ترجمه فارسی مقاله اختلالات ساده، تشخیص تراکنش‌های فیشینگ اتریوم را مختل می‌کنند: یک تحلیل تجربی

چکیده

This paper explores the vulnerability of machine learning models, specifically Random Forest, Decision Tree, and K-Nearest Neighbors, to very simple single-feature adversarial attacks in the context of Ethereum fraudulent transaction detection. Through comprehensive experimentation, we investigate the impact of various adversarial attack strategies on model performance metrics, such as accuracy, precision, recall, and F1-score. Our findings, highlighting how prone those techniques are to simple attacks, are alarming, and the inconsistency in the attacks’ effect on different algorithms promises ways for attack mitigation. We examine the effectiveness of different mitigation strategies, including adversarial training and enhanced feature selection, in enhancing model robustness.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی آسیب پذیری مدل های یادگیری ماشین ، به طور خاص جنگل های تصادفی ، درخت تصمیم و همسایگان K-Nearest ، به حملات مخالف یک ویژگی بسیار ساده در زمینه تشخیص معاملات تقلب در اتریوم می پردازیم.از طریق آزمایش جامع ، ما تأثیر استراتژی های مختلف حمله مخالف بر معیارهای عملکرد مدل ، مانند دقت ، دقت ، فراخوان و نمره F1 را بررسی می کنیم.یافته های ما ، با اشاره به اینکه چگونه این تکنیک ها مستعد به حملات ساده هستند ، نگران کننده هستند و عدم تناقض در تأثیر حملات بر الگوریتم های مختلف نوید می دهد که راه هایی برای کاهش حمله باشد.ما اثربخشی استراتژی های مختلف کاهش ، از جمله آموزش مخالف و انتخاب ویژگی های پیشرفته را در تقویت استحکام مدل بررسی می کنیم.