в статье предлагается метод динамического наблюдения, отслеживания и обновления состояния сети. Этот инновационный метод концептуализирует информационные конфликты как игру для двух игроков, целью которой является контроль как можно большего числа узлов сети. Применяя теорию игр, мы разработали эффективный алгоритм адаптации стратегий, который позволяет каждому игроку модифицировать свое принятие решений на основе открытого набора данных Facebook Researcher (а именно его казахстанского сегмента) и текущих условий сети. Метод динамического отслеживания состояния сети, представленный в данном исследовании, приводит к значительному снижению использования ресурсов и улучшению вычислительной эффективности. Сравнительные вычислительные тесты с другими методологиями демонстрируют практическую ценность нашего подхода. Гибкость и эффективность предложенного метода делают его перспективным инструментом для решения широкого спектра задач в информационных и аналитических системах.

1. Wang J., Yang Y., Liu Q., Fang Z., Sun S., Xu Y. An empirical study of user engagement in influencer marketing on Weibo and WeChat // IEEE Transactions on Computational Social Systems. – 2023. – Vol. 10. – P. 3228–3240. https://doi.org/10.1109/TCSS.2022.3204177.

2. Sun B., Al-Bayaty R., Huang Q., Wu D.O. Game theoretical approach for non-overlapping community detection // Proceedings of the 5th International Conference on Big Data Computing and Communications. – 2019. – P. 222–230. https://doi.org/10.26599/TST.2020.9010017.

3. Bruning P.F., Alge B.J., Lin H.-C. Social networks and social media: Understanding and managing influence vulnerability in a connected society // Business Horizons. – 2020. – Vol. 63. – No. 6. – P. 749–761. https://doi.org/10.1016/j.bushor.2020.07.007.

4. Huang D., Tan X., Chen N., Fan Z. A memetic algorithm for solving the robust influence maximization problem on complex networks against structural failures // Sensors. – 2022. – Vol. 22. – No. 6. – P. 2191. https://doi.org/ 10.3390/s22062191.

5. Peng Y., Bai X. Identifying social tipping point through perceived peer effect // Environmental Innovation and Societal Transitions. – 2024. – Vol. 51. – P. 2367–2382. https://doi.org/10.1016/j.eist.2024.100847.

6. Liu Y., Bao Z., Zhang Z., Tang D., Xiong F. Information cascades prediction with attention neural network // Human-centric Computing and Information Sciences. – 2020. – Vol. 10. https://doi.org/10.1186/s13673-020-00218-w.

7. Rangnani S., Devi V.S. Predicting potential retweeters for a microblog on Twitter // Intelligent and Evolutionary Systems. – 2016. – Vol. 5. – P. 1–5. https://doi.org/10.1007/978-3-319-27000-5_14.

8. Qiang Z., Pasiliao E., Zheng Q. Model-based learning of information diffusion in social media networks // Applied Network Science. – 2019. – Vol. 4. – No. 1. – P. 1–16. https://doi.org/10.1007/s41109-019-0215-3.

9. Zhang L., Li K., Liu J. An information diffusion model based on explosion shock wave theory on online social networks // Applied Sciences. – 2021. – Vol. 11. – P. 9996. https://doi.org/10.3390/app11219996.

10. Bourigault S., Lagnier C., Lamprier S., Denoyer L., Gallinari P. Learning social network embeddings for predicting information diffusion // Proceedings of the 7th ACM International Conference on Web Search and Data Mining (WSDM ‘14). – 2014. – P. 393–402. https://doi.org/10.1145/2556195.2556216.

11. Newman M.E.J. The structure and function of complex networks // SIAM Review. – 2003. – Vol. 45. – P. 167–256. https://doi.org/10.1137/S00361445034248.

12. Tsai J., Nguyen T., Tambe M. Security games for controlling contagion // Proceedings of the AAAI Conference on Artificial Intelligence. – 2021. – Vol. 26. – No. 1. – P. 1464–1470. https://doi.org/10.1609/aaai.v26i1.8249.

13. Li Q., Du H., Li X.-Y. Influence of influence on social networks: Information propagation causes dynamic networks // Proceedings of the 2021 7th International Conference on Big Data Computing and Communications (BigCom). – 2021. – P. 278–285. https://doi.org/10.1109/BigCom53800.2021.00016.

14. Podlipskaia O. Determining effective strategies for information warfare in consolidated and polarized populations // Proceedings of the IEEE Conference on Machine Learning and Systems. – 2022. – P. 1–5. https://doi.org/10.1109/MLSD55143.2022.9934658.

15. Li T., Zhao Y., Zhu Q. The role of information structures in game-theoretic MAL // Annual Reviews in Control. – 2022. – Vol. 53. – P. 296–314. https://doi.org/10.1016/j.arcontrol.2022.03.003.

16. Ganai A.H., Hashmy R., Khanday H.A. Finding information diffusion’s seed nodes in online social networks using a special degree centrality // SN Computer Science. – 2024. – Vol. 5. – P. 333. https://doi.org/10.1007/s42979-024-02683-x.

17. Genschow O., Klomfar S., d’Haene I., Brass M. Mimicking and anticipating others’ actions is linked to social information processing // PLoS One. – 2018. – Vol. 13. – No. 3. – e0193743. https://doi.org/10.1371/journal.pone.0193743.

18. Papadopoulou O., Makedas T., Apostolidis L., Poldi F., Papadopoulos S., Kompatsiaris I. MeVer NetworkX: Network analysis and visualization for tracing disinformation // Future Internet. – 2022. – Vol. 14. – No. 5. – P. 147. https://doi.org/10.3390/fi14050147.

19. Iqbal S., Arif T., Malik M., Sheikh A. Browser simulation-based crawler for online social network profile extraction // International Journal of Web Based Communities. – 2020. – Vol. 16. – P. 321–342. https://doi.org/10.1504/IJWBC.2020.111377.

20. O’Neil D., Petty M. Heuristic methods for synthesizing realistic social networks based on personality compatibility // Applied Network Science. – 2019. – Vol. 4. – P. 141–158. https://doi.org/10.1007/s41109-019-0117-4.

21. Luo T., Cao Z., Zeng D., Zhang Q. A dissemination model based on psychological theories in complex social networks // IEEE Transactions on Cognitive and Developmental Systems. – 2021. – Vol. 14. – No. 2. – P. 519–531. https://doi.org/10.1109/TCDS.2021.3052824.

22. Moscato V., Picariello A., Sperlí G. Community detection based on game theory // Engineering Applications of Artificial Intelligence. – 2019. – Vol. 85. – P. 773–782. https://doi.org/10.1016/j.engappai.2019.08.003.

23. Plekhanov D., Franke H., Netland T.H. Digital transformation: A review and research agenda // European Management Journal. – 2023. – Vol. 41. – No. 6. – P. 821–844. https://doi.org/10.1016/j.emj.2022.09.007.