Dealing with Imbalanced Classes in Bot-IoT Dataset

随着物联网设备的广泛使用，网络入侵检测系统（NIDS）在检测和保护物联网网络中的各种攻击方面发挥着重要作用。为了评估物联网网络中NIDS的稳健性，现有的研究提出了一个真实的物联网网络中的僵尸网络数据集（Bot-IoT数据集），并将其应用于基于机器学习的异常检测。该数据集包含不平衡的正常和攻击数据包，因为正常数据包的数量远远小于攻击数据包的数量。不平衡数据的本质可能会使得正确识别少数类变得困难。在本论文中，为了解决Bot-IoT数据集中的类别不平衡问题，我们提出了一种采用合成少数类过采样技术（SMOTE）的二元分类方法。所提出的分类器旨在检测攻击数据包并使用SMOTE算法克服类别不平衡问题。通过数值结果，我们展示了所提出的分类器的基本特性以及不平衡数据对其性能的影响。

本论文旨在解决在物联网网络中使用机器学习进行异常检测时，由于数据集不平衡导致的少数类攻击包难以正确识别的问题。

论文提出了一种基于合成少数类过采样技术（SMOTE）的二分类方法，以检测攻击包并克服数据集不平衡问题。

论文使用了Bot-IoT数据集，并通过实验验证了所提出方法的有效性。同时，论文也探讨了数据集不平衡对分类器性能的影响。

在物联网网络中的入侵检测方面，近年来已经涌现出很多相关研究，如《A deep learning approach for IoT intrusion detection system》、《Intrusion detection in IoT using machine learning algorithms》等。