MétaCan
Menu
Retour à la cohorte
Enregistrement W2906823382 · doi:10.1109/isi.2018.8587322

Putting all eggs in a single basket: A cross-community analysis of 12 hacking forums

2018· article· en· W2906823382 sur OpenAlexaff
Richard Frank, Myfanwy Thomson, Alexander Mikhaylov, Andrew J. Park

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCybercrime and Law Enforcement Studies
Établissements canadiensThompson Rivers UniversitySimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésHackerCommitIdentity theftInternet privacyMalwareComputer securityLaw enforcementComputer scienceIdentity (music)Credit cardBusinessOnline communityPublic relationsWorld Wide WebPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Hackers have established large online communities in the form of online discussion forums. These forums help hackers with their goals: to hack, commit credit card/identity fraud or theft, launder money, and carry out digital attacks on physical infrastructure. There is need from security organizations and law enforcement to monitor these activities to identify individuals of interest, emerging threats and malware, and develop effective disruption strategies. However, as studies have consistently shown that as these communities are disrupted, new ones emerge. This might lead users of these forums to not put all their eggs in a single forum but rather diversify their efforts across multiple forums, in which case the removal of a forum will not create a lot of damage to the overall larger community. This is where the literature falls short, there is a dearth of knowledge about how hackers behave across forums, whether they do diversify. This paper aims to add to this knowledge by studying hacker activity across 12 online discussion forums, and identifying users who might not be relevant in a single forum, but are key across the larger community. This would allow for the targeting of specific users and the disruption of the flow of information across the larger community.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,187
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,065
Tête enseignante GPT0,347
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCybercrime and Law Enforcement StudiesTravaux en français237 207