处理 Bot-IoT 数据集中的类别不平衡问题
密码学与安全
2024-03-29 v1 人工智能
摘要
随着物联网设备使用的迅速普及，网络入侵检测系统（NIDS）在检测和保护物联网网络中的各类攻击方面发挥着重要作用。为评估 NIDS 在物联网网络中的鲁棒性，现有工作提出了一个真实的物联网网络僵尸网络数据集（Bot-IoT 数据集），并将其应用于基于机器学习的异常检测。该数据集包含不平衡的正常数据包和攻击数据包，因为正常数据包的数量远小于攻击数据包的数量。数据不平衡的特性可能导致难以正确识别少数类。在本文中，为解决 Bot-IoT 数据集中的类别不平衡问题，我们提出了一种采用合成少数类过采样技术（SMOTE）的二分类方法。所提出的分类器旨在利用 SMOTE 算法检测攻击数据包并克服类别不平衡问题。通过数值结果，我们展示了所提出分类器的基本特性以及不平衡数据对其性能的影响。
关键词
引用
@article{arxiv.2403.18989,
title = {Dealing with Imbalanced Classes in Bot-IoT Dataset},
author = {Jesse Atuhurra and Takanori Hara and Yuanyu Zhang and Masahiro Sasabe and Shoji Kasahara},
journal= {arXiv preprint arXiv:2403.18989},
year = {2024}
}