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

• BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
  BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。 ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
  論文  参考訳（メタデータ） (2024-10-05T05:11:34Z)
• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• Securing Proof of Stake Blockchains: Leveraging Multi-Agent Reinforcement Learning for Detecting and Mitigating Malicious Nodes [0.2982610402087727]
  MRL-PoS+は、PoSブロックチェーンのセキュリティを強化するための新しいコンセンサスアルゴリズムである。 MRL-PoS+は,PoSブロックチェーンの攻撃レジリエンスを著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-07-30T17:18:03Z)
• The Kosmosis Use-Case of Crypto Rug Pull Detection and Prevention [0.0]
  暗号資産不正を防ぐための現在の手法は、ブロックチェーンネットワーク内のトランザクショングラフの分析に基づいている。 我々は、新しいブロックチェーンとソーシャルメディアデータが利用可能になるにつれて、知識グラフを漸進的に構築することを目的としたKosmosisアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-30T07:17:57Z)
• 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)
• MRL-PoS: A Multi-agent Reinforcement Learning based Proof of Stake Consensus Algorithm for Blockchain [0.18641315013048293]
  本稿では,マルチエージェント強化学習に基づくProof-of-StakeコンセンサスアルゴリズムであるMRL-PoSを紹介する。 悪意のあるノードを排除し、正直なノードにインセンティブを与える、報酬と罰則の仕組みが組み込まれている。
  論文  参考訳（メタデータ） (2023-12-14T16:58:18Z)
• 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)
• 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)
• 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)

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。