预测区块链网络中网络攻击的整体性与主动式机器学习方法

《Scientific Reports》：Holistic and proactive machine learning approaches to predict cyberattacks in blockchain networks

　　

摘要

本文提出了一种全面且主动的机器学习框架，用于预测区块链网络中的网络攻击。该研究采用霍克斯过程作为自激点过程模型，以生成能够捕捉聚集和传染效应的真实攻击事件序列。通过将区块链治理博弈与机器学习技术相结合，提出了一种创新的防御架构。开发了一种基于 ResNet 的攻击预测器，以在攻击者超过 51% 阈值之前准确估计释放预留诚实节点的最佳时机。战略决策引擎将这些预测映射到三种运行模式，从而实现智能实时资源分配和动态网络规模调整。该框架在保持运营连续性的同时，有效降低了安全风险。所有源代码和数据集均已公开，以支持机器学习赋能的区块链安全领域的可复现性和未来研究。