Методы машинного обучения для детектирования ботов в социальных сетях применительно к информационной безопасности водного транспорта

В условиях цифровизации водного транспорта актуализируется задача защиты информационных каналов логистических систем от деструктивного влияния автоматизированных аккаунтов (ботов). В статье представлено исследование, посвященное распознаванию ботов во ВКонтакте с использованием семи алгоритмов машинного обучения: наивного байесовского классификатора, логистической регрессии, многослойного перцептрона, метода опорных векторов, дерева решений J48, алгоритма индукции правил JRip и случайного леса. Анализ выполнен на наборе данных, включающем 5874 профиля и 59 признаков, характеризующих поведение пользователей. Результаты показывают, что случайный лес демонстрирует наивысшую точность (97.25%), тогда как алгоритм JRip обеспечивает сопоставимую эффективность (96.90%) при сохранении полной интерпретируемости правил. Полученные модели могут быть использованы для фильтрации дезинформации в информационных системах водного транспорта, что особенно актуально для оперативного реагирования на чрезвычайные ситуации и оптимизации транспортных маршрутов. Работа представляет практическую ценность для разработки систем кибербезопасности в цифровых экосистемах водного транспорта In the context of digitalization of water transport, the task of protecting information channels of logistics systems from the destructive influence of automated accounts (bots) is becoming more urgent. The article presents a study on the recognition of bots in VKontakte using seven machine learning algorithms: naive Bayes classifier, logistic regression, multilayer perceptron, support vector method, J48 decision tree, JRip rule induction algorithm and random forest. The analysis was performed on a dataset including 5874 profiles and 59 features characterizing user behavior. The results show that the random forest demonstrates the highest accuracy (97.25%), while the JRip algorithm provides comparable efficiency (96.90%). while maintaining full interpretability of the rules. The obtained models can be used to filter misinformation in information systems of water transport, which is especially important for rapid response to emergencies and optimization of transport routes. The work is of practical value for the development of cybersecurity systems in digital ecosystems of water transport.