Detección de ransomware en blockchains

Autores
Ditz, Yanina; Minetti, Gabriela F.
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El ransomware es un código malicioso que bloquea el acceso a los datos de un dispositivo, exigiendo un rescate para permitir el acceso nuevamente. El rescate suele pagarse en Bitcoin. Según el FBI, a fines de 2015, las víctimas habían pagado US$27 millones en rescates a los atacantes. A partir de este problema, surgen sistemas para la detección de ransomware conocido y desconocido, utilizando el modelo topológico del análisis de datos, y técnicas de minerías de datos como Random Forest (RF), Support Vector Machine (SVM), Regresión logistica, KNN y Análisis Discriminante lineal (LDA), Naive Bayes (NB), árboles de decisión (CART), Bagging (BGC), Ascenso de gradiente (GGC), entre otros. A partir del estudio de estas herrramientas de aprendizaje automático se profundiza en la implementación y análisis de las redes neuronales para aprender a reconocer patrones y comportamientos comunes en las transacciones de Bitcoin.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Blockchain
Bitcoin
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/163244
Acceder
id SEDICI_2f4664c82c986e98a622f829db1ae21a
oai_identifier_str oai:sedici.unlp.edu.ar:10915/163244
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Detección de ransomware en blockchainsDitz, YaninaMinetti, Gabriela F.Ciencias InformáticasBlockchainBitcoinEl ransomware es un código malicioso que bloquea el acceso a los datos de un dispositivo, exigiendo un rescate para permitir el acceso nuevamente. El rescate suele pagarse en Bitcoin. Según el FBI, a fines de 2015, las víctimas habían pagado US$27 millones en rescates a los atacantes. A partir de este problema, surgen sistemas para la detección de ransomware conocido y desconocido, utilizando el modelo topológico del análisis de datos, y técnicas de minerías de datos como Random Forest (RF), Support Vector Machine (SVM), Regresión logistica, KNN y Análisis Discriminante lineal (LDA), Naive Bayes (NB), árboles de decisión (CART), Bagging (BGC), Ascenso de gradiente (GGC), entre otros. A partir del estudio de estas herrramientas de aprendizaje automático se profundiza en la implementación y análisis de las redes neuronales para aprender a reconocer patrones y comportamientos comunes en las transacciones de Bitcoin.Red de Universidades con Carreras en Informática2023-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/163244spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3724-66-4info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-67-1info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/162004info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/161620info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:14:51Zoai:sedici.unlp.edu.ar:10915/163244Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:14:51.784SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Detección de ransomware en blockchains
title Detección de ransomware en blockchains
spellingShingle Detección de ransomware en blockchains
Ditz, Yanina
Ciencias Informáticas
Blockchain
Bitcoin
title_short Detección de ransomware en blockchains
title_full Detección de ransomware en blockchains
title_fullStr Detección de ransomware en blockchains
title_full_unstemmed Detección de ransomware en blockchains
title_sort Detección de ransomware en blockchains
dc.creator.none.fl_str_mv Ditz, Yanina
Minetti, Gabriela F.
author Ditz, Yanina
author_facet Ditz, Yanina
Minetti, Gabriela F.
author_role author
author2 Minetti, Gabriela F.
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Blockchain
Bitcoin
topic Ciencias Informáticas
Blockchain
Bitcoin
dc.description.none.fl_txt_mv El ransomware es un código malicioso que bloquea el acceso a los datos de un dispositivo, exigiendo un rescate para permitir el acceso nuevamente. El rescate suele pagarse en Bitcoin. Según el FBI, a fines de 2015, las víctimas habían pagado US$27 millones en rescates a los atacantes. A partir de este problema, surgen sistemas para la detección de ransomware conocido y desconocido, utilizando el modelo topológico del análisis de datos, y técnicas de minerías de datos como Random Forest (RF), Support Vector Machine (SVM), Regresión logistica, KNN y Análisis Discriminante lineal (LDA), Naive Bayes (NB), árboles de decisión (CART), Bagging (BGC), Ascenso de gradiente (GGC), entre otros. A partir del estudio de estas herrramientas de aprendizaje automático se profundiza en la implementación y análisis de las redes neuronales para aprender a reconocer patrones y comportamientos comunes en las transacciones de Bitcoin.
Red de Universidades con Carreras en Informática
description El ransomware es un código malicioso que bloquea el acceso a los datos de un dispositivo, exigiendo un rescate para permitir el acceso nuevamente. El rescate suele pagarse en Bitcoin. Según el FBI, a fines de 2015, las víctimas habían pagado US$27 millones en rescates a los atacantes. A partir de este problema, surgen sistemas para la detección de ransomware conocido y desconocido, utilizando el modelo topológico del análisis de datos, y técnicas de minerías de datos como Random Forest (RF), Support Vector Machine (SVM), Regresión logistica, KNN y Análisis Discriminante lineal (LDA), Naive Bayes (NB), árboles de decisión (CART), Bagging (BGC), Ascenso de gradiente (GGC), entre otros. A partir del estudio de estas herrramientas de aprendizaje automático se profundiza en la implementación y análisis de las redes neuronales para aprender a reconocer patrones y comportamientos comunes en las transacciones de Bitcoin.
publishDate 2023
dc.date.none.fl_str_mv 2023-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/163244
url http://sedici.unlp.edu.ar/handle/10915/163244
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-66-4
info:eu-repo/semantics/altIdentifier/isbn/978-987-3724-67-1
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/162004
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/161620
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260653401702400
score 13.13397

Publicaciones similares