بهبود نتایج برخی الگوریتم های یادگیری ماشین در سیستم تشخیص نفوذ به کمک متعادل سازی داده ها

یکی از کاربردهای بسیار رایج در دنیای امروز، بحث اینترنت اشیاء صورت می گیرد، یکی از چالش های اساسی اینترنت اشیاء هست، که موجب خسارت شده و هزینه هایی در پی دارد. بنابراین برای جلوگیری از این حملات و کاهش هزینه های ناشی از آن، استفاده از سیستم تشخیص نفوذ می باشد. یکی از ابرازهای رایجی که در جهت تشخیص نفوذ استفاده می شود، الگوریتم یادگیری ماشین است. هدف سیستم تشخیص نفوذ رسیدن به دقت بهینه در الگوریتم های یادگیری ماشین اعمال شده روی داده تشخیص نفوذ است. این الگوریتم ها در صورتی که داده مناسبی به عنوان ورودی دریافت کنند، قادرند با دقت خوبی نفوذ را تشخیص دهند و به جواب بهینه نزدیک شوند. یکی از مشکلات رایجی که مورد غفلت قرار گرفته است، بحث عدم تعادل طبقاتی می باشد. عدم تعادل داده های ورودی موجب کاهش عملکرد الگوریتم های یادگیری ماشین می شود. در این پژوهش، موضوع عدم تعادل روی مجموعه داده تشخیص نفوذ و تاثیر آن در نتایج الگوریتم های یادگیری ماشین مورد بررسی قرار گرفت. نتایج نشان می دهد که متعادل سازی، باعث بهبود کیفیت داده های ورودی به الگوریتم های یادگیری ماشین و نزدیک شدن به جواب بهینه شده است.