Выделение сущностей в криминалистическом анализе источников данных

Введение 4
1. Постановка задачи 6
2. Обзор существующих решений 7
2.1. Инструменты компьютерной криминалистики 7
2.1.1. Мобильный криминалист 7
2.1.2. Forensic Toolkit 7
2.1.3. Nuix 8
2.1.4. IBM i2 Analyst’s Notebook 8
2.1.5. Выводы 8
2.2. Исследования по выделению сообществ 8
2.2.1. Алгоритм Кернигана-Лина 9
2.2.2. Алгоритм Гирвана-Ньюмана 9
2.2.3. Алгоритм Радиччи 11
2.2.4. Louvain-метод 11
2.2.5. Алгоритм Prat-Perez et al 12
2.2.6. Марковский алгоритм кластеризации 13
2.2.7. Алгоритм выделения перекрывающихся сообществ 14
2.3. Сравнительный анализ алгоритмов 14
3. Описание проводимого исследования 16
3.1. Критерии качества 16
3.2. Сравнительный анализ алгоритмов 17
3.2.1. Марковский алгоритм кластеризации 17
3.2.2. Алгоритм Гирвана-Ньюмана 18
3.2.3. Алгоритм Радиччи 18
3.2.4. Louvain-метод 18
3.2.5. Алгоритм Prat-Perez et al 19
3.2.6. Алгоритм выделения перекрывающихся сообществ 19
3.2.7. Сравнение алгоритмов по критериям качества 19
3.3. Предлагаемый алгоритм 21
3.3.1. Совместное использование алгоритмов 21
3.3.2. Оценка качества 22
3.3.3. Выводы 23
Заключение 25
Список литературы 26
Купить

Всё чаще для установления причастности определённого лица к совершению пре­ступления или доказательства его вины прибегают к помощи компьютерно-технической экспертизы. В соответствии с судебным постановлением у подозреваемого конфиску­ются имеющиеся электронные устройства, от ноутбуков и планшетов до автомобиль­ных навигаторов, которые в дальнейшем анализируются с помощью специальных ин­струментов и программ.
Криминалистический анализ отдельно взятого устройства позволяет получить опре­делённую информацию о его владельце: поисковые запросы, часто посещаемые стра­ницы в интернете, а также активность в социальных сетях и программах мгновенного обмена сообщениями, то есть сферу интересов пользователя устройства и круг его общения. Возможно также и извлечение геолокационных данных. Лицо, наделённое совокупностью этих данных, мы будем в дальнейшем называть сущностью и рассмат­ривать как атомарный объект с точки зрения криминалистического анализа. Собран­ная информация может помочь установить, владел ли подозреваемый определённы­ми сведениями о правонарушении, находился ли в момент совершения преступления поблизости, контактировал ли с жертвой или другими подозреваемыми. Собранная путём компьютерно-технической экспертизы информация может в дальнейшем быть предъявлена в суде в качестве доказательства.
Имея санкцию, следователь получает возможность изъять у подсудимого цифро­вые устройства и провести экспертизу содержащейся на них информации. В то же время представителю органов правопорядка может быть необходимо установить, не содержали ли схожих данных ранее исследуемые устройства. Такие сведения могли бы оказаться весьма полезными в расследовании совершённых или готовящихся пре­ступлений. Например, попадание в руки следователей нескольких устройств рядовых членов диверсионной группировки, возможно, позволило бы установить одного из её руководителей путём сравнения глобального списка контактов из конфискованных устройств, так как участники незаконного формирования, скорее всего, регулярно поддерживают связь со своим руководством.
Установление взаимосвязей между полученными уликами и материалами ранее расследованных уголовных дел также является важной составляющей расследования противоправных деяний. Так, например, согласно сведениям [30] Федеральной служ­бы исполнения наказаний России (ФСИН), лишь около 36% заключённых впервые находятся в местах лишения свободы, причём число осуждённых три и более раза пре­вышает те же 36%. Это показывает, что при расследовании очень важно проверить, не является ли преступление и его обстоятельства схожими с ранее совершёнными.
Для представления и анализа взаимодействий участников расследуемого дела ока­зывается удобным использование математического аппарата теории графов. Сущно­сти обозначаются вершинами, а взаимодействия между ними — взвешенными рёб­рами. Вес каждого ребра рассчитывается по специальному алгоритму в зависимости от того, насколько тесным было взаимодействие. Построению метода подбора весов посвящена магистерская работа Т. В. Чугаевой «Поиск связей между сущностями в криминалистическом анализе источников данных».
В таком случае взаимосвязанные сущности представляются группой вершин, та­ких, что в число и суммарный вес рёбер, исходящих в другие его вершины, значитель­но превышает количество и вес тех, что связывают вершины этой группы с остальны­ми вершинами графа. Такие группы тесно связанных между собой сущностей часто называют сообществами (англ. community), а задачу разбиения графа взаимодействий на группы активно взаимодействующих сущностей — выделением сообществ [6].
Купить