socmint-social-network-analysis

name	socmint-social-network-analysis
description	SOCMINT — analyse de graphes sociaux, cartographie d'influence, détection de communautés, analyse de réseaux d'abonnés et d'interactions.
category	cybersecurite
author	EVA
version	1
tags	["socmint","social-graph","network-analysis","influence","community-detection","followers"]

SOCMINT : Analyse de Graphes Sociaux

🎯 Description

Analyse des relations et interactions entre comptes sur les réseaux sociaux : cartographie de l'écosystème social d'une cible, détection de communautés, identification d'influenceurs clés, analyse de la structure du réseau d'abonnés/abonnements, et traçage de la propagation de l'information.

Ce skill transforme les données relationnelles brutes (followers, followings, mentions, retweets, replies) en intelligence exploitable sur la structure sociale.

---

📊 Types de Graphes Sociaux

1. Graphe d'Amitié (Follow Graph)

           ┌─── B ─── D
           │
    A ─────┼─── C ─── E ─── G
           │
           └─── F ─── H ─── I

• Nœuds : comptes sociaux
• Arêtes : relation follower/following (dirigée)
• Usage : trouver les hubs, ponts, communautés isolées

2. Graphe d'Interaction

• Nœuds : comptes sociaux
• Arêtes : mentions, replies, retweets, likes (pondérées par fréquence)
• Usage : qui interagit vraiment avec qui (≠ simple abonnement)

3. Graphe de Propagation

• Nœuds : comptes + posts
• Arêtes : partage, citation, republication
• Usage : tracking de viralité, origine d'une campagne

---

🛠️ Outils d'Analyse de Graphe

Desktop / Frameworks

Outil	URL	Usage
Gephi	https://gephi.org	Visualisation + analyse de graphes (force atlas)
Cytoscape	https://cytoscape.org	Analyse de réseaux biomédicaux/sociaux
NodeXL	https://www.smrfoundation.org/nodexl	Analyse réseaux sociaux (Excel)
Maltego	https://www.maltego.com	Transformations OSINT + graphes

Bibliothèques Python

Library	Installation	Usage
NetworkX	pip install networkx	Analyse de graphe générique
igraph	pip install igraph	Analyse de graphe haute perf
PyVis	pip install pyvis	Visualisation interactive HTML
Netwulf	pip install netwulf	Visualisation style Gephi
Graph-tool	conda install graph-tool	Analyse C++ rapide

APIs Social Media (Collecte Graphe)

Platform	Outil	Endpoint
X/Twitter	Tweepy	get_followers(), get_friends()
Instagram	Instaloader	get_followers(), get_followees()
Reddit	PRAW	get_subreddit(), get_subscriber()
Telegram	Telethon	get_participants(), get_dialogs()
Discord	Discord.py	fetch_members(), fetch_channel()
GitHub	PyGithub	get_followers(), get_stargazers()

---

🔬 Métriques d'Analyse

Centralité (Qui est important ?)

Métrique	Description	Formule (NetworkX)
Degree Centrality	Nombre de connexions directes	nx.degree_centrality(G)
Betweenness Centrality	Pont entre communautés	nx.betweenness_centrality(G)
Closeness Centrality	Proximité à tous les autres nœuds	nx.closeness_centrality(G)
Eigenvector Centrality	Connexion à des nœuds influents	nx.eigenvector_centrality(G)
PageRank	Algorithme Google adapté	nx.pagerank(G)

Détection de Communautés

Algorithme	NetworkX	Usage
Louvain	community_louvain.best_partition(G)	Détection de clusters sociaux
Label Propagation	nx.label_propagation_communities(G)	Communautés rapides, large échelle
Girvan-Newman	nx.algorithms.community.girvan_newman(G)	Hiérarchique, précis
K-Clique	nx.algorithms.community.k_clique_communities(G, k)	Chevauchement de communautés

Structure du Réseau

Métrique	Code	Interprétation
Densité	nx.density(G)	0.0-1.0, réseau serré ↔ lâche
Diamètre	nx.diameter(G)	Plus court chemin max
Coefficient de clustering	nx.average_clustering(G)	Tendance à former des triangles
Assortativité	nx.degree_assortativity_coefficient(G)	Hubs connectés à hubs ↔ hubs connectés à feuilles
Modularité	community_louvain.modularity(partition, G)	Qualité du partitionnement

---

📋 Workflow d'Analyse

Phase 1 : Collecte des Données

import tweepy
import networkx as nx

# Exemple : collecte du graphe Twitter d'une cible
client = tweepy.Client(bearer_token="...")

# Récupérer les followers (limité par API)
followers = client.get_users_followers(id=target_id, max_results=100)
following = client.get_users_following(id=target_id, max_results=100)

# Construire le graphe
G = nx.DiGraph()
G.add_node("target")
for f in followers.data or []:
    G.add_edge(f.id, "target")  # follower → target
for f in following.data or []:
    G.add_edge("target", f.id)  # target → following

Phase 2 : Analyse

# Métriques de centralité
centrality = nx.betweenness_centrality(G)
top_bridges = sorted(centrality.items(), key=lambda x: x[1], reverse=True)[:10]

# Détection de communautés
import community as community_louvain
partition = community_louvain.best_partition(G.to_undirected())

# Identification des hubs
degrees = dict(G.degree())
top_hubs = sorted(degrees.items(), key=lambda x: x[1], reverse=True)[:10]

print("Top ponts (betweenness):", top_bridges)
print("Top hubs (degree):", top_hubs)
print("Communautés détectées:", len(set(partition.values())))

Phase 3 : Visualisation

import matplotlib.pyplot as plt
from pyvis.network import Network

# PyVis interactive HTML
net = Network(height="750px", width="100%", directed=True)
net.from_nx(G)
net.show("social_graph.html")

---

🔍 Cas d'Usage SOCMINT

1. Identifier les Comptes Relais (Bridge Accounts)

• Score de betweenness élevé = pont entre communautés
• Ces comptes sont critiques : les contrôler = contrôler le flux d'info
• Utiliser en investigation : qui connecte la cible à des cercles fermés ?

2. Détecter les Bot Networks

• Clustering coefficient anormalement bas (pas de vrais liens entre bots)
• Degré entrant/sortant déséquilibré (follow mass mais peu de followers)
• Topologie en étoile (un compte central, 1000 feuilles sans liens entre elles)

3. Cartographier l'Écosystème d'Influence

• Eigenvector centrality > PageRank = connecté aux vrais influenceurs
• Les nœuds avec forte closeness = propagateurs rapides
• Les ponts (betweenness) = gatekeepers d'information

4. Suivi de Propagation

# BFS limité pour tracer la propagation
source = "compte_original"
max_depth = 3
bfs_edges = list(nx.bfs_edges(G, source, depth_limit=max_depth))
propagation_tree = nx.DiGraph(bfs_edges)

---

📊 Métriques pour Rapport SOCMINT

Métrique	Valeur	Interprétation
Densité du réseau	0.023	Réseau très lâche (peu de connexions mutuelles)
Diamètre	4	4 degrés de séparation max
Modularité	0.72	Forte structure communautaire
Clustering	0.08	Peu de triangles = liens instrumentaux
Assortativité	-0.31	Hubs connectés à comptes de faible degré
Communautés	7	7 clusters identifiés
Ponts (top-5)	@A, @B, @C, @D, @E	Gatekeepers d'information

---

⚠️ Pitfalls

• API Limits : Twitter/X limite à 15 requêtes/15min pour followers, Instagram bloque le scraping
• Graphe partiel : sans le graphe complet, les métriques de centralité sont biaisées
• Comptes privés : invisibles dans le graphe d'interaction (mais visibles dans le follow graph)
• Dormants : les comptes inactifs depuis 1 an polluent les métriques
• Bots : faussent toutes les métriques si non filtrés
• Directionnalité : follower ≠ interaction réelle — toujours croiser avec le graphe d'interaction