Використання методів машинного навчання для виявлення атак на блокчейн-системи

Анотація

Предметом дослідження є методи виявлення атак у мережах із консенсусом Proof-of-Stake (PoS). Мета роботи – експериментальне дослідження та аналіз ефективності класичних алгоритмів машинного навчання для виявлення шкідливих вузлів у блокчейн-системах. Задачі: аналіз вразливостей технології блокчейн, створення та використання спеціалізованого набору даних для мереж PoS, а також побудова й тестування моделей машинного навчання. Основна увага приділяється порівнянню трьох алгоритмів – Random Forest, Support Vector Machine та k-Nearest Neighbors – з метою визначення їхньої придатності для моніторингу активності вузлів та виявлення аномалій. Для вирішення поставлених задач застосовано методи: моделювання, емпіричні та математичні методи. Моделювання полягає у програмній реалізації вибраних алгоритмів і подальшому аналізі їхніх результатів із використанням метрик точності, повноти, F1-міри та матриці плутанини. Емпіричні методи реалізовано шляхом тестування моделей на напівсинтетичному датасеті, який містить понад 10000 записів про вузли та транзакції блокчейну. Математичні методи передбачають обчислення статистичних показників ефективності, а також аналіз інформативності ознак, що визначають поведінку вузлів.

Досягнуті результати: було апробовано датасет для блокчейнів PoS, що включає ключові операційні параметри транзакцій і вузлів, сформовано пропозиції щодо подальшого використання моделей машинного навчання, здійснено тестування моделей машинного навчання

Висновки. Доведено, що машинне навчання є ефективним інструментом для ідентифікації аномалій та шкідливої активності у блокчейн-системах. Отримані результати закладають підґрунтя для подальших досліджень, які можуть бути спрямовані на розширення ознакового простору, інтеграцію глибоких нейронних мереж, розробку ансамблевих підходів та адаптацію методів до різних типів блокчейнів.