Mining Key-Hackers from Large Scale Hacker Forums

Abstract

I dagens samfunn omfavner kriminelle mulighetene som internett tilbyr. Organiserte forbrytelser kan gjennomføres i stor skala på nettet, med bare noen få tastetrykk. Svært ofte uten mulighet til å rettsforfølge lovbryterne. Det er flere grunner til at det er så lett for ondsinnede aktører å slippe unna med ulovlige aktivitet. Ulike nasjonale lover og jurisdiksjoner, rettshåndhevelsesevner og mangel på samarbeid mellom land. Internett er som et paradis for både kriminelle på lavt nivå og seriøse aktører. Nå som nettkriminalitet er mer relevant enn noen gang, blomstrer forskning i området, men dette er et katt-og-mus-lek, mellom politi og kriminelle på internett. I denne masteroppgaven undersøkes forskjellige maskinlæringsalgoritmer for å etablere en metode, slik at på identifisering av ondsinnede aktører på internett blir enklere. Tre forskjellige maskin-lærings modeller er brukt for å for å utvikle denne metoden. SVM, Classifier Chains, og K-means- clustering er grunnpilarene i metoden som er testet ut i denne masteroppgaven. Og resultatene bekrefter at denne tilnærmingen lett kan filtrere ut ikke-interessante brukere basert på en et definert standard. Det kan sees på som et godt bidrag til det digitale rettsmedisinske samfunnet og være nyttig under en digital rettsmedisinske undersøkelsesprosess.

In today's society, criminals are embracing the opportunities provided by the interconnected world we live in. Organized crimes can be conducted at large-scale online, with only a few keystrokes. Very often with no chance to legally prosecute the offenders. There could be several reasons why it is so easy for malicious actors to get away with illegal activities such as different national laws and jurisdictions, law enforcement capabilities, and lack of cooperation between countries. The Internet is like a paradise for both, low-level criminals as well as serious actors. As cybercrime becomes more relevant than ever, research in the area is booming, however, this is a cat-and-mouse game between law enforcement and cybercriminals. This thesis explores different machine learning algorithms to create a method for identifying Key-hackers from large scale hacker forums. A combination of supervised and unsupervised learning approaches are used to solve the given task. These are: Binary classification using Support Vector Machine (SVM), multi-label classification using Classifier Chains model, and K-means clustering for cluster analysis. The combination of these three models is the pillar in the methodology proposed. Our results confirmed that this approach can easily filter out non-interesting users based on a defined criterion. It can be seen as a good contribution to the digital forensics community and be helpful during a digital forensics investigation process.