論文の概要: Blockchain security for ransomware detection

• arxiv url: http://arxiv.org/abs/2407.16862v1
• Date: Tue, 23 Jul 2024 22:04:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 15:22:45.463067
• Title: Blockchain security for ransomware detection
• Title（参考訳）: ランサムウェア検出のためのブロックチェーンセキュリティ
• Authors: Elodie Ngoie Mutombo, Mike Wa Nkongolo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blockchain networks are critical for safeguarding digital transactions and assets, but they are increasingly targeted by ransomware attacks exploiting zero-day vulnerabilities. Traditional detection techniques struggle due to the complexity of these exploits and the lack of comprehensive datasets. The UGRansome dataset addresses this gap by offering detailed features for analysing ransomware and zero-day attacks, including timestamps, attack types, protocols, network flows, and financial impacts in bitcoins (BTC). This study uses the Lazy Predict library to automate machine learning (ML) on the UGRansome dataset. The study aims to enhance blockchain security through ransomware detection based on zero-day exploit recognition using the UGRansome dataset. Lazy Predict streamlines different ML model comparisons and identifies effective algorithms for threat detection. Key features such as timestamps, protocols, and financial data are used to predict anomalies as zero-day threats and to classify known signatures as ransomware. Results demonstrate that ML can significantly improve cybersecurity in blockchain environments. The DecisionTreeClassifier and ExtraTreeClassifier, with their high performance and low training times, are ideal candidates for deployment in real-time threat detection systems.
• Abstract（参考訳）: ブロックチェーンネットワークは、デジタルトランザクションや資産を保護するために重要であるが、ゼロデイ脆弱性を悪用するランサムウェア攻撃がますますターゲットになっている。 従来の検出技術は、これらのエクスプロイトの複雑さと包括的なデータセットの欠如のために苦労している。 UGRansomeデータセットは、タイムスタンプ、アタックタイプ、プロトコル、ネットワークフロー、bitcoin(BTC)の財務的影響など、ランサムウェアとゼロデイアタックを分析するための詳細な機能を提供することで、このギャップに対処する。 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。 この研究は、UGRansomeデータセットを使用したゼロデイエクスプロイト認識に基づいてランサムウェア検出を通じてブロックチェーンセキュリティを強化することを目的としている。 Lazy Predictは、さまざまなMLモデルの比較を合理化し、脅威検出に有効なアルゴリズムを特定する。 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、異常をゼロデイ脅威として予測し、既知のシグネチャをランサムウェアとして分類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。 DecisionTreeClassifierとExtraTreeClassifierは、高いパフォーマンスと低いトレーニング時間を持ち、リアルタイム脅威検出システムにおけるデプロイメントの理想的な候補である。

関連論文リスト

• Understanding crypter-as-a-service in a popular underground marketplace [51.328567400947435]
  Cryptersは、ターゲットバイナリを変換することで、アンチウイルス(AV)アプリケーションからの検出を回避できるソフトウェアの一部です。 シークレット・アズ・ア・サービスモデルは,検出機構の高度化に対応して人気を博している。 本論文は,シークレット・アズ・ア・サービスに特化したオンライン地下市場に関する最初の研究である。
  論文  参考訳（メタデータ） (2024-05-20T08:35:39Z)
• Ransomware Detection and Classification Using Random Forest: A Case Study with the UGRansome2024 Dataset [0.0]
  ネットワークトラフィックにおけるランサムウェア検出のための最適化データセットであるUGRansome2024を紹介する。 このデータセットは直観主義的特徴工学アプローチを用いてUGRansomeデータから導かれる。 本研究では,UGRansome2024データセットとランダムフォレストアルゴリズムを用いてランサムウェア検出を行う。
  論文  参考訳（メタデータ） (2024-04-19T12:50:03Z)
• Ransomware threat mitigation through network traffic analysis and machine learning techniques [0.0]
  本稿では,コンピュータネットワークにおけるランサムウェアの認識と識別方法に焦点を当てる。 このアプローチは、機械学習アルゴリズムの使用と、ネットワークトラフィックのパターンの分析に依存する。 本手法の実装により,ネットワークトラフィックに基づいて,機械学習アルゴリズムが効果的にランサムウェアを特定できることが示唆された。
  論文  参考訳（メタデータ） (2024-01-27T03:55:28Z)
• The Adversarial Implications of Variable-Time Inference [47.44631666803983]
  本稿では,攻撃対象のMLモデルの予測を後処理するアルゴリズムの実行時間を簡単に計測する,新たなサイドチャネルを利用するアプローチを提案する。 我々は,物体検出装置の動作において重要な役割を果たす非最大抑圧(NMS)アルゴリズムからの漏れを調査する。 我々は、YOLOv3検出器に対する攻撃を実演し、タイミングリークを利用して、逆例を用いてオブジェクト検出を回避し、データセット推論を行う。
  論文  参考訳（メタデータ） (2023-09-05T11:53:17Z)
• Securing Blockchain Systems: A Novel Collaborative Learning Framework to Detect Attacks in Transactions and Smart Contracts [26.85360925398753]
  本稿では、ブロックチェーントランザクションとスマートコントラクトの攻撃を検出するために設計された、新しい協調学習フレームワークを提案する。 当社のフレームワークは,マシンコードレベルでの複雑な攻撃を含む,さまざまな種類のブロックチェーン攻撃を分類する機能を示している。 我々のフレームワークは、広範囲なシミュレーションや、毎秒2150トランザクションを超えるスループットでリアルタイムな実験を通じて、約94%の精度で検出できる。
  論文  参考訳（メタデータ） (2023-08-30T07:17:20Z)
• 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)
• Detecting Anomalous Cryptocurrency Transactions: an AML/CFT Application of Machine Learning-based Forensics [5.617291981476445]
  本論文は,さまざまな手法を用いて,有向グラフネットワークとして表現されるBitcoinトランザクションの現実的なデータセットを解析する。 これは、Graph Convolutional Networks(GCN)とGraph Attention Networks(GAT)として知られるニューラルネットワークタイプが、有望なAML/CFTソリューションであることを示している。
  論文  参考訳（メタデータ） (2022-06-07T16:22:55Z)
• Zero Day Threat Detection Using Graph and Flow Based Security Telemetry [3.3029515721630855]
  Zero Day Threats (ZDT) は、悪意あるアクターが情報技術(IT)ネットワークやインフラを攻撃・利用するための新しい手法である。 本稿では,ゼロデイ脅威検出に対するディープラーニングに基づくアプローチを導入し,リアルタイムに脅威を一般化し,スケールし,効果的に識別する。
  論文  参考訳（メタデータ） (2022-05-04T19:30:48Z)
• ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning [80.85273827468063]
  既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。 スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。 ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
  論文  参考訳（メタデータ） (2021-03-23T15:04:44Z)
• TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
  本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。 我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
  論文  参考訳（メタデータ） (2021-03-10T19:03:38Z)
• Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
  攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。 マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。 我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:27:44Z)

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。