System-Dynamic Modeling of Network Information Operations

Texto integral

Введение

Основными негативными факторами, влияющими на состояние информационной безопасности России, в новой Доктрине информационной безопасности Российской Федерации названы информационно-технические (ИТВ) и информационно-психологические воздействия (ИПВ)¹. Так, в Доктрине отмечается наращивание рядом зарубежных стран возможностей информационно-технического воздействия (ИТВ) на информационную инфраструктуру в отношении российских государственных органов, научных организаций и предприятий оборонно-промышленного комплекса. В частности, возрастают масштабы компьютерной преступности, прежде всего в кредитно-финансовой сфере; увеличивается количество все более изощренных преступлений, связанных с неприкосновенностью частной жизни, личной и семейной тайны при обработке персональных данных.

Одновременно в Доктрине указывается на расширение масштабов использования зарубежными спецслужбами информационного воздействия, направленного на дестабилизацию внутриполитической и социально-экономической ситуации в различных регионах мира и приводящего к подрыву суверенитета и нарушению территориальной целостности других государств. Россия не является исключением.

В Доктрине отмечено, что:

– в целях размывания традиционных российских духовно-нравственных ценностей наращивается информационное воздействие на население России, в первую очередь на молодежь;

– террористические и экстремистские организации широко используют механизмы информационного воздействия на индивидуальное, групповое и общественное сознание для нагнетания межнациональной и социальной напряженности, разжигания этнической и религиозной ненависти либо вражды, пропаганды экстремистской идеологии.

Обзор литературы

К настоящему времени актуализировались интенсивные исследования в области анализа, моделирования и прогнозирования негативных информационных воздействий (ИВ) и информационных противодействий (ИПД) им [1–4].

Появились новые научные работы, отражающие распространение таких воздействий с помощью компьютерных сетей в различных социальных средах (школьных, студенческих, фанатских и др.); различных поселениях: мегаполисах с их специфическими малыми группами, несущими опасность для молодых людей (группы самоубийц, этнические криминальные группы, руферы, диггеры, зацеперы в метро и др.); малых и моногородах (с тотальной безработицей и аморальными образцами поведения среди взрослых) [5].

Вышеизложенное позволяет заключить, что моделирование, оценка и прогнозирование информационных воздействий на социальные группы и организация соответствующего информационного противодействия являются актуальными задачами управления.

К настоящему моменту создана обширная научная база в сфере моделирования информационных воздействий на социальные группы во времени, позволяющая исследовать информационное «заражение» в зависимости от влияния различных внешних и внутренних факторов [1–5].

Разработаны и исследованы различные типы моделей в сфере информационного воздействия: топологические, факторные, регрессионные, вероятностные и др., которые составляют основу для дальнейшего совершенствования инструментария моделирования в сфере информационного воздействия на социум.

В то же время наиболее интересные с практической точки зрения имитационные методы моделирования информационных воздействий на социальные группы и соответствующего информационного противодействия, позволяющие проигрывать различные сценарии проведения информационных операций, в России недостаточно развиты; слабо ведется разработка необходимого комплекса моделей.

Материалы и методы

Исходя из вышеизложенного, можно выделить два важных направления разработки моделей информационных операций, связанных с ИТВ с одной стороны и с ИПВ – с другой. Кроме того, процесс моделирования был бы неполон, если бы не рассматривались модели противодействия ИТВ и ИПВ. В табл. 1 показана степень разработанности названных моделей информационных операций, оцененная в ходе экспертного опроса по 10-балльной шкале (в нем участвовали 45 квалифицированных экспертов).

 

Таблица  1 Степень разработанности моделей информационных операций

Table  1 Readiness level of information operation models

 

Модели информационных операций / Models of information operations	Модели ИТВ / Models of informational and technical impacts (ITI)	Модели противодействия ИТВ / Models of ITI counteraction	Модели ИПВ / Models of informational and psychological impacts (IPI)	Модели противодействия ИПВ / Models of IPI counteraction
Степень разработанности моделей (баллы) / Level of models readiness (in points)	7	5	5	3

 

В данной статье рассмотрены базовые модели в последних двух направлениях (менее разработанных) и некоторые результаты их применения.

Созданы и реализованы математические модели, позволяющие имитировать ИПВ и ИПД в социальных сетях и при непосредственном общении индивидов в разнообразных общественных группах. При этом применяется перспективная программная платформа имитационного моделирования Anylogic, на основе которой реализованы модели с высокими коэффициентами объясняемости (не менее 85–90 %) между эмпирическими и модельными данными [6].

Созданная методологическая и методическая база позволяет расширить поле исследований информационных воздействий и создания моделей информационных взаимодействий при проявлениях экстремизма, терроризма и агрессивного поведения социальных групп, включая обучающихся в образовательных организациях. Для этого необходимо решить три основные задачи:

– обосновать и построить базу данных, позволяющую по сетевому информационному контенту распознавать и визуализировать ситуации возникновения агрессивного поведения тех или иных групп населения. К настоящему времени разработаны современные методы анализа контента, позволяющие выявлять инициаторов такого контента и сетевые узлы, которые с инициаторами связаны;

– изучить и спрогнозировать динамику «заражения» обучающихся стереотипами агрессивного поведения. Для этого целесообразно комплексно использовать методы системно-динамического, агентного и дискретно-событийного моделирования²;

– создать распределенную информационно-аналитическую систему (ИАС) мониторинга агрессивного поведения в регионах Российской Федерации с выделением в указанной системе региональных ситуационных центров, где происходила бы оперативная обработка информации и принятие специалистами решений по возникающим случаям «экстремального напряжения» в социальной среде, включая ее молодежную часть.

По сути, речь идет о построении глобальной информационной системы мониторинга в масштабах страны, которая дает возможность:

– обеспечения своего развития путем включения в нее (по мере готовности и необходимости) модулей мониторинга проявлений экстремизма, терроризма и других социально опасных явлений, а также модулей подготовки управленческих решений для региональных органов власти и силовых структур при реагировании на подобные явления и ситуации;

– использования перспективных программно-математических средств и методов при реализации механизмов комплексного реагирования на проявления агрессивного поведения;

– надежной защиты центров информационного доступа и коммуникационных каналов ИАС.

Учитывая масштабность и острую социальную необходимость реализации на современном уровне механизмов комплексного реагирования на проявления агрессивного поведения (данная проблема, судя по мировым трендам, может только усиливаться), создание высокоорганизованной ИАС связано с привлечением для ее развития высокопрофессиональных специалистов из разных сфер деятельности (математиков, психологов, педагогов, психиатров, представителей информационной сферы, специалистов в области защиты информации и др.).

Приведем необходимые определения, относящиеся к предмету, цели и задачам данной статьи.

Уточняя терминологию работы С. П. Расторгуева и М. В. Литвиненко³, определим сетевые информационные операции как комплекс взаимосвязанных целенаправленных действий информационного характера, осуществляемых в компьютерных сетях и массмедиа посредством межличностных контактов и ориентированных на решение задач по перепрограммированию, блокированию, генерации информационных процессов как в технической, так и в гуманитарной сферах.

Системно-динамическое моделирование – метод моделирования и имитации сложных динамических систем, характеризующихся разветвленными, как правило, нелинейными связями [7]. Системная динамика как новое направление в области моделирования получила свое развитие благодаря:

– успехам в области анализа и проектирования сложных систем управления;

– прогрессу в сфере компьютерного моделирования и вычислительных методов.

Базовые работы в этом направлении относятся к исследованиям Дж. Форрестера конца 50-х – начала 60-х гг. ХХ в., посвященных анализу промышленных предприятий⁴, развитию городов⁵ и мировой динамике⁶.

К настоящему времени построением системно-динамических моделей в области информационной безопасности занимаются различные зарубежные научные коллективы: в Университете Карнеги (Меллон, США)⁷, Оборонном научно-техническом университете Народно-освободительной армии Китая [8], Высшей школе информационной безопасности (Южная Корея) [9], Флоридском Атлантическом университете (США) [10] и в других научных центрах мира.

Созданные за рубежом модели успешно применяются на практике, однако требуют концептуальной и методической доработки и дополнительных исследований для решения задач анализа, оценки, прогнозирования и управления в сфере информационных воздействий и информационного противоборства.

В основе моделей системной динамики лежат общие структурные элементы, пригодные для моделирования многих систем⁸⁹¹⁰:

– уровни – управляемые объекты, отображаемые переменными, значения которых представляют интегральные характеристики некоторых реальных потоков, рассматриваемых в моделируемой системе;

– темпы – скорости потоков, исходящих от одних уровней и входящих в другие, вызывая в них соответствующие изменения.

Кроме того, в моделях используются функции решений, определяемые через функциональные зависимости, существующие в системе; вспомогательные величины и константы.

Системная динамика, представляя собой определенную целостность принципов и методов анализа динамических управляемых систем с обратной связью, дает возможность их применения для решения многих организационно-производственных и социально-экономических задач.

Метод системной динамики предполагает, что для основных фазовых переменных (системных уровней) используются дифференциальные уравнения типа [11]:

ẏ = y⁺ – y^–,                   (1)

где ẏ – производная переменной y по времени; y⁺ – комплекс факторов, положительно сказывающихся на скорости изменения уровня y; y^– – комплекс факторов, отрицательно сказывающихся на скорости изменения уровня y.

В моделях Форрестера предполагается, что y^±, в свою очередь, являются функциями уровней

y^± = f (F₁, F₂,…, F_k),           (2)

где k – количество факторов меньшее, чем количество фазовых переменных; каждый фактор зависит только от части системных уровней.

Системно-динамическая модель ИВ

На рис. 1 приведено описание системно-динамической модели ИВ с обозначениями, рассматриваемыми в системе дифференциальных уравнений (3).

 

$\left\{\begin{array}{l}\frac{dS}{dt}=OS(t)+YS(t)-SL(t)\hfill \\ \frac{dY}{dt}=SL(t)-LY(t)\hfill \\ \frac{dR}{dt}=LY(t)-YR(t)-YS(t)\hfill \\ OS(t)=o\cdot S(t)\hfill \\ SL(t)=b\cdot S(t)+\frac{a\cdot T\cdot S(t)\cdot Y(t)}{S(t)+Y(t)+L(t)+R(t)}\hfill \\ YR(t)=c\cdot Y(t)\hfill \\ LY(t)=\frac{L(t)}{f}\hfill \\ YS(t)=g\cdot Y(t)\hfill \\ a=p\cdot k_0\cdot n\hfill \\ b=M\cdot k_1\cdot k_2\hfill \end{array}\right.$  (3)

 

 

 

Рис. 1. Системная потоковая диаграмма системно-динамической модели ИВ

 

 

 

 

Fig. 1. The system flow diagram of the information influence system-dynamic model 

 

Построение системно-динамической модели ИПД связано с моделью ИВ на социальные группы. Предполагается, что в социуме одновременно идет распространение двух противоположных идей ИВ (положительной и отрицательной). Потоковая диаграмма, описывающая системно-динамическую модель ИПД, будучи представленной системой дифференциальных уравнений (4), приведена на рис. 2.

 

$\left\{\begin{array}{l}\frac{dS}{dt}=OS(t)+XS(t)+YS(t)-SX(t)-SY(t)\hfill \\ \frac{dX}{dt}=SX(t)+YX(t)-XS(t)-XY(t)\hfill \\ \frac{dY}{dt}=SY(t)+XY(t)-YS(t)-YX(t)\hfill \\ SX(t)=b_x\cdot S(t)+\frac{a_x\cdot S(t)\cdot X(t)}{S(t)+X(t)+Y(t)}\hfill \\ SY(t)=b_y\cdot S(t)+\frac{a_y\cdot S(t)\cdot Y(t)}{S(t)+X(t)+Y(t)}\hfill \\ XY(t)=\frac{k_x\cdot X(t)\cdot Y(t)}{X(t)+Y(t)}\hfill \\ YX(t)=\frac{k_y\cdot X(t)\cdot Y(t)}{X(t)+Y(t)}\hfill \\ XS(t)=g_x\cdot X(t)\hfill \\ YS(t)=g_y\cdot Y(t)\hfill \\ OS(t)=o\cdot S(t)\hfill \end{array}\right.$   (4)

 

 

Рис. 2. Системная потоковая диаграмма системно-динамической модели ИПД

 

 

 

 

Fig. 2. The system flow diagram of the system-dynamic model of information and psychological counteractions 

 

 

Для практической реализации системно-динамических моделей ИВ и ИПД использовались статистические данные о распространении различных информационных воздействий в социальных сетях, а также данные опросов в социальных группах. Отметим, что процесс имитационного моделирования, осуществленный с использованием современной программной платформы Anylogic, позволяет «проигрывать» любое количество противоборствующих идей¹¹. Основными переменными, динамика которых в социуме отслеживалась с помощью разработанных моделей, является количество лиц:

– подверженных ИВ;

– находящихся в латентной стадии ИВ;

– принявших идею ИВ;

– отказавшихся от идеи ИВ.

При этом системно-динамическая модель ИПД, являющаяся логическим развитием модели ИВ, учитывает характеристики забывания информации, существования латентного периода, изменения размера социальной группы, топологию взаимодействия в группе, замещения идеи ИВ идеей противоборствующей стороны.

Результаты исследования

Результаты некоторых модельных экспериментов по изучению влияния различных параметров на динамику процессов ИВ приведены на рис. 3–5. Пример имитационного эксперимента с системно-динамической моделью ИПД приведен на рис. 6.

 

 

 

Рис. 3. Скорость принятия идеи ИВ (SY) в зависимости от вероятности коммуникации на тему,
вложенную в контент ИВ (p)

FIg. 3. The speed of acceptance of the II idea (SY) depending on the probability of communication on
the topic, related to II content (p)

 

 

 

 

Рис. 4. Скорость принятия идеи ИВ (SY) в зависимости от показателя массовости
и регулярности СМИ, пропагандирующих идею ИВ (M)

Fig. 4. The speed of acceptance (SY) of the II idea depending on the circulation
and regularity (M) of the media promoting it

 

 

 

 

 

Рис. 5. Динамика количества лиц, принявших идею ИВ (Y),

в зависимости от длительности латентного периода (f)

Fig. 5. The dynamics of the number of people who accepted the II idea (Y),

depending on the duration of the latent period (f)

 

 

 

 

 

Рис. 6. Динамика количества лиц, подверженных ИВ (S), принявших первую – негативную (X)
и вторую – позитивную (Y) идеи ИВ, а также лиц в латентной стадии от первой (LX) и второй (LY) идей ИВ

 

 

 

 

 

Fig. 6. The dynamics of the number of people exposed to II (S), the first – negative (X) and second –
positive (Y) ideas, as well as people in the latent stage of the first (LX) and second (LY) ideas

 

Отметим, что результаты моделирования на основе системно-динамического и агентного подходов совпали с достаточной степенью точности (рис. 7). Коэффициент согласования между моделями составил 94 %, со статистическими данными – 92 %.

 

 

 

Рис. 7. Результаты сравнительного моделирования ИВ

на основе системно-динамического и агентного подходов

Fig. 7. The results of comparative modeling of II

based on the system-dynamic and agent approaches

 

 

В экспериментах на материале фактических статистических данных имитировалось по отдельности распространение ИВ от семи различных пользователей, а также одновременно с нескольких узлов реальной социальной сети (рис. 8).

 

 

 

Рис. 8. Динамика количества лиц, «зараженных» идеей ИВ,
в зависимости от источника «заражения» в г. К.

Fig. 8. The dynamics of the number of people, “infected” with the II idea,
depending on the infection source in the city of K

 

Из рис. 8 следует, что динамика количества лиц, «зараженных» идей ИВ, в зависимости от источника «заражения» в г. К. различается, подчиняясь общим динамическим закономерностям логистического характера.

Далее эксперимент был расширен: в качестве объектов исследования были выбраны 42 малых города России. По результатам анализа данных о сетевых связях между пользователями социальной сети «ВКонтакте» построены отображающие их графы. Рассчитаны топологические характеристики социальных сетей, такие как коэффициент кластеризации, степень связности, диаметр, плотность, средняя длина пути.

С целью выделения однородных групп поселений для сравнения времени распространения ИВ в них, исходя из топологических характеристик, применен иерархический метод кластерного анализа – метод Вальда. Дендрограмма кластеризации представлена на рис. 9.

 

 

 

Рис. 9. Типологические группы выборочной совокупности поселений России

Fig. 9. Typological groups of a sample of Russian settlements

 

В табл. 2 показано среднее время распространения ИВ в различных кластерах. Ее анализ свидетельствует о том, что наблюдается существенное различие среднего времени распространения ИВ в кластерах.

 

Таблица  2 Среднее время распространения ИВ в кластерах

Table  2 The average dissemination time of the II idea in clusters

 

№ кластера / Number of cluster	Среднее время распространения идеи ИВ, ч / Average time of disseminating the II idea, in hours
1-й кластер / Cluster 1	310,00
2-й кластер / Cluster 2	250,40
3-й кластер / Cluster 3	181,00
4-й кластер / Cluster 4	133,25
Индивидуальный объект /The individual object	62,00

 

Данное обстоятельство требует различной стратегии и тактики со стороны соответствующих государственных структур по организации информационного противоборства в поселениях, относящихся к различным типологическим группам. Это в полной мере относится к сфере борьбы с терроризмом и экстремизмом в информационной среде.

Для апробации моделей далее был проведен эксперимент по результатам анализа статистических данных по сообществу в социальной сети «ВКонтакте», которое было создано с целью организации реального политического митинга с экстремистскими лозунгами. Временные зависимости, полученные по результатам моделирования, показывают высокую объясняемость модели; коэффициент детерминации равен 95 % (рис. 10). Отметим, что в динамике распространения ИВ о проведении оппозиционных митингов выделяются два периода с разными параметрами модели ИВ, соответствующими двум информационным вбросам, произошедшим в российских городах в тот период.

 

 

 

Рис. 10. Моделирование динамики распространения в социальной сети ИВ
о проведении оппозиционных митингов

Fig. 10. Modeling the dynamics of disseminating the information about opposition rallies
in the social networks

 

 

В рамках исследований по моделированию ИВ также проведен важный эксперимент, подтвердивший известный постулат Гиббса о статистических ансамблях¹². Существо постулата в том, что независимые параллельные процессы информационного воздействия в однородных независимых популяциях протекают со схожей динамикой и параметрами модели, описывающей эти процессы.

Эксперимент по распространению идеи ИВ проводился в студенческой среде (рис. 11). В качестве объектов для распространения идеи ИВ выбраны семь независимых студенческих групп, обучающихся в различных вузах медицинского профиля. Вероятность контакта между участниками групп принималась равной нулю в силу специфики организации образовательного процесса.

 

 

 

Рис. 11. Результаты эксперимента по распространению ИВ в студенческой среде

Fig. 11. The experimental results of disseminating II to students

 

Таким образом, экспериментальные исследования системно-динамических моделей с использованием реальных статистических данных о распространении ИВ подтвердили их эффективность и работоспособность для прогнозирования динамики распространения ИВ в зависимости от скорости информационного «заражения», особенностей социальных групп, топологии социальных сетей и других факторов.

Обсуждение и заключение

1. Для решения задач исследования негативных ИВ на социальные группы и процессов информационного противоборства, а также управления этими процессами эффективно применение методов системно-динамического, агентного и дискретно-событийного моделирования, используемого на сегодняшний день для исследования различных сложных социально-экономических процессов.
2. Имитационные модели ИВ и ИПД позволяют оценивать, анализировать и прогнозировать использование социальных сетей в качестве среды распространения экстремизма, терроризма, молодежной агрессии, аутоагрессии и других крайне опасных явлений. Результаты расчетов с помощью системы уравнений, реализованной в имитационной системе Anylogic, дают возможность территориальным органам управления и силовым структурам заблаговременно обосновывать управленческие решения по подготовке и реализации мероприятий, направленных на снижение или нейтрализацию указанных негативных ИВ на общество в целом и его социальные группы (включая молодежь) в частности в зависимости от структуры и динамики факторного комплекса, влияющего на процессы ИВ в социальных сетях.
3. Выбранное в качестве среды моделирования программное обеспечение современных имитационных платформ позволяет в деталях проигрывать различные сценарии с использованием системно-динамических и агентных моделей, наглядно интерпретировать результаты моделирования, проводить различные виды имитационных экспериментов.
4. Топологические различия социальных сетей как современной платформы ИВ и ИПД могут эффективно использоваться для построения стратегии и тактики информационного контакта с населением со стороны региональных властей и силовых структур, а также для более четкого и обоснованного построения системы противодействия различным негативным информационным влияниям на социальные группы, особенно молодежные, со стороны окружения различной природы, осуществляющего информационные операции.
5. Новизна модели информационного противоборства связана с тем, что в имитационной системе впервые описываются две противоборствующие идеи (имитационная платформа позволяет учитывать их любое разумное количество). Новым, пока не использованным в моделях информационных операций, является подход с применением к социальным процессам постулата Гиббса из статистической физики.
6. Перспективой развития анализа топологических различий в рамках системно-динамического подхода является выявление дополнительных «глубинных» факторов, характеризующих разные поселения/города/регионы и влияющих на динамику распространения идеи ИВ.

 

¹           Доктрина информационной безопасности Российской Федерации : утв. Указом Президента РФ № 646 от 5 декабря 2016 г. № 646. URL: http://base.garant.ru/71556224

²           Маликов Р. Ф. Практикум по имитационному моделированию сложных систем в среде AnyLogic 6 : учеб. пособ. Уфа : Изд-во БГПУ, 2013. 296 с.

³           Расторгуев С. П., Литвиненко М. В. Информационные операции в сети Интернет / Под общ. ред. А. Б. Михайловского. М. : АНО ЦСОиП, 2014. 128 с.

⁴           Форрестер Дж. Основы кибернетики предприятия (индустриальная динамика) / Пер. с англ. ; общ. ред. и предисл. Д. Гвишиани. М. : Прогресс, 1971. 340 с.

⁵           Форрестер Дж. Динамика развития города / Пер. с англ. М. Орловой ; под ред. Ю. Иванилова, А. Иванова, Р. Оганова ; предисл. Ю. Козлова. М. : Прогресс, 1974. 286 с.

⁶           Форрестер Дж. Мировая динамика / Пер. с англ. А. Ворощука, С. Пегова ; послесл., коммент. Н. Моисеева. М. : Наука, 1978. 384 с.

⁷           Management and education of the risk of insider threat (MERIT): system dynamics modeling of computer system sabotage / D. M. Cappelli [et al.]. Pittsburg : Carnegie Mellon University. Software Engineering Institute, 2006. 34 p. URL: https://www.semanticscholar.org/paper/Management-and-Education-of-the-Risk-of-Insider-(-)-Cappelli/7fbad6a22afe183e63fb1bb8834e7de05a5d4d94

⁸           Форрестер Дж. Основы кибернетики предприятия (индустриальная динамика) / Пер. с англ. ; общ. ред. и предисл. Д. Гвишиани. М. : Прогресс, 1971. 340 с.

⁹           Форрестер Дж. Динамика развития города / Пер. с англ. М. Орловой ; под ред. Ю. Иванилова, А. Иванова, Р. Оганова ; предисл. Ю. Козлова. М. : Прогресс, 1974. 286 с.

¹⁰          Форрестер Дж. Мировая динамика / Пер. с англ. А. Ворощука, С. Пегова ; послесл., коммент. Н. Моисеева. М. : Наука, 1978. 384 с.

¹¹          Лычкина Н. Н. Современные технологии имитационного моделирования и их применение в информационных бизнес-системах и системах поддержки принятия решений // Имитационное моделирование. Теория и практика : сб. докл. 2-й Всерос. науч.-практ. конф. ИММОД-2005. Т. 1. СПб. : ЦНИИТС, 2005. С. 25–31. URL: https://www.anylogic.ru/upload/iblock/efa/efac2601a53aa4a5c810fb1c2f8fa79b.pdf

¹²          Гиббс Дж. Основные принципы статистической механики, излагаемые со специальным применением к рациональному обоснованию термодинамики / Пер. с англ. К. В. Никольского. М. ; Л. : Гостехиздат, 1946. 203 с.

 

Sobre autores

Vladimir Minaev

Bauman Moscow State Technical University

Autor responsável pela correspondência
Email: m1va@yandex.ru
ORCID ID: 0000-0002-5342-0864
Researcher ID: B-4420-2016

Professor, Department of Information Security, D.Sc. (Engineering)

Rússia, 2nd 5, bd. 1 Baumanskaya St., Moscow 105005

Mikhail Sychev

Bauman Moscow State Technical University

Email: mpsichov@sm.bmstu.ru
ORCID ID: 0000-0002-7535-7704
Researcher ID: E-1068-2019

Professor, Department of Information Security, Chair of Information Protection, D.Sc. (Engineering)

Rússia, 2nd 5, bd. 1 Baumanskaya St., Moscow 105005

Ekaterina Vaits

Bauman Moscow State Technical University

Email: vaitcev@yandex.ru
ORCID ID: 0000-0002-4629-6252
Researcher ID: D-9164-2019

Associate Professor, Department of Information Security, Chair of Information Protection,Ph. D. (Engineering) 

Rússia, 2nd 5, bd. 1 Baumanskaya St., Moscow 105005

Konstantin Bondar

Far Eastern Law Institute of the Ministry of Internal Affairs of the Russia

Email: bondar_km@mail.ru
ORCID ID: 0000-0002-6928-0413
Researcher ID: D-9910-2019

Professor, Department of Information and Technical Support of Internal Affairs, Ph.D., Associate Professor

Rússia, 15 Kazarmennyy Pereulok, Khabarovsk 680020

Bibliografia

Arquivos suplementares