CINN-UTLC: A Computationally Intelligent Neural Network-Based Unsupervised Transfer Learning Algorithm for Ransomware Detection
Notice bibliographique
Résumé
The relentless evolution of ransomware demands detection frameworks that adapt to novel variants and minimize reliance on labelled data.Existing methods often suffer from distribution shifts, limited generalizability, and opaque decision-making.This study introduces CINN-UTLC, a computationally intelligent neural network-based unsupervised transfer learning algorithm that integrates domain adaptation, hybrid feature extraction, and explainable clustering for ransomware detection.By combining Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) models, CINN-UTLC captures static features (e.g., file entropy, headers) and dynamic behaviours (e.g., API call sequences) while aligning source (benign) and target (unlabelled) domains via Geometric Alignment Clustering (GAC).The framework employs SHapley Additive exPlanations (SHAP) and Local Interpretable Model-Agnostic Explanations (LIME) to interpret feature contributions, ensuring transparency in clustering decisions.CINN-UTLC achieves a 98% detection rate, 2.5% false positive rate, and AUC of 0.94, outperforming benchmarks like UNVEIL (AUC=0.78)and deep learning methods (AUC=0.73).Clustering metrics (Silhouette Score: 0.80-0.86;Adjusted Rand Index: 0.87-0.93)confirm robust separation of ransomware families, including zero-day variants.The algorithm's unsupervised transfer learning capability enables detection of unknown ransomware through behavioural anomalies, even without labelled target data.By addressing domain shifts, reducing false positives, and offering explainable insights, CINN-UTLC sets a new standard for adaptive cybersecurity frameworks, bridging critical gaps in ransomware resilience and proactive threat mitigation.
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 ».