基于区块链安全的勃索肺检测
摘要
区块链网络是保障数字交易和资产安全的关键，但正日益受到勃索肺攻击的针对，这类攻击利用零日漏洞。传统检测技术由于这些漏洞的复杂性以及缺乏全面数据集而难以应对。UGRansome数据集填补了这一空白，提供了用于分析勃索肺和零日攻击的详细特征，包括时间戳、攻击类型、协议、网络流量以及以比特币（BTC）计量的财务影响。本研究使用Lazy Predict库对UGRansome数据集自动进行机器学习（ML）。本研究旨在通过基于零日漏洞识别的UGRansome数据集，提高区块链安全。Lazy Predict简化了不同ML模型的比较，识别了用于威胁检测的有效算法。关键特征如时间戳、协议和财务数据用于预测零日威胁的异常情况，并将已知签名分类为勃索肺。结果表明，机器学习可以显著提高区块链环境中的网络安全。DecisionTreeClassifier和ExtraTreeClassifier由于其高性能和低训练时间，是部署在实时威胁检测系统中的理想候选人。
关键词
引用
@article{arxiv.2407.16862,
title = {Blockchain security for ransomware detection},
author = {Elodie Ngoie Mutombo and Mike Wa Nkongolo},
journal= {arXiv preprint arXiv:2407.16862},
year = {2024}
}
备注
This manuscript was submitted to the journal TELKOMNIKA (https://www.scopus.com/sourceid/21100256101). Title: "Interpretable machine learning for ransomware detection". Status: Under review. Dataset and code available at Mike Nkongolo Wa Nkongolo (2023). UGRansome dataset. Kaggle. https://www.kaggle.com/dsv/7172543 [Accessed 23 July 2024]. DOI: 10.34740/KAGGLE/DSV/7172543