論文の概要: Identifying malicious accounts in Blockchains using Domain Names and associated temporal properties

• arxiv url: http://arxiv.org/abs/2106.13420v1
• Date: Fri, 25 Jun 2021 04:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-28 23:07:58.951535
• Title: Identifying malicious accounts in Blockchains using Domain Names and associated temporal properties
• Title（参考訳）: ドメイン名と関連する時間的特性を用いたブロックチェーン内の悪意のあるアカウントの識別
• Authors: Rohit Kumar Sachan, Rachit Agarwal, Sandeep Kumar Shukla
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.646526715728388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise in the adoption of blockchain technology has led to increased illegal activities by cyber-criminals costing billions of dollars. Many machine learning algorithms are applied to detect such illegal behavior. These algorithms are often trained on the transaction behavior and, in some cases, trained on the vulnerabilities that exist in the system. In our approach, we study the feasibility of using metadata such as Domain Name (DN) associated with the account in the blockchain and identify whether an account should be tagged malicious or not. Here, we leverage the temporal aspects attached to the DNs. Our results identify 144930 DNs that show malicious behavior, and out of these, 54114 DNs show persistent malicious behavior over time. Nonetheless, none of these identified malicious DNs were reported in new officially tagged malicious blockchain DNs.
• Abstract（参考訳）: ブロックチェーン技術の普及は、サイバー犯罪者による違法行為の増加につながり、何十億ドルもの費用がかかっている。 このような不正行為を検出するために、多くの機械学習アルゴリズムが適用される。 これらのアルゴリズムは、しばしばトランザクションの振る舞いに基づいて訓練され、場合によっては、システムに存在する脆弱性について訓練される。 このアプローチでは、ブロックチェーン内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で、アカウントに悪意のあるタグ付けをすべきかどうかを判定する。 ここでは、DNに付随する時間的側面を活用する。 その結果,144930個のDNを同定し,そのうち54114個のDNは時間とともに永続的な悪意を示すことがわかった。 それにもかかわらず、新たにタグ付けされた悪意のあるブロックチェーンDNには、これらの悪意のあるDNが報告されていない。

関連論文リスト

• Blockchain security for ransomware detection [0.0]
  本研究では、Lazy Predictライブラリを使用して、UGRansomeデータセット上の機械学習(ML)を自動化する。 タイムスタンプ、プロトコル、財務データなどの重要な機能は、ゼロデイ脅威として異常を予測するために使用される。 その結果、MLはブロックチェーン環境でのサイバーセキュリティを大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-23T22:04:41Z)
• Online Corrupted User Detection and Regret Minimization [49.536254494829436]
  現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。 乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。 我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
  論文  参考訳（メタデータ） (2023-10-07T10:20:26Z)
• Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs [16.25273745598176]
  暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
  論文  参考訳（メタデータ） (2023-09-04T09:01:56Z)
• 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)
• DNS based In-Browser Cryptojacking Detection [3.073023169349087]
  暗号ジャッキングに関わるDNの時間的・行動的側面について検討する。 機械学習(ML)アルゴリズムを時間的に異なる粒度でトレーニングするためにそれらを使用します。 類似性分析により、暗号化されたDNと、すでに知られている他の悪意のあるDNとの間には、最小限のばらつきが明らかになる。
  論文  参考訳（メタデータ） (2022-05-10T05:40:17Z)
• Detecting Malicious Accounts showing Adversarial Behavior in Permissionless Blockchains [4.506782035297339]
  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。
  論文  参考訳（メタデータ） (2021-01-28T10:33:50Z)
• Deep Serial Number: Computational Watermarking for DNN Intellectual Property Protection [53.40245698216239]
  DSN(Deep Serial Number)はディープニューラルネットワーク(DNN)に特化した透かしアルゴリズムである。 従来のソフトウェアIPの保護においてシリアル番号に着想を得て,DNNに埋め込まれたシリアル番号の最初の実装を提案する。
  論文  参考訳（メタデータ） (2020-11-17T21:42:40Z)
• Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters [78.53851936180348]
  近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。 既存のGNNはこれらの2つのカモフラージュに対処していない。 カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:12Z)
• 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)
• Defending against Backdoor Attack on Deep Neural Networks [98.45955746226106]
  トレーニングデータの一部にバックドアトリガーを注入する、いわゆるテキストバックドア攻撃について検討する。 実験の結果,本手法は攻撃成功率を効果的に低減し,クリーン画像の分類精度も高いことがわかった。
  論文  参考訳（メタデータ） (2020-02-26T02:03:00Z)

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。