ИССЛЕДОВАНИЕ ГРАФОВЫХ СУБД, ПРИГОДНЫХ ДЛЯ РАБОТЫ С БОЛЬШИМИ ДАННЫМИ ПРИ ОБНАРУЖЕНИИ ДЕЛ ПО ОТМЫВАНИЮ ДОХОДОВ, ПОЛУЧЕННЫХ ПРЕСТУПНЫМ ПУТЕМ, И ФИНАНСИРОВАНИЮ ТЕРРОРИЗМА

Кирилл В. Плаксий, Андрей А. Никифоров, Наталья Г. Милославская

Аннотация


В статье рассматриваются популярные в настоящее время графовые системы управления базами данных (СУБД), способные работать с большими данными, с помощью которых можно реализовать хранение информации, полученной в ходе генерации преступных дел по отмыванию доходов, полученных преступным путем, и финансированию терроризма (ОД/ФТ). Цель работы заключается в выборе защищенной графовой СУБД, подходящей для работы с большими данными финансовых расследований. Для этого решаются следующие задачи: рассматриваются имеющиеся графовые СУБД, проводится их анализ и сравнение друг с другом с особым акцентом на методы защиты, используемые для обеспечения безопасности хранимых данных. Были изучены достоинства и недостатки программных продуктов, а также было проведено сравнение по ряду параметров, характеризующих защиту информации в них. Каждый критерий сравнения имеет развёрнутые комментарии, на основе которых был выбран наиболее удобный, гибкий и современный вариант СУБД для использования при поиске случаев ОД/ФТ. По полученным результатам было установлено, что графовые СУБД подходят для работы с большими данными, а также по ряду параметров была выбрана одна из рассмотренных СУБД, а именно Janus Graph.


Ключевые слова


отмывание доходов, полученных преступным путем, финансирование терроризма, ОД/ФТ, информационная безопасность, типология, большие данные, системы управления базами данных (СУБД).

Полный текст:

PDF

Литература


1. National Research Council et al. Funding a revolution: Government support for computing research. National Academies Press, 1999.

2. Understanding JSON Schema. URL: https://json-schema.org/understanding-json-schema/reference/type.html (дата обращения: 12.08.2019).

3. Eifrem E. Why Graph Database Could Be Key to Addressing Financial Services Challenges.
URL: https://financialit.net/blog/financial-services/why-graph-database-could-be-key-addressing-financial-services-challenges (дата обращения: 15.08.2019).

4. Plaksiy K., Nikiforov A., Miloslavskaya N. Applying Big Data Technologies to Detect Cases of Money Laundering and Counter Financing of Terrorism. Proceedings of 2018 6th International Conference on Future Internet of Things and Cloud (FiCloud2018). Barcelona (Spain), 6-8 August 2018. P. 70–77.
DOI 10.1109/W-FiCloud.2018.00017.

5. Харари Ф. Теория графов. – М.: Мир, 1973. – 296 с.

6. Касьянов В.Н. Визуализация информации на основе графовых моделей. Научная визуализация.
В.Н. Касьянов, Е.В. Касьянова. – М.: Наука, 2014, Т.6. № 1. С. 31–50.

7. Drezewski R., Sepielak J., Filipkowski W. The Application of Social Network Analysis Algorithms in a System Supporting Money Laundering Detection. In Digital Investigation June 2012 9(1). P. 8–21. Elsevier Ltd.

8. SAS Anti-Money Laundering (SAS AML).
URL:http://www.tadviser.ru/index.php/%D0%9F%D1%80%D0%BE%D0%B4%D1%83%D0%BA%D1%82:SAS_Anti-Money_Laundering_(SAS_AML) (дата обращения: 14.08.2019).

9. Neo4j – Platform for connected data. URL: https://neo4j.com/ (дата
обращения: 02.08.2019).

10. DataStax Enterprise Graph Super-powering your data relationships.
URL: https://www.datastax.com/products/datastax-enterprise-graph/ (дата обращения: 03.08.2019).

11. Fernandes D., Bernardino J. Graph Databases Comparison: AllegroGraph, ArangoDB, InfiniteGraph, Neo4J, and OrientDB. DATA. 2018. P. 373–380.

12. Robinson I., Webber J., Eifrem E. Graph databases. O'Reilly Media. 2013.

13. Tabacchi M. E. et al. Designing Cognitive Cities. Designing Cognitive Cities. Springer, Cham, 2019. P. 3–27.

14. Noel S. et al. Big-data architecture for cyber attack graphs
representing security relationships in nosql graph databases. 2015.

15. Qiu L. et al. Trusted computer system evaluation criteria. National Computer Security Center. 1985.

16. AllegroGraph 6.6.0 Triple Attributes. URL: https://franz.com/agraph/support/documentation/current/triple-attributes.html (дата обращения: 02.08.2019).

17. DB-Engines Ranking of Graph DBMS. URL: https://db-engines.com/en/ranking/graph+dbms
(дата обращения: 22.08.2019).

18. Габриелян Г.А. Графовая база данных NEO4J для проектирования высоконагруженных систем. Студенческий электрон. научн. журн. 2018. № 11(31). URL: https://sibac.info/journal/student/31/111409. (дата обращения: 12.08.2019).

19. JanusGraph. URL: https://janusgraph.org/ (дата обращения: 18.08.2019).

20. Dgraph. URL: https://dgraph.io/ (дата обращения: 22.08.2019).

21. TigerGraph. URL: https://www.tigergraph.com/ (дата обращения:
27.08.2019).

22. AllegroGraph. URL: https://franz.com/agraph/allegrograph/ (дата обращения: 27.08.2019).




DOI: http://dx.doi.org/10.26583/bit.2019.3.09

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.