Урок 14: Візуалізація OSINT-даних — мережевий аналіз та GEOINT

Навігація курсу: Хаб: Уроки

Попередній: Урок-13-Bias-та-упередження | Наступний: Урок-15-Майбутнє-OSINT

Інструменти уроку: Gephi · gephi-ai · QGIS · Kepler.gl · Neo4j · Sigma.js · Maltego

Слайди (Презентаційний текст)

ЧАСТИНА І — МЕРЕЖЕВИЙ АНАЛІЗ ТА ГРАФ-ВІЗУАЛІЗАЦІЯ

Слайд 1 — Заголовок

Візуалізація OSINT-даних

Мережевий аналіз та GEOINT

Урок 14 | AI для OSINT 2026

«Граф показує, хто з ким. Карта показує, де і коли. Разом — вони розповідають усю історію.»

Слайд 2 — Два виміри OSINT-візуалізації

Більшість аналітиків зупиняються на одному вимірі. Досвідчені — поєднують обидва.

Вимір 1 — Реляційний (граф):

Хто з ким пов’язаний?
Хто контролює потік інформації?
Де координація, а де органічна активність?
Інструменти: Gephi, Maltego, Neo4j

Вимір 2 — Просторовий (GEOINT):

Де фізично відбуваються події?
Як переміщуються люди, техніка, контент?
Де сконцентрована інфраструктура?
Інструменти: QGIS, Kepler.gl, Google Earth Pro

Коли їх поєднувати:

Telegram-кластер (граф) → учасники геолоковані на карті → візначення реального регіону операції
Мережа IP-адрес (граф) → ASN → фізична локація серверів (карта)
Рух підозрюваного (карта) + зустрічі = соціальний граф (граф)

Слайд 3 — Словник: ключові терміни теорії графів

Термін	Визначення	Приклад в OSINT
Вузол (Node / Vertex)	Окремий об’єкт у мережі	Акаунт, IP, домен, особа
Ребро (Edge / Link)	Зв’язок між двома вузлами	Підписка, репост, транзакція
Ступінь (Degree)	Кількість ребер вузла	Кількість підписників/підписок
Шлях (Path)	Послідовність ребер між вузлами	Ланцюжок координації між каналами
Діаметр (Diameter)	Найдовший з найкоротших шляхів	Міра «розтягнутості» мережі
Компонент (Component)	Підграф з’єднаних вузлів	Ізольована мережа без зовнішніх зв’язків
Атрибут (Attribute)	Властивість вузла або ребра	Кількість підписників, дата реєстрації
Вага (Weight)	Числова інтенсивність ребра	Частота взаємодій між двома акаунтами

Слайд 4 — Типи графів: що вибирати для OSINT

Орієнтований граф (Directed graph / Digraph)

Ребро має напрям: A → B ≠ B → A
Приклад: підписки в Twitter (X), форварди в Telegram
Коли використовувати: аналіз ієрархій, потоків інформації, ланцюжків командування

Зважений граф (Weighted graph)

Кожне ребро має числову вагу
Приклад: частота згадок між акаунтами за тиждень
Алгоритми враховують вагу при обрахунку метрик

Двочастковий граф (Bipartite graph)

Два типи вузлів; ребра лише між різними типами
Приклад: акаунти ↔ канали, особи ↔ організації
Особливо корисний для membership-аналізу

Мультиграф (Multigraph)

Кілька типів ребер між одними і тими ж вузлами
Приклад: ті самі актори пов’язані через Telegram і через реєстр компаній

Часовий граф (Temporal / Dynamic graph)

Ребра і вузли мають мітки часу; структура змінюється
Приклад: граф Telegram-каналів у розрізі тижнів до/після виборів

Слайд 5 — Центральність: навіщо вимірювати «важливість»

Центральність (Centrality) — клас метрик, що відповідає на питання:

«Який вузол у мережі найважливіший?»

Але «важливість» — неоднозначне поняття. Різні метрики вимірюють різний тип впливу:

Питання	Метрика
Хто має найбільше прямих зв’язків?	Degree
Хто контролює потік інформації?	Betweenness
Хто швидше за всіх охопить всю мережу?	Closeness
Хто пов’язаний з найвпливовішими?	Eigenvector / PageRank

Практичне правило: Завжди рахуйте мінімум три різних метрики центральності. Вузли, що потрапляють в топ-10% за кількома метриками одночасно, — найбільш критичні точки мережі.

Слайд 6 — Degree та Betweenness Centrality

Degree Centrality — найпростіша:

In-degree: кількість вхідних ребер (хто посилається на вузол)
Out-degree: кількість вихідних ребер (на кого посилається вузол)
Приклад: канал @propagandachannel має in-degree = 87 (87 каналів переслали його контент) при середньому по мережі = 4.2 → відхилення в 20 разів → підозра на координований буст
Обмеження: не відрізняє якісні зв’язки від бот-трафіку

Betweenness Centrality — «брокери» мережі:

Вимірює, скільки найкоротших шляхів між усіма парами вузлів проходять через даний вузол.

BC(v) = Σ (σ(s,t|v) / σ(s,t))    s≠v≠t

Вузол з високим betweenness = брокер: з’єднує частини мережі, що інакше б не спілкувалися
Видалення такого вузла фрагментує мережу

Реальний приклад (Graphika, 2019): У Russian interference networks ретранслятори між англомовним і французьким сегментами мали betweenness у 50–100 разів вище середнього при скромному загальному degree — звичайний підрахунок підписників їх би не виявив.

Слайд 7 — Eigenvector Centrality та PageRank

Eigenvector Centrality:
Вузол важливий, якщо він з’єднаний з іншими важливими вузлами. Рекурсивне визначення.

EC(v) = (1/λ) × Σ EC(u)    u∈N(v)

де λ — найбільше власне значення матриці суміжності.

Інтуїція: Один зв’язок з «суперхабом» піднімає EC вузла. Бот-ферма, яку ретвітить CNN, матиме вищий EC, ніж тисячна органічна аудиторія нішевого блогу.

PageRank (адаптований для OSINT):

PR(v) = (1-d)/N + d × Σ (PR(u) / Out-degree(u))    u→v

де d = 0.85 (damping factor), N — кількість вузлів.

Різниця EC vs PageRank:

EC нестабільний на орієнтованих графах із «балотними» вузлами (без вихідних ребер)
PageRank стабільніший завдяки damping factor — кращий вибір для Telegram/Twitter аналізу

Запуск у Gephi: Statistics → PageRank та Statistics → Eigenvector Centrality

Слайд 8 — Closeness Centrality та порівняльна таблиця

Closeness Centrality:

CC(v) = (n-1) / Σ d(v, u)    u≠v

де d(v, u) — найкоротший шлях між v та u.

Вузол з високим closeness розповсюдить інформацію по мережі найшвидше
Виявлення «посівного» акаунта, з якого стартує дезінформаційний наратив
Для роздрібнених мереж → Harmonic Centrality (враховує лише досяжні вузли)

Порівняльна таблиця:

Метрика	Що вимірює	Складність	Застосування в OSINT
Degree	Прямі зв’язки	O(V+E)	Знайти хаби, перший скан
Betweenness	Контроль потоків	O(V×E)	Координатори, брокери
Closeness	Швидкість охоплення	O(V²)	«Сіяч» інформації
Eigenvector	Зв’язок з впливовими	O(V²) iter	«Ампліфікатори»
PageRank	Авторитетність посилань	O(V+E) iter	Реальний вплив джерела

У Gephi: Statistics → Run All → атрибути в таблиці вузлів → Appearance → Size → Ranking

Слайд 9 — Community Detection та алгоритм Лувена

Спільнота (Community) — підграф, де вузли щільніше з’єднані між собою, ніж із рештою мережі.

Навіщо в OSINT: виявлення координованої неавтентичної поведінки (CIB), розбиття великих мереж на аналітичні блоки, картографування ідеологічних кластерів.

Модулярність Q:

Q = (1/2m) × Σ [A(i,j) - k(i)×k(j)/2m] × δ(c(i), c(j))

Q > 0.3 — помітна структура; Q > 0.6 — сильна кластеризація; Q ≈ 0 — випадкова мережа.

Алгоритм Лувена (Louvain, 2008):

Фаза 1: кожен вузол = окрема спільнота → переміщаємо до сусідньої, якщо Q зростає → до стабілізації
Фаза 2: кожна спільнота стискається в «супервузол» → повторити Фазу 1
Складність: O(n log n) — масштабується до мільярдів вузлів

Запуск у Gephi: Statistics → Modularity → Use weights → Resolution 1.0 → Run
Результат: атрибут modularity_class → Appearance → Color → Partition → modularity_class

Слайд 10 — Leiden vs Louvain та топологія мереж

Leiden (Traag et al., 2019) — навіщо:
Louvain може генерувати внутрішньо роз’єднані спільноти (вузли в групі фізично не з’єднані між собою). Leiden гарантує, що кожна спільнота — зв’язний підграф.

import igraph as ig, leidenalg
g = ig.Graph.Read_GraphML("network.graphml")
part = leidenalg.find_partition(g, leidenalg.ModularityVertexPartition)
print(f"Q={part.quality():.4f}, кластерів: {len(part)}")

На реальних Telegram-даних (5k–50k вузлів) різниця незначна. На мережах > 500k або ретвіт-графах — Leiden стабільніший.

Топологія мереж:

Тип	Характеристика	Ознака в OSINT
Scale-free	P(k) ~ k⁻ᵞ; кілька суперхабів	Типові соціальні мережі; видалення 1–2% хабів = фрагментація 80%
Small-world	Короткі шляхи + висока кластеризація	Інформація поширюється надзвичайно швидко
Star	Один центр + усі підключені до нього	Ботнет або керований медіапул
Core-periphery	Щільне ядро + периферія через ядро	Медіаекосистема: великі медіа (ядро) + агрегатори

Слайд 11 — Gephi: workflow та формати

Три панелі Gephi:

Overview — побудова та стилізація графа
Data Laboratory — таблиця вузлів і ребер
Preview — фінальний рендер (SVG/PDF/PNG)

Стандартний OSINT workflow:

1. Імпорт (CSV edge list / GEXF / GraphML / Neo4j plugin)
2. Statistics → Degree, Modularity, PageRank, Betweenness
3. Appearance → Color (Partition: modularity_class)
4. Appearance → Size (Ranking: PageRank або Betweenness)
5. Layout → ForceAtlas 2 (500–2000 ітерацій)
6. Filters → Giant Component (видалити ізоляти)
7. Preview → мітки топ-N вузлів, товщина ребер
8. Export → PNG + GEXF

Cypher-запит Neo4j → Gephi CSV:

MATCH (u:User)-[:MEMBER_OF]->(g1:Group),
      (u)-[:MEMBER_OF]->(g2:Group)
WHERE id(g1) < id(g2)
WITH g1, g2, count(u) AS sharedMembers
WHERE sharedMembers >= 5
RETURN g1.title AS Source, g2.title AS Target, sharedMembers AS Weight

Слайд 12 — ForceAtlas 2, Sigma.js, Maltego

ForceAtlas 2 (Jacomy et al., 2014) — вузли відштовхуються як заряди, ребра притягують як пружини.

Параметр	Рекомендація
LinLog mode	Вмикати для чіткіших кластерів
Gravity	1.0 → більше = компактніший граф
Prevent Overlap	Вмикати після стабілізації
Edge Weight Influence	1.0 = враховувати вагу

Процес: Yifan Hu 300 ітерацій (грубий layout) → ForceAtlas 2 + LinLog 1000 ітерацій → Prevent Overlap.

Sigma.js — WebGL-рендеринг графів у браузері. Gephi плагін SigmaExporter → File → Export → Sigma.js template → готовий index.html з інтерактивним графом для командного шерингу.

Maltego — link analysis із автоматичним збором даних через трансформи:

email@target.com
  → HaveIBeenPwned → Person
  → Passive DNS → Domains → IPs → ASN
  → Social profiles → Twitter connections

Maltego збирає дані в процесі; Gephi лише візуалізує. Оптимально: Maltego для розвідки → Gephi для глибокого аналізу великих датасетів.

Слайд 13 — gephi-ai + Claude: AI-асистований аналіз

gephi-ai = Java-плагін для Gephi + Python MCP-сервер + 73 MCP-інструменти для Claude.

Приклад аналітичного сеансу:

Аналітик → Claude: граф Telegram (~4800 вузлів, ~28000 ребер). Знайди ключових акторів.

Claude:
→ gephi_get_graph_stats()
→ gephi_compute_modularity()       → Q=0.71, 8 спільнот
→ gephi_compute_pagerank()         → топ-10 вузлів
→ gephi_compute_betweenness()      → брокери
→ gephi_color_by_partition(attr="modularity_class")
→ gephi_size_by_ranking(attr="pagerank")
→ gephi_run_layout(layout="ForceAtlas2", iterations=1500)
→ gephi_export_png(path="report.png")

Висновок: @relay_net — betweenness у 23× вище середнього при moderate degree.
Класичний broker між Спільнотою 2 і 5. Видалення його ізолює обидва кластери.

Claude пояснює аналітичне значення числових результатів — не просто виводить цифри.

Слайд 14 — Кейс: граф-аналіз Telegram-каналів (CIB)

Завдання: 47 україномовних Telegram-каналів про вибори → виявити ознаки координованої неавтентичної поведінки (CIB).

Граф 1 — Member Overlap: вузли = 47 каналів; ребро A↔B = кількість спільних учасників → 3 кластери (Louvain Q=0.68).

Граф 2 — Content Propagation: ребро A→B = форвард контенту → 11 каналів із cosine similarity > 0.87 публікують у вікні ±3 хвилини; один канал має betweenness у 14× вище середнього — ретранслює до всіх кластерів.

Результат:

Кластер 1 (23 канали): органічна аудиторія, низька кореляція
Кластер 2 (14 каналів): помірна синхронізація, «сірий» медіапул
Кластер 3 (10 каналів): синхронізація ±5 хв, overlap учасників 78–91%, один «seed» канал → ознаки CIB

ЧАСТИНА ІІ — GEOINT ТА ГЕОПРОСТОРОВА ВІЗУАЛІЗАЦІЯ

Слайд 15 — GEOINT: що це і місце в OSINT

GEOINT (Geospatial Intelligence) — розвідка, що базується на аналізі та інтерпретації геопросторових даних: зображень, карт, координат і просторових зв’язків.

Чим GEOINT відрізняється від «просто карти»:

«Просто карта»	GEOINT
Показати де	Відповісти на «що тут відбувається і чому»
Одна точка	Просторові паттерни + часова динаміка
Статичний знімок	Зіставлення шарів різних джерел
Декоративна	Доказова, відтворювана, атрибутована

Типові GEOINT-задачі в OSINT:

Геолокація фото/відео → прив’язка до місцевості через орієнтири
Мобільність → аналіз руху особи/техніки за геотегами публікацій
Верифікація → чи відбувалась подія там, де стверджується?
Інфраструктурна розвідка → локація серверів, штабів, логістичних вузлів
Паттерни активності → де і коли концентруються публікації певного контенту

Ключові інструменти: QGIS, Kepler.gl, Google Earth Pro, SunCalc, Shadow Calculator

Слайд 16 — Типи геопросторових даних

Перш ніж працювати в QGIS — розуміємо, з чим маємо справу.

Растровий шар (Raster layer):

Прямокутна сітка пікселів, кожен із колірним значенням (DN-value)
Роздільна здатність фіксована — масштабування погіршує якість
Приклади: супутникові знімки, аерофотозйомка, DEM (цифрова модель рельєфу)
Формати: GeoTIFF, ECW, JPG2000

Векторний шар (Vector layer):

Геометрії визначені математично: точки, лінії, полігони
Масштабується без втрати якості
Приклади: дороги, кордони, точки POI, будівлі
Формати: Shapefile (.shp), GeoJSON, KML/KMZ, GeoPackage

WMS-шар (Web Map Service):

Растрові тайли, що надсилає сервер на запит
Дозволяє підключити Google Maps, OpenStreetMap, Bing Satellite безпосередньо в QGIS
Не зберігається локально — потрібен інтернет
Використовується як фонова підложка для накладання аналітичних шарів

OSINT-правило: Завжди зберігайте локальні копії растрів, якщо вони є доказовою базою. WMS-сервіси можуть змінювати або видаляти архівні знімки.

Слайд 17 — QGIS: огляд, встановлення, інтерфейс

QGIS — безкоштовна крос-платформна геоінформаційна система (GIS) з відкритим кодом. Стандарт для OSINT-аналітиків, що не хочуть платити за ArcGIS.

Встановлення:

Windows: рекомендується OSGeo4W Network Installer — дає доступ до розширених інструментів (GDAL, GRASS, SAGA), яких немає в standalone installer
- Завантажити: https://qgis.org/download/
- Обрати: OSGeo4W → Advanced install → qgis-full
Linux: sudo apt install qgis (Ubuntu/Debian) або sudo pacman -S qgis (Arch/Manjaro)
macOS: офіційний installer з qgis.org

Основні елементи інтерфейсу:

Елемент	Призначення
Map Canvas	Основний вид карти
Layers Panel	Список всіх завантажених шарів (порядок = рендеринг)
Browser Panel	Файлова система + бази даних + WMS-з’єднання
Attribute Table	Таблиця атрибутів векторного шару (аналог БД)
Processing Toolbox	500+ алгоритмів аналізу (GDAL, SAGA, GRASS, нативні)

Система координат (CRS):

EPSG:4326 — WGS84 (GPS координати, градуси) — найпоширеніша для OSINT даних
EPSG:3857 — Web Mercator (Google Maps, OSM) — для WMS підложок
QGIS автоматично перепроєктує шари «на льоту» — але краще явно призначати CRS імпортованим даним

Слайд 18 — QGIS: ключові плагіни для OSINT

Плагіни встановлюються через Plugins → Manage and Install Plugins.

Плагін 1 — Streetview

Миттєвий перехід з карти QGIS до Google Street View.

Як використовувати:

Встановити плагін Streetview
Натиснути кнопку Streetview на панелі інструментів
Клікнути на точку на карті
Браузер автоматично відкриє Street View за цими координатами

Навіщо в OSINT:

Швидка геолокаційна верифікація: порівняти орієнтири на фото з реальним виглядом місцевості
Перевірка стану будівлі/об’єкта на різних датах (якщо є архівні Street View)
Підтвердження, що маршрут/локація є фізично досяжною

Плагін 2 — QuickMapServices (QMS)

Підключення фонових картографічних підложок в один клік.

Встановлення + активація розширеного каталогу:

Встановити плагін QuickMapServices
Web → QuickMapServices → Settings → More services → Get contributed pack
Перезавантажити QGIS

Доступні підложки:

Google Satellite Hybrid — супутниковий знімок + підписи — найкорисніша для OSINT
Google Maps / Google Terrain
Bing Aerial
OpenStreetMap Standard / Topo
ESRI World Imagery
Stamen Toner (чорно-біла для контрасту при накладанні шарів)

Як використовувати: Web → QuickMapServices → Google → Google Satellite Hybrid — підложка з’являється знизу стека шарів.

Плагін 3 — QuickOSM

Запит до OpenStreetMap через Overpass API безпосередньо з QGIS.

Як використовувати:

Vector → QuickOSM → QuickOSM
Заповнити форму:
- Key — тег OSM (наприклад, amenity, shop, military)
- Value — значення тегу (наприклад, hospital, tattoo, base)
- Location — назва міста/регіону або bbox
Run query
Результат: векторний шар із точками/полігонами на карті + атрибутивна таблиця

Слайд 19 — QuickOSM: практика геопросторової розвідки

QuickOSM дозволяє витягнути будь-яку інфраструктуру з OpenStreetMap за тегами.

OSM Tag система:
OpenStreetMap використовує пари ключ=значення (key=value) для опису об’єктів.
Довідник тегів: https://wiki.openstreetmap.org/wiki/Map_features

Приклади OSINT-запитів:

Key	Value	Що отримаємо
`amenity`	`fuel`	Всі АЗС у регіоні (логістика, маршрути)
`military`	`barracks` / `base`	Військова інфраструктура
`amenity`	`hospital`	Лікарні (верифікація медевакуації)
`shop`	`tattoo`	Тату-салони (верифікація локації за фото татуювань)
`landuse`	`industrial`	Промислові зони
`building`	`warehouse`	Склади (логістика)
`amenity`	`place_of_worship`	Релігійні об’єкти

Практичний кейс:
Є фото підозрюваного перед характерним магазином. На вивісці видно латинські букви, на задньому плані — висотка радянського стилю.

QuickOSM: shop=tattoo, location=Запоріжжя → отримуємо точки всіх тату-салонів
Street View кожної точки → порівняти задній план
Підтвердження або виключення кожного варіанту

Обмеження QuickOSM: OSM — не офіційна карта. Дані волонтерські, можуть бути неповними або застарілими для специфічних об’єктів (особливо в зонах конфліктів).

Слайд 20 — QGIS: просунуті техніки для OSINT

Техніка 1 — Temporal Controller (Часовий контролер)

Анімація геопросторових подій у часі.

Додати до векторного шару атрибут datetime (ISO 8601: 2026-01-15T14:22:00)
Клікнути на шар → Properties → Temporal → увімкнути Dynamic Temporal Control
View → Temporal Controller Panel
Встановити часовий діапазон і крок (годину, добу, тиждень)
Натиснути Play → QGIS анімує точки у часі

Застосування: Маршрут переміщення особи з гео-тегованих публікацій; поширення контенту по регіонах; динаміка пошкоджень інфраструктури.

Техніка 2 — Heatmap (KDE — Ядерна оцінка щільності)

Візуалізація концентрації точкових об’єктів.

Processing Toolbox → Interpolation → Heatmap (Kernel Density Estimation)

Input: векторний шар точок
Radius: радіус ядра (у метрах CRS)
Output: растровий шар де яскравіше = більша щільність

Застосування: Концентрація публікацій із певним хештегом за регіонами; зони підвищеної активності підозрюваного; кластеризація повідомлень з місць подій.

Техніка 3 — EXIF Extractor

Плагін EXIF Tool або Photo2Shape витягує GPS-координати з EXIF-метаданих фотографій і одразу наносить їх на карту як точковий шар.

# Командний рядок через ExifTool перед QGIS
exiftool -csv -GPSLatitude -GPSLongitude -DateTimeOriginal *.jpg > photo_locations.csv

Потім імпортувати CSV у QGIS: Layer → Add Layer → Add Delimited Text Layer → задати поля lat/lon.

Техніка 4 — Spatial Join

Зіставлення двох шарів за просторовим критерієм.

Vector → Data Management → Join Attributes by Location

Приклад: шар IP-адрес з геолокацією (точки) + шар адміністративних кордонів (полігони) → автоматично визначити, до якої країни/регіону належить кожен IP.

Слайд 21 — Kepler.gl: як це працює зсередини

Kepler.gl (Foursquare / колишній Uber) — open source React-застосунок для інтерактивної геовізуалізації мільйонів точок у браузері в реальному часі.

Архітектура (три шари):

┌─────────────────────────────────────────────┐
│              Браузер / Jupyter               │
├─────────────────────────────────────────────┤
│  React UI (Styled-Components)               │
│  Redux store  ←→  keplerGl reducer          │
│  react-palm middleware (async side effects) │
├─────────────────────────────────────────────┤
│  deck.gl  — GPU-рендеринг шарів даних       │
│  MapLibre GL — рендеринг базової карти      │
└─────────────────────────────────────────────┘

deck.gl (від Uber/Vis.gl) — WebGL-бібліотека для рендерингу геопросторових шарів. Саме вона «малює» мільйони точок за 60 fps, виконуючи агрегацію (hexbin, heatmap) прямо на GPU.
MapLibre GL — open source рушій базової карти (форк Mapbox GL після зміни ліцензії). Відображає тайли підложки.
Redux — весь стан застосунку (шари, фільтри, viewport) зберігається в одному Redux-store під ключем keplerGl. Це означає: стан серіалізується в JSON і відновлюється повністю.

Формат вхідних даних:

Kepler.gl приймає дані у вигляді об’єкта з двома полями:

{
  info: { id: "my_dataset", label: "Telegram Events" },
  data: {
    fields: [
      { name: "lat",       type: "real" },
      { name: "lng",       type: "real" },
      { name: "timestamp", type: "timestamp", format: "YYYY-MM-DDTHH:mm:ssZ" },
      { name: "actor",     type: "string" },
      { name: "count",     type: "integer" }
    ],
    rows: [
      [50.4501, 30.5234, "2026-01-15T14:22:00Z", "@channel_kyiv", 143],
      [48.9226, 24.7111, "2026-01-15T14:22:00Z", "@channel_lviv", 67]
    ]
  }
}

CSV, GeoJSON, і навіть Shapefile (через конвертацію) також приймаються через drag-and-drop у веб-інтерфейсі.

Типи шарів:

Шар	Рендеринг	OSINT-застосування
Point	Кола/іконки	Окремі події, акаунти, пристрої
Arc	Криві між парами координат	Переміщення, потоки між містами
Heatmap	KDE на GPU	Щільність публікацій по регіонах
Hexbin	Агрегація по гексагонах	Зведена активність по зонах
GeoJSON	Полігони/лінії	Адміністративні кордони, зони
Trip	Анімовані маршрути	Рух об’єкта в часі (потребує `timestamp`)
Grid	Агрегація по прямокутних комірках	Альтернатива hexbin

Trip layer — ключовий для аналізу переміщень:

trip_id,timestamp,lng,lat
vehicle_01,2026-01-15T08:00:00Z,30.5234,50.4501
vehicle_01,2026-01-15T09:30:00Z,31.2345,49.9876
vehicle_01,2026-01-15T11:00:00Z,32.0567,49.5432

Kepler.gl анімує маршрут у часі — ідеально для демонстрації переміщення техніки або відстеження особи за геотегами.

Вбудовування у власний застосунок (React/npm):

npm install @kepler.gl/components @kepler.gl/reducers @kepler.gl/actions

import KeplerGl from '@kepler.gl/components';
import { addDataToMap } from '@kepler.gl/actions';
 
// Програмне завантаження даних
dispatch(addDataToMap({
  datasets: myDataset,
  config: savedConfig,   // відновити збережену конфігурацію
  options: { centerMap: true, readOnly: false }
}));

Збереження/відновлення конфігурації:

// Зберегти поточний стан (шари, фільтри, viewport) як JSON
const config = KeplerGlSchema.getConfigToSave(store.getState().keplerGl.map);
// → config.json можна завантажити назад і точно відтворити карту

Python / Jupyter підтримка:

from keplergl import KeplerGl
map_1 = KeplerGl(height=600)
map_1.add_data(data=df, name="telegram_events")
map_1  # відображається прямо в notebook
map_1.save_to_html(file_name="report_map.html")  # самодостатній HTML-файл

Kepler.gl vs QGIS — коли що:

Задача	Kepler.gl	QGIS
Мільйони точок у браузері	✅	⚠️ повільно
Анімація Trip у реальному часі	✅	✅ (Temporal Controller)
Просторовий join, буфер, overlay	❌	✅
Запит до OSM Overpass	❌	✅ (QuickOSM)
Публікація як HTML без сервера	✅	⚠️ складніше
Jupyter-інтеграція	✅	❌
Векторний PDF/SVG-експорт	❌	✅

Для публікацій, брифінгів і великих датасетів → Kepler.gl. Для аналізу, запитів, overlay → QGIS.

Слайд 22 — Геолокація та верифікація: практичний pipeline

Геолокація — процес визначення точної географічної позиції за ознаками на фото/відео без GPS-даних.

Pipeline верифікації:

1. ЗБІР ОЗНАК
   ├── Архітектурний стиль (радянська висотка, сучасний ЖК, промобудівля)
   ├── Вивіски, написи, мова (кирилиця, латиниця, мова)
   ├── Природні орієнтири (рельєф, річка, характерне дерево)
   ├── Дорожня розмітка і знаки (стандарти різних країн)
   └── Тіні (напрямок → сонце → час доби та сезон через SunCalc)

2. ГІПОТЕЗА ЛОКАЦІЇ
   ├── Google Maps / Yandex Maps текстовий пошук
   ├── QuickOSM → об'єкти в підозрілому районі
   └── Wikimapia для промислових/специфічних об'єктів

3. ВЕРИФІКАЦІЯ
   ├── Google Street View (плагін QGIS Streetview)
   ├── Google Earth Pro → Historical Imagery (порівняння за датами)
   ├── Bing Maps Bird's Eye View (похилі знімки 45°)
   └── Mapillary / KartaView (Street View від спільноти)

4. ДОКУМЕНТАЦІЯ
   ├── Скріншот знімку з джерела + скріншот карти
   ├── Координати в десятковому форматі (50.4501, 30.5234)
   └── Посилання на джерело карти + дата знімку

Важливо: Геолокація підтверджує, де зроблено знімок — не коли. Для верифікації дати потрібні: метадані файлу, тіні (SunCalc), сезонні ознаки, нумерні таблиці авто, актуальні вивіски.

Слайд 23 — Геопросторовий кейс: картографування логістики

Сценарій: Моніторинг руху важкої техніки за відеозаписами з соцмереж.

Крок 1 — Збір:

47 відео з Telegram, датовані тижнем X
Кожне відео геолоковане вручну або з EXIF
Результат: 47 точок із атрибутами: дата, час, тип техніки, напрямок руху

Крок 2 — QGIS аналіз:

Завантажити точки як CSV шар
QuickMapServices → Google Satellite Hybrid підложка
Temporal Controller → анімація за часом → виявлення маршруту
Arc layer в Kepler.gl → потоки між точками → виявлення вузлових точок

Крок 3 — Просторовий аналіз:

Processing → Nearest Neighbor Analysis → чи є кластеризація точок?
Buffer 5 km навколо кожної точки → Dissolve → коридор переміщення
Overlay з шаром доріг (QuickOSM: highway=primary/secondary) → можливі маршрути

Крок 4 — Cross-reference з графом:

Telegram-канали, що опублікували ці відео → граф у Gephi
Чи є кореляція між географічним кластером і мережевим кластером?
Якщо так — можлива регіональна координаційна структура

Слайд 24 — Temporal Analysis: мережа у часі

Статичний граф = накопичений стан. Часовий граф = як мережа народжувалась і змінювалась.

Ключові часові патерни:

Burst Detection: різке зростання degree/ваги за короткий час → координований буст або «активація» сплячого акаунта.

Temporal Community Shift: вузол переходить зі спільноти A до B → pivot у наративі.

Creation Pattern: 50 акаунтів зареєстровані за 48 годин і одночасно активувались → явна координація.

GEXF з часовими даними:

<node id="n1" label="@account_x">
  <spells>
    <spell start="2025-10-01" end="2026-03-15"/>
  </spells>
</node>
<edge source="n1" target="n2">
  <spells><spell start="2025-11-20"/></spells>
</edge>

Window → Timeline у Gephi → автоматично зчитує start/end → анімація зміни графа.

Слайд 25 — Правила публікації: граф і карта для звіту

Публікований матеріал ≠ робочий матеріал.

Для графів:

Видалити ізольовані вузли (Filters → Giant Component)
Розмір вузла = метрика (завжди легенда)
Колір = спільнота (не більше 8–10 кольорів, colorblind-friendly)
Мітки лише для топ-N вузлів
Завжди PNG для показу + GEXF для відтворюваності

Для карт:

Масштабна лінійка та стрілка Північ — обов’язково
Легенда для кожного шару з поясненням символів
Джерело підложки та дата знімку (особливо для супутникових)
Координатна сітка або bbox у підписі
Вказати проєкцію CRS (важливо для вимірювань відстаней)
Окремий шар = окрема легенда; не суміщати несумісні типи даних

Спільне правило:

Аналітична візуалізація — це доказовий матеріал. Кожен елемент має пояснення. Будь-який читач повинен відтворити вашу логіку з цієї картинки і метаданих.

Слайд 26 — Резюме та ключові виводи

Урок 14 охопив два виміри OSINT-візуалізації:

Мережевий аналіз:

Метрики центральності (Degree, Betweenness, Closeness, Eigenvector, PageRank)
Community Detection: Louvain Q-модулярність, Leiden для великих мереж
Топологія: Scale-free, Small-world, Star, Core-periphery
Gephi workflow: ForceAtlas 2, GEXF, Sigma.js, gephi-ai + Claude

GEOINT:

Типи геоданих: Raster, Vector, WMS
QGIS: OSGeo4W, Streetview, QuickMapServices, QuickOSM
Просунуті техніки: Temporal Controller, KDE Heatmap, EXIF, Spatial Join
Kepler.gl для веб-публікації та великих датасетів
Pipeline геолокаційної верифікації

Золоте правило:

Мережева метрика — гіпотеза. Геолокація — підтвердження. Разом вони переводять цифровий слід у реальний простір і час. Аналітик вирішує, що це означає.

Домашнє завдання — ДЗ 14

Назва: «Від мережі до карти»

Рівень 1 — Базовий (обов’язковий)

Частина А — Мережевий аналіз у Gephi:

Знайдіть або зберіть публічно доступний граф (мінімум 100 вузлів, 300 ребер):

Telegram-канал через Groupint
Датасет з SNAP (ego-Facebook, twitter_combined)
Датасет з Network Repository

Виконайте:

Обрахуйте Degree, Modularity (Louvain), PageRank, Betweenness
ForceAtlas 2 (мінімум 500 ітерацій), Giant Component filter
Колір за modularity_class, розмір за PageRank, мітки топ-10 за betweenness
Експортуйте PNG (1920×1080+) та GEXF

Частина Б — QGIS:

Встановіть QGIS (OSGeo4W) та плагіни: QuickMapServices, QuickOSM, Streetview
Підключіть підложку Google Satellite Hybrid
Виконайте QuickOSM-запит для будь-якого міста на вашу тему (наприклад: amenity=hospital, military=barracks, shop=supermarket)
Зробіть скріншот карти з підложкою, результатами запиту, легендою та масштабною лінійкою

Звіт (мінімум 400 слів):

Що виявив Louvain? Значення Q? Кількість спільнот?
Топ-3 вузли за betweenness — яка їх роль у мережі?
Що показав QuickOSM-запит? Яке аналітичне питання ви намагались вирішити цим запитом?
Яка топологія мережі? Обґрунтуйте через розподіл degree.

Рівень 2 — Розширений (додаткові бали)

Варіант А — Геолокаційна верифікація:

Знайдіть будь-яке публічне фото з геопросторовою загадкою (місце не підписано явно)
Пройдіть повний pipeline верифікації зі Слайду 22: збір ознак → гіпотеза → верифікація через Street View + Google Earth
Задокументуйте кожен крок зі скріншотами
Нанесіть результат на карту в QGIS: підложка + точка локації + анотація

Варіант Б — Temporal аналіз:

Зберіть або підготуйте геодані з часовим атрибутом (мінімум 50 точок, 3+ різних дати)
Завантажте в QGIS, налаштуйте Temporal Controller
Зробіть 4–5 скріншотів у різних часових зрізах із поясненням змін
Що анімація показує про паттерн активності?

Рівень 3 — Дослідницький (максимум балів)

Поєднання мережевого аналізу та GEOINT:

Зберіть дані, що мають і мережевий, і просторовий вимір (наприклад: Telegram-канали з відомою географічною прив’язкою учасників або геолоковані публікації з визначеного регіону)
Побудуйте граф у Gephi → виявіть кластери
Нанесіть вузли/актори на карту в QGIS → чи збігаються мережеві кластери з географічними кластерами?
Використайте KDE Heatmap для просторової щільності активності
Зробіть Kepler.gl Arc layer, що показує потоки між локаціями

Питання для відповіді в звіті: Чи існує просторова кореляція між мережевими спільнотами та географічними регіонами? Що це може свідчити про характер мережі?

Формат здачі

Граф: ДЗ14_Прізвище.gephi + ДЗ14_Прізвище_graph.png
Карта: ДЗ14_Прізвище_map.png (скріншот QGIS із легендою)
Звіт: ДЗ14_Прізвище_report.md
Дедлайн: до наступного заняття
Захист: 5 хвилин — показати і граф, і карту, пояснити знахідки

Критерії оцінювання

Критерій	Рівень 1	Рівень 2	Рівень 3
Технічна правильність (Gephi)	30%	25%	20%
Технічна правильність (QGIS)	20%	20%	15%
Якість візуалізацій	15%	15%	15%
Аналітична інтерпретація	25%	25%	35%
Оформлення звіту	10%	10%	10%
Геолокаційний pipeline / Cross-аналіз	—	5% бонус	5% бонус

Кінець Уроку 14. Матеріали до наступного заняття: Урок-15-Майбутнє-OSINT

AI для OSINT 2026

Провідник

Урок-14-Візуалізація-OSINT-даних