Verbesserung der Eindringungserkennung durch Datenstörungserweiterungsstrategie

Die Erweiterung von Eindringungsdaten ist ein Ansatz, der verwendet wird, um die Größe der Trainingsdatensätze zu erhöhen und die Klassifikationsfähigkeiten von maschinellen Lernalgorithmen zu verbessern, die auf die Eindringungserkennung angewendet werden. In dieser Studie haben wir Datenstörung eingeführt, indem wir Gaußsches Rauschen zur Minderheitsklasse hinzugefügt haben, die die Eindringungsszenarien repräsentiert. Durch das Anwenden der Divide-Sort, Augment und Combined (SAC)-Technik führten wir Oversampling der Minderheitsklasse von zwei Datensätzen durch, die zum Training des Modells verwendet wurden. Anschließend validierten wir das Modell, um eine hohe Gesamttrefferquote zu erreichen, die auf eine zuverlässige Eindringungserkennung hinweist. Die Leistung des Modells auf dem gestörten Datensatz wurde mit der der SMOTE und ROSE Datenaugmentierungsmethoden verglichen. Die Ergebnisse zeigten, dass die Störung der überproportionalen Daten eine überlegene und nahezu perfekte Klassifikation im Vergleich zu den SMOTE und ROSE Datenaugmentierungstechniken aufwies. Die Wirksamkeit des vorgeschlagenen Ansatzes zur Eindringungserkennung wurde an den unausgeglichenen Datensätzen BoT-IoT und Smart Grids, die zuvor zur Benchmarks verwendet wurden, demonstriert.