عدم تعادل داده ها یک مسئله رایج در یادگیری ماشین و هوش مصنوعی است و پیامدهای آن برای برنامه های مختلف از جمله عملکرد ترانسفورماتور EI برای امنیت است. به عنوان تأمین کننده ترانسفورماتور EI برای امنیت ، درک تأثیر عدم تعادل داده ها برای ما برای افزایش عملکرد محصول ، تأمین نیازهای مشتری و رقابت در بازار برای ما بسیار مهم است.
درک ترانسفورماتور EI برای امنیت
قبل از بررسی تأثیر عدم تعادل داده ها ، درک این موضوع که ترانسفورماتور EI برای امنیت چیست ، ضروری است. ترانسفورماتورهای EI به دلیل ساختار منحصر به فرد و خصوصیات الکتریکی در سیستم های امنیتی مورد استفاده قرار می گیرند. آنها معمولاً از یک هسته E شکل و شکل I تشکیل شده اند که اتصال مغناطیسی کارآمد را فراهم می کند.
در برنامه های امنیتی ، این ترانسفورماتورها در دوربین های نظارتی ، سیستم های کنترل دسترسی و سیستم های هشدار به کار می روند. به عنوان مثال ، در یک دوربین نظارتی ، ترانسفورماتور EI در نیرو دادن به اجزای دوربین و تثبیت منبع تغذیه کمک می کند ، و اطمینان می دهد که دوربین می تواند به طور مؤثر و بدون اشکال مربوط به برق کار کند. به عنوان یک تأمین کننده ، ما طیف وسیعی از ترانسفورماتورهای EI را ارائه می دهیم ، از جملهترانسفورماتورهای قدرتمند دوتایی دوگانه ، دوتایی دوگانهباPCB از ترانسفورماتور EI استفاده کردوتترانسفورماتورهای قدرت پزشکی EI، هر یک متناسب با الزامات امنیتی خاص.
عدم تعادل داده ها چیست؟
عدم تعادل داده ها هنگامی اتفاق می افتد که توزیع کلاس ها در یک مجموعه داده کاهش یابد. در زمینه ترانسفورماتور EI برای امنیت ، این ممکن است در سناریوهایی اتفاق بیفتد که ما از الگوریتم های یادگیری ماشین استفاده می کنیم تا گسلها یا ناهنجاری ها را در ترانسفورماتورها تشخیص دهیم. به عنوان مثال ، موارد عملکرد عادی ترانسفورماتورها ممکن است بسیار بیشتر از موارد غیر طبیعی مانند وقایع کوتاه - مدارهای کوتاه یا بیش از حد باشد.
دو نوع اصلی عدم تعادل داده ها وجود دارد: عدم تعادل کلاس و عدم تعادل متریک. عدم تعادل کلاس به تعداد نامتناسب نمونه ها در کلاسهای مختلف اشاره دارد. عدم تعادل متریک به تفاوت در اهمیت یا ارزش طبقه بندی نادرست در بین طبقات مختلف مربوط می شود. به عنوان مثال ، طبقه بندی نادرست یک ترانسفورماتور معیوب به عنوان عادی بسیار مهم تر از معکوس است ، اما معیارهای عملکرد سنتی ممکن است به اندازه کافی چنین اختلافاتی را به خود اختصاص ندهند.
تأثیر در آموزش مدل
مدلهای مغرضانه
هنگام استفاده از مدل های یادگیری ماشین برای نظارت بر امنیت ترانسفورماتور ، عدم تعادل داده ها می تواند منجر به مدل های مغرضانه شود. این مدل به احتمال زیاد بیشتر روی کلاس اکثریت (عملکرد عادی در مورد ما) متمرکز است زیرا تعداد بسیار بیشتری از نمونه های آموزشی دارد. در نتیجه ، این مدل در تشخیص موارد عادی ماهر می شود اما در شناسایی موارد غیر طبیعی عملکرد ضعیفی دارد. برای یک سیستم امنیتی ، این بدان معنی است که تهدیدات امنیتی بالقوه در ترانسفورماتورها ممکن است کشف نشده باشند و کل زیرساخت های امنیتی را در معرض خطر قرار دهند.
بیش از حد
بیش از حد نتیجه یکی دیگر از پیامدهای عدم تعادل داده ها در طول آموزش مدل است. این مدل بسیار سخت تلاش می کند تا داده های کلاس اکثریت را متناسب کند که به جای یادگیری الگوهای اساسی ، سر و صدای و اصطلاحات موجود در آن داده ها را به خاطر بسپارد. هنگامی که بر روی داده های جدید و واقعی جهانی آزمایش می شود ، این مدل نتوانسته است به خوبی تعمیم دهد ، به خصوص وقتی صحبت از طبقه اقلیت (موارد غیر طبیعی) می شود. این منجر به عملکرد ضعیف در برنامه های امنیتی عملی می شود.
تأثیر بر معیارهای عملکرد
صحت تناقض
دقت یک متریک عملکرد متداول است. با این حال ، در صورت عدم تعادل داده ، دقت می تواند گمراه کننده باشد. اگر 95 ٪ موارد عملکرد ترانسفورماتور طبیعی باشد ، مدلی که به سادگی "طبیعی" را برای هر نمونه پیش بینی می کند ، به دقت 95 ٪ می رسد. اما این مدل برای تشخیص 5 ٪ موارد غیر طبیعی ، که در واقع مواردی هستند که ما از دیدگاه امنیتی به آنها علاقه مند هستیم بی فایده است.
ROC و Precision - یادآوری منحنی ها
منحنی های ROC (ویژگی عامل گیرنده) همچنین می توانند تحت تأثیر عدم تعادل داده ها قرار بگیرند. در بعضی موارد ، منطقه تحت منحنی ROC ممکن است عملکرد خوبی را نشان دهد ، اما لزوماً به معنای این نیست که این مدل می تواند به طور مؤثر کلاس اقلیت را تشخیص دهد. از طرف دیگر ، منحنی های یادآوری - از طرف دیگر ، برای مجموعه داده های نامتعادل مناسب تر هستند. آنها تصویری دقیق تر از توانایی مدل در شناسایی موارد مثبت (غیر طبیعی) ارائه می دهند. یک مدل با دقت بالا به این معنی است که پیش بینی های مثبت کاذب کمی ایجاد می کند ، در حالی که فراخوان بالا به این معنی است که می تواند بیشتر موارد مثبت را ضبط کند.
تأثیر بر برنامه های امنیتی
هشدارهای دروغین
عدم تعادل داده ها می تواند منجر به افزایش هشدارهای دروغین شود. از آنجا که این مدل در تمایز بین موارد طبیعی و غیر طبیعی عملکرد ضعیفی دارد ، ممکن است عملکرد طبیعی را غیر طبیعی طبقه بندی کند. در یک سیستم امنیتی ، هشدارهای دروغین می توانند باعث ایجاد اختلال غیر ضروری ، منابع زباله و کاهش اعتماد به سیستم نظارت شوند.
تهدیدهای از دست رفته
در مقابل ، خطرناک ترین تأثیر تهدیدهای از دست رفته است. هنگامی که این مدل نتواند عملیات ترانسفورماتور غیر طبیعی را تشخیص دهد ، می تواند به حوادث امنیتی جدی منجر شود. به عنوان مثال ، یک مدار کوتاه در یک ترانسفورماتور ممکن است بی توجه باشد ، که می تواند باعث قطع برق ، آسیب رساندن به سایر اجزای امنیتی یا حتی ایجاد خطر آتش سوزی شود.
استراتژی های کاهش
داده ها - رویکردهای سطح
یکی از راه های مقابله با عدم تعادل داده ها از طریق رویکردهای سطح داده است. این شامل بیش از حد نمونه برداری از کلاس اقلیت و نمونه برداری از کلاس اکثریت است. تکنیک های نمونه برداری مانند SMOTE (اقلیت مصنوعی بیش از - تکنیک نمونه برداری) نمونه های مصنوعی را برای کلاس اقلیت ایجاد می کنند و نمایش آن را در مجموعه داده افزایش می دهند. از طرف دیگر ، نمونه برداری از زیر مجموعه ای از نمونه های کلاس اکثریت را به طور تصادفی انتخاب می کند تا توزیع کلاس را متعادل کند.
الگوریتم - رویکردهای سطح
الگوریتم - رویکردهای سطح شامل اصلاح خود الگوریتم های یادگیری ماشین است. به عنوان مثال ، یادگیری حساس هزینه های مختلفی را به انواع مختلف طبقه بندی نادرست اختصاص می دهد. در مورد ما ، طبقه بندی نادرست یک ترانسفورماتور معیوب به عنوان عادی را می توان هزینه بسیار بالاتری نسبت به معکوس اختصاص داد ، و این مدل را وادار به توجه بیشتر به تشخیص موارد غیر طبیعی کرد.
روشهای گروهی
روشهای گروهی برای بهبود عملکرد چندین مدل را ترکیب می کنند. در زمینه عدم تعادل داده ها ، روش های گروه می توانند با آموزش چندین مدل بر روی زیر مجموعه های مختلف داده ها یا با استفاده از الگوریتم های مختلف کمک کنند. این می تواند به یک مدل قوی تر منجر شود که بهتر قادر به عدم تعادل داده ها باشد.
دیدگاه تأمین کننده
ما به عنوان تأمین کننده ترانسفورماتور EI برای امنیت ، اهمیت پرداختن به عدم تعادل داده ها را درک می کنیم. ما دائماً در حال تحقیق و اجرای تکنیک های جدید هستیم تا اطمینان حاصل شود که راه حل های امنیتی ترانسفورماتور ما قابل اعتماد و مؤثر است. به عنوان مثال ، ما در حال بررسی استفاده از تکنیک های پیشرفته قبل از پردازش و الگوریتم های یادگیری حساس برای بهبود عملکرد سیستم های نظارتی مبتنی بر یادگیری دستگاه هستیم.
علاوه بر این ، ما متعهد به جمع آوری داده های با کیفیت بالا از طیف گسترده ای از عملیات ترانسفورماتور هستیم. با همکاری نزدیک با مشتریان ، می توانیم موارد غیر طبیعی تری جمع کنیم و از یک مجموعه داده متعادل تر اطمینان حاصل کنیم. این نه تنها عملکرد محصولات ما را بهبود می بخشد بلکه امنیت کلی سیستمهایی را که ترانسفورماتورهای ما در آن نصب شده اند ، افزایش می دهد.
پایان
عدم تعادل داده ها تأثیر قابل توجهی در عملکرد ترانسفورماتور EI برای امنیت دارد. این امر بر آموزش مدل ، معیارهای عملکرد و برنامه های امنیتی واقعی جهان تأثیر می گذارد. ما به عنوان یک تأمین کننده ، ما به طور جدی در حال کاهش این تأثیرات و ارائه راه حل های امنیتی با کیفیت بالا هستیم. اگر برای امنیت به ترانسفورماتور EI نیاز دارید ، تیم ما آماده است تا محصولات و خدمات متناسب را به شما ارائه دهد. لطفاً برای اطلاعات بیشتر با ما تماس بگیرید و در مورد الزامات خاص خود صحبت کنید. ما مشتاقانه منتظر همکاری با شما هستیم تا امنیت سیستم های خود را تقویت کنیم.
منابع
- او ، H. ، و گارسیا ، EA (2008). یادگیری از داده های نامتعادل. معاملات IEEE در زمینه مهندسی دانش و داده ، 21 (9) ، 1263 - 1284.
- Japkowicz ، N. ، & Stephen ، S. (2002). مشکل عدم تعادل کلاس: یک مطالعه سیستماتیک. تجزیه و تحلیل داده های هوشمند ، 6 (5) ، 429 - 449.
- Chawla ، NV ، Bowyer ، KW ، Hall ، LO ، & Kegelmeyer ، WP (2002). SMOTE: اقلیت مصنوعی بیش از - تکنیک نمونه برداری. مجله تحقیقات هوش مصنوعی ، 16 (1) ، 321 - 357.