使用随机森林的勒索软件检测与分类：基于 UGRansome2024 数据集的案例研究
密码学与安全
2024-04-22 v1
摘要
网络安全在识别和缓解勒索软件方面面临挑战，这对于保护关键基础设施至关重要。缺乏用于区分正常与异常网络行为的数据集，阻碍了针对勒索软件的主动检测策略的开发。主动预防方法中的一个障碍是缺乏用于对比正常与异常网络行为的综合数据集。能够实现此类对比的数据集将显著加快威胁异常的缓解。在本研究中，我们引入了 UGRansome2024，一个用于网络流量中勒索软件检测的优化数据集。该数据集源自 UGRansome 数据，采用直觉主义特征工程方法，仅考虑网络行为分析中的相关模式。本研究展示了使用 UGRansome2024 数据集和随机森林算法的勒索软件检测分析。通过编码和特征相关性确定，随机森林实现了 96% 的分类准确率，并有效识别了异常的勒索软件交易。研究结果表明，某些勒索软件变种，例如使用加密解密算法（Encrypt Decrypt Algorithms, EDA）的变种和 Globe 勒索软件，具有最高的财务影响。这些见解对现实世界的网络安全实践具有重要意义，突出了机器学习在勒索软件检测和缓解中的重要性。建议进一步研究以扩展数据集，探索替代检测方法，并解决当前方法的局限性。
引用
@article{arxiv.2404.12855,
title = {Ransomware Detection and Classification Using Random Forest: A Case Study with the UGRansome2024 Dataset},
author = {Peace Azugo and Hein Venter and Mike Wa Nkongolo},
journal= {arXiv preprint arXiv:2404.12855},
year = {2024}
}