Аннотация. В настоящее время из-за быстрого роста социальных сетей увеличивается вероятность возникновения различных угроз, одна из которых-фейковые аккаунты. Фейк аккаунт-это учетная запись, созданная на основе поддельной или украденной идентификационной информации, которая искажает концепции популярности и влияния в социальных сетях что, в свою очередь, может иметь пагубные последствия для экономики, политики и общества. В данной статье рассмотрено использование машинного обучения в вопросе выявления фейковых аккаунтов в социальной сети. Основная цель работы — исследование и разработка методов и моделей машинного обучения для эффективного выявления фейковых аккаунтов в социальных сетях. Это позволяет избежать таких проблем, как вымогательство, шантаж, преследование, поддельные просьбы, оскорбление человека, несанкционированный доступ к личной информации, незаконное использование информации пользователя посредством исследования. Объект исследования — фейковые аккаунты. Методы, используемые в исследовательской работе: методы масштабирования, методы машинного обучения, методы выбора признаков, методы оценки моделей. Предметная область исследовательской работы – Instagram. Уникальность исследования является определение наиболее надежного способа обнаружения фейковых аккаунтов с помощью различных, широко распространенных методов. Теоретическая и практическая значимость исследования заключается в выявлении фейковых аккаунтов, которые выдают себя за реальных пользователей, рассылают спам, собирают персональные данные, распространяют вредоносное ПО, фальсифицируют онлайн-рейтинги и т.д. заключается в защите социальной сети от вредоносных действий, а также в разработке приложений для защиты и безопасности социальных сетей. В этой работе для выявления фейковой учетной записи эффективно использовались классификаторы машинного обучения. В статье используются следующие модели: классификатор дерева решений; классификатор KNN; классификатор логистической регрессии; классификатор случайного леса; классификатор метода опорных векторов (SVM). Оценка производительности моделей проводилась с использованием различных показателей, таких как точность, ROC-кривая, классификационный балл. Некоторые модели, такие как Decision Tree, Random Forest и KNN, показали стабильные и высокие значения AUC-ROC, точности, прецизионности, полноты и F1-показателя как при первоначальном тестировании, так и после переобучения. Это подчеркивает важность выбора правильных функций при обучении модели и показывает, что не все функции одинаково полезны для всех моделей. В результате исследования, убедившись в эффективности использования алгоритмов машинного обучения с целью выявления фейковых аккаунтов, сравнив алгоритмы классификации в ходе исследования, мы определили алгоритм, достигший высокой точности.

машинное обучение; фэйк аккаунт; информационная безопасность; профиль пользователя; социальные сети; обнаружение поддельных учетных записей; Instagram; Decision Tree; KNN; Logistic Regression; SVM; Random Forest