Цифровой след — всё, что пользователь оставляет в интернете: история поиска, лайки, комментарии, IP-адрес, время на страницах.
Все цифровые следы делятся на две категории: активные и пассивные.
Пользователь оставляет активный цифровой след, когда намеренно делится информацией о себе: делает публикации в социальных сетях или оставляет сообщения на сайтах или онлайн-форумах. Если пользователь вошел на веб-сайт с использованием зарегистрированного имени или профиля, все опубликованные им сообщения будут составлять его активный цифровой след. Также активный цифровой след остается при заполнении онлайн-форм, например, подписке на информационные рассылки, или при согласии принимать файлы cookie в браузере.
Пассивный цифровой след создается, когда информация о пользователе собирается без его ведома. Это происходит, например, когда на веб-сайте собирается информация о том, сколько раз пользователи посещали сайт, откуда эти пользователи и их IP-адреса. Это скрытый процесс, о котором пользователи могут не догадываться. Другим примером использования пассивного следа является анализ рекламодателями ваших лайков, репостов и комментариев в социальных сетях с целью последующего профилирования и отображения вам определенного контента.
Конечно над данными можно проводить действия, нам как студентам кафедры «Безопасность в цифровом мире» интересен анализ цифрового следа — сбор, обработка и интерпретация данных для бизнеса, кибербезопасности, образования, юриспруденции.
Основные методы анализа :
1. Process mining (анализ бизнес-процессов). Применяется для изучения логов бизнес-процессов. Технология позволяет визуализировать реальные схемы процессов, выявлять узкие места, неэффективности, несоответствия нормативам, дублирование функционала и другие проблемы. С помощью process mining можно отслеживать динамику изменений после внедрения мер по оптимизации, а также выявлять глубинные причинно-следственные связи с использованием машинного обучения.
2. Анализ образовательных данных (Educational Data Mining, EDM). Используется для изучения цифрового следа студентов, их учебной деятельности, взаимодействия в цифровых образовательных средах. Методы включают корреляционный анализ, «перегонку данных для принятия решения человеком» и другие подходы для выявления связей между образовательными параметрами и результатами обучения.
3. Криминалистический анализ. В криминалистике цифровые следы анализируются для расследования преступлений. Методы включают анализ системных логов, временных меток, метаданных файлов, интернет-трафика и сетевых соединений. Используются специализированные программы-анализаторы (например, Autopsy, Encase, Forensic Toolkit), методы «дампинга» памяти (извлечение содержимого оперативной памяти для анализа), анализ вредоносного ПО.
4. Анализ метаданных. Метаданные — это данные о данных (например, информация о дате и времени создания файла, авторе, модели устройства). Их анализ может помочь установить местоположение, хронологию событий или другие важные детали.
5. Статистические и машинно-обучающие методы. Для анализа больших объёмов данных применяются статистические методы, алгоритмы машинного обучения, рекомендательные системы, методы анализа временных рядов и другие подходы.
6. Семантический анализ. Применяется к текстовым данным цифрового следа.