Результаты исследований: Вклад в журнал › Статья › Рецензирование
Результаты исследований: Вклад в журнал › Статья › Рецензирование
}
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