基于CWInfoGAN的物联网入侵检测中不平衡数据集增强方法

《Scientific Reports》：Enhancing intrusion detection in IoT networks: CWInfoGAN based data augmentation approach

　　

摘要

物联网（IoT）网络中的入侵检测面临着重大挑战，原因在于高度不平衡的数据集以及不断涌现的演变型网络攻击。少数攻击类别通常表示不足，导致学习偏差和检测性能下降。为解决这一问题，我们开发了CWInfoGAN，这是InfoGAN的一种扩展，优先生成少数类样本。与均匀生成所有攻击类型的标准InfoGAN不同，这种做法可能导致学习偏差以及对表示不足的攻击的检测不足。在TON-IoT数据集上的实验结果表明，基于CWInfoGAN的增强在提供具有竞争力的分类性能的同时，能够实现表示不足的攻击类别的可控生成。这些发现仅适用于所评估的TON-IoT环境，需要在其他物联网入侵检测数据集上进行进一步验证，以评估其通用性。