Назад в библиотеку

Методы машинного обучения для анализа и моделирования поведения пользователей компьютерных систем

Машечкин И. В., Петровский М. И., Казачук М. А.

Московский государственный университет имени М.В. Ломоносова,
Московский физико-технический институт

Источник: Машечкин И.В., Петровский М.И., Казачук М.А. Методы машинного обучения для анализа и моделирования поведения пользователей компьютерных систем // Вестник Московского университета. Серия 15: Вычислительная математика и кибернетика. 2024. № 4. С. 160–189. DOI: 10.55959/MSU/0137-0782-15-2024-47-4-160-189.

Данная статья дает обзор современного состояния и основных научных результатов коллектива кафедры интеллектуальных информационных технологий факультета вычислительной математики и кибернетики МГУ имени М.В. Ломоносова в области исследования и разработки методов машинного обучения для решения задач анализа и моделирования поведения пользователей компьютерных систем. Рассматриваются модели и задачи для основных источников поведенческих данных, включая человеко-машинный интерфейс (клавиатура, мышь), системные и прикладные журналы, электронные документы, а также взаимодействующие группы и сообщества пользователей. Основное внимание уделено решению задач компьютерной и информационной безопасности: аутентификации пользователей на основе биометрического поведенческого профиля, обнаружения внутренних угроз и хищения конфиденциальной информации, мониторинга активности в корпоративных и социальных сетях. Приведены оригинальные подходы к анализу как структурированного (контекста), так и неструктурированного (контента) поведения, включая тематическое моделирование текстов и построение сетевых онтологий. Особое внимание уделено применению методов обнаружения аномалий, UEBA-систем, а также анализу экстремистского и террористического контента в сети Интернет.

Ключевые слова: машинное обучение, компьютерная безопасность, поведенческая биометрия, анализ социальных сетей, UEBA-системы.

1. Введение

В современном информационном обществе компьютерные системы играют ключевую роль во всех сферах деятельности, от корпоративных сетей до личных устройств. С ростом зависимости от цифровых технологий возросли угрозы, связанные с безопасностью информации и конфиденциальностью данных, а также возможности использования информации о взаимодействии пользователей с компьютерными системами для решения задач анализа и моделирования поведения пользователей. Методы машинного обучения стали неотъемлемой частью инструментария для анализа и моделирования поведения пользователей компьютерных систем с несколькими основными целями.

Безопасность и защита данных. Одна из основных целей моделирования поведения пользователей — обеспечение безопасности информации и защиты данных. Модели машинного обучения используются для выявления аномалий, вторжений и обнаружения несанкционированного доступа. Путем анализа нормального и аномального поведения пользователей системы могут оперативно обнаруживать подозрительные действия и своевременно реагировать на потенциальные угрозы.

Идентификация и авторизация. Моделирование поведения помогает в эффективной идентификации пользователей и в авторизации доступа к ресурсам. Алгоритмы машинного обучения могут создавать профили пользователей на основе их характеристик и типичного поведения, что позволяет определять аномальные попытки доступа или использования системы.

Оптимизация пользовательского опыта и управление ресурсами. Можно улучшать пользовательский опыт, предлагая персонализированные рекомендации, оптимизировать использование ресурсов компьютерных систем и прогнозировать потребности пользователей для более эффективного управления ресурсами.

Анализ трендов и прогнозирование. Моделирование поведения позволяет анализировать и прогнозировать тренды в использовании информационных ресурсов. На основе данных о поведении пользователей можно делать выводы о предпочтениях и тенденциях, что полезно для прогнозирования будущих изменений и разработки стратегий развития компьютерных систем.

Анализ и моделирование взаимодействия групп и сообществ пользователей. Включается несколько ключевых аспектов, таких как поиск по образцу источников информации, их мониторинг, латентно-семантический анализ, а также выявление сообществ и классификация ролей участников. Применение этих методов на практике может содержать анализ социальных сетей для выявления влиятельных личностей, мониторинг новостных потоков для обнаружения важных событий, а также анализ форумов и комментариев для понимания общественного мнения и трендов.

Для достижения указанных целей применяются различные методы машинного обучения, и необходимо решать несколько типовых задач:

Необходимо отметить, что компьютерные системы, подлежащие анализу, включают разнообразные платформы: корпоративные сети, социальные сети, вычислительные кластеры и индивидуальные компьютеры. Каждая из этих систем имеет уникальные особенности в контексте пользовательского поведения, что требует разработки специализированных моделей для обнаружения аномалий, прогнозирования потенциальных угроз и построения описательных моделей. Даже в рамках одной компьютерной системы можно рассматривать разные источники информации для построения моделей анализа пользовательского поведения, включая человеко-машинный интерфейс (например, клавиатура, мышь), системные и прикладные журналы, потоки электронных документов и активность в социальных сетях (включая контент и взаимодействия). Каждый источник требует специфического подхода к анализу данных с использованием соответствующих методов машинного обучения.

Использование этих методов требует не только технических знаний в области машинного обучения, но и понимания специфики компьютерных систем и их пользовательской деятельности. В совокупности они обеспечивают возможность эффективного мониторинга и защиты информационных ресурсов, повышая уровень безопасности и производительности в цифровой среде.

Таким образом, моделирование поведения пользователей компьютерных систем направлено на повышение безопасности, эффективности и удобства использования информационных технологий, что делает его важным компонентом в современной цифровой экосистеме.

Работы в данном направлении на кафедре интеллектуальных информационных технологий ведутся более 20 лет, и в настоящей статье дается краткий обзор основных полученных результатов. Статья имеет следующую структуру: во второй части дается краткий обзор литературы и современного состояния исследований по данной проблематике; третий, четвертый и пятый разделы посвящены полученным участниками коллектива результатам в области разработки и применения методов машинного обучения для задач моделирования поведения пользователей в рамках человеко-машинного интерфейса, анализа контекста и контента работы пользователей, анализа и моделирования взаимодействия сообществ и групп пользователей соответственно. В заключении приведены выводы.

2. Существующие решения и подходы

2.1. Аутентификация пользователей на основе анализа работы с компьютерной клавиатурой и мышью

Аутентификация пользователей на основе анализа работы с клавиатурой и мышью является достаточно перспективным направлением исследований и широко применяется для обеспечения безопасности как домашних компьютеров пользователей, так и компьютеров крупнейших корпораций, а также для предотвращения несанкционированного доступа злоумышленников к веб-сайтам.

Использование двухфакторной аутентификации (по символьному или графическому паролю и анализу характеристик пользователя по работе с клавиатурой (мышью) при вводе данного пароля) либо же использование беспарольной аутентификации (только на основе характеристик динамики работы с мышью либо клавиатурой при вводе пароля) позволяет провести аутентификацию пользователя при его входе в систему. Использование же непрерывной аутентификации позволяет проводить аутентификацию пользователя после его входа в систему, анализируя динамику его работы с мышью и клавиатурой во время выполнения им его повседневных задач в фоновом режиме, тем самым предотвращая попытки смены вошедшего в систему пользователя на злоумышленника.

2.1.1. Анализ работы с клавиатурой

Для аутентификации пользователя на основе анализа его работы с клавиатурой необходимо собрать и проанализировать данные, касающиеся временных характеристик его набора текста. Основными параметрами для сбора и анализа являются:

Используя данные временные характеристики, можно построить уникальный профиль набора текста пользователя, который будет использоваться для его последующей аутентификации или распознавания. В настоящее время для решения данной задачи применяются различные подходы и методы, включая как классические методы машинного обучения, так и современные методы глубокого обучения.

В работе [2] предложен метод скрытого мониторинга на основе анализа динамики набора текста, который был применен в системе онлайн-экзаменов. Авторы использовали ансамбль классификаторов, включающий метод опорных векторов (SVM), случайный лес (Random Forest) и градиентный бустинг (Gradient Boosting), для создания надежной системы аутентификации.

В статье [3] исследователи из Национального технического университета Украины «Киевский политехнический институт» представили систему беспарольной аутентификации на основе анализа динамики печати. В их работе основное внимание уделялось исследованию влияния различных факторов, таких как усталость, стресс и смена языка набора, на точность аутентификации.

2.1.2. Анализ работы с мышью

Анализ динамики работы пользователя с мышью является еще одним мощным инструментом для аутентификации. Для этого собираются и анализируются следующие параметры:

В работе [24] предложена система аутентификации пользователей на основе анализа их поведения при работе с мышью. Авторы использовали нейронные сети для анализа траекторий движения курсора и временных характеристик нажатия кнопок. Система показала высокую точность и надежность при распознавании пользователей.

В статье [25] описана система непрерывной аутентификации, основанная на анализе поведения пользователя с мышью в реальном времени. Система использует скользящее окно для анализа последних действий пользователя и принимает решение об аутентичности пользователя на основе вероятностного порога.

2.2. Методы UEBA для выявления внутренних угроз

Системы UEBA (User and Entity Behavior Analytics) представляют собой современный подход к обеспечению информационной безопасности, который основан на анализе поведения пользователей и сущностей (устройств, приложений) в компьютерной системе. В отличие от традиционных систем обнаружения вторжений (IDS), которые полагаются на сигнатуры известных атак, UEBA-системы строят модель нормального поведения для каждого пользователя и выявляют отклонения от этой модели, которые могут свидетельствовать о внутренней угрозе.

Внутренние угрозы представляют собой одну из самых серьезных проблем для корпоративной безопасности, поскольку они исходят от авторизованных пользователей, имеющих легальный доступ к системе и данным. Примеры внутренних угроз включают кражу интеллектуальной собственности, утечку конфиденциальной информации, саботаж и пр.

Основные задачи, решаемые UEBA-системами, включают:

В работе [39] описана система обнаружения внутренних угроз на основе анализа поведения пользователей при работе с электронной почтой. Система анализировала объем, частоту и получателей исходящих писем и могла обнаруживать попытки массовой рассылки или отправки больших объемов данных неизвестным получателям.

В статье [40] представлен подход к обнаружению внутренних угроз на основе анализа активности пользователей в операционной системе. Авторы использовали методы кластеризации для выявления групп пользователей с похожим поведением и обнаружения выбросов.

2.3. Мониторинг и анализ активности в социальных сетях

Анализ активности пользователей в социальных сетях является важной задачей для различных областей, включая маркетинг, социологию, политологию и обеспечение безопасности. Основные задачи в этом направлении включают мониторинг общественного мнения, выявление трендов, обнаружение экстремистского и террористического контента, анализ влияния и пр.

Современные подходы к анализу социальных сетей используют методы обработки естественного языка (NLP), машинного обучения и анализа графов. Ключевыми источниками данных являются тексты сообщений, метаданные (время публикации, геолокация, хэштеги) и граф взаимодействий (лайки, репосты, комментарии).

В работе [49] описан подход к выявлению экстремистского контента в социальных сетях на основе анализа текстов и метаданных. Авторы использовали ансамбль классификаторов для повышения точности обнаружения.

В статье [50] предложен метод выявления скрытых сообществ в социальных сетях на основе анализа графа взаимодействий и текстового контента. Метод позволяет обнаруживать группы пользователей, которые имеют общие интересы и скрытую координацию действий.

3. Основные результаты коллектива кафедры ИИТ

3.1. Методы аутентификации пользователей на основе анализа работы с клавиатурой

В рамках научных исследований на кафедре ИИТ был разработан ряд оригинальных методов и подходов для решения задачи аутентификации пользователей на основе анализа их работы с клавиатурой. Одним из ключевых достижений стал метод построения кумулятивного профиля пользователя, который учитывает не только средние значения временных характеристик, но и их дисперсию, асимметрию и другие статистические моменты. Это позволило значительно повысить устойчивость системы к изменению поведения пользователя во времени.

Была разработана система непрерывной аутентификации, которая в фоновом режиме анализирует поведение пользователя при работе с различными приложениями (текстовые редакторы, браузеры, почтовые клиенты). Система использует адаптивный алгоритм, который автоматически калибруется под текущий стиль работы пользователя, что позволяет минимизировать количество ложных срабатываний.

Для повышения точности аутентификации был предложен подход, основанный на использовании ансамбля классификаторов. В ансамбль входили классификаторы на основе SVM, случайного леса и нейронных сетей. Комбинация их решений по методу голосования позволила достичь высоких показателей точности (более 98%) при низком уровне ложных срабатываний (менее 1%).

3.2. Обнаружение внутренних угроз и хищения информации

Коллективом кафедры ИИТ была разработана оригинальная UEBA-система для обнаружения внутренних угроз в корпоративных сетях. Система анализирует активность пользователей по следующим каналам:

Для каждого канала были разработаны специализированные модели нормального поведения на основе методов машинного обучения. Для обнаружения аномалий использовался комбинированный подход, включающий методы статистического контроля, кластеризации и глубокого обучения.

Особое внимание было уделено задаче обнаружения кражи интеллектуальной собственности. Были разработаны модели, которые анализируют поведение пользователя при работе с конфиденциальными документами: частоту их открытия, объем копируемых данных, использование функций печати и отправки по почте. Система способна выявлять как разовые попытки кражи, так и долгосрочные стратегии постепенного выноса информации.

Для проверки эффективности разработанных методов был проведен серию экспериментов на синтетических и реальных данных. Результаты показали, что разработанная система превосходит существующие коммерческие аналоги по показателям полноты и точности обнаружения угроз.

3.3. Анализ и моделирование взаимодействия групп и сообществ пользователей

В области анализа социальных сетей и сообществ пользователями кафедры ИИТ были получены значимые результаты. Был разработан метод построения динамических онтологий для моделирования предметных областей, обсуждаемых в социальных сетях. Онтология автоматически строится на основе анализа текстов сообщений и позволяет отслеживать эволюцию тематики обсуждений во времени.

Для выявления скрытых сообществ и координации действий был предложен метод, основанный на совместном анализе графа взаимодействий и семантического сходства текстов. Метод позволяет обнаруживать группы пользователей, которые не только активно взаимодействуют друг с другом, но и используют схожую лексику и тематику, что свидетельствует о наличии общей цели или координации.

Особое внимание было уделено задаче анализа экстремистского и террористического контента. Была разработана система автоматического мониторинга, которая использует методы тематического моделирования (LDA) и классификации на основе глубоких нейронных сетей для выявления потенциально опасного контента. Система способна обнаруживать как прямые призывы к насилию, так и завуалированные формы пропаганды.

Разработанные методы и системы были внедрены в ряде российских организаций для мониторинга общественного мнения и обеспечения информационной безопасности.

4. Заключение

В рамках данного направления членами коллектива было реализовано более 20 исследовательских и прикладных проектов, включая разработку коммерческого программного обеспечения и внедрение прикладных аналитических систем в российских и зарубежных организациях. Научные работы участников коллектива неоднократно поддерживались научно-исследовательскими грантами российских научных фондов, персональными грантами Президента и Правительства Российской Федерации, а также отмечались наградами АН.

По данному направлению защищены шесть кандидатских диссертаций, а также получен ряд патентов на полезные модели и свидетельств о регистрации программного обеспечения.

В настоящее время приоритетным направлением исследований членов коллектива является разработка современных методов глубокого обучения для решения обозначенных выше задач анализа и моделирования поведения пользователей компьютерных систем.

Список литературы

  1. Biaki K. et al. Analysis and evaluation of keystroke dynamics as a feature of contextual authentication // 2020 International Conference on Information Security and Cryptology (ISCTURKEY). IEEE, 2020. P. 11–17.
  2. Kohegurova E.A., Zateev R.P. Hidden monitoring based on keystroke dynamics in online examination system // Programming and Computer Software. 2022. 48. N 6. P. 385–398.
  3. Gnatyuk S. et al. Keystroke dynamics for passwordless authentication system // 2022 IEEE 2nd International Conference "Advanced Computer & Data Processing". IEEE, 2022. P. 101–106.
  4. Vaidehi V. et al. Continuous user authentication using mouse dynamics and keystroke dynamics // 2022 International Conference on Computer Communication and Informatics (ICCCI). IEEE, 2022. P. 1–6.
  5. Soliman M.M., et al. A deep learning approach for continuous user authentication based on mouse dynamics // Multimedia Tools and Applications, 2022, V. 81, N 15, P. 21347–21374.
  6. Zhou Y., et al. Continuous authentication using deep learning and mouse dynamics // IEEE Transactions on Information Forensics and Security, 2021, V. 16, P. 3178–3192.
  7. Feher A. et al. User authentication using mouse dynamics // International Journal of Biometrical and Biomimetics, 2020, N 2, P. 1–12.
  8. Emon M.A. et al. Behavioral biometrics: A survey of mouse dynamics-based authentication systems // International Journal of Advanced Computer Science and Applications, 2021, V. 12, N 9, P. 370–380.
  9. Giot R. et al. Biometric feature extraction for continuous authentication from mouse dynamics // Pattern Recognition Letters, 2020, V. 137, P. 119–126.
  10. Zaidan A.A. et al. A review on behavioral biometric authentication based on keystroke dynamics // Journal of Network and Computer Applications, 2021, V. 188, 103123.
  11. UEBA Gartner. URL: https://www.gartner.com/en/information-technology/glossary/user-entity-behavior-analytics (дата обращения: 10.10.2024).
  12. Insider Threat Gartner. URL: https://www.gartner.com/en/information-technology/glossary/insider-threat (дата обращения: 10.10.2024).
  13. Shetty N. et al. User and Entity Behavior Analytics: A Survey // ACM Computing Surveys, 2022, V. 55, N 4, P. 1–36.
  14. Rassamee A. et al. Insider threat detection using user and entity behavior analytics // Journal of Cybersecurity, 2021, V. 7, N 1, tyab009.
  15. Kim J. et al. A survey on user and entity behavior analytics for insider threat detection // Computers & Security, 2022, V. 115, 102632.
  16. Petersen K. et al. Insider threat detection using UEBA: A systematic literature review // Computers & Security, 2023, V. 124, 103001.
  17. Alneyadi A. et al. A survey on insider threat detection using user and entity behavior analytics // IEEE Access, 2022, V. 10, P. 106611–106630.
  18. Gavai P. et al. Insider threat detection using user behavior analytics: A survey // Journal of King Saud University - Computer and Information Sciences, 2023, V. 35, N 1, P. 125–139.
  19. Bohara S. et al. Insider threat detection using UEBA: A comprehensive survey // Journal of King Saud University - Computer and Information Sciences, 2024, V. 36, N 2, P. 101890.
  20. Yampolskiy R.V. Behavioral biometrics for continuous authentication in mobile environments: A survey // International Journal of Pattern Recognition and Artificial Intelligence, 2021, V. 35, N 11, 2159010.
  21. Monrose F., Rubin A.D. Authentication via keystroke dynamics // Proceedings of the 4th ACM conference on Computer and communications security. ACM, 1997. P. 48–56.
  22. Forsen G.S. et al. Personnel authentication by keystroke rhythm // Communications of the ACM, 1988, V. 31, N 10, P. 1262–1267.
  23. Dowland P.S., Furnell S.M., Papadaki M. Keystroke analysis as a method of advanced user authentication and response // Proceedings of the IFIP TC11 17th International Conference on Information Security. Springer, 2002. P. 220–230.
  24. Shen C., Xie L., Yang H. Mouse dynamics for authentication: A survey // Security and Communication Networks, 2020, V. 2020, 8876115.
  25. Feher A. et al. Continuous user authentication using mouse movement and clicks // Proceedings of the 2012 International Conference on Biometrics and Kansei Engineering. IEEE, 2012. P. 1–6.
  26. Zhou Y., et al. Continuous authentication using deep learning and mouse dynamics // IEEE Transactions on Information Forensics and Security, 2021, V. 16, P. 3178–3192.
  27. Soliman M.M., et al. A deep learning approach for continuous user authentication based on mouse dynamics // Multimedia Tools and Applications, 2022, V. 81, N 15, P. 21347–21374.
  28. BehavioSec. URL: https://www.behaviosec.com/ (дата обращения: 10.10.2024).
  29. BioCatch. URL: https://www.biocatch.com/ (дата обращения: 10.10.2024).
  30. Nexthink. URL: https://www.nexthink.com/ (дата обращения: 10.10.2024).
  31. ObserveIT. URL: https://www.observeit.com/ (дата обращения: 10.10.2024).
  32. Verint. URL: https://www.verint.com/ (дата обращения: 10.10.2024).
  33. Proofpoint. URL: https://www.proofpoint.com/ (дата обращения: 10.10.2024).
  34. Fortinet. URL: https://www.fortinet.com/ (дата обращения: 10.10.2024).
  35. Palo Alto Networks. URL: https://www.paloaltonetworks.com/ (дата обращения: 10.10.2024).
  36. Splunk. URL: https://www.splunk.com/ (дата обращения: 10.10.2024).
  37. LogRhythm. URL: https://logrhythm.com/ (дата обращения: 10.10.2024).
  38. Exabeam. URL: https://www.exabeam.com/ (дата обращения: 10.10.2024).
  39. Bogdanova V., Kazarkin O.V., Okhapkin V.P., Okhapkina E.P., Sharyapov R.A. The system of protection against mass unsolicited e-mail based on Data Mining methods // Certificate of state registration of computer program 2008614494. F. 2008.
  40. Kazarkin O.V., Okhapkin V.P., Okhapkina E.P., Sharyapov R.A. Socio-legal and technological aspects of the problem of identifying destructive information impacts on the Internet // Bulletin of the Russian State University for the Humanities. 2017. N 3(9). P. 132–147.
  41. Oleshko V.F., Malik O.V. The influence of digital mass media on the formation of a global system of social communications // Izvestiya of the Ural Federal University. Series 1. Problems of Education, Science and Culture. 2017. V. 23. N 4(168). P. 5–12.
  42. Kulba V.V., Malyugin V.D., Shubin A.N. Information Management (Prerequisites, Methods and Means) // Problems of Control. 2003. N 1. P. 62–67.
  43. Granovetter M. Threshold Models of Collective Behavior // The American Journal of Sociology. 1978. Vol. 83. N 6. P. 1420–1443.
  44. De Groot M. H. Reaching a Consensus // Journal of the American Statistical Association. 1974. N 69. P. 118–121.
  45. Schelling T. Micromotives and Macrobehavior. – N.Y.: WW Norton & Co, 1978. – 272 p.
  46. Wasserman S., Faust K. Social Network Analysis: Methods And Applications. – N.Y.: Cambridge University Press, 1994. – 825 p.
  47. Akhmetzhanov A. R., Worden L., Dushoff J. Effects of Mixing in Threshold Models of Social Behavior // Physical Review E. 2013. T. 88. N 1. doi: 10.1103/PhysRevE.88.012816.
  48. Gubanov D. A., Novikov D. A., Chkhartishvili A. G. Models of information influence and information management in social networks // Problems of Control. Control in socio-economic systems. 2009. N 5. P. 28–35.
  49. Gubanov D. A., Novikov D. A., Chkhartishvili A. G. Reputation models and information management in social networks // Mathematical Game Theory and its Applications. 2009. V. 1. N 2. P. 14–37.
  50. Breer V. V., Novikov D. A. Crowd control models // Problems of Control. 2012. N 2. P. 38–44.
  51. Zuev A. S., Fedyanin D. N. Models of managing the opinions of agents in social networks // Problems of Control. Control in socio-economic systems. 2011. N 2. P. 37–45.
  52. Kopylova N. S., Murzin F. A., Kurkov I. A. Modeling of social processes and multi-agent approach // Software Products and Systems. 2013. N 3. P. 120–126.
  53. Azhmukhamedov I. M. Synthesis of control decisions in weakly structured poorly formalizable socio-technical systems // Large Systems Management. 2013. N 42. P. 29–54.
  54. Kaufmann A., Gupta M. Introduction to Fuzzy Arithmetic: Theory and Applications. – Van Nostrand Reinhold, 1991. – 161 p.
  55. Grebnev N. F. Psychological tests for professionals. – Minsk: Modern School, 2007. – 496 p.
  56. Dobrynin V. N. Self-organization and intellectual control of the development of socio-technical systems. Part 1: The state and ways to solve the problem // System Analysis in Science and Education. 2010. N 3. P. 12–42.
  57. Azhmukhamedov I. M., Azhmukhamedov A. I., Machueva D. A. Modeling of communication process in social environment // Journal of Theoretical and Applied Information Technology. 2016. Vol. 85. N 2. P. 146–154.
  58. Azhmukhamedov I. M., Machueva D. A., Krasnoperova A. A. Mathematical modeling of the process of information impact on the anthropogenic subsystem of an organization // Caspian Journal: Management and High Technologies. 2017. N 3. P. 61–69.
  59. Azhmukhamedov I. M., Machueva D. A., Zholobov D. A. Modeling the process of information dissemination in social networks // Fundamental Research. 2017. N 5. P. 9–14.
  60. LiveInternet service for collecting and analyzing website efficiency metrics [Electronic resource]. 2018. – URL: http://liveinternet.ru
  61. Brand Analytics social media and media monitoring and analysis system [Electronic resource]. 2018. – URL: http://blog.br-analytics.ru
  62. Azhmukhamedov I. M., Machueva D. A., Zholobov D. A. Methodology for creating information profiles of social network users (on the example of the Chechen Republic) // Caspian Journal: Management and High Technologies. 2017. N 1(37). P. 63–70.
  63. Derevyashko V. V. The influence of the information aging factor on its value for the organization // Mathematical and instrumental methods of economics. Economic sciences. 2010. N 1(62). P. 425–427.
  64. Machueva D. A., Azhmukhamedov I. M. Modeling the process of information interaction in social systems // Systems Management, Communications and Security. 2018. N 2. P. 18–39.
  65. Sideltsev V. V., Bogdanova T. V. Application of graph models for determining the effectiveness of information dissemination in social networks // Practical Marketing. 2025. N 3(333). P. 34–37.
  66. Akimov S. O. Modeling the process of development of intra-company communications in a corporate social network // Open Education. 2011. N 6. P. 11–16.
  67. Lavrischeva E. M., Petrov I. B. Modeling of technical and mathematical problems of applied fields of knowledge on a computer // Proceedings of ISP RAS. 2020. V. 32, issue 6. P. 167–182.
  68. Kostenko K. I., Lebedeva A. P. Cognitive management of formalized mathematical content // Modern Information Technologies and IT-Education. 2018. V. 14, N 3. P. 616–625.
  69. Minayev V. A., Sychev M. P., Kulikov L. S., Vayts E. V. Modeling of counteraction to destructive influence in social networks // Modeling, Optimization and Information Technologies. – 2019. – V. 7, N 1. – P. 511–520.
  70. Savlyuchinsky V. V. Specifics of the operator's activity performing work with the forecasting toolkit of technologically and chronologically interrelated events in the system of continuous forecasting and monitoring of information flows // System Analysis and Applied Informatics. 2019. N 3. P. 21–27.
  71. Macheckin I. V., Petrovsky M. I., Kazachuk M. A. Methods of machine learning for analysis and modeling of user behavior in computer systems // Bulletin of Moscow University. Series 15: Computational Mathematics and Cybernetics. 2024. N 4. P. 160–189.
  72. ...
  73. Богданова В., Казарин О. В., Охапкин В. П., Охапкина Е. П., Шаряпов Р. А. Система защиты от массовых несанкционированных рассылок электронной почты на основе методов Data Mining // Свидетельство о регистрации программы для ЭВМ 2008614494. Ф. 2008.