<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Метод кросплатформної кореляції цифрових слідів для деанонімізації суб’єктів кіберзагроз

Скорочена інформація про документ
dc.contributor.authorМагденко, А. Р.uk
dc.contributor.authorГрицак, А. В.uk
dc.contributor.authorMahdenko, A. R.en
dc.contributor.authorHrytsak, A. V.en
dc.titleМетод кросплатформної кореляції цифрових слідів для деанонімізації суб’єктів кіберзагрозuk
dc.date.issued2026
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationМагденко А. Р., Грицак А. В. Метод кросплатформної кореляції цифрових слідів для деанонімізації суб’єктів кіберзагроз // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29289.uk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29289
dc.identifier.udc004.056.53:004.62
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/53612
dc.description.abstractУ тезах розглядається інноваційний метод кросплатформної кореляції цифрових слідів, спрямований на автоматизацію процесів деанонімізації суб’єктів тіньової економіки. Обґрунтовано архітектурну модель розробленого програмного комплексу, що інтегрує мікросервісний підхід (Apache Kafka) та гібридну систему баз даних (MongoDB, Neo4j). Запропоновано алгоритм детермінованої екстракції криптографічних ідентифікаторів із неструктурованих текстів, який усуває колізії форматів між різними блокчейн-мережами.uk
dc.description.abstractThe paper presents an innovative method of cross-platform correlation of digital footprints aimed at automating the de-anonymization processes of shadow economy subjects. The architectural model of the developed software complex, which integrates a microservice approach (Apache Kafka) and a hybrid database system (MongoDB, Neo4j), is substantiated. An algorithm for the deterministic extraction of cryptographic identifiers from unstructured texts is proposed, eliminating format collisions between various blockchain networks. It is proven that synthesizing communication graphs (Telegram, DarkWeb) and financial transactions exponentially increases the efficiency of realtime cyberspace investigations.en
dc.subjectOSINTen
dc.subjectдеанонімізаціяuk
dc.subjectграфові бази данихuk
dc.subjectкібербезпекаuk
dc.subjectблокчейн-аналітикаuk
dc.subjectобробкаприродної мовиuk
dc.subjectтіньова економікаuk
dc.subjectde-anonymizationen
dc.subjectgraph databasesen
dc.subjectcybersecurityen
dc.subjectblockchain analyticsen
dc.subjectnatural languageprocessingen
dc.subjectshadow economyen
dc.typeThesis
dc.language.isoukuk
dc.relation.referencesInternet Organised Crime Threat Assessment (IOCTA) 2024 / European Cybercrime Centre. The Hague : Europol, 2024. 84 p. URL: https://www.europol.europa.eu/publication-events/main-reports/internet-organised-crime-threatassessment-iocta-2024 (дата звернення: 12.05.2026).en
dc.relation.referencesHassan N. A., Hijazi R. Open Source Intelligence Methods and Tools: A Practical Guide to Online Intelligence. Berkeley : Apress, 2018. 331 p. URL: https://content.e-bookshelf.de/media/reading/L-11293072-01e9ad742f.pdf (дата звернення: 12.05.2026).en
dc.relation.referencesThe 2024 Crypto Crime Report / Chainalysis Team. New York : Chainalysis Inc., 2024. 142 p. URL: https://www.chainalysis.com/blog/2024-crypto-crime-report-introduction/ (дата звернення: 13.05.2026).en
dc.relation.referencesNarkhede N., Shapira G., Palino T. Kafka: The Definitive Guide: Real-Time Data and Stream Processing at Scale. Sebastopol : O'Reilly Media, 2017. 322 p.en
dc.relation.referencesRabiner L. R. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE. 1989. Vol. 77, no. 2. P. 257–286. URL: https://www.cs.ubc.ca/~murphyk/Bayes/rabiner.pdf (дата звернення: 14.05.2026).en
dc.relation.referencesSutton R. S., Barto A. G. Reinforcement Learning: An Introduction. 2nd ed. Cambridge : MIT Press, 2018. 552 p. URL: https://web.stanford.edu/class/psych209/Readings/SuttonBartoIPRLBook2ndEd.pdf (дата звернення: 14.05.2026).en
dc.relation.referencesFast unfolding of communities in large networks / V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. Lefebvre. Journal of Statistical Mechanics: Theory and Experiment. 2008. Vol. 2008, no. 10. P. P10008. URL: https://www.researchgate.net/publication/1913681_Fast_Unfolding_of_Communities_in_Large_Networks (дата звернення: 15.05.2026).en
dc.relation.referencesRobinson I., Webber J., Eifrem E. Graph Databases. 2nd ed. Sebastopol : O'Reilly Media, 2015. 256 p. URL: https://web4.ensiie.fr/~stefania.dumbrava/OReilly_Graph_Databases.pdf (дата звернення: 15.05.2026).en
dc.date.accessioned2026-09-03T10:44:48Z
dc.date.available2026-09-03T10:44:48Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
29289.pdf
Розмір:
299,3 KB
Формат:
Adobe Portable Document Format
Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
17 B
Формат:
Plain Text
Опис:
Завантажити

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2026)