डेटा परिवर्तन संवर्धन रणनीति के माध्यम से घुसपैठ पहचान को बढ़ाना

घुसपैठ डेटा संवर्धन एक दृष्टिकोण है जिसका उपयोग प्रशिक्षण डेटा नमूने के आकार को बढ़ाने के लिए किया जाता है ताकि घुसपैठ पहचान के लिए लागू मशीन-लर्निंग एल्गोरिदम की वर्गीकरण क्षमताओं में सुधार किया जा सके। इस अध्ययन में, हमने घुसपैठ परिदृश्यों का प्रतिनिधित्व करने वाली अल्पसंख्यक श्रेणी में गुणनशील शोर जोड़कर डेटा परिवर्तन को प्रस्तुत किया। विभाजित-क्रम, संवर्धन, और संयोजित (SAC) तकनीक का उपयोग करते हुए, हमने मॉडल के प्रशिक्षण के लिए उपयोग किए गए दो डेटा सेट की अल्पसंख्यक श्रेणी पर ओवरसैंपलिंग करने का कार्य किया। इसके बाद, हमने उच्च समग्र सटीकता प्राप्त करने के लिए मॉडल का सत्यापन किया, जो विश्वसनीय घुसपैठ पहचान को इंगित करता है। परिवर्तित डेटा सेट पर मॉडल का प्रदर्शन SMOTE और ROSE डेटा संवर्धन विधियों की तुलना में किया गया। परिणामों ने दिखाया कि ओवरसैंपल किए गए डेटा के परिवर्तन ने SMOTE और ROSE डेटा संवर्धन तकनीकों की तुलना में उत्कृष्ट और लगभग सही वर्गीकरण का प्रदर्शन किया। प्रस्तावित घुसपैठ पहचान दृष्टिकोण की प्रभावशीलता BoT-IoT और स्मार्ट ग्रिड असंतुलित डेटा सेट पर प्रदर्शित की गई है, जिसे पहले बेंचमार्किंग के लिए उपयोग किया गया था।