A Machine Learning Approach of Predicting Ransomware Addresses in BlockChain Networks
Notice bibliographique
Résumé
Ransomware attacks, particularly those employing cryptocurrencies such as Bitcoin, pose a significant risk to worldwide cybersecurity. The decentralized structure of these networks, coupled with the anonymity they afford, complicates the tracking and cessation of criminal operations. This paper presents an extensive analysis focused on improving ransomware detection utilizing advanced machine learning and deep learning approaches on multiclass ransomware classification. Our investigation employed three principal models: Bidirectional Long Short-Term Memory (BiLSTM), Multi-Layer Perceptron (MLP), and Support Vector Machine (SVM). To address inherent class imbalances and enhance model efficacy, we incorporated advanced techniques, including Topological Data Analysis (TDA), Focal Loss, and Synthetic Data Generation. Topological Data Analysis (TDA) revealed complex data patterns that conventional approaches may overlook, while Focal Loss was integrated to emphasize difficult instances and address class imbalance. Moreover, Generative Adversarial Networks (GANs) produced synthetic data, improving dataset equilibrium and fortifying model training. In multiclass classification, the BiLSTM model emerged as the superior performer, attaining an accuracy of 85.54% and exceeding both MLP and SVM. This underscores the versatility and efficacy of BiLSTM across multiple prediction categories. Our research highlights the essential integration of TDA, GAN, and focal loss to improve feature representation and model resilience in ransomware detection.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».