Скидка на заказ дипломной работы

Построение эпидемической модели распространения деструктивного контента в дипломной работе

Разработка эпидемической модели распространения деструктивного контента в дипломной работе. Математическая модель распространения эпидемии.

Надежность эпидемических алгоритмов отражена в самом процессе передачи информации. В общем случае каждый из узлов, обладающих новой информацией, в свою очередь передает информацию другому подмножеству узлов. Таким образом, в отличие от реактивных алгоритмов, в которых процессы реагируют на неудачи, повторно передавая недостающую информацию, в данной дипломной работе рассматриваются эпидемические алгоритмы не требуют обнаружения и повторного формирования передачи информации в случае неудачи.

U_Σ [s+1]= U_Σ [s]+∑_(j=k_min)^(k_max)▒〖y_j [s] 〗 ∑_(i=k_min)^(k_max)▒〖P(j│i) 〖〖Rep〗_аг〗_i,〗

где U_Σ [s], U_Σ [s+1] – суммарный ущерб от реализации эпидемии в социальной сети (на протяжении s,s+1 шагов);

y_j [s] - количество заразившихся в социальной сети (на s шаге);

P_j K(j│i) - вероятность того, что произойдёт контакт зараженных агентов j-слоя с другими слоями сети;

〖Rep〗_аг〗_i - уровень репутации единичного агента j-слоя.

Оценим динамику изменения числа зараженных пользователей в социальной сети y_j [s] с использованием фрактала послойной эпидемической дискретной модели социальной сети с учетом связности ее слоев, отражающий послойное распространение инфекции. Пусть в j – ом слое имеется ряд агентов злоумышленника со средней репутацией 〖〖Rep〗_зл〗_j, а среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя сети определим как 〖M_аг〗_j. В таком случае функция, оценивающая вероятность смены мнения в процессе реализации информационного влияния на первом шаге эпидемии внутри j – ого слоя социальной сети можно определить следующим образом:

〖Ef〗_j^1=〖〖Rep〗_зл〗_j/〖M_аг〗_j ,

где 〖Ef〗_j^1 – функция, оценивающая вероятность реализации информационного влияния на первом шаге эпидемии внутри j – ого слоя социальной сети;

〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети.

Косвенное влияние зараженных агентов на других агентов гораздо слабее прямого влияния агентов злоумышленника. Это объясняется тем, что перед зараженным агентом не стоит цель внедрить ложное мнение. Такой зараженный агент делает это косвенно, не отдавая себе отчет в том, что он реализует информационное влияние на окружающих восприимчивых агентов в некоторой теме социальной сети. В тоже время, вероятность того, что администратор заблокирует такое действие зараженного агента много меньше вероятности блокирования агента злоумышленника в связи с тем, что зараженный агент реализует информационное влияние более естественно и менее навязчиво [61].

Функцию, оценивающую динамику косвенного влияния зараженных агентов социальной сети наряду с влиянием агентов злоумышленника можно оценить следующим образом:

〖Ef〗_j^i=(〖〖Rep〗_зл〗_j+〖〖Rep〗_аг〗_j (y_j^i)/(сN〖k_j〗^(-γ) ))/(〖M_аг〗_j (1-(y_j^i)/(сN〖k_j〗^(-γ) )))=(〖〖N〖k_j〗^(-γ) Rep〗_зл〗_j+〖y_j^i 〖Rep〗_аг〗_j)/(〖M_аг〗_j (сN〖k_j〗^(-γ)-y_j^i)),

где 〖〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

〖Rep〗_аг〗_j - среднее значение репутации всех агентов социальной сети в j – ом слое;

y_j^i - коли¬чество инфицированных агентов социальной сети j –ого слоя на i-ом шаге;

N - общая численность агентов социальной сети;

c – нормализующий параметр сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой, 1≤j≤K.

Полученное выражение подтверждает вывод о лавинообразном эффекте реализации информационного влияние по эпидемиологическим алгоритмам в социальной сети.

В таком случае динамика процесса распространения эпидемии внутри слоя описывается сле¬дующими операторами перехода из состояния в момент времени t в состояние в момент времени i+1:

y_j^(i+1)=y_j^i+(x_j^i (c〖〖N〖k_j〗^(-γ) Rep〗_зл〗_j+〖y_j^i 〖Rep〗_аг〗_j)/(〖M_аг〗_j (сN〖k_j〗^(-γ)-y_j^i)) β_j^ -〖x_восст〗_j^i )

где j=(1,K) ̅, i=(0,s) ̅,

x_j^i - численность агентов социальной сети j –ого слоя, восприимчивого к информационному влиянию на i-ом шаге;

y_j^i,y_j^(i+1) - численность зараженных агентов социальной сети на i-ом и i+1 шагах;

β_j^ - коэффициент, характеризующий связность рассматриваемого j-ого слоя;

〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

〖Rep〗_аг〗_j - среднее значение репутации всех агентов социальной сети в j – ом слое;

N - общая численность агентов социальной сети;

c – нормализующий параметр сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой.

Оценим коэффициент β_j^ , характеризующий связность рассматриваемого j-ого слоя. Связность j-ого слоя прямо пропорциональна числу связей агентов j-ого и доле агентов j-ого слоя социальной сети для коллективных обсуждений. Таким образом, коэффициент β_j^ можно усреднить по максимальному числу связей сети k_max и представить следующим образом:

β_j=(k_j 〖k_j〗^(-γ))/k_max =〖k_j〗^(1-γ)/√(γ&N),

где N - общая численность агентов социальной сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой, 1≤j≤K.

Оценим влияние лидеров процесса и администраторов на процесс реализации информационного влияния в j – ом слое социальной сети. В случае если лидеры мнений выступают за истинность информации (не подкуплены злоумышленников), зараженные агенты могут сменить свое мнение под воздействием лидеров процесса. На уровне j-ого слоя можно оценить влияние лидеров исходных мнений, способных повлиять на процесс развития эпидемии, как отношение уровня репутации лидеров мнений 〖〖Rep〗_лид〗_j и репутации агентов злоумышленника j-ого слоя 〖〖Rep〗_зл〗_j. Таким образом

〖x_восст〗_j^(i+1)=y_j^i 〖〖Rep〗_лид〗_j/〖〖Rep〗_зл〗_j 〖k_j〗^(1-γ)/√(γ&N),

где j=(1,K) ̅, i=(0,s) ̅,

x_восст〗_j^(i+1) - количество агентов, восстановивших свое мнениее в j-том слое на i-ом шаге под воздействием “лидеров мнений” или агентов с большей репутацией;

y_j^i - коли¬чество инфицированных агентов социальной сети j –ого слоя на i-ом шаге;

〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

N - общая численность агентов социальной сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой.

В дипломной работе следует предусмотреть тот факт, что администраторы социальной сети имеют возможность снижать эффективность реализации информационного влияния по эпидемиологическим алгоритмам посредством отслеживания деятельности агентов сети. В таком случае, введем коэффициент γ_j, определяющий влияние администраторов социальной сети на агентов злоумышленника в j – ом слое социальной сети. Администратор может удалить агента злоумышленника из социальной сети, снизив таким образом среднее значение репутации агентов злоумышленника в j – ом слое до значения 〖〖γ_j Rep〗_зл〗_j.

y_j^(i+1)=y_j^i+〖k_j〗^(1-γ)/√(γ&N) (x_j^i (〖〖(1-iσ_j)cN〖k_j〗^(-γ) Rep〗_зл〗_j+〖〖y_j^i Rep〗_аг〗_j)/(〖M_аг〗_j (cN〖k_j〗^(-γ)-y_j^i))-(y_j^i 〖〖Rep〗_лид〗_j)/((1-〖〖iσ_j)Rep〗_зл〗_j )),

где j=(1,K) ̅, i=(0,s) ̅, 0<iσ_j<1;

x_j^i- численность агентов социальной сети j –ого слоя, восприимчивого к информационному влиянию на i-ом шаге;

y_j^i,y_j^(i+1) - численность зараженных агентов социальной сети на i-ом и i+1 шагах;

σ_j - коэффициент, определяющий влияние администраторов социальной сети на агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_аг〗_j - среднее значение репутации всех агентов социальной сети в j – ом слое;

〖〖Rep〗_лид〗_j - среднее значение репутации лидеров мнения в j – ом слое социальной сети;

〖M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

N - общая численность агентов социальной сети;

c – нормализующий параметр сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой.

В случае если администраторы социальной сети подкуплены злоумышленником, они могут оказывать положительное влияние на протекание эпидемии, удаляя лидеров мнений с социальной сети. В таком случае динамика процесса распространения эпидемии внутри слоя описывается сле¬дующими операторами перехода из состояния на i-ом шаге в состояние на шаге i+1:

y_j^(i+1)=y_j^i+〖k_j〗^(1-γ)/√(γ&N) (x_j^i (cN〖k_j〗^(-γ) 〖〖Rep〗_зл〗_j+〖〖y_j^i Rep〗_аг〗_j)/(〖M_аг〗_j (cN〖k_j〗^(-γ)-y_j^i))-〖〖(1-iσ_j)y_j^i Rep〗_лид〗_j/〖〖Rep〗_зл〗_j ),

где j=(1,K) ̅, i=(0,s) ̅, 0<iσ_j<1;

x_j^i - численность агентов социальной сети j –ого слоя, восприимчивого к информационному влиянию на i-ом шаге;

y_j^i,y_j^(i+1) - численность зараженных агентов социальной сети на i-ом и i+1 шагах;

σ_j - коэффициент, определяющий влияние администраторов социальной сети на агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_зл〗_j- среднее значение репутации агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_аг〗_j - среднее значение репутации всех агентов социальной сети в j – ом слое;

〖〖Rep〗_лид〗_j - среднее значение репутации лидеров мнения в j – ом слое социальной сети;

〖M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

N - общая численность агентов социальной сети;

c – нормализующий параметр сети;

k_j — число связей агента социальной сети, характеризующее j-ый слой, 1≤j≤K [65].

Оценим коэффициент β_jm, характеризующий частоту контактов восприимчивых агентов j –того слоя социальной сети с зараженными m –ого слоя. В таком случае коэффициент β_jm можно представить как отношение параметров, характеризующих m-ый и j-ый слои:

β_jm=(k_m 〖k_m〗^(-γ))/(k_j 〖k_j〗^(-γ) )=(k_m/k_j )^(1-γ),

где k_j, k_m — число связей агента социальной сети, характеризующее j-ый слой, 1≤j,m≤K [2,6,28,61,65].

В таком случае, динамику реализации информационного влияния между слоями социальной сети (m,j) для коллективных обсуждений можно определить следующим образом

y_j^(i+1)=y_j^i+(k_m/k_j )^(1-γ) (x_j^i (y_m^i 〖〖Rep〗_аг〗_m)/(〖M_аг〗_j (c〖N〖k_j〗^(-γ)-y〗_m^i ) )-y_j^i 〖〖Rep〗_лид〗_j/((1-iσ_j)〖〖Rep〗_аг〗_m )),

где j=(1,K) ̅, i=(0,s) ̅, 0<iσ_j<1;

x_j^i - численность агентов социальной сети j –ого слоя, восприимчивого к информационному влиянию на i-ом шаге;

y_j^i,y_j^(i+1) - численность зараженных агентов социальной сети на i-ом и i+1 шагах;

k_j, k_m — число связей агента социальной сети, характеризующее j-ый слой, 1≤j,m≤K;

σ_j - коэффициент, определяющий влияние администраторов социальной сети на агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_аг〗_m - среднее значение репутации всех агентов социальной сети в m – ом слое;

〖〖Rep〗_лид〗_j - среднее значение репутации лидеров мнения в j – ом слое социальной сети;

〖M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

c – нормализующий параметр сети;

N - общая численность агентов социальной сети.

Путем применения предложенного подхода к оценке динамики изменения числа зараженных пользователей в дипломной работе по социальной сети для коллективных обсуждений послойно с учетом влияния различных параметров дискретной модели представляется возможным оценить ущерб и риск реализации информационного влияния, а также эпистойкость сети.

U_Σ [s+1]= U_Σ [s]+

∑_(j=k_min)^(k_max)▒(∑_(m=k_min)^(k_max)▒(x_j^s (〖〖Rep〗_аг〗_m (y_m^s)/(cN〖k_m〗^(-γ) ))/(〖M_аг〗_j (1-(y_m^s)/(cN〖k_m〗^(-γ) )) )-y_j^s 〖〖Rep〗_лид〗_j/((1-sσ_j)〖〖Rep〗_аг〗_m )) ) ∑_(i=k_min)^(k_max)▒〖P(j│i) 〖〖Rep〗_аг〗_i,〗

Risk[s]=∑_(j=k_min)^(k_max)▒〖P_j ∑_(m=k_min)^(k_max)▒(x_j^s (〖〖Rep〗_аг〗_m (y_m^s)/(cN〖k_m〗^(-γ) ))/(〖M_аг〗_j (1-(y_m^s)/(cN〖k_m〗^(-γ) )) )-y_j^s 〖〖Rep〗_лид〗_j/((1-sσ_j)〖〖Rep〗_аг〗_m )) ,〗

N[s+1]=(С_∑▒Rep-∑_(j=k_min)^(k_max)▒(∑_(m=k_min)^(k_max)▒(x_j^s (〖〖Rep〗_аг〗_m (y_m^s)/(cN〖k_m〗^(-γ) ))/(〖M_аг〗_j (1-(y_m^s)/(cN〖k_m〗^(-γ) )) )-y_j^s 〖〖Rep〗_лид〗_j/((1-sσ_j)〖〖Rep〗_аг〗_m )) ) ∑_(i=k_min)^(k_max)▒〖P(j│i) 〖〖Rep〗_аг〗_i 〗)/(∑_(j=k_min)^(k_max)▒(∑_(m=k_min)^(k_max)▒(x_j^s (〖〖Rep〗_аг〗_m (y_m^s)/(cN〖k_m〗^(-γ) ))/(〖M_аг〗_j (1-(y_m^s)/(cN〖k_m〗^(-γ) )) )-y_j^s 〖〖Rep〗_лид〗_j/((1-sσ_j)〖〖Rep〗_аг〗_m )) ) ∑_(i=k_min)^(k_max)▒〖P(j│i) 〖〖Rep〗_аг〗_i 〗),

где U_Σ [s], U_Σ [s+1] – суммарный ущерб от реализации эпидемии в социальной сети (на протяжении s,s+1 шагов);

Risk[s],Risk[s+1] – риск нанесения ущерба вследствие реализации информационного влияния злоумышленника по эпидемиологическому алгоритму;

y_j [s] - количество заразившихся в социальной сети (на s шаге);

P_j K(j│i) - вероятность того, что произойдёт контакт зараженных агентов j-слоя с другими слоями сети;

x_j^i - численность агентов социальной сети j –ого слоя, восприимчивого к информационному влиянию на i-ом шаге;

y_j^i- численность зараженных агентов социальной сети на i-ом и i+1 шагах;

k_j, k_m — число связей агента социальной сети, характеризующее j-ый и m-ый слой, k_min≤j,m≤k_max;

σ_j - коэффициент, определяющий влияние администраторов социальной сети на агентов злоумышленника в j – ом слое социальной сети;

〖〖Rep〗_аг〗_m, 〖〖Rep〗_аг〗_i - среднее значение репутации всех агентов социальной сети в j-ом и m-ом слое;

〖〖Rep〗_лид〗_j - среднее значение репутации лидеров мнения в j – ом слое социальной сети;

〖M_аг〗_j – среднее значение устойчивости собственного мнения восприимчивых агентов j-ого слоя социальной сети;

c – нормализующий параметр сети;

N - общая численность агентов социальной сети.

Таким образом, в дипломной работе мы разработали неуросетевую модель реализации информационного влияния отражающую распространение воздействия как внутри слоя безмасштабной сети, так и между слоями с учетом отражения следующих ключевых аспектов:

Уровень репутации агентов злоумышленника.

Информационное влияние проводится в условиях противодействия администраторов и лидеров мнения.

Воздействие администраторов на агентов злоумышленника увеличивается с течением времени реализации информационного влияния.

Зараженные агенты оказывают косвенное информационное влияние на восприимчивых агентов других слоев с меньшим эффектом, нежели агенты злоумышленника.

Восприимчивые агенты имеют свой уровень устойчивости собственного мнения.

При помощи данной модели возможно выявление/распознавание процессов распространения деструктивного контента посредством сравнения показателя эпистойкости с требуемыми показателями конкретной социальной сети или слоя сети.

Скачать дипломную работу по эпидемической модели распространения деструктивного контента

 

Скачать другие готовые или купить дипломную работу по эпидемической модели распространения деструктивного контента

Заказать дипломную работу по эпидемической модели распространения деструктивного контента или оценить стоимость можно при помощи формы ниже.

Запрос отправлен

В течение 15 минут с Вами свяжется дежурный администратор и сообщит окончательную стоимость работы

Контактные данные дежурного автора:

 

Телефон: 8 (800) 350-91-37

WatsApp, Viber, Telegram: 8 (952) 54-54-600

Группа VK: club.projectit

Skype: a.projectit

Электронная почта: a.projectit@gmail.com

Топ-100