基于自主神经图嵌入的去中心化熵驱动勃索森 ransomware 检测
密码学与安全
2025-03-27 v2
摘要
网络威胁日益复杂，迫切需要开发能够以高精度和高效识别和缓解勃索森（ransomware）攻击的先进检测机制。本文引入一种新型框架，称为去中心化熵驱动检测（Decentralized Entropy-Driven Detection，DED），利用自主神经图嵌入和熵基准异常评分来解决传统方法的局限性。该框架 operates on 分布式节点网络，消除单点故障，提高抗针对性攻击的韧性。实验结果表明，其检测准确率可超过 95%，误报率保持在 2% 以下，适用于各种勃索森变种。通过集成基于图的建模和机器学习技术，该框架能够捕捉复杂的系统交互，识别勃索森活动的微妙异常。与现有方法的比较分析凸显了其在检测率和计算效率方面的优势。案例研究进一步验证了其在实际场景中的有效性，展示了其在攻击启动后数分钟内检测并缓解勃索森攻击的能力。该框架代表了网络安全领域的重要进步，为应对日益增长的勃索森检测挑战提供了可扩展且自适应的解决方案。
引用
@article{arxiv.2502.07498,
title = {Decentralized Entropy-Driven Ransomware Detection Using Autonomous Neural Graph Embeddings},
author = {Ekaterina Starchenko and Hugo Bellinghamshire and David Pickering and Tristan Weatherspoon and Nathaniel Berkhamstead and Elizabeth Green and Magnus Rothschild},
journal= {arXiv preprint arXiv:2502.07498},
year = {2025}
}
备注
arXiv admin note: This paper has been withdrawn by arXiv due to disputed and unverifiable authorship