불균형 데이터 환경의 침입 탐지 시스템
사물 인터넷(IoT) 인프라에서 생성되는 대규모 정보 시스템 데이터는 심각한 클래스 불균형 문제를 내포하며, 이는 드물지만 치명적인 보안 위협을 탐지하는 침입 탐지 시스템(IDS)의 성능을 저하시킵니다. 기존의 오버샘플링 기법은 소수 클래스 데이터를 합성하여 불균형을 완화하지만, 상당한 계산 오버헤드를 발생시켜 시스템 효율성과 확장성을 저해합니다. 이는 모델의 효과성과 실제 IS 인프라에서의 배포 가능성 사이의 중요한 격차로 작용합니다. 본 연구는 이러한 한계를 극복하기 위해 계산 효율적인 클래스 리샘플링 전략을 제안합니다. 이 …