Байесовские методы в анализе противоправной активности пользователей электронных торговых площадок

В работе рассмотрены вопросы предупреждения и раскрытия преступлений совершаемых в информационно–коммуникационной среде, а также с ее использованием. С учетом возрастающей востребованности сети Интернет как важной социальной составляющей в стратегии развития государства разработка и внедрение в систему правоохранительной деятельности средств, превентивных мер и методик раскрытия преступлений, совершаемых в виртуальной среде, невозможно переоценить. Несмотря на то, что алгоритмы совершения преступлений данной направленности достаточно широко известны и хорошо изучены отечественными и зарубежными авторами, методики раскрытия таких преступлений и вопросы их практического применения остаются актуальным предметом научных разработок. В настоящей статье рассматривается возможный механизм деятельности правоохранительных органов, основанный на предварительном изучении и выявлении закономерностей в использовании средств сети Интернет ее пользователями. На основе методов интеллектуального анализа данных рассматриваются пути повышения эффективности деятельности органов внутренних дел в области применения мер предупреждения и раскрытия преступлений в информационно–коммуникационной среде. Предлагаемый в работе метод предоставляет возможность прогнозирования спроса и предложения на размещенные в глобальной сети коммерческие предложения, ассоциированные с криминальными проявлениями. Применение рассмотренных сценариев в правоохранительной деятельности предоставляет возможность не только организовать предупредительные меры по предотвращению наступления преступных последствий, но и раскрыть ранее совершенные уголовно-наказуемые деяния.

1. Харисова З.И. Актуальные проблемы деятельности правоохранительных органов по противодействию преступности в глобальной сети "Интернет". Вестник Уфимского юридического института МВД России. 2019;3(85):92-98.

2. Сулейманова И.Е. Киберпреступность и молодежь: современный взгляд на решение проблемы. Вестник Всероссийского института повышения квалификации сотрудников Министерства внутренних дел Российской Федерации. 2018;2(46):96- 99.

3. Всестороннее исследование проблемы киберпреступности. Официальный Интернетпортал Управления ООН по наркотикам и преступлениям. Доступно по: https://www.unodc.org/documents/organizedcrime/UNODC_CCPCJ_EG.4_2013/CYBERCRIME_STUDY_210213.pdf (дата обращения: 20.06.2020)

4. Информационно-аналитический портал правовой статистики Генеральной прокуратуры РФ. Доступно по: http://crimestat.ru/analytics (дата обращения: 18.06.2020)

5. Piatetsky-Shapiro, G. Discovery, Analysis, and Presentation of Strong Rules. Knowledge Discovery in Databases. AAAI/MIT Press, Cambridge. 1991;248:255-264.

6. Agrawal, Rakesh & Imielinski, Tomasz & Swami, Arun. 1993. Mining Association Rules Between Sets of Items in Large Databases, SIGMOD Conference. 10.1145:170036-170072.

7. Agrawal, Rakesh & Srikant, Ramakrishnan. Fast Algorithms for Mining Association Rules. Proc. 20th Int. Conf. Very Large Data Bases. VLDB. 2000;1215:144-156.

8. G. Sılahtaroğlu and H. Dönertaşli, «Analysis and prediction of Ε-customers' behavior by mining clickstream data» 2015 IEEE International Conference on Big Data (Big Data), Santa Clara, CA, 2015:1466-1472, doi: 10.1109/BigData.2015.7363908.

9. Rodmorn, Chonnikarn & Panmuang, Mathuros & Potiwara, Khuanwara. Analysis of the internet using behavior of adolescents by using data mining technique. 2015:398-402. doi:10.1109/ICITEED.2015.7408979.

10. Rodmorn, Chonnikarn & Panmuang, Mathuros & Potiwara, Khuanwara. Analysis of the Zhao, Chunye & Tu, Shanshan & Chen, Haoyu & Huang, Yongfeng. Efficient association rule mining algorithm based on user behavior for cloud security auditing. 2016:145-149. doi:10.1109/ICOACS.2016.7563067.

11. Ji, Junzhong & Zheng, Lei & Liu, Chunnian. The Intelligent Electronic Shopping System Based on Bayesian Customer Modeling. 2001:574-578. doi:10.1007/3-540-45490-X_74. Age and Political Partisanship Estimation. SSRN Electronic Journal. doi:10.2139/ssrn.2740293.

12. De Bruyn, Arnaud & Otter, Thomas. 2016. Bayesian Customer Profiling: Applications to Age and Political Partisanship Estimation. SSRN Electronic Journal. doi:10.2139/ssrn.2740293.

13. Yang, Qin & Li, Zhirui & Jiao, Haisen & Zhang, Zufang & Chang, Weijie & Wei, Daozhu. (2019). Bayesian Network Approach to Customer Requirements to Customized Product Model. Discrete Dynamics in Nature and Society. 2019. 1-16. doi:10.1155/2019/9687236.

14. Chen, Kejia & Jin, Jian & Zhao, Zheng & Ji, Ping. 2020. Understanding customer regional differences from online opinions: a hierarchical Bayesian approach. Electronic Commerce Research. doi:10.1007/s10660-020-09420-5.

15. М.Е. Бурлаков Применение в задаче классификации смс сообщений оптимизированного наивного байесовского классификатора. Известия Самарского научного центра Российской академии наук. 2016;4(4);705-709.

16. V. L. Chernyshev, A. A. Tolchennikov Properties of distribution of Gaussian packets on a spatial network. Science and education. 2011;10;1-10.

17. Nilesh B. Madke et. al. User Profile Based Behavior Identification Using Data Mining Technique / International Research Journal of Engineering and Technology(IRJET) 2018;5:326-331.