Approche globale de l'apprentissage automatique basée sur SentinelFusion pour améliorer l'analyse judiciaire numérique

Dans le paysage en évolution rapide de la technologie moderne, la convergence de l'innovation blockchain et des avancées en apprentissage automatique présente des opportunités sans précédent pour améliorer l'analyse judiciaire numérique. Cette étude présente SentinelFusion, un cadre d'apprentissage automatique basé sur un ensemble conçu pour renforcer la confidentialité, la sécurité et l'intégrité des données au sein des systèmes blockchain. En intégrant des propriétés de sécurité blockchain à la pointe de la technologie avec les capacités prédictives de l'apprentissage automatique, SentinelFusion vise à améliorer la détection et la prévention des violations de sécurité et de la manipulation des données. En utilisant un ensemble de données exhaustif basé sur la blockchain de diverses activités criminelles, le cadre exploite plusieurs modèles d'apprentissage automatique, y compris les machines à vecteurs de support, les k-plus proches voisins, le naïve Bayes, la régression logistique et les arbres de décision, ainsi que le nouveau modèle d'ensemble SentinelFusion. Des métriques d'évaluation étendues telles que la précision, le rappel et,