УДК 004

Ретроспективный анализ эволюции методов верификации пользователей в социальных сетях с использованием алгоритмов

машинного обучения

Ярыгин Олег Витальевич

студент Московского государственного технического университета имени Н. Э. Баумана

Аннотация: В данной статье проводится ретроспективный анализ методов верификации пользователей в социальных сетях и их эволюции на протяжении последних нескольких лет. Рассматриваются основные алгоритмы, которые способны качественно решать задачу верификации. Также предлагается прогнозирование будущих направлений развития алгоритмов машинного обучения, которые смогут более безопасно и эффективно решать данную задачу.

Abstract: This paper retrospectively analyzes user verification methods in social networks and their evolution over the last few years. The main algorithms that can solve the verification problem qualitatively are reviewed. It is also proposed to predict future directions of development of machine learning algorithms that will be able to solve this task more safely and efficiently.

Ключевые слова: ретроспективный анализ, верификация пользователей в социальных сетях, машинное обучение.

Keywords: retrospective analysis, verification of users in social networks, machine learning.

В последние годы социальные сети стали неотъемлемой частью нашей повседневной жизни. С ростом числа пользователей возникла необходимость верификации пользователей в социальных сетях. Целью верификации является обеспечение безопасности и достоверности информации, а также предотвращение подделки аккаунтов и недобросовестного поведения пользователей.

Так, ретроспективный анализ методов верификации в социальных сетях позволяет нам лучше понять, как со временем развивались эти методы и какие задачи они решали. Начиная с традиционных методов, таких как подтверждение по электронной почте или номеру телефона, и до более

Информационные технологии

современных методов, основанных на биометрической аутентификации

ианализе поведения пользователей, различные подходы были использованы для обеспечения безопасности и достоверности данных пользователей.

Прогнозирование эволюции методов верификации в социальных сетях с использованием алгоритмов машинного обучения становится все более актуальным и перспективным направлением исследований. Машинное обучение позволяет создавать модели, которые могут автоматически анализировать данные пользователей и выявлять подозрительное поведение

исоздание фейковых аккаунтов. Именно методы машинного обучения могут использоваться для обнаружения фейков, определения характеристик идентичности пользователя и предотвращения недобросовестного поведения и распространение деструктивного контента. Включение алгоритмов машинного обучения в методы верификации пользователей в социальных сетях позволяет улучшать безопасность и достоверность данных. Это может быть достигнуто путем анализа множества данных и прогнозирования эволюции методов верификации на основе обученных моделей

иалгоритмов. Так, следует использовать следующие алгоритмы для процесса верификации пользователя:

1. Сверточные нейронные сети (CNN): Сверточные нейронные сети используются для распознавания образов и классификации изображений. В контексте верификации личности, они могут быть использованы для определения черт лица, таких как глаза, нос, губы, и т.д.

2. Глубинные сверточные нейронные сети (Deep CNN): они могут использоваться для извлечения более сложных и абстрактных признаков из изображений, что может улучшить точность верификации личности.

3. Метод опорных векторов (SVM): SVM могут быть использованы для классификации данных на основе их расстояния от разделяющей гиперплоскости. В контексте верификации личности они могут использоваться для классификации изображений лиц на “свое” и “чужое”. Деревья принятия решений (Decision Trees): Деревья принятия решений могут использоваться для разделения данных на подгруппы на основе определенных критериев. В контексте верификации личности, деревья принятия решений могут быть использованы, чтобы определить, является ли лицо на изображении лицом, которое уже было зарегистрировано в системе.

4.Случайный лес (Random Forest): Случайный лес представляет собой ансамбль деревьев принятия решений, которые обучаются на разных подвыборках данных.

Однако, следует отметить, что реализация и применение методов ма-

шинного обучения требуют дополнительных действий по обеспечению конфиденциальности данных пользователей и прозрачности использования алгоритмов. Это вызывает социально-этические вопросы, которые также должны быть учтены при разработке и применении этих методов. Использование алгоритмов машинного обучения представляет перспективный подход к повышению эффективности и точности верификации пользователей. Они позволяют автоматически анализировать данные и выявлять подозрительные активности и недобросовестное поведение, а также фейковые аккаунты. Успешная реализация и применение методов машинного обучения требует обратить внимание на прозрачность алгоритмов и регулирование конфиденциальности данных пользователей. Эти вопросы требуют дальнейших исследований и обмена лучшими практиками в индустрии.

В заключение, ретроспективный анализ и прогнозирование эволюции методов верификации пользователей в социальных сетях подтверждает их актуальность и важность. Они способствуют созданию более безопасной и доверительной среды для пользователей социальных сетей. Однако дальнейшие исследования и инновации в данной области являются неотъемлемой частью построения эффективных и надежных методов верификации пользователей. В статье были обсуждены лишь некоторые аспекты данной темы. Будущие исследования и практические разработки должны продолжить работу по развитию более сложных моделей на основе машинного обучения для обеспечения высокой безопасности и надежности верификации пользователей в социальных сетях.

Список литературы

1.Губанов Д. А. Социальные сети: модели информационного влияния, управления и противоборства / Д. А. Губанов, Д. А. Новиков, А. Г. Чхартишвили. — Москва: ООО Издательская фирма «Физико-математическая литература», 2010.— 228 с. — ISBN 978–5–94052–194–5. — EDN PFGVLV.