AI通过SMOTE过采样改进物联网入侵检测

研究人员开发了一种新方法，通过解决数据集中类别不平衡问题来改进物联网网络中的入侵检测。他们应用了合成少数类过采样技术（SMOTE）来平衡数据，实现了1.1的不平衡比。这种方法显著提高了对少数类攻击的检测能力，特别是对组合感染的攻击，这通过宏F1分数和混淆矩阵得以体现。Random Forest模型实现了0.9989的微平均F1分数和0.9794的宏F1分数，优于先前的方法。 AI

影响 通过解决类别不平衡问题，增强了网络安全领域AI模型的鲁棒性，这对于检测罕见的攻击向量至关重要。

排序理由 该集群包含一篇学术论文，详细介绍了改进AI模型在特定任务上性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Decision Tree
• Extra Trees
• HistGradientBoosting
• IoT
• k-Nearest Neighbors
• LightGBM
• Multi-Layer Perceptron
• Random Forest
• SMOTE
• XGBoost

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →