Standard

ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ. / Андреев, Александр Михайлович; Поршнев, Сергей Владимирович.
в: Вестник УрФО. Безопасность в информационной сфере, № 2 (48), 2023, стр. 30-41.

Результаты исследований: Вклад в журнал › Статья › Рецензирование

Harvard

Андреев, АМ & Поршнев, СВ 2023, 'ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ', Вестник УрФО. Безопасность в информационной сфере, № 2 (48), стр. 30-41. https://doi.org/10.14529/secur230202

APA

Андреев, А. М., & Поршнев, С. В. (2023). ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ. Вестник УрФО. Безопасность в информационной сфере, (2 (48)), 30-41. https://doi.org/10.14529/secur230202

Vancouver

Андреев АМ, Поршнев СВ. ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ. Вестник УрФО. Безопасность в информационной сфере. 2023;(2 (48)):30-41. doi: 10.14529/secur230202

Author

Андреев, Александр Михайлович ; Поршнев, Сергей Владимирович. / ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ. в: Вестник УрФО. Безопасность в информационной сфере. 2023 ; № 2 (48). стр. 30-41.

BibTeX

@article{b337b7833eba4d31ae4a79cdef5c3ec4,
title = "ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ",
abstract = "В статье обсуждается методика построения бинарного классификатора для выявления криптокошельков, связанных с программами-вымогателями. Был создан датасет из 41698 адресов, из них 20849 адресов, связанных с программами-вымогателями и 20849 адресов, несвязанных с программами вымогателями. Для каждого из кошельков было выделено 53 признака. Для построения классификаторов использовались следующие алгоритмы: логистическая регрессия, k-ближайших соседей, деревья принятия решений, случайный лес, градиентный бустинг. Был осуществлен подбор гиперпараметров классификаторов. Для оценки качества классификаторов использовались метрики: accuracy, precision, recall, F1, ROC-AUC и кривые ROC. По метрикам accuracy (95.54%), precision (92.40%), F1 (94.24%) лучший результат показал градиентный бустинг, по метрике recall (99.15%) - логистическая регрессия, по метрике ROC-AUC (98.85%) - случайный лес. По кривым ROC - случайный лес и градиентный бустинг.",
author = "Андреев, {Александр Михайлович} and Поршнев, {Сергей Владимирович}",
year = "2023",
doi = "10.14529/secur230202",
language = "Русский",
pages = "30--41",
journal = "Вестник УрФО. Безопасность в информационной сфере",
issn = "2225-5435",
publisher = "Общество с ограниченной ответственностью {"}Южно-Уральский юридический вестник{"}",
number = "2 (48)",

}

RIS

TY - JOUR

T1 - ОПЫТ РАЗРАБОТКИ ПРОГРАММНОЙ РЕАЛИЗАЦИИ КЛАССИФИКАТОРА ДЛЯ АВТОМАТИЗАЦИИ ОБНАРУЖЕНИЯ ФАКТОВ ИСПОЛЬЗОВАНИЯ КРИПТОКОШЕЛЬКОВ В ПРОТИВОПРАВНОЙ ДЕЯТЕЛЬНОСТИ

AU - Андреев, Александр Михайлович

AU - Поршнев, Сергей Владимирович

PY - 2023

Y1 - 2023

N2 - В статье обсуждается методика построения бинарного классификатора для выявления криптокошельков, связанных с программами-вымогателями. Был создан датасет из 41698 адресов, из них 20849 адресов, связанных с программами-вымогателями и 20849 адресов, несвязанных с программами вымогателями. Для каждого из кошельков было выделено 53 признака. Для построения классификаторов использовались следующие алгоритмы: логистическая регрессия, k-ближайших соседей, деревья принятия решений, случайный лес, градиентный бустинг. Был осуществлен подбор гиперпараметров классификаторов. Для оценки качества классификаторов использовались метрики: accuracy, precision, recall, F1, ROC-AUC и кривые ROC. По метрикам accuracy (95.54%), precision (92.40%), F1 (94.24%) лучший результат показал градиентный бустинг, по метрике recall (99.15%) - логистическая регрессия, по метрике ROC-AUC (98.85%) - случайный лес. По кривым ROC - случайный лес и градиентный бустинг.

AB - В статье обсуждается методика построения бинарного классификатора для выявления криптокошельков, связанных с программами-вымогателями. Был создан датасет из 41698 адресов, из них 20849 адресов, связанных с программами-вымогателями и 20849 адресов, несвязанных с программами вымогателями. Для каждого из кошельков было выделено 53 признака. Для построения классификаторов использовались следующие алгоритмы: логистическая регрессия, k-ближайших соседей, деревья принятия решений, случайный лес, градиентный бустинг. Был осуществлен подбор гиперпараметров классификаторов. Для оценки качества классификаторов использовались метрики: accuracy, precision, recall, F1, ROC-AUC и кривые ROC. По метрикам accuracy (95.54%), precision (92.40%), F1 (94.24%) лучший результат показал градиентный бустинг, по метрике recall (99.15%) - логистическая регрессия, по метрике ROC-AUC (98.85%) - случайный лес. По кривым ROC - случайный лес и градиентный бустинг.

UR - https://elibrary.ru/item.asp?id=54141579

U2 - 10.14529/secur230202

DO - 10.14529/secur230202

M3 - Статья

SP - 30

EP - 41

JO - Вестник УрФО. Безопасность в информационной сфере

JF - Вестник УрФО. Безопасность в информационной сфере

SN - 2225-5435

IS - 2 (48)

ER -

ID: 42051194