بهبود نتايج برخي الگوريتم هاي يادگيري ماشين در سيستم تشخيص نفوذ به كمك متعادل سازي داده ها

يكي از كاربردهاي بسيار رايج در دنياي امروز، بحث اينترنت اشياء صورت مي گيرد، يكي از چالش هاي اساسي اينترنت اشياء هست، كه موجب خسارت شده و هزينه هايي در پي دارد. بنابراين براي جلوگيري از اين حملات و كاهش هزينه هاي ناشي از آن، استفاده از سيستم تشخيص نفوذ مي باشد. يكي از ابرازهاي رايجي كه در جهت تشخيص نفوذ استفاده مي شود، الگوريتم يادگيري ماشين است. هدف سيستم تشخيص نفوذ رسيدن به دقت بهينه در الگوريتم هاي يادگيري ماشين اعمال شده روي داده تشخيص نفوذ است. اين الگوريتم ها در صورتي كه داده مناسبي به عنوان ورودي دريافت كنند، قادرند با دقت خوبي نفوذ را تشخيص دهند و به جواب بهينه نزديك شوند. يكي از مشكلات رايجي كه مورد غفلت قرار گرفته است، بحث عدم تعادل طبقاتي مي باشد. عدم تعادل داده هاي ورودي موجب كاهش عملكرد الگوريتم هاي يادگيري ماشين مي شود. در اين پژوهش، موضوع عدم تعادل روي مجموعه داده تشخيص نفوذ و تاثير آن در نتايج الگوريتم هاي يادگيري ماشين مورد بررسي قرار گرفت. نتايج نشان مي دهد كه متعادل سازي، باعث بهبود كيفيت داده هاي ورودي به الگوريتم هاي يادگيري ماشين و نزديك شدن به جواب بهينه شده است.