Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain

Autores
Ditz, Yanina; Minetti, Gabriela F.
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Ransomware
Blockchain
Bitcoin
Machine Learning
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:10915/191531
Acceder
id SEDICI_921ef819c85af39d42147c7c84ef0b52
oai_identifier_str oai:sedici.unlp.edu.ar:10915/191531
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchainDitz, YaninaMinetti, Gabriela F.Ciencias InformáticasRansomwareBlockchainBitcoinMachine LearningLa creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad.Red de Universidades con Carreras en Informática2025-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf44-53http://sedici.unlp.edu.ar/handle/10915/191531spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8258-99-7info:eu-repo/semantics/reference/hdl/10915/189846info: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:UNLP2026-03-31T12:41:42Zoai:sedici.unlp.edu.ar:10915/191531Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-03-31 12:41:43.036SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
title Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
spellingShingle Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
Ditz, Yanina
Ciencias Informáticas
Ransomware
Blockchain
Bitcoin
Machine Learning
title_short Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
title_full Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
title_fullStr Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
title_full_unstemmed Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
title_sort Análisis de desempeño de técnicas supervisadas en la detección de ransomware en blockchain
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
Ransomware
Blockchain
Bitcoin
Machine Learning
topic Ciencias Informáticas
Ransomware
Blockchain
Bitcoin
Machine Learning
dc.description.none.fl_txt_mv La creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad.
Red de Universidades con Carreras en Informática
description La creciente digitalización ha convertido la seguridad de la información en una prioridad, especialmente frente al aumento de ciberataques como el ransomware, que pueden causar pérdidas de datos e interrupciones operativas. Las blockchains, en particular la de Bitcoin, son objetivos atractivos por su carácter descentralizado y pseudo-anónimo, lo que dificulta la recuperación de activos. Este trabajo aborda la necesidad de detección temprana de ransomware en blockchains de Bitcoin. Se comparan tres modelos de aprendizaje automático (Regresión Logística, eXtreme Gradient Boosting-XGBoost- y una red neuronal Long Short Term Memory-LSTM-) para clasificar transacciones como legítimas o fraudulentas. La investigación se basa en datos reales de transacciones y emplea técnicas de balanceo para mejorar el rendimiento. Los resultados muestran que XGBoost y LSTM superan a los modelos más simples, evidenciando un mayor potencial para detectar ransomware y fortalecer la ciberseguridad.
publishDate 2025
dc.date.none.fl_str_mv 2025-10
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/10915/191531
url http://sedici.unlp.edu.ar/handle/10915/191531
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8258-99-7
info:eu-repo/semantics/reference/hdl/10915/189846
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
44-53
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_ 1861199752870232064
score 13.332987

Publicaciones similares