Аугментация трафика Интернета вещей с использованием генеративно-состязательных сетей
Авторы:
Аннотация:
Исследуется проблема критического дисбаланса классов в системах обнаружения вторжений (IDS) для сетей Интернета вещей (IoT). Проведено сравнительное исследование результативности различных методов аугментации данных: пяти архитектур генеративно-состязательных сетей (CopulaGAN, CTGAN, CTAB-GAN+ и модификаций MC-WGAN-GP и TMG-GAN) в сопоставлении с традиционными подходами (SMOTE, случайное пересемплирование). Показано, что применение аугментации (как этапа подготовки данных) позволяет восстановить работоспособность классификатора LightGBM в сценариях с критическим дисбалансом, увеличивая показатель F1-macro с 0,03 до 0,81.