УДК 004.056.53

МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ И КЛАССИФИКАЦИЯ СЛОЖНЫХ ИНФОРМАЦИОННЫХ ПОТОКОВ С УЧЕТОМ ЛОЖНОЙ И ВРЕДОНОСНОЙ ИНФОРМАЦИИ

Опубликовано в Научно-аналитический журнал "Вестник Санкт-Петербургского университета ГПС МЧС России" · Том 2026, Номер 1 · Страницы 170–181 · Рубрика: ТРУДЫ МОЛОДЫХ УЧЕНЫХ
DOI: https://doi.org/10.61260/2218-130X-2026-1-170-181
Получено: 15.01.2026 Одобрено: 16.03.2026 Опубликовано: 11.04.2026
В современных условиях информационные потоки усложняется недостоверными и вредоносными данными, что негативно влияет на системы управления и информационную безопасность. Необходимы инструменты для фильтрации информации до её обработки. Увеличение ложных и вредоносных сообщений требует эффективных алгоритмов для анализа и управления данными, обеспечивающих устойчивость автоматизированных систем. Цель исследования: создание эффективных математических и вычислительных методов анализа, классификации и управления информацией для повышения надежности систем и достоверности данных. Предложен метод имитационного моделирования, основанный на математической модели с элементами теории вероятностей, где информационный поток делится на достоверную, ложную и вредоносную информацию. Для классификации сообщений применяются вероятностные методы, учитывающие априорные и апостериорные вероятности, а также анализ сетевых, временных и семантических характеристик. В отличие от существующих методов, рассматриваемый фокусируется на анализе данных до их использования, что снижает риск деструктивных воздействий. Разработана математическая модель для анализа информационных потоков, включающих достоверную, ложную и вредоносную информацию. Модель использует вероятностные подходы и учитывает сетевые, временные и семантические характеристики сообщений для их классификации и минимизации деструктивного влияния. Модель позволяет эффективно учитывать особенности каждого источника, выделяя достоверные, ложные и вредоносные сообщения, что обеспечивает высокую точность и надежность результирующего информационного потока. Такое комплексное решение способствует повышению целостности данных и может использоваться в системах управления и информационной безопасности для минимизации влияния деструктивной информации и обеспечения принятия обоснованных решений. Результаты могут использоваться для мониторинга информационных угроз, фильтрации вредоносной информации и обеспечения безопасности критически важных систем, а также поддерживают принятие решений в государственных структурах, экономике и энергетике, повышая доверие к информационным системам.
сложный информационный поток, классификация информации, ложная информация, вредоносная информация, достоверная информация, вероятностные модели, информационная безопасность анализ потоков, энтропия
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Fake news detector using deep learning / A. Akshansh [et al.] // International Journal of Advanced Research. 2023. № 11. Vol. 4. P. 1612–1621. DOI:https://doi.org/10.21474/IJAR01/16831

2. Revisiting Fake News Detection: Towards Temporality-aware Evaluation by Leveraging Engagement Earliness / J. Kim [et al.] // arXivLabs. 2024. № 2411. Vol. 12775. P. 1–11. DOI:https://doi.org/10.1145/3701551.370352

3. Zhou X., Zafarani R. A survey of fake news: Fundamental theories, detection methods, and opportunities // ACM Computing Surveys. 2020. № 53 (5). P. 1–40. DOI:https://doi.org/10.1145/3395046

4. Привалов А.Н., Смирнов В.А. Поиск фейковых сайтов с использованием метода определения визуального сходства страниц // Известия ТулГУ. Технические науки. 2022. № 9. C. 260–264. DOI:https://doi.org/10.24412/2071-6168-2022-9-260-265

5. Zhou X., Zafarani R., Wu J. SAFE: Similarity-Aware Multi-Modal Fake News Detection. // Advances in Knowledge Discovery and Data Mining. Lecture Notes in Computer Science. 2020. Vol. 12085. P. 1–13. DOI:https://doi.org/10.48550/arXiv.2003.04981

6. Hammouchi H., Ghogho M. Evidence-Aware Multilingual Fake News Detection // IEEE Access. 2022. № 99. P. 1–11. DOI:https://doi.org/10.1109/ACCESS.2022.3220690

7. Zhou Y. The Silent Saboteur: The Impact and Management of Malicious Word-Of-Mouth in The Digital Age // Highlights in Business Economics and Management. 2024. № 41. P. 381–386. DOI:https://doi.org/10.54097/et0yen43

8. The impact of malicious nodes on the spreading of false information / Z. Ruan [et al.] // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2020. № 30. P. 083101. DOI:https://doi.org/10.1063/5.0005105

9. Satija T., Kar N. Detecting Malicious Twitter Bots Using Machine Learning // Communications in Computer and Information Science. 2020. P. 182–194. DOI:https://doi.org/10.1007/978-981-15-3666-3_16

10. Wesam H.A., Ragheed A., Yossra H.A. Opinion mining for fake recommendations in e-commerce: A machine learning approach using LightGBM // AIP Conference Proceedings. 2025. № 3169. Vol. 030015. P. 1–11. DOI:https://doi.org/10.1063/5.0255957

11. Минаков С.С., Михайленко Н.В. Проблемы обеспечения достоверности технических данных и сведений, сопряжённых с выявлением и расследованием инцидентов и преступлений, совершённых с использованием информационно-телекоммуникационныхтехнологий // Вестник экономической безопасности. 2023. № 6. С. 107–112. DOI:https://doi.org/10.24412/2414-3995-2023-6-107-112

12. Козлов В.В., Лагун А.В., Харченко В.А. Обоснование облика системы защиты стартового комплекса от деструктивных воздействий // Известия ТулГУ. Технические науки. 2023. № 1. DOI:https://doi.org/10.24412/2071-6168-2023-1-259-266

13. Лубенцов А.В. Синтез метода оценки эффективности системы информационной безопасности // Известия вузов. Электроника. 2024. Vol. 29. № 1. P. 118–129. DOI:https://doi.org/10.24151/1561-5405-2024-29-1-118-129

14. Карманова Н.А. Метод комплексированной обработки информации для достижения достоверности данных в цифровых сенсорных системах // Информация и космос. 2025. № 2. C. 77–85.

15. Тымчук А.И. Информационная система контроля достоверности данных приборов учёта в автоматизированной информационно-измерительной системе контроля и учёта электроэнергии // Международный научно-исследовательский журнал. 2024. № 6 (144). С. 1–9. DOI:https://doi.org/10.60797/IRJ.2024.144.79

16. Лебедев И.С. Адаптивное применение моделей машинного обучения на отдельных сегментах выборки в задачах регрессии и классификации // Информационно-управляющие системы. 2022. № 3 (118). С. 20–30. DOI:https://doi.org/10.31799/1684-8853-2022-3-20-30

17. Ефимов А.Ю. Использование энтропийных характеристик сетевого трафика для определения его аномальности // Программные продукты и системы. 2021. T. 34. C. 83–90. DOI:https://doi.org/10.15827/0236-235X.133.083-090

18. Куприянов В.В. Теоретическое обоснование возможности снижения потерь информации при измерениях непрерывных случайных величин при наличии шумов // Горный информационно-аналитический бюллетень. 2021. № 8. С. 70–79. DOI:https://doi.org/10.25018/0236-1493-2021-8-0-70

19. Lotka A. Elements of Physical Biology. Baltimore, 1925. 460 p.

20. Вольтерра В. Математическая теория борьбы за существование. М.: Наука, 1976. 288 с.

21. Карманова Н.А. Алгоритм для реализации метода комплексированной обработки данных с целью формирования и предоставления достоверной информации // Научно-аналитический журнал «Вестник Санкт-Петербургского университета ГПС МЧС России». 2025. № 1. С. 160–173. DOI:https://doi.org/10.61260/2218-13Х-2025-1-160-173

Войти или Создать
* Забыли пароль?