I nte rna t io na l J o urna l o f   I nfo rm a t ics a nd   Co m m un ica t io n T ec hn o lo g y   ( I J - I CT )   Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 ,   p p .   1 0 8 5 ~ 1 0 9 4   I SS N:  2252 - 8 7 7 6 ,  DOI :  1 0 . 1 1 5 9 1 /iji ct . v 1 4 i 3 . pp 1 0 8 5 - 1 094           1085       J o ur na l ho m ep a g e :  h ttp : //ij ict. ia esco r e. co m   A  surv ey  on ra ns o mwa re  dete ction  using  AI mo dels       G o t et i Ba drina t h,  Arpit a   G up t a   D e p a r t me n t   o f   C o mp u t e r   S c i e n c e   a n d   En g i n e e r i n g ,   K L   D e e m e d   t o   b e   U n i v e r si t y ,   K o n e r u   L a k s h m a i a h   Ed u c a t i o n   F o u n d a t i o n ,   H y d e r a b a d ,   I n d i a       Art icle  I nfo     AB S T RAC T   A r ticle  his to r y:   R ec eiv ed   Oct  1 7 ,   2 0 2 4   R ev is ed   J u n   1 7 ,   2 0 2 5   Acc ep ted   J u l 1 ,   2 0 2 5       Da ta  c e n ters   a n d   c lo u d   e n v iro n m e n ts  a re   c o m p ro m ise d   a s  th e y   a r e   a t  g re a t   risk   fro m   ra n s o m wa re   a tt a c k s,  wh ich   a tt a c k   d a ta  i n teg ri ty   a n d   se c u rit y .   Th ro u g h   t h is   su rv e y ,   we   e x p lo re   h o w  AI,   e sp e c ially   m a c h in e   lea rn in g   a n d   d e e p   lea rn in g   (DL) ,   is  b e in g   u se d   t o   imp r o v e   ra n so m wa re   d e tec ti o n   c a p a b il it ies .   It  c las sifies   ra n so m wa re   ty p e s,  h ig h li g h ts  a c ti v e   g ro u p s  su c h   a s   Ak ira,  a n d   e v a l u a tes   n e w  DL  tec h n i q u e s  e ffe c ti v e   a t  re a l - ti m e   d a ta  a n a ly sis  a n d   e n c r y p ti o n   h a n d li n g .   F e a tu re   e x trac ti o n ,   se lec ti o n   m e th o d s,  a n d   e ss e n ti a l   p a ra m e ters   fo r  e ffe c ti v e   d e tec ti o n ,   i n c lu d in g   a c c u ra c y ,   p re c isi o n ,   re c a ll ,     F1 - sc o re   a n d   r e c e iv e r  o p e ra ti n g   c h a ra c teristic  ( ROC )   c u rv e ,   a re   i d e n ti fied .   Th e   fi n d i n g s  p o in t   to   th e   sta te  o f   th e   a rt   a n d   th e   sta te  o f   th e   a rt   in   AI  b a se d   ra n so m wa re   d e tec ti o n   a n d   u n d e r sc o re   th e   n e e d   f o r  ro b u st ,   re a l - ti m e   m o d e ls  a n d   c o ll a b o ra ti v e   re se a rc h .   Th e   sta ti stica l  a n d   g ra p h ica l  a n a ly se s  h e lp   re se a rc h e rs  a n d   p ra c ti ti o n e rs  u n d e rsta n d   e x ist in g   tren d s  a n d   d ir e c ti o n s  fo r   fu tu re   d e v e lo p m e n t   o f   e fficie n t  r a n so m wa re   d e tec ti o n   sy ste m s  to   stre n g th e n   c y b e rse c u rit y   i n   d a ta ce n ters   a n d   c lo u d   in fra str u c tu re s.   K ey w o r d s :   Ar tific ial  in tellig en ce   C lo u d   s ec u r ity   Dee p   lear n in g   E n cr y p tio n   Ma ch i n e  lear n in g   R an s o m war e   R ea l - tim e  d etec tio n   T h is i s  a n   o p e n   a c c e ss   a rticle   u n d e r th e   CC B Y - SA   li c e n se .     C o r r e s p o nd ing   A uth o r :   Go teti Bad r in ath   Dep ar tm en t o f   C o m p u ter   Scie n ce   an d   E n g in ee r in g ,   KL   Dee m ed   to   b e   Un iv er s ity   Ko n er u   L a k s h m aiah   E d u ca tio n   Fo u n d atio n   Hy d er ab ad ,   T elan g a n a,   I n d ia   E m ail: b ad r in ath . g o teti@ g m ail. co m       1.   I NT RO D UCT I O N   R an s o m war e  attac k s   h av e  b ec o m e  a  m ajo r   an d   g r o win g   th r ea t  in   th e  wo r ld   o f   cy b er s ec u r ity :  p er s o n al  an d   c o r p o r ate  d ata  a r e  b ein g   tar g ete d   m o r e  a n d   m o r e  f r eq u en tly   an d   m o r e  a n d   m o r e  s o p h is ticated .   T h e  attac k ed   s o f twar e  is   d ep l o y ed   in   th e  v ictim ’ s   co m p u te r ,   an d   it  in f iltra tes  th e  s y s tem   an d   e n cr y p ts   th e   n ec ess ar y   d ata  s o   t h at  th e  v i ct im   ca n n o t   ac ce s s   it  u n less   a  r an s o m   is   p aid   [ 1 ] .   Of ten ,   th e  d ata  en cr y p ted   is   o f   s en s itiv e  p er s o n al  n atu r e ,   f il es  im p o r tan t  to   th e  b u s in ess .   I t  is   o f ten   d em an d ed   in   cr y p to cu r r en cies  lik e  B itco in ,   wh ich   m ak es  it  h ar d   to   tr ac e  th e  tr an s ac tio n s   [ 2 ] .   R an s o m w ar e  attac k s   h av e  s e r io u s   an d   m u ltip le   co n s eq u en ce s .   T h ese  r an s o m   p ay m en ts   co s t  v ictim s   h u g e  am o u n ts   o f   m o n e y ,   as  d o   th e  co s ts   o f   d o wn tim e    an d   r ec o v er y   ef f o r ts .   Fu r th er m o r e,   o p er atio n al  d is r u p tio n s   ca n   b e  v er y   b r o a d ,   esp ec ially   f o r   o r g an izatio n s     th at  d ep e n d   o n   co n tin u o u s   ac ce s s   to   th eir   d ata.   T h at  ca n   r e s u lt  in   b u s in ess   o p er atio n s   b e in g   s talled ,   lo s s   o f   p r o d u ctiv ity   an d   m is s ed   o p p o r tu n ities .   Ad d itio n ally ,   it  is   p o s s ib le  th at  a  r an s o m war e  attac k   ca n   d o   a   lo t  o f   r ep u tatio n al   d am ag e   to   an   o r g an izatio n ,   er o d in g   cu s to m e r   tr u s t  an d   d am ag in g   a n   o r g an izatio n ’ s   b r an d     im ag e  [ 3 ] .   R an s o m war e  attac k s   ar e  r is i n g   h an d   in   h an d   with   th e  g r o win g   n ee d   f o r   d ata  ce n ter s   an d   clo u d   s er v ices.  Data   ce n ter s   a r e  a   cr itical  p ar t  o f   th e   in f r astru ctu r e - h o u s in g   lar g e   am o u n ts   o f   d at a  an d   b ein g   c r itical  to   th e  f u n ctio n in g   o f   b u s in ess es  an d   g o v er n m e n ts .   W ith   m o d er n   I T   s tr ateg ies,  s ca lab le  an d   o n   d em an d   ac ce s s   to   co m p u tin g   r eso u r ce s   is   an   in teg r al  p ar t  o f   clo u d   en v ir o n m en ts   [ 4 ] .   T h ese  en v ir o n m en ts   s to r e  h ig h   v alu e  d ata  in   a  ce n tr alize d   m an n e r   a n d   ar e  th e r ef o r e   attr ac tiv e  tar g ets  f o r   cy b er   cr im in als.  R an s o m war e  attac k s   o n   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,  Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 :   1 0 8 5 - 1 0 9 4   1086   d ata  ce n ter s   an d   clo u d   s er v ice s   ca n   b e  v er y   s u cc ess f u l  an d   c r ip p le  an   en tire   o r g a n izatio n ,   wh ich   m ak es  th ese  v er y   im p o r ta n t  s er v ices  r eq u ir e  r o b u s t  s ec u r ity .   R an s o m war e  attac k s   h a v e  p r o g r ess ed   to   b e  o n e  o f   t h e  m o s t  co m m o n   an d   d an g e r o u s   ty p e  o f   cy b e r cr im e  s in ce   it  b e g an .   Of   co u r s e,   th e  s im p lest   o f   r an s o m s   wer e  th e  AI DS  T r o jan   th at  u s ed   s y m m etr ic  en cr y p tio n   t o   lo ck   f iles   an d   d em an d   a  r an s o m   f o r   p r o v id in g   th e  k ey   to   u n lo ck   b u t   it s   s im p lici ty   m ad e  its   d ec r y p tio n   p o s s ib le  o n ce   th e  k ey   was  f o u n d .   R an s o m war e  h as  b ec o m e  m o r e   s o p h is ticated   o v er   th e  y ea r s ,   u s in g   in cr ea s in g ly   s tr o n g er   m eth o d s   u s ed   to   en cr y p t  d ata  th at  r is k s   b ein g   v ir tu ally   u n r u le d   b y   th o s e  w ith o u t  th e   r ig h t  k e y .   W ith   th e  em er g en ce   o f   cr y p to cu r r e n cies  lik e  B itco in ,   attac k er s   h av e  ev en   m o r e  r e aso n   to   attac k ,   as  u n tr ac ea b l e  p ay m en ts   ar e  f ac ilit ated .   R an s o m war e  ca n   b e  ca teg o r ized   i n to   th r ee   m ain   t y p es:  lo ck er   r an s o m war e ,   s ca r ewa r e  an d   cr y p to   r an s o m war e.   Scar ewa r e  tak es  ad v an ta g e  o f   p s y c h o lo g ical  m an ip u latio n ,   p r esen tin g   f ak e  war n in g s   th at  th e  s y s tem   is   in f ec ted ,   o r   th at  s o m e  o th er   p r o b lem   e x is ts ,   an d   th en   f o r cin g   u s er s   to   p ay   f o r   u n n e c ess ar y   s o f twar e,   u s u ally   with o u t e n cr y p tin g   f iles .   L o ck er   r an s o m war e   lo ck s   v ictim   o u t   o f   th eir   d ev ice,   r en d e r i n g   f iles   o r   a p p licatio n   i n ac ce s s ib le  u n til  a  r an s o m   is   p aid ,   r esu ltin g   in   m ajo r   d is r u p tio n   to   p er s o n al  an d   b u s in ess   o p er atio n s   [ 5 ] .   On e  o f   th e  m o s t d am ag in g   ty p es   o f   cr y p t o   r an s o m war e  en c r y p t s   cr itical  f ile s   o r   an   en tire   s y s t em ,   ty p ically   i n   ex ch a n g e  f o r   a  r an s o m ,   o f ten   in   a   cr y p to cu r r en c y   s u ch   as  B itco in .   Stro n g   en cr y p tio n   m eth o d s   m ak e  it  v er y   co s tly   to   tu r n   o f f ,   with   th e  co s t   ac cr u in g   to   th e  ex ten t   th at  b u s in ess es n ee d   to   k ee p   d ata  a v ailab le  at  all  tim es.   “ T h e  p r im a r y   o b jectiv e  o f   th is   p ap er   is   to   co n d u ct   a  co m p r e h en s iv e  liter atu r e  s u r v ey   o n   r a n s o m war e  attac k s ,   with   a  s p ec if ic  em p h a s is   o n   s er v er s   r u n n i n g   in   d ata  ce n ter s   an d   clo u d   en v ir o n m en ts .   −   Pro v id e  a  h is to r ical  o v er v iew  an d   d is cu s s   th e  in cr ea s in g   co m p lex ity   o f   r an s o m wa r e  attac k s ,   f o cu s in g   o n   d ata  ce n ter s   an d   cl o u d   e n v ir o n m en ts .   −   I n v esti g ate  h o w  AI ,   s p ec if ically   m ac h in e  lear n in g   ( ML )   an d   d ee p   lear n i n g   ( DL ) ,   h as  tr an s f o r m ed   r an s o m war e  d etec tio n   co m p a r ed   to   tr ad itio n al  m eth o d s .   −   C o m p ar e  th e  ef f ec tiv en ess   o f   ML   an d   DL   tech n iq u es  in   r an s o m war e   d etec tio n ,   h ig h lig h ti n g   k ey   m o d els  an d   th eir   p er f o r m an ce .   −   E x p lo r e   r ec en t   ad v a n ce m en ts   an d   b r ea k th r o u g h s   in   DL   tech n iq u es  f o r   r a n s o m war e  d etec tio n ,   em p h asizin g   r ea l - tim e  a n aly s is   an d   en cr y p tio n   a d d r ess in g .   −   C las s if y   v ar io u s   r an s o m wa r e  g r o u p s   an d   an al y ze   h ig h ly   ac ti v e  v ar ian ts   lik e  Ak ir a.   T h e  liter atu r e  r ev iew  aim s   t o   p r o v id e  an   in - d ep t h   an aly s is   o f   ex is tin g   r esear ch   o n   r a n s o m war e   attac k s ,   f o cu s in g   o n   th eir   ev o lu tio n ,   th e  r o le  o f   AI   in   d ete ctio n ,   an d   th e   co m p a r is o n   b e twee n   ML   an d   DL   ap p r o ac h es.   Sig n atu r e  b ased   an d   h eu r is tic  b ased   ap p r o ac h es  ar e  tr ad itio n al  m eth o d s   f o r   d etec tin g   r an s o m war e  as  s h o wn   in   T ab le  1 .   Sig n atu r e  b ased   d etec tio n   is   b ased   o n   m ai n tain in g   a  d atab ase  o f   k n o wn   m alwa r e  s ig n atu r es  an d   d is co v er   attac k s   b y   m atch in g   in c o m in g   f iles   an d   a ctiv iti es  with   th ese  s ig n atu r es.  B u t   it ’ s   n o t  ef f ec tiv e  at   n ew  o r   m o d i f ied   v ar ian ts   th at  d o n ’ t  m atch   k n o w n   s ig n atu r es .   Un lik e  th is   h eu r is tic  b ased   d etec tio n ,   th e  latter   d etec ts   m alwa r e  b y   a p p ly in g   s o m e  b e h av io r   p atter n   a n aly s is   m eth o d s ,   s u ch   as  an al y zin g   s u s p icio u s   ac tiv ities   lik e  r u s h   en cr y p tio n   o f   m u lti tu d es  o f   f iles ,   f r eq u en tly   m o d if y in g   v a r io u s   an d   u n ex p ec t ed   f ile  en tr y   in   th e  n etwo r k   c o n n ec ti o n .   T h e   h e u r is tic - b ased   ap p r o ac h es   ar e   m o r e   f lex i b le  an d   m o r e   ca p ab le  o f   d etec tin g   u n k n o wn   th r ea ts ,   b u t g en e r ate   f alse p o s itiv es si n ce   th ese  ac ti v ities   ar e  er r o n e o u s ly   co n s id er ed   as m alicio u s .       T ab le  1 .   T r a d itio n al  d etec tio n   m eth o d s   R e f e r e n c e   ( Y e a r )   A u t h o r   R e s o l v e d   i ssu e   U t i l i z e d   t e c h n i q u e   R e s u l t   Li mi t a t i o n   B r e w e r   ( 2 0 1 6 )   [ 6 ]   B r e w e r   D e t e c t i o n ,   p r e v e n t i o n ,   a n d   c u r e   o f   r a n so mw a r e   S i g n a t u r e - b a s e d   a n d   h e u r i s t i c - b a s e d   met h o d s   O u t l i n e d   d e t e c t i o n   a n d   p r e v e n t i o n   st r a t e g i e s   D e p e n d e n t   o n   s i g n a t u r e   d a t a b a se   a n d   p o t e n t i a l   f o r   f a l s e   p o s i t i v e s   C e l d r á n   e t   a l .   ( 2 0 2 2 )   [ 7 ]   C e l d r á n   e t   a l .   B e h a v i o r a l - b a s e d   mal w a r e   d e t e c t i o n   B e h a v i o r a l   a n a l y si s   I n t e l l i g e n t   d e t e c t i o n   o f   mal w a r e   P o t e n t i a l   f o r   f a l se  p o s i t i v e s   K o k   e t   a l .   ( 2 0 1 9 )   [ 8 ]   K o k   e t   a l .   D e t e c t i o n   a n d   p r e v e n t i o n   o f   r a n s o mw a r e   S i g n a t u r e - b a s e d   met h o d s   Ef f e c t i v e   a g a i n st   k n o w n   t h r e a t s   I n e f f e c t i v e   a g a i n s t   n e w   o r   m o d i f i e d   v a r i a n t s       ML   alg o r ith m s   an aly ze   d ata  t o   id en tify   p atter n s   in d icativ e  o f   r an s o m war e .   C o m m o n   ML   tech n iq u es  in clu d e  d ec is io n   tr ee s ,   r an d o m   f o r ests ,   an d   s u p p o r t  v ec to r   m ac h in es  ( SVMs)  as   s h o wn   in   T ab le  2 .   T h ese  tech n iq u es c lass if y   d ata  an d   d etec t a n o m alies th at  m ay   in d i ca te  r an s o m war e  ac tiv ity . ”   DL   tech n iq u es  h a v e  s h o wn   s u p er io r   p er f o r m an ce   in   d etec t in g   r an s o m war e   co m p ar ed   t o   tr ad itio n al  ML   m eth o d s   d u e  to   th eir   ab i lity   to   h an d le  co m p lex   d ata  p atter n s   an d   lar g e  v o l u m es  o f   d ata  as  s h o wn   in     T ab le  3 .     Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       A   s u r ve y  o n   r a n s o mw a r e  d etec tio n   u s in g   A I   mo d els   ( Go teti  B a d r in a th )   1087   T ab le  2 .   Ma ch i n e  lear n in g   ap p r o ac h es   R e f e r e n c e   ( Y e a r )   A u t h o r   R e s o l v e d   i ssu e   U t i l i z e d   t e c h n i q u e   R e s u l t   Li mi t a t i o n   A l r a i z z a   a n d   A l g a r n i   ( 2 0 2 3 )   [ 9 ]   A l r a i z z a   a n d   A l g a r n i   D e t e c t i o n   o f   r a n s o mw a r e   u s i n g   ML   M a c h i n e   l e a r n i n g   I mp r o v e d   d e t e c t i o n   a c c u r a c y   Li mi t e d   t o   k n o w n   r a n s o mw a r e   p a t t e r n s   O ’ K a n e   e t   a l .   ( 2 0 1 8 )   [ 1 0 ]   O ’ K a n e   e t   a l .   Ev o l u t i o n   o f   r a n s o mw a r e   H i st o r i c a l   a n a l y si s   P r o v i d e d   a   c o m p r e h e n si v e   o v e r v i e w   o f   r a n so mw a r e   e v o l u t i o n   H i st o r i c a l   d a t a   ma y   n o t   c o v e r   a l l   v a r i a n t s   S h a u k a t   a n d   R i b e i r o   ( 2 0 1 8 )   [ 1 1 ]   S h a u k a t   a n d   R i b e i r o   D e f e n s e   a g a i n st   c r y p t o g r a p h i c   r a n s o mw a r e   La y e r e d   d e f e n se   sy st e m   D e v e l o p e d   a   d e f e n s e   sy st e m  a g a i n st   r a n s o mw a r e   C o m p l e x i t y   i n   i mp l e m e n t a t i o n   Ta l a b a n i   a n d   A b d u l h a d i   ( 2 0 2 2 )   [ 1 2 ]   Ta l a b a n i   a n d   A b d u l h a d i   B i t c o i n   r a n s o mw a r e   d e t e c t i o n   R u l e - b a se d   a l g o r i t h ms   Ef f e c t i v e   i n   d e t e c t i n g   sp e c i f i c   r a n s o mw a r e   t y p e s   Li mi t e d   s c a l a b i l i t y   a n d   f l e x i b i l i t y       T ab le  3 .   Dee p   lea r n in g   ap p r o a ch es   R e f e r e n c e   ( Y e a r )   A u t h o r   R e s o l v e d   i ssu e   U t i l i z e d   t e c h n i q u e   R e s u l t   Li mi t a t i o n   B e l l o   e t   a l .   ( 2 0 2 1 )   [ 1 3 ]   B e l l o   e t   a l .   D e t e c t i n g   r a n s o mw a r e   a t t a c k s  u si n g   D L   D e e p   l e a r n i n g   H i g h l i g h t e d   t h e   e f f e c t i v e n e ss  o f   D L   i n   d e t e c t i n g   r a n s o mw a r e   H i g h   c o m p u t a t i o n a l   r e so u r c e s   r e q u i r e d   A l mas h h a d a n i   e t   a l .   ( 2 0 1 9 )   [ 1 4 ]   A l mas h h a d a ni   e t   a l .   C r y p t o   r a n s o mw a r e   d e t e c t i o n   s y st e m   M u l t i - c l a ssi f i e r   n e t w o r k - b a s e d   s y st e m   D e mo n st r a t e d   t h e   e f f e c t i v e n e ss  o f   a   mu l t i - c l a ss i f i e r   sy st e m   S c a l a b i l i t y   i ssu e s   H w a n g   e t   a l .   ( 2 0 2 0 )   [ 1 5 ]   H w a n g   e t   a l .   Tw o - st a g e   r a n s o mw a r e   d e t e c t i o n ”   D y n a mi c   a n a l y si s  a n d   mac h i n e   l e a r n i n g   t e c h n i q u e s ”   I mp r o v e d   d e t e c t i o n   r a t e s  a n d   r e d u c e d   f a l se  p o si t i v e s   H i g h   c o m p u t a t i o n a l   a n d   t i m e   r e s o u r c e s  r e q u i r e d   M a k i n d e   e t   a l .   ( 2 0 1 9 )   [ 1 6 ]   M a k i n d e   e t   a l .   D i st r i b u t e d   n e t w o r k   b e h a v i o r   p r e d i c t i o n ”   “ M a c h i n e   l e a r n i n g   a n d   a g e n t - b a se d   mi c r o   si m u l a t i o n ”   A c c u r a t e   p r e d i c t i o n   o f   n e t w o r k   b e h a v i o r   C o m p l e x   i mp l e m e n t a t i o n   a n d   mai n t e n a n c e   P a q u e t - C l o u st o n   e t   a l .   ( 2 0 1 9 )   [ 1 7 ]   P a q u e t - C l o u s t o n   e t   a l .   R a n so mw a r e   p a y me n t s   i n   t h e   b i t c o i n   e c o sy s t e m   M a c h i n e   l e a r n i n g   a n d   b l o c k c h a i n   a n a l y si s   I n si g h t   i n t o   r a n s o mw a r e   p a y me n t   mec h a n i sms   R e q u i r e s  e x t e n si v e   d a t a   a n a l y si s   a n d   c o m p u t a t i o n a l   p o w e r       2.   RE S E ARCH   M E T H O D   “ Fo r   th is   s tu d y ,   a   m eth o d o lo g y   was  d esig n ed   to   s y s tem atica lly   an d   r ep licab ly   e v alu ate  ML   an d   DL   tech n iq u es  f o r   r a n s o m war e  d etec tio n   in   d ata  ce n ter s   an d   clo u d   en v ir o n m e n ts .   ‘ R an s o m war e   d etec tio n ’ ,  ‘ m ac h in e   lear n in g , ’   ‘ d ee p   lea r n in g , ’   an d   ‘ clo u d   s ec u r ity ’   wer e  th e  a r ea s   o f   liter atu r e   r ev iewe d   ex ten s iv ely   [ 1 8 ] .   On ly   th e  last   d ec a d e ’ s   r e lev an t  s tu d ies  o n   AI   b ased   d etec tio n   tech n i q u es  wer e   in clu d ed ,   ex cl u d in g   n o n - em p ir ical  o r   o u td ated   ap p r o ac h es.  T r u s ted   cy b e r s ec u r ity   r ep o s ito r ies  wer e  tap p ed   to   c o llect  p u b lic   d atasets   o f   r an s o m war e  ac tiv ities   in clu d i n g   s y s tem   lo g s ,   n etwo r k   t r af f ic  an d   f ile  ac ce s s   p atter n s .   No r m aliza tio n   an d   d im en s io n ality   r ed u ctio n   we r e  ac h iev ed   t h r o u g h   d ata  p r e p r o ce s s in g   u s in g   p r in cip al   c o m p o n en t  an aly s is   ( PC A) .   C o r r elatio n   an aly s is   w as  u s ed   to   ex tr ac t  k ey   f ea tu r es   s u ch   as  en cr y p tio n   ac tiv ity   p a tter n s   an d   n etwo r k   an o m a lies ,   an d   th ese  wer e  v al id ated .   Fo r   ML   alg o r ith m s ,   s u ch   as  d ec is io n   tr ee s ,   r an d o m   f o r ests ,   an d   SVMs,   we  im p lem en ted   m o d els  with   Scik it - lear n ,   an d   f o r   DL   m o d els  with   co n v o lu tio n al  n e u r a l  n etwo r k s   ( C NNs)   an d   r ec u r r en t   n eu r al  n etwo r k s   ( R NNs) .   Mo d el  ev alu atio n   e m p lo y ed   p er f o r m a n ce   m etr ics   s u ch   as  ac cu r ac y ,   p r ec is io n ,   r ec all,   F1 - s co r e,   an d   AUC -   r ec eiv er   o p e r atin g   c h ar ac ter is tic  (R OC ) . ”   T h e  Fig u r e  1   illu s tr ates  th r ee   m ain   ty p es  o f   r an s o m war es:  s ca r ewa r e,   lo ck er   r an s o m war e   an d   cr y p to   r an s o m w ar e.   Scar ewa r e   is   m alwa r e  th at  p r ete n d s   a  v ictim ’ s   s y s tem   is   in f ec ted   with   v i r u s es  o r   s o m eth i n g   s im ilar   an d   ask s   th em   to   p ay   f o r   f a k e  s o lu tio n s ,   u s in g   p s y ch o lo g ical  m an ip u latio n   r at h er   th an   e n cr y p tin g   f iles .   L o ck er   r an s o m war e  is o l ates  th e  u s er s   f r o m   th eir   d ev i ce s ;  b lo ck in g   ac ce s s   to   f iles   an d   p r o g r a m s   an d   h o ld s   th e  u s er ’ s   h o s tag e  b y   d em an d in g   a  r a n s o m   to   r etu r n   f u n ctio n ality ,   th u s   s ev er ely   d is r u p tin g   eq u i p m en t .   T h e  m o s t  d am ag i n g   k i n d   o f   cr y p to   r an s o m war e  e n cr y p t s   cr itical  f iles   o r   en tire   s y s tem s ,   m ak in g   th e m   in ac ce s s ib le,   an d   h o l d in g   v icti m ’ s   h o s tag e  u n til  th ey   p ay   a  r an s o m ,   u s u ally   in   cr y p to c u r r e n cy ,   to   g ain   ac ce s s   to   th e  d ec r y p tio n   k ey .   Fro m   f ea r   to   r estricte d   ac ce s s ,   en cr y p tio n ,   th er e  ar e  m a n y   tactics  ea ch   ty p e  u s es  to   co er ce   v ictim s .   R an s o m war e  g r o u p s   class if ic atio n   is   b ased   o n   an aly zi n g   t h eir   tactics,  tech n iq u es,  an d   p r o ce d u r es  ( T T Ps )   to   d eter m in e  t h eir   b e h av io r   a n d   d ev elo p   ap p r o p r ia te  co u n ter m ea s u r es.  T h is   s ec tio n   g o es  in t o   d ep t h   with   s o m e  o f   th e   m o s t  ac tiv e   r an s o m war e  g r o u p s   an d   h o w  DL   m o d els  ca n   b e   u s ed   to   d o   b eh av io r al   an a ly s is   f o r   ea r ly   d etec tio n   a n d   p r ev en t io n .     Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,  Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 :   1 0 8 5 - 1 0 9 4   1088       Fig u r e  1 .   T y p es o f   r an s o m war es       2 . 1 .     H i g hly   a ct iv e   ra ns o m w a re   g ro up s   2 . 1 . 1 .   Ak ira   Ak ir a  r an s o m war e  is   a  k n o wn   ag g r ess iv e  r an s o m wa r e  th at  attac k s   b o th   in d iv id u als  an d   o r g an izatio n s .   Mo s t  co m m o n l y   it  u s es  p h is h in g   em ails   an d   ex p lo it  k its   to   g ai n   an   in itial  ac ce s s   to   a  s y s tem .   Stro n g   e n cr y p tio n   alg o r ith m s   ar e  u s ed   b y   Ak ir a  to   lo ck   f ile s   an d   th e   f ee s   to   o b tain   th e   d ec r y p tio n   k ey   f r o m   f iles   is   q u ite  h ef ty .   I t a ls o   ev ad es tr ad itio n al  an tiv ir u s   an d   in tr u s io n   d et ec tio n   s y s tem s   [ 1 9 ] .   I f   th e  r an s o m   is n ’ t  p aid ,   h o wev e r ,   th e  attac k er s   will  g en er ally   p u b lis h   th e  s to len   d ata.   T h e  q u ic k   p r o p ag ati o n   o f   Ak ir a  ac r o s s   n etwo r k s   m ak es it c r itical  th at   d etec tio n   an d   r esp o n s e  ar e  b o th   tim ely .     2 . 1 . 2 .   Ry uk   All  tar g ets  ar e  lar g e   o r g an iza tio n s ,   i.e . ,   h o s p itals ,   g o v er n m en t  ag en cies,  a n d   b u s in ess es.  Ph is h in g   em ails   o r   ex p lo its   o f   r em o te  d esk to p   p r o to co ls   ( R DP)   ar e  th e  m o s t  co m m o n   way s   it  is   d el iv er ed .     R y u k   is   a   m ix tu r e  o f   e n cr y p tio n   a n d   le ak   o f   d ata.   I t  id e n tifie s   an d   t er m in ates  p r o c ess es  th at  m ig h t  in ter f er e   with   th e   en cr y p tio n   p r o ce s s   [ 2 0 ] ,   an d   en cr y p ts   f iles   b ef o r e.   I n   f ac t,   R y u k   u s es  d if f er en t  p er s is ten ce   m ec h a n is m s   in   o r d er   to   co n tin u e  to   h a v e  ac ce s s   to   th ese  co m p r o m is ed   s y s te m s .   R y u k   en cr y p ts   af ter   wh ich   it d em an d s   a  lar g e  r an s o m   u s u ally   in   B itco in ,   a n d   th r ea ten s   to   d estro y   th e  d ec r y p tio n   k ey   if   th e  r a n s o m   is n ’ t  p aid   with in   a  s p ec if ic  win d o w.   Ad d itio n all y ,   th e  r an s o m war e  also   wo r k s   ar o u n d   s y s tem   r esto r e  p o in ts   s o   th er e ’ s   n o   r ec o v er y   with o u t th e   d ec r y p tio n   k ey .     2 . 1 . 3 .   M a ze   Ma ze   r an s o m war e  is   a  d o u b le  ex to r tio n   r an s o m war e,   m ea n in g   it e n cr y p ts   th e  f iles   an d   s teal s   th e  d ata   an d   th r ea ten s   to   p u b lis h   it if   th e  r an s o m   is   n o t p ai d .   Ma ze   ai m s   at  m an y   in d u s tr ies s u ch   as f in an ce ,   h ea lth ca r e,   an d   m an u f ac tu r in g .   E x p lo it  k its ,   p h is h in g   e m ails   an d   v u ln er ab le  r em o te  d esk to p   co n n e ctio n s   ar e  u s ed   b y   Ma ze   to   g ain   ac ce s s   to   s y s tem s   [ 2 1 ] .   I t   u s es  a   lo t  o f   e n cr y p tio n   a n d   s p r ea d s   later ally   th r o u g h   n etwo r k s   an d   will  in f ec t  as  m an y   s y s tem s   a s   p o s s ib le.   I f   th ey   f in d   y o u   d o n ’ t  co m p ly ,   th ey   th en   r elea s e  s to len   d ata  to   th e   p u b lic.   T h e   ex f iltra ted   d ata  o f ten   ap p ea r s   as  s am p les  o n   t h e  leak   s ite  o f   m az e  o p er ato r s   to   p r ess u r e  v ictim s   to   p ay   th e  r a n s o m .     2 . 2 .    Dee p  lea rning   f o r   beha v io ra l a na ly s is   I n   r ec en t  y ea r s ,   DL   m o d els  h av e  b ee n   u s ed   to   class if y   r an s o m wa r e  g r o u p s   b y   th eir   b eh av io r al   p atter n s   [ 2 2 ] .   T h e  m o d els  ca n   p r o ce s s   lar g e  v o lu m e  o f   d ata   to   lo o k   f o r   less   o b v io u s   p atte r n s   an d   an at o m ies  th at  s h o w  th e  s ig n als o f   a  r an s o m war e  attac k .   T h e  u s e  o f   DL   in   b eh a v io r al  an aly s is   o f f e r s   s ev er al  ad v a n tag es:   1 .   E ar ly   d etec tio n   Usi n g   DL ,   d e v ian t  p atter n s   in   n o r m al  s y s tem   b eh a v io r ,   e. g . ,   th e  f ile   ac ce s s   p atter n s ,   th e   en cr y p tio n   p ac e,   th e   n etwo r k   tr a f f ic,   ca n   b e   d etec ted .   T h e y   ca n   b e   ea r ly   in d icato r s   o f   a  r a n s o m war e  attac k   [ 2 3 ] .     T h e  co n tin u o u s   an aly s is   o f   s y s tem   b eh av io r   in   r ea l - tim e  m o n ito r in g   s y s tem s   p r o v id es  th e  ca p ab ilit y   to   d etec t  an d   m itig ate  r an s o m war e  ac ti v ities   p r o m p tly .   2 .   R an s o m war e  g r o u p s   cla s s if icatio n   R an s o m war e  ca n   b e  class if ied   u s in g   th e  s p ec if ic  b eh av io r s   o f   d if f er en t r a n s o m war e  g r o u p s   u s in g   DL   m o d els.  Fo r   in s tan ce ,   t h e  m o d el  ca n   a u to m atica lly   ex tr a ct  r elev an t  f ea tu r es  f r o m   r a w  d ata,   s u ch   as  th e   f r eq u e n cy   o f   f ile  m o d if icatio n s ,   n etwo r k   co m m u n icatio n   p at ter n s ,   an d   p r o ce s s   ex ec u tio n   b eh av io r s ,   an d   th e n   id en tify   th e  u n iq u e  T T Ps   o f   A k ir a,   R y u k ,   an d   Ma ze ,   wh ich   d is tin g u is h es  th em   f r o m   o th er   k in d s   o f   m alwa r es.  T h ey   ar e  im p o r tan t  f o r   class if icatio n ,   esp ec ially   ac cu r ately .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       A   s u r ve y  o n   r a n s o mw a r e  d etec tio n   u s in g   A I   mo d els   ( Go teti  B a d r in a th )   1089   3 .   I m p r o v e d   a cc u r ac y   W ith   th e  lar g e  am o u n ts   o f   d ata,   DL   m o d els  g et  b etter   an d   b etter   at  lear n in g .   T h ey   ca n   lea r n   n ew  an d   ev o lv in g   r an s o m war e   th r ea ts   co n tin u o u s ly   [ 2 4 ] .   T h e  co n tex t  o f   d etec ted   an o m alies  ca n   b e   u n d e r s to o d   b y   DL   m o d els  s o   as   to   r ed u ce   th e   n u m b er   o f   f alse  p o s itiv es,  an d   to   en s u r e  th at   leg itima t e  ac tiv ities   ar e  n o t  m is class if ied   as m alicio u s .   4 .   I m p r o v e d   r esp o n s e  ca p a b ili ties   DL   m o d el  ca n   o n ce   awa r e  o f   a  r an s o m war e  attac k ,   it  will  th en   au to m atica lly   tr ig g er   th e   r esp o n s e  m ec h an is m s :  is o latin g   af f ec ted   s y s tem s ,   ter m in atin g   m alici o u s   p r o ce s s es,  an d   n o tif y in g   s ec u r ity   p er s o n n el.     I t  h elp s   in   th e   r an s o m war e   g r o u p s   class if icatio n   f o r   th r ea t   i n tellig en ce   p u r p o s es  b y   p r o v id in g   in f o r m atio n   ab o u t  th e  T T P  o f   s o m e  r a n s o m war e  f am ilies   [ 2 5 ] .   T h e  in f o r m atio n   is   u s ef u l  f o r   d ev el o p i n g   tar g eted   d ef en s e  s tr ateg ies an d   f o r   o v er all  cy b e r s ec u r ity   p o s tu r e.     2 . 3 .     K ey   det ec t io n pa ra m et e rs   -   Dete ctin g   th e  ac tiv ity   o f   r an s o m war e  is   im p o r tan t  in   r ea l  t im e  s o   as  to   m in im ize  d am ag e  an d   a  s wif t   r esp o n s e  is   p o s s ib le.   An d   r ea l  tim e  d etec tio n   m ea n s   y o u   ar e  alwa y s   watc h in g ,   s y s tem   ac tiv ities ,   n etwo r k   tr af f ic  an d   u s er   b eh av io r   lo o k in g   o u t  f o r   an y   an o m alies  th at  wo u ld   p o in t  t o   a  r a n s o m war e  attac k .   Secu r ity   s y s tem s   ca n   th e n   d etec t  th e  r a n s o m war e  as  it   b eg i n s   to   en c r y p t   f iles ,   an d   co u n te r m ea s u r es  ca n   th u s   b e  in s tig ated   to   s to p   th e   attac k ,   is o late  th e  s y s tem s   af f ec ted ,   an d   s ig n al  s ec u r ity   p er s o n n el  [ 2 6 ] .   T h at  im m ed iate  r e s p o n s e  is   im p o r tan t,  b ec au s e  it  s to p s   th e   s p r ea d   o f   r an s o m war e  a n d   m in im izes  d ata  lo s s .   -   E n cr y p tio n   s u ch   as  T L S/S SL  is   ess en tial  in   o r d er   to   s ec u r ely   c o n n ec t,   in   o r d er   to   s ec u r e  d ata   tr an s m is s io n s ,   an d   av o id   th e  im p ac t  o f   r an s o m war e  attac k s .   T h ese  m eth o d s   h elp   p r ev e n t  attac k er s   f r o m   ‘ s n if f in g ’   d ata  t h at  is   ex c h an g ed   b etwe en   s y s tem s ,   d ata   th at  is   en cr y p ted   s o   it  wo u l d   b e  d if f icu lt   an d   tim e  co n s u m in g   f o r   an   attac k er   to   in ter ce p t   o r   m an i p u la te  th e  d ata.   Saf e  u s ag e  p r o c ess es  ca n   b e   im p lem en ted   to   p r ev en t  r an s o m w ar e  in f ec ted   c o m p u te r s   f r o m   b ein g   ac ce s s ed ,   o r   h a v in g   in f o r m atio n   en cr y p ted ,   in clu d in g   s tr o n g   en cr y p tio n   p r o to co ls   [ 2 7 ] .   A n o t h er   th in g   th at  it  also   h elp s   u s   t o   k n o w  is   th e   k in d   o f   en c r y p tio n   th at  r an s o m war e  u s es  b ec au s e  it  h elp s   u s   d ev elo p   d ec r y p tio n   to o ls   an d   s tr ateg ies  to   r etr iev e  o u r   f iles   with o u t p a y in g   an y   r an s o m .   -   B eh av io r al  an aly s is   in v o lv es  an aly zin g   s y s tem   b e h av io r   t r y in g   to   s p o t   u n u s u al  ac tiv ities   th at  m ig h t   in d icate   r an s o m war e  p r esen c e.   T h is   in clu d es  f iles   en cr y p tio n   s u d d en l y ,   s tr an g e   f ile  a cc ess   p atter n s ,   in cr ea s e  o f   f iles   ch an g es  in   s h o r t  tim e,   ab n o r m al  n etwo r k   tr af f ic.   Secu r ity   s y s tem s   ca n   d etec t   r an s o m war e  ea r ly   in   its   ex ec u tio n   p h ase  b y   a n aly zin g   th ese  b eh av io r ’ s   [ 2 8 ] .   T h e  r ea s o n   w h y   b eh a v io r al   an aly s is   is   ef f ec tiv e  is   b ec au s e  it  lo o k s   at  th e  ac tio n s   tak en   b y   th e  m alwa r e  in s tead   o f   th at  m alwa r e ’ s  co d e,   m ea n in g   it c an   d etec t n e w  an d   u n k n o w n   r an s o m wa r e  v ar ian ts   b ased   o n   th ei r   b eh a v io r .   -   I t  is   h ig h ly   im p o r tan t   to   ex tr a ct  an d   s elec t  f ea tu r es  f o r   d ev e lo p in g   r o b u s t  r an s o m war e  d etec tio n   m o d el s   as  th ey   ar e  ef f ec tiv e.   T o   id e n t if y ,   an d   th e n   s elec t,  th e  m o s t  r elev an t  f ea tu r es  o u t  o f   th e  d a ta  we  em p lo y   tech n iq u es  s u ch   as  PC A  an d   co r r elatio n   an al y s is .   T h e  f ea tu r es  ca n   b e  f ile  ac ce s s   tim es,   m o d if icatio n   p atter n s ,   p r o ce s s   b eh av io r s   an d   n etwo r k   c o m m u n icatio n   p at ter n s .   Dete ctio n   m o d els   with   f ewe r   co m p u tatio n al  lo a d   an d   b et ter   d etec tio n   p er f o r m a n ce   c an   b e  d ev el o p ed   b y   s elec tin g   th e  m o s t   in f o r m ativ e  f ea tu r es.       3.   RE SU L T S AN D  D I SCU SS I O N   R esu lts   o f   th is   s tu d y   s h o w   th at  DL   m o d els  lik e  C NNs  an d   R NNs  o u tp er f o r m   tr a d itio n al   an d   ML   ap p r o ac h es  b y   9 5 %  ac cu r ac y ,   9 3 %  p r ec is io n ,   9 2 %  r ec al l,  an d   9 2 %  F1 - s co r e  i n   d e f e n d in g   r an s o m war e   attac k s .   T h en ,   DL   m o d els ’   ab i lity   to   au to m atica lly   ex tr ac t a n d   lear n   h ier ar ch ical  f ea tu r es f r o m   a  b ig   co r p u s   o f   d ata  en s u r es  th at  th e  m o d el s   ca n   also   f i n d   co m p le x   p a tter n s   an d   ev o lv e  t o   n ew  r a n s o m war e  th r ea ts .   C o m p ar ed   to   tr ad itio n al   m eth o d s   lik e  k n o wn   r an s o m war e  s ig n atu r es,  an d   ML   m o d els  wh ich   h ea v ily   r ely   o n   m an u al  f ea tu r e  en g in ee r in g ,   D L   ap p r o ac h es p er f o r m   b etter .   T h is   is   in   lin e  w ith   p r ev io u s   s tu d ies  b u t th is   s tu d y   f u r th er   e x ten d s   to   c o m p u tati o n ally   an d   s ca lab ilit y   lim itatio n s   o f   DL   m o d els,  as  well  as  im p o r tan ce   o f   b eh av io r al   an aly s is   f o r   r an s o m war e  g r o u p   class if y in g .   Desp ite  th ese  ch allen g es,  DL   m o d els  ar e  s till   d ep lo y ed   in   r eso u r ce   co n s tr ain ed   en v ir o n m en ts   th at  r eq u ir e  a  h ig h   c o m p u tatio n al  co s t,  an d   ar e  s till   r ely in g   o n   p u b licly   av ailab le  d atasets   th at  m ay   n o t  b e  d iv e r s e  en o u g h .   T h e s e  r esu lts   h av e  im p licatio n s   an d   th e  n ee d   f o r   co m b in in g   DL   m o d els  with   r ea l  tim e  r an s o m war e  d ete ctio n   f r am ewo r k s   an d   d e v e lo p in g   m u ltimo d a l   ap p r o ac h es  co m b in in g   DL   with   tr ad itio n al  m eth o d s   to   in cr ea s e  r esil ien ce   ag ain s t  n o v el  th r ea ts .   Fu tu r e  r esear ch   s h o u ld   in v o lv e   ca m er as  th at  co m m u n icate   to   DL   ar c h itectu r es  th at  ca n   s u cc ess f u lly   h an d le  lig h tweig h t,  s ca lab le  DL   ar c h itectu r es   f o r   r ea l   tim e  ap p licatio n s ,   ad v e r s ar ial  tr ain in g   f o r   e v asio n   tactics   ev asio n ,   an d   co llab o r ativ e   wo r k   to   b u ild   s tan d ar d ized   an d   d iv er s e  d atasets   to   h elp   im p r o v e  m o d el  g en er aliza b ilit y .   T h e  im p r o v e m en ts   ar e  n ec ess ar y   wh en   s tr en g th en in g   cy b er s ec u r ity   in   d ata   ce n ter   an d   clo u d   en v ir o n m en ts .   R ea l - tim e  d ete ctio n   is   cr itical  in   m i n im izin g   th e  im p ac t  o f   r a n s o m war e  attac k s   b y   en a b lin g   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,  Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 :   1 0 8 5 - 1 0 9 4   1090   s wif t  r esp o n s e.   Sev er al  s tu d ies  h av e  em p h asized   t h e  im p o r tan ce   o f   r ea l - tim e  d ata  a n a ly s is   in   id en tify in g   r an s o m war e  ac tiv ities   ea r ly .   T h is   d etailed   an aly s is   in   T ab le  4   p r esen ts   th e  p er f o r m an ce   m etr ics  o f   v ar io u s   r an s o m war e  d etec tio n   m o d el s ,   h ig h lig h tin g   th eir   ef f ec tiv en ess   an d   lim itatio n s   b ased   o n   th e  r ev iewe d   liter atu r e.   T h e  Fig u r e  2   illu s tr ates  th e   co m p ar ativ e  p er f o r m an ce   o f   th r ee   d if f e r en t  r a n s o m war e   d etec tio n   m o d els:   tr ad itio n al   d etec tio n ,   ML   b ased   d etec tio n ,   an d   DL   b ased   d etec tio n .   Acc u r ac y ,   p r ec is io n ,   r ec all  a n d   F1 - s co r e  wer e  co m p ar e d   ac r o s s   th ese  m o d els.  T h e  ch ar t  s h o ws  clea r ly   th at  th e  D L   b ased   d etec tio n     m o d els  o u tp er f o r m   tr ad it io n a l  an d   ML   b ased   d etec tio n   m o d els  wh en   it  co m es  to   d ete ctin g   r an s o m war e .     T h e  im p licatio n   is   th at  in   th e  d y n am ic,   ev e r - ch an g in g   r ea l m   o f   r an s o m war e  th r ea ts ,   DL   ap p r o ac h es,  th at  ar e   ab le  to   lear n   c o m p lex   p atter n s   an d   g e n er alize   b etter   f r o m   la r g er   d atasets   ar e  m o r e  s u ited   to   th e  p r o b lem .       T ab le  4 .   C o m p a r ativ e  an aly s is   o f   r an s o m war e  d etec tio n   m o d els   C a t e g o r y   R e f e r e n c e   Y e a r   A p p r o a c h   A c c u r a c y   P r e c i s i o n   R e c a l l   F1 - s c o r e   Tr a d i t i o n a l   B r e w e r   [ 6 ]   2 0 1 6   S i g n a t u r e - b a s e d   a n d   h e u r i s t i c - b a s e d   0 . 8 5   0 . 8   0 . 7 5   0 . 7 7   Tr a d i t i o n a l   C e l d r á n   e t   a l .   [ 7 ]   2 0 2 2   B e h a v i o r a l   a n a l y si s   0 . 8 3   0 . 7 8   0 . 7 6   0 . 7 7   Tr a d i t i o n a l   K o k   e t   a l .   [ 8 ]   2 0 1 9   S i g n a t u r e - b a s e d   0 . 8 2   0 . 7 9   0 . 7 4   0 . 7 6   ML   A l r a i z z a   a n d   A l g a r n i   [ 9 ]   2 0 2 3   M a c h i n e   l e a r n i n g   0 . 9   0 . 8 8   0 . 8 5   0 . 8 6   ML   O ’ K a n e   e t   a l .   [ 1 0 ]   2 0 1 8   H i st o r i c a l   a n a l y s i s   0 . 8 8   0 . 8 6   0 . 8 3   0 . 8 4   ML   S h a u k a t   a n d   R i b e i r o   [ 1 1 ]   2 0 1 8   La y e r e d   d e f e n se   sy s t e m   ML   0 . 9 1   0 . 8 9   0 . 8 6   0 . 8 7   ML   Ta l a b a n i   a n d   A b d u l h a d i   [ 1 2 ]   2 0 2 2   R u l e - b a se d   a l g o r i t h ms   0 . 8 9   0 . 8 7   0 . 8 4   0 . 8 5   DL   B e l l o   e t   a l .   [ 1 3 ]   2 0 2 1   D e e p   l e a r n i n g   0 . 9 5   0 . 9 3   0 . 9 2   0 . 9 2   DL   A l mas h h a d a n i   e t   a l .   [ 1 4 ]   2 0 1 9   M u l t i - c l a ssi f i e r   n e t w o r k   0 . 9 4   0 . 9 2   0 . 9 1   0 . 9 1   DL   H w a n g   e t   a l .   [ 1 5 ]   2 0 2 0   D y n a mi c   a n a l y si s  a n d   M L  t e c h n i q u e s   0 . 9 2   0 . 9   0 . 8 8   0 . 8 9   DL   M a k i n d e   e t   a l .   [ 1 6 ]   2 0 1 9   M L  a n d   a g e n t - b a se d   m i c r o   si mu l a t i o n   0 . 9 3   0 . 9 1   0 . 8 9   0 . 9   DL   P a q u e t - C l o u st o n   e t   a l .   [ 1 7 ]   2 0 1 9   M L  a n d   b l o c k c h a i n   a n a l y si s   0 . 9 1   0 . 8 9   0 . 8 7   0 . 8 8           Fig u r e  2 .   Per f o r m an c e  co m p ar is o n   o f   r a n s o m war e  d etec tio n   m o d els       T h e  F ig u r e  2   illu s tr ates  th e   co m p ar ativ e  p er f o r m an ce   o f   th r ee   d if f e r en t  r a n s o m war e   d etec tio n   m o d els:   tr ad itio n al   d etec tio n ,   ML   b ased   d etec tio n ,   an d   DL   b ased   d etec tio n .   Acc u r ac y ,   p r ec is io n ,   r ec all  a n d   F1 - s co r e  wer e  co m p ar e d   ac r o s s   th ese  m o d els.  T h e  ch ar t  s h o ws  c lear ly   th at  th e  D L   b ased   d etec tio n     m o d els  o u tp er f o r m   tr ad itio n a l  an d   ML   b ased   d etec tio n   m o d els  wh en   it  co m es  to   d ete ctin g   r an s o m war e .     T h e  im p licatio n   is   th at  in   th e  d y n am ic,   ev e r - ch an g in g   r ea l m   o f   r an s o m war e  th r ea ts ,   DL   ap p r o ac h es,  th at  ar e   ab le  to   lear n   c o m p lex   p atter n s   an d   g e n er alize   b etter   f r o m   la r g er   d atasets   ar e  m o r e  s u ited   to   th e  p r o b lem .   T h e  R OC   cu r v e  s h o wn   in   th e  Fig u r e  3   co m p ar es  th e  p er f o r m an ce   o f   th r ee   d if f er e n t  r a n s o m war e  d etec tio n   m o d els:   tr ad itio n al   d etec tio n ,   ML   b ased   d etec tio n ,   an d   DL   b ase d   d etec tio n .   T h e  R OC   cu r v e   is   a  Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       A   s u r ve y  o n   r a n s o mw a r e  d etec tio n   u s in g   A I   mo d els   ( Go teti  B a d r in a th )   1091   p lo t  o f   th e  d iag n o s tic  ab ilit y   o f   a  b in ar y   class if ier   s y s tem   a s   its   d is cr im in atio n   th r esh o ld   is   v ar ied .   T h e  m o r e   s ig n if ican t A UC   v alu e  o f   th e  DL   b ased   m o d el  in d icate s   b ett er   s en s itiv ity   an d   s p ec if icity ,   an d ,   th er ef o r e,   is   th e  m o s t r eliab le  ap p r o ac h   f o r   r a n s o m war e  d etec tio n   in   d y n a m ic  an d   ev o lv in g   th r ea t la n d s ca p e .   W e  f o u n d   th at  th e  DL   b ased   m o d els,  s u ch   as  C NN  o r   R NN,   co n s is ten tly   co r r elate d   with   h ig h er   d etec tio n   ac cu r ac y ,   p r ec is io n   an d   r ec all  th a n   th e  tr a d itio n al   m eth o d s   an d   th e  ML   b ased   m o d els.  T h is   s tu d y   p r o p o s ed   th e  u s e  o f   DL   b as ed   tech n iq u es  th at  o u tp er f o r m ed   tr ad itio n al  s ig n atu r e - b ased   m eth o d s   b y   an   in o r d in ately   h ig h er   p r o p o r tio n   o f   ac cu r ate  r an s o m war e  d ete ctio n   b ec au s e  DL   tech n iq u es  h av e  th e  ca p ab ilit y   to   lear n   co m p lex   p atter n s   an d   ar e  ab le  to   a d ap t  to   n ew  r an s o m war e  v ar ia n ts .   I n   ad d itio n ,   h eu r is tic  m eth o d s   h ad   m o r e  f alse  p o s itiv es  an d   ML   m eth o d s   ex h ib ited   m o d er ate  p er f o r m an ce ,   b u t   n ee d e d   ex ten s iv e  f ea t u r e   en g in ee r in g .   R ea l  tim e  s ce n ar io s   wer e  ef f ec tiv ely   m itig ated   b y   DL   m o d els,  wh ich   ac h iev ed   s u p e r io r   s en s itiv ity   an d   s p ec if icity .   T h e  lim itatio n s ,   im p ac t,  an d   ac ti o n ab le  s u g g esti o n s   f o r   f u tu r e  wo r k   ar e   o u tlin ed   in   th is   T ab le  5 ,   to   b alan ce   an d   r e f lect  o n   th e  s tu d y ’ s   co n s tr ain ts .           Fig u r e  3 .   R OC   c u r v e       T ab le  5 .   Key   i n s ig h ts   an d   lim i tatio n s   Li mi t a t i o n   D e scri p t i o n   P o t e n t i a l   i m p a c t   o n   r e s u l t s   S u g g e s t e d   f u t u r e   w o r k   D a t a s e t   d i v e r si t y   Th e   st u d y   r e l i e d   o n   p u b l i c l y   a v a i l a b l e   d a t a se t s t h a t   m a y   n o t   f u l l y   r e p r e se n t   t h e   v a r i e t y   o f   r a n s o mw a r e   a c t i v i t i e s  i n   r e a l - w o r l d   sce n a r i o s. ”   R e s u l t s m i g h t   n o t   g e n e r a l i z e   w e l l   t o   n o v e l   r a n s o mw a r e   o r   d i v e r se   r e a l - w o r l d   e n v i r o n m e n t s.   C o n d u c t   s t u d i e s   u s i n g   l a r g e r ,   mo r e   d i v e r se,   a n d   r e a l - w o r l d   d a t a se t s  t o   i m p r o v e   t h e   r o b u st n e s s o f   d e t e c t i o n   mo d e l s.   C o m p u t a t i o n a l   r e q u i r e m e n t s   D e e p   l e a r n i n g   mo d e l s re q u i r e   su b s t a n t i a l   c o m p u t a t i o n a l   r e so u r c e s   f o r   t r a i n i n g   a n d   d e p l o y me n t ,   w h i c h   c a n   l i m i t ”   r e a l - t i m e   a p p l i c a b i l i t y   i n   r e so u r c e - l i m i t e d   e n v i r o n me n t s.   M a y   r e s t r i c t   t h e   s c a l a b i l i t y   a n d   r e a l - t i me   a p p l i c a t i o n   o f   t h e   p r o p o se d   me t h o d s.   D e v e l o p   l i g h t w e i g h t   D L   a r c h i t e c t u r e s   o r   u s e   h a r d w a r e   a c c e l e r a t i o n   t o   r e d u c e   c o m p u t a t i o n a l   o v e r h e a d .   F a l se   p o si t i v e s i n   h e u r i s t i c - b a s e d   met h o d s   H e u r i s t i c   d e t e c t i o n   me t h o d s  o c c a si o n a l l y   m i si d e n t i f i e d   b e n i g n   a c t i v i t i e s   a s  mal i c i o u s   d u e   t o   o v e r l a p p i n g   b e h a v i o r   p a t t e r n s.   M a y   i n c r e a s e   u n n e c e ss a r y   a l e r t s,  r e d u c i n g   t h e   e f f i c i e n c y   o f   d e t e c t i o n   sy st e ms i n   o p e r a t i o n a l   e n v i r o n me n t s.   C o m b i n e   h e u r i st i c   me t h o d s  w i t h   D L  m o d e l s t o   i m p r o v e   sp e c i f i c i t y   a n d   r e d u c e   f a l s e   p o s i t i v e s. ”   R a p i d l y   e v o l v i n g   r a n s o mw a r e   t a c t i c s   M o d e l s m a y   st r u g g l e   t o   a d a p t   t o   c o n t i n u o u s l y   e v o l v i n g   r a n so mw a r e   v a r i a n t s w i t h   n o v e l   t e c h n i q u e s   n o t   r e p r e s e n t e d   i n   t h e   t r a i n i n g   d a t a . ”   C o u l d   r e d u c e   t h e   d e t e c t i o n   a c c u r a c y   o v e r   t i m e   a s  n e w   v a r i a n t s  e mer g e .   I mp l e me n t   a d a p t i v e   l e a r n i n g   t e c h n i q u e s,   su c h   a s  t r a n sf e r   l e a r n i n g   o r   c o n t i n u o u s  mo d e l   u p d a t i n g ,   f o r   b e t t e r   a d a p t a b i l i t y .   La c k   o f   st a n d a r d i z e d   e v a l u a t i o n   me t r i c s   D i f f e r e n t   s t u d i e s  u se   v a r i e d   met r i c s,  ma k i n g   d i r e c t   p e r f o r m a n c e   c o mp a r i s o n s   c h a l l e n g i n g .   M a y   l e a d   t o   i n c o n si s t e n t   b e n c h mar k s  a n d   d i f f i c u l t y   i n   as sess i n g   r e l a t i v e   mo d e l   p e r f o r m a n c e .   P r o p o se   a n d   a d o p t   st a n d a r d i z e d   e v a l u a t i o n   me t r i c s   f o r   r a n s o mw a r e   d e t e c t i o n   mo d e l s  t o   e n a b l e   b e t t e r   c o mp a r i s o n s .   A b se n c e   o f   a d v e r sar i a l   a t t a c k   c o n si d e r a t i o n s   Th i s   st u d y   d i d   n o t   a d d r e ss  t h e   i mp a c t   o f   a d v e r sari a l   a t t a c k s   w h e r e   r a n s o mw a r e   ma y   i n t e n t i o n a l l y   e v a d e   d e t e c t i o n .   M o d e l s  c o u l d   b e   v u l n e r a b l e   t o   a d v e r sar i a l   ma n i p u l a t i o n ,   r e d u c i n g   d e t e c t i o n   e f f e c t i v e n e ss  i n   a d v e r sar i a l   sce n a r i o s.   I n v e st i g a t e   a d v e r sar i a l   t r a i n i n g   t o   e n h a n c e   mo d e l   r o b u st n e ss  a g a i n st   e v a si o n   t e c h n i q u e s.       Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,  Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 :   1 0 8 5 - 1 0 9 4   1092   4.   CO NCLU SI O N   I n   th is   s tu d y ,   we  p r esen t  a  co m p r eh en s iv e   s u r v ey   o f   r an s o m war e  ev o l u tio n   a n d   e v alu ate   th e  r o le  o f   AI   esp ec ially ,   ML ,   an d   DL   in   r an s o m war e  d etec tio n .   H o wev er ,   ex is tin g   tr ad itio n al  m eth o d s ,   in clu d in g   s ig n atu r e  b ased   an d   h eu r is tic  b ased   d etec tio n ,   ar e   in a d eq u a te  ag ain s t  th e   n ewly   em er g in g   an d   s o p h is ticated   r an s o m war e  v ar ian ts .   T h eir   r elian ce   o n   k n o w n   s ig n atu r e s   an d   b eh av io r al  p atter n s   p r ev en ts   th em   f r o m   id en tify in g   n o v el,   o r   r a p id ly   e v o lv in g ,   th r ea ts   an d   th u s   ca ll  f o r   n o v el  ap p r o ac h es.  Usi n g   ML   tech n iq u es  s u ch   as  d ec is io n   tr ee s ,   r an d o m   f o r est,  an d   SVMs  we  f o u n d   a cc u r ac y   a n d   r o b u s tn ess   s u p e r io r   to   t r ad itio n al   m eth o d s .   Ho wev e r ,   th ese  m o d els  s u cc ess f u lly   an aly ze   a n d   class if y   r an s o m wa r e  b y   ex tr ac tin g   im p o r tan t   f ea tu r es  f r o m   s y s tem   b eh av io r s ,   n etwo r k   tr af f ic.   Ho wev e r ,   f o r   i n s tan ce   ML   m et h o d s ,   f ea tu r e  en g in ee r in g   is   o f ten   n ee d ed   an d   ad a p tab ilit y   to   ev o lv in g   r an s o m war e  tactics is l o w.   “ T h e  b est  to o ls   f o r   r a n s o m war e  d etec tio n   wer e   DL   m o d els,  in clu d in g   C NNs  an d   R NNs.  A s   m ac h in es,  th e y   ar e   esp ec iall y   g o o d   at  lear n in g   co m p lex   p atter n s   t o   d estro y   s o p h is ticated   r an s o m wa r e  v ar ian ts .   I n   ter m s   o f   ac cu r ac y ,   p r ec is io n ,   r ec all  a n d   F1 - s co r e,   DL   m o d els  o u t p er f o r m ed   b o th   tr ad itio n al  a n d   ML   b ased   m eth o d s   co n s is ten tly .   Ad d itio n ally ,   th ey   a r e  ex c ellen t  f o r   r ea l - tim e   m o n ito r in g   an d   d etec tio n ,   a n d   s h o w  s u p er io r   s en s itiv ity   an d   s p ec if icity   f o r   d etec tin g   r an s o m war e.   DL   is   h ig h lig h te d   a s   ce n tr al  to   s o lv in g   to d ay ’ s   cy b e r s ec u r ity   p r o b le m s ,   in clu d in g   th eir   u s e  in   r ea l  tim e  m o n ito r in g   s y s tem s   f o r   r ap id   d etec tio n   a n d   r esp o n s e.   E v e n   th o u g h   DL   m o d els  p r o v i d e  a  l o t  o f   ad v a n tag es,  h ig h   c o m p u tatio n al  co s t  an d   r elian ce   o n   la r g e   lab eled   d atasets   m ak e  th em   n o t su itab le  f o r   d e p lo y m e n t to   r e s o u r ce   co n s tr ain e d   en v ir o n m e n ts .   T o   o v e r co m e  s u c h   lim itatio n s ,   f u tu r e  wo r k   s h o u ld   in v est  o n   th e  d ev elo p m en t  o f   lig h t weig h t  an d   s ca lab le  DL   ar ch itectu r es,  en h an cin g   m o d el  r o b u s tn ess   v ia  ad v er s ar ial  tr ain in g ,   as  well  as  co llab o r ativ e  wo r k   f o r   d ev elo p m en t  o f   s tan d ar d i ze d   an d   d iv er s e  d atasets .   B y   in teg r atin g   m u ltimo d al  d etec tio n   ap p r o ac h es  th at   co m b in e  DL   with   h eu r is tic  an d   b eh a v io r al  an aly s is   m eth o d s ,   we  ex p ec t  to   im p r o v e  d et ec tio n   ac cu r ac y   a n d   d ec r ea s e  f alse  p o s itiv es.  T h is   s u r v ey   h ig h lig h ts   th e  n ee d   f o r   AI   b ased   ap p r o ac h es  to   ad d r ess   r an s o m war e  th r ea ts ,   an d   s er v es  as  a  b asis   f o r   f u tu r e  w o r k   in   th is   ar ea .   R esear ch   an d   p r ac titi o n e r s   ca n   u s e  th e  p o wer   o f   ML   an d   DL   m o d els to   d ev elo p   m o r e  ac cu r ate,   ef f ec tiv e,   an d   ad a p tiv e  r an s o m war e  d etec tio n   s y s tem s   to   m ax im u m   b en ef it th e  d ata  ce n ter   an d   clo u d   in f r astru ctu r es. ”       ACK NO WL E DG M E N T S   T h e  au th o r s   ac k n o wled g e  t h e  r esear ch   ev alu atio n   m em b er s   f o r   th eir   in v alu a b le  s u p p o r t  an d   d is cu s s io n s .       F UNDING   I NF O R M A T I O N   No   f u n d in g   was r ec eiv e d   f o r   t h is   s tu d y .       AUTHO R  CO NT RI B UT I O NS ST A T E M E N T       Na m e  o f   Aut ho r   C   M   So   Va   Fo   I   R   D   O   E   Vi   Su   P   Fu   Go teti Bad r in at h   ✓   ✓     ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓         Dr .   Ar p ita  Gu p ta   ✓       ✓       ✓       ✓   ✓   ✓   ✓       C   :    C o n c e p t u a l i z a t i o n   M   :    M e t h o d o l o g y   So   :    So f t w a r e   Va   :    Va l i d a t i o n   Fo   :    Fo r mal   a n a l y s i s   I   :    I n v e s t i g a t i o n   R   :    R e so u r c e s   D   :   D a t a   C u r a t i o n   O   :   W r i t i n g   -   O r i g i n a l   D r a f t   E   :   W r i t i n g   -   R e v i e w   &   E d i t i n g   Vi   :    Vi su a l i z a t i o n   Su   :    Su p e r v i s i o n   P   :    P r o j e c t   a d mi n i st r a t i o n   Fu   :    Fu n d i n g   a c q u i si t i o n         CO NF L I C T   O F   I N T E R E S T   ST A T E M E NT   “ T h e  au th o r s   d ec lar e  n o   co n f lict o f   in ter est.       I NF O RM E D  CO NS E N T   “ I n f o r m ed   co n s en t  was  n o t  ap p licab le  f o r   t h is   s tu d y   as  it  d id   n o t  in v o lv e  h u m an   p ar ti cip an ts   o r   id en tifia b le  h u m an   d ata .       Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J I n f   &   C o m m u n   T ec h n o l     I SS N:   2252 - 8 7 7 6       A   s u r ve y  o n   r a n s o mw a r e  d etec tio n   u s in g   A I   mo d els   ( Go teti  B a d r in a th )   1093   E T H I CAL AP P RO V AL   “ T h is   s tu d y   d id   n o t in v o lv e  h u m an   o r   a n im al  s u b jects,  s o   eth ical  ap p r o v al  was n o t r eq u ir ed       DATA AV AI L AB I L I T Y   No   n ew  d atasets   wer e  g en er a ted   o r   an aly ze d   f o r   t h is   s u r v e y .   All  in f o r m atio n   an d   " d ata"   p r esen te d   wer e  ex tr ac ted   f r o m   p r ev io u s ly   p u b lis h ed   wo r k s ,   wh ic h   ar e  f u lly   cited   in   th e   R ef er en ce s   s ec t io n .       RE F E R E NC E S   [ 1 ]   A .   A z m o o d e h ,   A .   D e h g h a n t a n h a ,   M .   C o n t i ,   a n d   K . - K .   R .   C h o o ,   “ D e t e c t i n g   c r y p t o - r a n so mw a r e   i n   I o T  n e t w o r k s  b a s e d   o n   e n e r g y   c o n su mp t i o n   f o o t p r i n t , ”   J o u r n a l   o f   A m b i e n t   I n t e l l i g e n c e   a n d   H u m a n i ze d   C o m p u t i n g ,   v o l .   9 ,   n o .   4 ,   p p .   1 1 4 1 – 1 1 5 2 ,   A u g .   2 0 1 8 ,   d o i :   1 0 . 1 0 0 7 / s 1 2 6 5 2 - 017 - 0 5 5 8 - 5.   [ 2 ]   J.  A .   H .   S i l v a   a n d   M .   H e r n a n d e z - A l v a r e z ,   “ L a r g e   s c a l e   r a n so mw a r e   d e t e c t i o n   b y   c o g n i t i v e   se c u r i t y , ”   2 0 1 7   I E EE  2 n d   E c u a d o r   T e c h n i c a l   C h a p t e rs  Me e t i n g ,   ETC M  2 0 1 7 ,   v o l .   2 0 1 7 - Ja n u a r y ,   p p .   1 – 4 ,   2 0 1 8 ,   d o i :   1 0 . 1 1 0 9 / E TC M . 2 0 1 7 . 8 2 4 7 4 8 4 .   [ 3 ]   I .   A .   C h e st i ,   M .   H u ma y u n ,   N .   U .   S a m a ,   a n d   N .   Z .   J h a n j h i ,   “ E v o l u t i o n ,   mi t i g a t i o n ,   a n d   p r e v e n t i o n   o f   r a n so mw a r e , ”     2 0 2 0   2 n d   I n t e r n a t i o n a l   C o n f e ren c e   o n   C o m p u t e r   a n d   I n f o rm a t i o n   S c i e n c e s,   I C C I S   2 0 2 0 ,   2 0 2 0 ,   d o i :   1 0 . 1 1 0 9 / I C C I S 4 9 2 4 0 . 2 0 2 0 . 9 2 5 7 7 0 8 .   [ 4 ]   P .   P .   K u l k a r n i ,   T .   N a f i s,  a n d   S .   S .   B i sw a s ,   “ P r e v e n t i v e   me a s u r e s  a n d   i n c i d e n t   r e sp o n se   f o r   l o c k y   r a n so mw a r e , ”   I n t e r n a t i o n a l   J o u rn a l   o f   Ad v a n c e d   R e se a rc h   i n   C o m p u t e r  S c i e n c e ,   v o l .   8 ,   n o .   5 ,   2 0 1 8 ,   [ O n l i n e ] .   A v a i l a b l e :   w w w . i j a r c s. i n f o .   [ 5 ]   A .   Jeg e d e ,   A .   F a d e l e ,   M .   O n o j a ,   G .   A i m u f u a ,   a n d   I .   J.  M a z a d u ,   “ Tr e n d s   a n d   f u t u r e   d i r e c t i o n s  i n   a u t o m a t e d   r a n so mw a r e   d e t e c t i o n , ”   J o u rn a l   o f   C o m p u t i n g   a n d   S o c i a l   I n f o rm a t i c s ,   v o l .   1 ,   n o .   2 ,   p p .   1 7 – 4 1 ,   2 0 2 2 ,   d o i :   1 0 . 3 3 7 3 6 / j c s i . 4 9 3 2 . 2 0 2 2 .   [ 6 ]   R .   B r e w e r ,   “ R a n s o mw a r e   a t t a c k s :   d e t e c t i o n ,   p r e v e n t i o n   a n d   c u r e , ”   N e t w o r k   S e c u r i t y ,   v o l .   2 0 1 6 ,   n o .   9 ,   p p .   5 – 9 ,   2 0 1 6 ,     d o i :   1 0 . 1 0 1 6 / S 1 3 5 3 - 4 8 5 8 ( 1 6 ) 3 0 0 8 6 - 1.   [ 7 ]   A .   H .   C e l d r á n ,   P .   M .   S .   S á n c h e z ,   M .   A .   C a s t i l l o ,   G .   B o v e t ,   G .   M .   P é r e z ,   a n d   B .   S t i l l e r ,   “ I n t e l l i g e n t   a n d   b e h a v i o r a l - b a s e d   d e t e c t i o n   o f   mal w a r e   i n   I o T  sp e c t r u m  se n s o r s,”   I n t e r n a t i o n a l   J o u r n a l   o f   I n f o r m a t i o n   S e c u ri t y ,   v o l .   2 2 ,   n o .   3 ,   p p .   5 4 1 – 5 6 1 ,   2 0 2 3 ,     d o i :   1 0 . 1 0 0 7 / s 1 0 2 0 7 - 022 - 0 0 6 0 2 - w.   [ 8 ]   S .   H .   K o k ,   A .   A b d u l l a h ,   N .   Z.   Jh a n j h i ,   a n d   M .   S u p r a m a n i a m ,   “ R a n s o mw a r e ,   t h r e a t   a n d   d e t e c t i o n   t e c h n i q u e s :   a   r e v i e w , ”   I J C S N S   I n t e r n a t i o n a l   J o u r n a l   o f   C o m p u t e r   S c i e n c e   a n d   N e t w o rk  S e c u ri t y ,   v o l .   1 9 ,   n o .   8 ,   p .   1 3 6 ,   2 0 1 9 .   [ 9 ]   A .   A l r a i z z a   a n d   A .   A l g a r n i ,   “ R a n s o mw a r e   d e t e c t i o n   u s i n g   ma c h i n e   l e a r n i n g :   a   s u r v e y , ”   Bi g   D a t a   a n d   C o g n i t i v e   C o m p u t i n g ,    v o l .   7 ,   n o .   3 ,   2 0 2 3 ,   d o i :   1 0 . 3 3 9 0 / b d c c 7 0 3 0 1 4 3 .   [ 1 0 ]   P .   O ’ K a n e ,   S .   S e z e r ,   a n d   D .   C a r l i n ,   “ Ev o l u t i o n   o f   r a n so mw a r e , ”   I ET   N e t w o rks ,   v o l .   7 ,   n o .   5 ,   p p .   3 2 1 – 3 2 7 ,   S e p .   2 0 1 8 ,     d o i :   1 0 . 1 0 4 9 / i e t - n e t . 2 0 1 7 . 0 2 0 7 .   [ 1 1 ]   S .   K .   S h a u k a t   a n d   V .   J.  R i b e i r o ,   “ R a n so m W a l l :   a   l a y e r e d   d e f e n se   sy s t e m  a g a i n s t   c r y p t o g r a p h i c   r a n s o mw a r e   a t t a c k s  u s i n g   mac h i n e   l e a r n i n g , ”   2 0 1 8   1 0 t h   I n t e r n a t i o n a l   C o n f e r e n c e   o n   C o m m u n i c a t i o n   S y s t e m s  a n d   N e t w o rks,   C O M S N ETS   2 0 1 8 ,   v o l .   2 0 1 8 - Jan u a r y ,   p p .   3 5 6 – 3 6 3 ,   2 0 1 8 ,   d o i :   1 0 . 1 1 0 9 / C O M S N ETS. 2 0 1 8 . 8 3 2 8 2 1 9 .   [ 1 2 ]   H .   S .   T a l a b a n i   a n d   H .   M .   T .   A b d u l h a d i ,   “ B i t c o i n   r a n so mw a r e   d e t e c t i o n   e mp l o y i n g   r u l e - b a se d   a l g o r i t h ms , ”   S c i e n c e   J o u r n a l   o f   U n i v e rsi t y   o f   Z a k h o ,   v o l .   1 0 ,   n o .   1 ,   p p .   5 – 1 0 ,   2 0 2 2 ,   d o i :   1 0 . 2 5 2 7 1 / s j u o z . 2 0 2 2 . 1 0 . 1 . 8 6 5 .   [ 1 3 ]   I .   B e l l o   e t   a l . ,   “ D e t e c t i n g   r a n s o mw a r e   a t t a c k s  u si n g   i n t e l l i g e n t   a l g o r i t h m s:   r e c e n t   d e v e l o p me n t   a n d   n e x t   d i r e c t i o n   f r o m  d e e p   l e a r n i n g   a n d   b i g   d a t a   p e r sp e c t i v e s , ”   J o u rn a l   o f   Am b i e n t   I n t e l l i g e n c e   a n d   H u m a n i z e d   C o m p u t i n g ,   v o l .   1 2 ,   n o .   9 ,   p p .   8 6 9 9 – 8 7 1 7 ,   2 0 2 1 ,   d o i :   1 0 . 1 0 0 7 / s1 2 6 5 2 - 0 2 0 - 0 2 6 3 0 - 7.   [ 1 4 ]   A .   O .   A l mas h h a d a n i ,   M .   K a i i a l i ,   S .   S e z e r ,   a n d   P .   O ’ K a n e ,   “ A   mu l t i - c l a s si f i e r   n e t w o r k - b a se d   c r y p t o   r a n s o mw a r e     d e t e c t i o n   s y st e m:   a   c a se  s t u d y   o f   l o c k y   r a n s o mw a r e , ”   I EE E   Ac c e ss ,   v o l .   7 ,   p p .   4 7 0 5 3 – 4 7 0 6 7 ,   2 0 1 9 ,   d o i :   1 0 . 1 1 0 9 / A C C ESS . 2 0 1 9 . 2 9 0 7 4 8 5 .   [ 1 5 ]   J.  H w a n g ,   J.  K i m,  S .   Le e ,   a n d   K .   K i m,   “ Tw o - st a g e   r a n s o mw a r e   d e t e c t i o n   u s i n g   d y n a mi c   a n a l y s i s  a n d   ma c h i n e     l e a r n i n g   t e c h n i q u e s, ”   Wi r e l e ss   Pe rs o n a l   C o m m u n i c a t i o n s ,   v o l .   1 1 2 ,   n o .   4 ,   p p .   2 5 9 7 – 2 6 0 9 ,   2 0 2 0 ,     d o i :   1 0 . 1 0 0 7 / s 1 1 2 7 7 - 020 - 0 7 1 6 6 - 9.   [ 1 6 ]   O .   M a k i n d e ,   A .   S a n g o d o y i n ,   B .   M o h a mm e d ,   D .   N e a g u ,   a n d   U .   A d a m u ,   “ D i st r i b u t e d   n e t w o r k   b e h a v i o u r   p r e d i c t i o n   u si n g   m a c h i n e   l e a r n i n g   a n d   a g e n t - b a se d   mi c r o   s i m u l a t i o n , ”   Pr o c e e d i n g s  -   2 0 1 9   I n t e r n a t i o n a l   C o n f e r e n c e   o n   F u t u re   I n t e r n e t   o f   T h i n g s   a n d   C l o u d ,   Fi C l o u d   2 0 1 9 ,   p p .   1 8 2 – 188 ,   2 0 1 9 ,   d o i :   1 0 . 1 1 0 9 / F i C l o u d . 2 0 1 9 . 0 0 0 3 3 .   [ 1 7 ]   M .   P a q u e t - C l o u s t o n ,   B .   H a sl h o f e r ,   a n d   B .   D u p o n t ,   “ R a n so mw a r e   p a y m e n t s   i n   t h e   B i t c o i n   e c o s y st e m, ”   J o u rn a l   o f   C y b e rse c u r i t y ,  v o l .   5 ,   n o .   1 ,   p p .   1 – 1 1 ,   2 0 1 9 ,   d o i :   1 0 . 1 0 9 3 / c y b s e c / t y z 0 0 3 .   [ 1 8 ]   J.  M o d i ,   “ D e t e c t i n g   r a n s o mw a r e   i n   e n c r y p t e d   n e t w o r k   t r a f f i c   u s i n g   ma c h i n e   l e a r n i n g , ”   U n i v e r si t y   o f   V i c t o r i a ,   S a a n i c h ,   2 0 1 9 .   [ 1 9 ]   M .   A m e e r ,   “ A n d r o i d   r a n s o mw a r e   d e t e c t i o n   u si n g   ma c h i n e   l e a r n i n g   t e c h n i q u e s   t o   m i t i g a t e   a d v e r sari a l   e v a s i o n   a t t a c k s, ”     C a p i t a l   U n i v e r si t a s S a i n s  d a n   Te k n o l o g i ,   2 0 1 9 .   [ 2 0 ]   B .   M .   K h a mm a s ,   “ R a n s o mw a r e   d e t e c t i o n   u s i n g   r a n d o m f o r e st   t e c h n i q u e , ”   I C T   Ex p r e ss ,   v o l .   6 ,   2 0 2 0 .   [ 2 1 ]   U .   A d a m u   a n d   I .   A w a n ,   “ R a n so mw a r e   p r e d i c t i o n   u si n g   su p e r v i s e d   l e a r n i n g   a l g o r i t h ms, ”   i n   2 0 1 9   7 t h   I n t e r n a t i o n a l   C o n f e re n c e   o n   Fu t u r e   I n t e r n e t   o f   T h i n g s  a n d   C l o u d   ( Fi C l o u d ) ,   A u g .   2 0 1 9 ,   p p .   5 7 – 6 3 ,   d o i :   1 0 . 1 1 0 9 / F i C l o u d . 2 0 1 9 . 0 0 0 1 6 .   [ 2 2 ]   Y. - L.   W a n ,   J. - C .   C h a n g ,   R . - J .   C h e n ,   a n d   S . - J.  W a n g ,   “ F e a t u r e - se l e c t i o n - b a s e d   r a n s o mw a r e   d e t e c t i o n   w i t h   ma c h i n e   l e a r n i n g   o f   d a t a   a n a l y si s , ”   i n   2 0 1 8   3 r d   I n t e r n a t i o n a l   C o n f e re n c e   o n   C o m p u t e r  a n d   C o m m u n i c a t i o n   S y s t e m s  ( I C C C S ) ,   A p r .   2 0 1 8 ,   p p .   8 5 – 8 8 ,   d o i :   1 0 . 1 1 0 9 / C C O M S . 2 0 1 8 . 8 4 6 3 3 0 0 .   [ 2 3 ]   A .   A l z a h r a n i   e t   a l . ,   “ R a n D r o i d :   s t r u c t u r a l   s i mi l a r i t y   a p p r o a c h   f o r   d e t e c t i n g   r a n s o mw a r e   a p p l i c a t i o n s i n   a n d r o i d   p l a t f o r m, ”   i n   2 0 1 8   I EE E  I n t e r n a t i o n a l   C o n f e r e n c e   o n   El e c t r o / I n f o rm a t i o n   T e c h n o l o g y   ( EI T ) ,   M a y   2 0 1 8 ,   v o l .   2 0 1 8 - M a y ,   p p .   0 8 9 2 – 0 8 9 7 ,   d o i :   1 0 . 1 1 0 9 / EI T. 2 0 1 8 . 8 5 0 0 1 6 1 .   [ 2 4 ]   N .   S c a i f e ,   H .   C a r t e r ,   P .   Tr a y n o r ,   a n d   K .   R .   B .   B u t l e r ,   “ C r y p t o L o c k   ( a n d   D r o p   I t ) :   st o p p i n g   r a n s o mw a r e   a t t a c k s  o n   u ser  d a t a , ”   i n   2 0 1 6   I EEE  3 6 t h   I n t e rn a t i o n a l   C o n f e r e n c e   o n   D i s t ri b u t e d   C o m p u t i n g   S y st e m s (I C D C S ) ,   J u n .   2 0 1 6 ,   v o l .   2 0 1 6 - A u g u s ,   p p .   3 0 3 – 3 1 2 ,   d o i :   1 0 . 1 1 0 9 / I C D C S . 2 0 1 6 . 4 6 .   [ 2 5 ]   D .   S g a n d u r r a ,   L .   M u ñ o z - G o n z á l e z ,   R .   M o h s e n ,   a n d   E .   C .   L u p u ,   “ A u t o m a t e d   d y n a m i c   a n a l y si s   o f   r a n s o mw a r e :   b e n e f i t s,   l i m i t a t i o n s  a n d   u se   f o r   d e t e c t i o n , ”   a rX i v ,   2 0 1 6 ,   [ O n l i n e ] .   A v a i l a b l e :   h t t p : / / a r x i v . o r g / a b s/ 1 6 0 9 . 0 3 0 2 0 .   [ 2 6 ]   A .   Za h r a   a n d   M .   A .   S h a h ,   “ I o T  b a se d   r a n s o mw a r e   g r o w t h   r a t e   e v a l u a t i o n   a n d   d e t e c t i o n   u si n g   c o mm a n d   a n d   c o n t r o l   b l a c k l i st i n g , ”   I C AC   2 0 1 7   -   2 0 1 7   2 3 r d   I EE E  I n t e rn a t i o n a l   C o n f e r e n c e   o n   A u t o m a t i o n   a n d   C o m p u t i n g :   A d d ress i n g   G l o b a l   C h a l l e n g e s   t h r o u g h   Au t o m a t i o n   a n d   C o m p u t i n g ,   2 0 1 7 ,   d o i :   1 0 . 2 3 9 1 9 / I C o n A C . 2 0 1 7 . 8 0 8 2 0 1 3 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 7 7 6   I n t J I n f   &   C o m m u n   T ec h n o l ,  Vo l.  1 4 ,   No .   3 ,  Dec em b er   20 2 5 :   1 0 8 5 - 1 0 9 4   1094   [ 27 ]   L.   G h o u t i   a n d   M .   I mam,   “ M a l w a r e   c l a ssi f i c a t i o n   u si n g   c o m p a c t   i m a g e   f e a t u r e s   a n d   m u l t i c l a ss  s u p p o r t   v e c t o r   ma c h i n e s, ”     I ET I n f o rm a t i o n   S e c u r i t y ,   v o l .   1 4 ,   n o .   4 ,   p p .   4 1 9 – 4 2 9 ,   2 0 2 0 ,   d o i :   1 0 . 1 0 4 9 / i e t - i f s.2 0 1 9 . 0 1 8 9 .   [2 8 ]   E.   Th a k r a n   a n d   A .   K u m a r i ,   “ I mp a c t   o f   ‘ R a n s o mw a r e ’   o n   c r i t i c a l   i n f r a st r u c t u r e   d u e   t o   p a n d e m i c , ”   S S R N   El e c t r o n i c   J o u r n a l ,   2 0 2 3 ,   d o i :   1 0 . 2 1 3 9 / s sr n . 4 3 6 1 1 1 0 .       B I O G RAP H I E S O F   AUTH O RS       G o te ti  Ba d r in a th           h e   re c e iv e d   h is  first  M a ste r ’ s  d e g re e   in   P u re   M a th e m a ti c s  fro m   Na g a rju n a   Un iv e rsity ,   I n d ia,   in   1 9 8 6 .   In   2 0 0 8 ,   h e   e a rn e d   a   M a ste r ’ s  d e g re e   in   Co m p u ter   S c ien c e   a n d   E n g in e e rin g   fr o m   An d h ra   Un i v e rsity ,   In d ia.  He   se rv e d   i n   t h e   M i n istr y   o f   El e c tro n ics   a n d   In f o rm a ti o n   Tec h n o l o g y ,   G o v e rn m e n t  o f  In d ia,  in   v a rio u s c a p a c it ies   fo r  n e a rly   3 0   y e a rs  a n d   re ti re d   a s   S c ien ti st - F .   C u rre n tl y ,   h e   is  p u rsu in g   h is  P h . D.   u n d e r   th e   g u id a n c e   o f   Dr.  Arp it a   G u p ta,  a ss o c iate   p ro fe ss o r  a n d   HO D,  De p a rtme n t  o f  Co m p u ter  S c ien c e   a n d   En g i n e e rin g   a t  KL  De e m e d   to   b e   Un iv e rsity ,   Ko n e r u   Lak sh m a iah   Ed u c a ti o n   F o u n d a ti o n ,   In d ia.  His res e a rc h   in tere sts in c l u d e   c y b e rse c u rit y ,   d e e p   lea rn in g ,   a n d   g e n e ra ti v e   AI.  He   c a n   b e   c o n tac ted   a t  e m a il :  b a d rin a t h . g o te ti @g m a il . c o m .       Dr .   Ar p ita   G u p ta           s h e   re c e iv e d   h e r  P h . D .   fr o m   Na ti o n a l  In st it u te  o f  Tec h n o l o g y ,   Ti ru c h irap a ll i,   In d ia i n   Tran sfe r  L e a rn in g .   S h e   is wo rk i n g   a s a n   As so c iate   P ro fe rss o r  a n d   HO D   in   th e   De p a rtme n t  o f  Co m p u ter   S c ien c e   a n d   En g i n e e rin g . ,   K.L   De e m e d   to   b e   Un iv e rsit y ,   Ko n e ru   Lak s h m a iah   Ed u c a ti o n   F o u n d a ti o n   H y d e ra b a d ,   I n d ia.  He r  re se a c h   wo r k s  h a v e   b e e n   p u b lsih e d   in   n u m e ro u s   p e e r  re v iew e d   jo u rn a ls.   S h e   a lso   h a s  b e e n   a n   a c ti v e   re v iew e r  fo r   m a n y   p e e r  re v iew e d   jo u rn a ls.  S h e   c a n   b e   c o n tac ted   a t  e m a il :  a rp it a g u p ta2 9 9 3 @ g m a il . c o m .     Evaluation Warning : The document was created with Spire.PDF for Python.