Intelligenza Artificiale per la sicurezza

Dati e dataset: il problema dei dati sbilanciati

In sicurezza c'è tanto traffico normale e pochissimi attacchi: se non lo gestisci, il modello impara a dire sempre "normale".

La lettura vocale non è disponibile su questo browser.

In sicurezza i dati sono quasi sempre sbilanciati: 99% di traffico normale e 1% di attacchi. Se non lo gestisci, il modello "impara" la scorciatoia di dire sempre "normale" — e sbaglia proprio dove conta.

📖 Le parole in breve
Dati sbilanciati
quando una classe (es. gli attacchi) è molto più rara dell'altra.

Perché è un problema

Un modello che dice sempre "normale" su dati 99/1 è "giusto" nel 99% dei casi, ma non rileva nessun attacco: inutile.

Come si gestisce

  • Pesare le classi: dire al modello che sbagliare un attacco costa di più.
  • Bilanciare i dati: aggiungere esempi della classe rara (oversampling) o ridurre quella comune.
# dare più peso alla classe rara (gli attacchi)\nfrom sklearn.ensemble import RandomForestClassifier\nmodello = RandomForestClassifier(class_weight="balanced")\nmodello.fit(X_train, y_train)

Dove trovare i dataset

Esistono dataset pubblici per la sicurezza (malware, traffico di rete, email di phishing). La categoria ne cita diversi nei moduli specifici. Regola d'oro: dati di prova, mai dati reali o personali in fase di sviluppo.

Livio Bollini
Walter Livio Bollini

Matematico & Informatico · Intelligenza Artificiale · Sviluppo Web

Articoli correlati