윤지은 김강석 2023-03 1598-2009 https://aurora.ajou.ac.kr/handle/2018.oak/37670 https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002943606 본 논문에서는 효율적인 네트워크 이상 탐지를 위한 차원 축소 및 오버 샘플링 방법을 비교한다. 다양한 분류 알고리즘들에 오버 샘플링과 차원 축소가 어떠한 영향을 미치는지 분석한다. 오버 샘플링의 평가는 분류 성능 평가 지표들을 사용하여야 하며, 차원 축소 영향의 평가는 단위 샘플 당 처리 속도를 지표로 사용한다. 실험 결과 차원 축소로 가장 눈에 띄게 처리 시간이 줄어든 모델은 KNN과 SVM이었다. 하지만 2차원으로 축소했을 땐 오히려 증가하였다. 오버 샘플링을 적용했을 땐 소수 클래스인 U2R과 R2L의 재현율과 F1 점수가 전반적으로 상승하여, 오버 샘플링은 소수의 공격 클래스 탐지에 유의미한 영향을 준다는 것을 확인하였다. Kor 한국디지털콘텐츠학회 효율적인 네트워크 이상 탐지를 위한 차원축소 및 오버샘플링 방법 비교 Comparison of Dimensional Reduction and Oversampling Methods for Efficient Network Anomaly Detection Article 591 3 583 디지털콘텐츠학회논문지 24 디지털콘텐츠학회논문지, Vol.24 No.3, pp.583-591 Network anomaly detection Machine learning Deep learning Oversampling Dimensionality reduction 네트워크 이상 탐지 기계 학습 딥 러닝 오버 샘플링 차원 축소 Article