Classification des ransomwares basée sur l'apprentissage automatique des transactions Bitcoin

Les attaques de ransomware sont l'un des crimes les plus dangereux liés au marché des crypto-monnaies. Pour augmenter le défi de la lutte contre les attaques, une détection précoce des ransomwares semble nécessaire. Dans cet article, nous proposons un système prédictif de transactions Bitcoin à haute performance qui examine les transactions de paiement Bitcoin pour apprendre des schémas de données permettant de reconnaître et de classer les paiements de ransomwares pour des réseaux bitcoin hétérogènes en transactions malveillantes ou bénignes. L'approche proposée utilise trois méthodes d'apprentissage automatique supervisé pour apprendre les motifs distinctifs dans les transactions de paiement Bitcoin, à savoir, la régression logistique (LR), la forêt aléatoire (RF) et le Boosting par Gradient Extrême (XGBoost). Nous évaluons ces modèles prédictifs basés sur l'apprentissage automatique sur le jeu de données de ransomwares BitcoinHeist en termes de précision de classification et d'autres measures d'évaluation telles que la matrice de confusion, le rappel et le score F1. Il s'est avéré que les résultats expérimentaux enregistrés par le modèle XGBoost ont atteint une précision de 99,08%. En conséquence, la précision du modèle résultant est supérieure à celle de nombreux modèles à la pointe de la technologie récemment développés pour détecter les paiements de ransomwares dans les transactions Bitcoin.