본 논문은 사물 인터넷(IoT) 네트워크의 급증으로 인해 기하급수적으로 증가하는 사이버 위험에 대응하기 위해, 고도로 불균형적인 데이터셋에서 효과적으로 작동하는 침입 탐지 시스템(IDS) 개발에 초점을 맞추고 있습니다. 기존 머신러닝 모델은 정상 데이터의 양이 공격 데이터의 양보다 훨씬 많을 때 공격을 식별하는 데 어려움을 겪어 높은 위협 누락률을 초래할 수 있습니다. 본 연구에서는 이러한 문제를 해결하기 위해 하이브리드 샘플링 기법을 적용하여 IoT 환경에서 데이터 불균형 탐지 정확도를 향상시키는 방법을 제시합니다. 다양한 머신러닝 모델(랜덤 포레스트, 소프트 보팅, 서포트 벡터 분류기, K-최근접 이웃, 다층 퍼셉트론, 로지스틱 회귀)의 성능을 평가한 결과, 랜덤 포레스트 모델이 Kappa 지수 0.9903, 테스트 정확도 0.9961, AUC 0.9994로 최고의 성능을 달성했습니다. 소프트 보팅 모델 또한 높은 정확도(0.9952)와 AUC(0.9997)를 보여 모델 예측 결합의 효용성을 입증했습니다. 본 연구는 하이브리드 샘플링과 강력한 모델 및 특징 선택을 결합하여 특히 고도로 불균형적인 데이터 환경에서 IoT 보안을 크게 향상시킬 수 있음을 보여줍니다.
