論文の概要: Detecting Malicious Accounts showing Adversarial Behavior in
Permissionless Blockchains
- arxiv url: http://arxiv.org/abs/2101.11915v1
- Date: Thu, 28 Jan 2021 10:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 11:47:43.185529
- Title: Detecting Malicious Accounts showing Adversarial Behavior in
Permissionless Blockchains
- Title(参考訳): 無許可ブロックチェーンの逆挙動を示す悪意アカウントの検出
- Authors: Rachit Agarwal, Tanmay Thapliyal, Sandeep K. Shukla
- Abstract要約: 悪意ある行為は、bitcoinのような複数の無許可ブロックチェーンにフラグ付けされている。
私たちは、他の参加者のアカウントを悪質に悪用したブロックチェーンアカウントを自動的にフラグ付けすることを目指しています。
我々は、特定の悪意あるアクティビティの過剰表現によって引き起こされるバイアスに抵抗する頑健な教師付き機械学習(ML)アルゴリズムを同定する。
- 参考スコア(独自算出の注目度): 4.506782035297339
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Different types of malicious activities have been flagged in multiple
permissionless blockchains such as bitcoin, Ethereum etc. While some malicious
activities exploit vulnerabilities in the infrastructure of the blockchain,
some target its users through social engineering techniques. To address these
problems, we aim at automatically flagging blockchain accounts that originate
such malicious exploitation of accounts of other participants. To that end, we
identify a robust supervised machine learning (ML) algorithm that is resistant
to any bias induced by an over representation of certain malicious activity in
the available dataset, as well as is robust against adversarial attacks. We
find that most of the malicious activities reported thus far, for example, in
Ethereum blockchain ecosystem, behaves statistically similar. Further, the
previously used ML algorithms for identifying malicious accounts show bias
towards a particular malicious activity which is over-represented. In the
sequel, we identify that Neural Networks (NN) holds up the best in the face of
such bias inducing dataset at the same time being robust against certain
adversarial attacks.
- Abstract(参考訳): さまざまな種類の悪意のあるアクティビティが、bitcoinやEthereumなど、複数のパーミッションレスブロックチェーンにフラグ付けされている。
一部の悪意あるアクティビティはブロックチェーンのインフラストラクチャの脆弱性を悪用するが、一部はソーシャルエンジニアリング技術を通じてユーザをターゲットにしている。
これらの問題に対処するため、他の参加者のアカウントを悪用したブロックチェーンアカウントを自動的にフラグ付けすることを目指している。
そのために、利用可能なデータセットにおける特定の悪意のあるアクティビティの過剰表現によって引き起こされるバイアスに抵抗する堅牢な教師付き機械学習(ML)アルゴリズムを特定し、敵の攻撃に対して堅牢である。
Ethereumのブロックチェーンエコシステムでは、これまで報告された悪意あるアクティビティのほとんどは、統計的に類似している。
さらに、悪意のあるアカウントを識別するmlアルゴリズムは、過剰に表示された特定の悪意のあるアクティビティに対するバイアスを示す。
続編では、ニューラルネットワーク(NN)が、特定の敵攻撃に対して堅牢であると同時に、そのようなバイアスを誘発するデータセットに対して、最善を尽くしていることを確認している。
関連論文リスト
- Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳(メタデータ) (2023-04-25T11:56:18Z) - Token Spammers, Rug Pulls, and SniperBots: An Analysis of the Ecosystem
of Tokens in Ethereum and the Binance Smart Chain (BNB) [63.36515347329037]
トークンと流動性のプールのエコシステムを調査し、両方のブロックチェーン間の類似点と相違点を強調します。
トークンの寿命を見積もると、約60%のトークンが1日以内でアクティブであることが分かりました。
我々は、出口詐欺の詐欺を提示し、両方のブロックチェーン上でその頻度を定量化する。
論文 参考訳(メタデータ) (2022-06-16T14:20:19Z) - Reputation-based PoS for the Restriction of Illicit Activities on
Blockchain: Algorand Usecase [2.94824047753242]
近年では、ブロックチェーントランザクションデータに基づいて、さまざまな機械学習ベースのテクニックが、このような犯罪要素を検出することができる。
本稿では,上記の不正行為を検知したユーザに対する評価に基づく応答手法を提案する。
論文 参考訳(メタデータ) (2021-12-21T07:32:22Z) - Identification of Attack-Specific Signatures in Adversarial Examples [62.17639067715379]
異なる攻撃アルゴリズムは, その効果だけでなく, 被害者の質的な影響も示している。
以上の結果から, 予測的対人攻撃は, 模擬モデルにおける成功率だけでなく, 被害者に対するより深い下流効果によって比較されるべきであることが示唆された。
論文 参考訳(メタデータ) (2021-10-13T15:40:48Z) - Identifying malicious accounts in Blockchains using Domain Names and
associated temporal properties [3.646526715728388]
ブロックチェーンのアカウントに関連付けられたドメイン名(DN)などのメタデータを使用することの可能性を検討する。
悪意のある行動を示す144930のDNを同定し、そのうち54114のDNは時間とともに永続的な悪意のある行動を示す。
これらの特定された悪意のあるDNはいずれも、公式にタグ付けされた悪意のあるブロックチェーンDNでは報告されていない。
論文 参考訳(メタデータ) (2021-06-25T04:19:14Z) - Identity Inference on Blockchain using Graph Neural Network [5.5927440285709835]
アカウントのアイデンティティに関する事前推論を目的としたアイデンティティ推論は、ブロックチェーンセキュリティにおいて重要な役割を果たします。
本稿では,id推論タスクをグラフ分類パターンに変換するトランザクションサブグラフの観点から,ユーザの行動を解析するための新しい手法を提案する。
また、$textI2 textBGNN$という汎用的なエンドツーエンドグラフニューラルネットワークモデルを提案し、サブグラフを入力として受け入れ、トランザクションサブグラフパターンをアカウントアイデンティティにマッピングする関数を学ぶことができる。
論文 参考訳(メタデータ) (2021-04-14T00:15:38Z) - Measurement-driven Security Analysis of Imperceptible Impersonation
Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。
皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。
また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文 参考訳(メタデータ) (2020-08-26T19:27:27Z) - Detecting Malicious Accounts in Permissionless Blockchains using
Temporal Graph Properties [4.506782035297339]
ノードとしてアカウントをモデル化し、トランザクションを指向するグラフのエッジとして -- ブロックチェーンのための時間的特性。
これに触発されて、すでに使用されているいくつかのグラフ特性の上にバーストや魅力のような時間的特徴を導入する。
我々はさまざまな機械学習(ML)アルゴリズムを訓練し、どのアカウントが悪意があるかを検出するのに最適なアルゴリズムを識別する。
論文 参考訳(メタデータ) (2020-07-10T05:15:26Z) - Blockchain is Watching You: Profiling and Deanonymizing Ethereum Users [0.0]
擬似識別子に基づくユーザプロファイリング手法を提案し,実装する。
機密トランザクションオーバレイに適用可能な,Danaan-gift攻撃の変種である悪意のあるバリューフィンガープリント攻撃について述べる。
論文 参考訳(メタデータ) (2020-05-28T14:33:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。