Академиялык изилдөөлөр, түшүнүктүү тил

Verianla | Кыргызча академиялык изилдөөлөр жана илим

19 ноябрь 2026, Бейшемби
VERİANLA Көз карандысыз илимий басма
Менюну ачуу же жабуу
...
Башкы бет / Колдонмо илимдер / Компьютер илими / Маалыматтарды ууландыруу жана модель чабуулдары шартында туруктуу машиналык окутуу
Компьютер илими

Маалыматтарды ууландыруу жана модель чабуулдары шартында туруктуу машиналык окутуу

Random Forest негизиндеги туруктуу машиналык окутуу алкагы — окутуу маалыматтарындагы белгилерди зыяндуу түрдө өзгөртүү менен түзүлгөн label-flipping маалыматтарды ууландыруу чабуулдарына каршы тармак трафигин классификациялоонун ишенимдүүлүгүн сактоого багытталган ансамблдик окутуу ыкмасы.

18/11/2026  Veri Anla  186 көрүү
Маалыматтарды ууландыруу жана модель чабуулдары шартында туруктуу машиналык окутуу

Random Forest негизиндеги туруктуу машиналык окутуу алкагы — окутуу маалыматтарындагы класстык белгилерди атайылап зыяндуу түрдө өзгөртүү аркылуу түзүлгөн label-flipping маалыматтарды ууландыруу чабуулдарына каршы тармак трафигин классификациялоонун ишенимдүүлүгүн сактоого багытталган ансамблдик окутуу ыкмасы. Изилдөө кадимки тармак трафиги менен MITM, DDoS_HTTP жана Ransomware класстарын камтыган тең салмакталган маалымат түзүмүндө Random Forest колдонгон; булактагы экрандык чыгарууда төрт класстын ар биринде 1.229 жазуу, ал эми жалпы тазаланган маалыматта 4.916 сап жана 63 мамыча көрсөтүлгөн. Модель үчүн негизги жыйынтык — %98,47 тактык. Бирок макала ууландырылган белгилердин үлүшүн, кайсы белгилер кайсы класска өзгөртүлгөнүн, окутуу/test бөлүнүшүн, дарактардын санын же башка Random Forest гиперпараметрлерин билдирбегендиктен, %98,47 мааниси билдирилген эксперименттик шарттардын ичинде гана чечмелениши керек.

Изилдөөнүн негизги чабуул модели — label-flipping чабуулу: чабуулчу өзгөчөлүк маанилерин өзгөртпөстөн окутуу үлгүлөрүнүн класстык белгилерин өзгөртүп, модель туура эмес чечим чектерин үйрөнүшүнө аракет кылат. Булак Random Forest bootstrap үлгүлөө, кокустук өзгөчөлүктөрдү тандоо жана көп сандагы чечим дарактарынын көпчүлүк добушу аркылуу айрым ууландырылган жазуулардын бүтүндөй ансамблге бирдей деңгээлде таасирин азайта аларын жүйөлөйт. Мындан тышкары, өзгөчөлүк-белги шайкешсиздиктери, дарактар арасындагы жогорку пикир келишпестик, өзгөчөлүк маанилүүлүгү, четтөөлөрдү аныктоо жана ырааттуулук текшерүүлөрү аркылуу шектүү жазууларды белгилөө; андан соң аларды кайра салмактоо же алып салуу жана моделди кайра окутуу сунушталат.

Булактын аталышында “Model Attacks” деген сөз айкашы болуп, архитектурада өзүнчө “model attack and adversarial perturbation layer” аныкталганы менен, билдирилген эксперименттик көрсөткүч негизинен label-flipping маалымат ууландыруу сценарийине таянат. Булакта өзүнчө backdoor, inference-time adversarial perturbation же башка модель чабуулу үчүн көз карандысыз чабуул интенсивдүүлүгү, тест протоколу жана көрсөткүч таблицасы берилген эмес. Ошондуктан изилдөөнүн %98,47 жыйынтыгын бардык модель чабуулдарына каршы жалпы туруктуулуктун далили катары чечмелөө туура эмес.

4-сүрөттөгү классификациялык отчет төрт сандык класс үчүн support маанисин 1.229 деп көрсөтөт. 0-класс үчүн precision/recall/F1 1,00/1,00/1,00; 1-класс үчүн 0,94/1,00/0,97; 2-класс үчүн 1,00/1,00/1,00; 3-класс үчүн 1,00/0,94/0,97 болуп көрүнөт. Бирок PDF бул сандык класс коддорун MITM, Normal, DDoS_HTTP жана Ransomware аттары менен ачык дал келтирүү таблицасында бербегендиктен, кайсы аталыштагы класстын 0,94 precision же 0,94 recall маанисине ээ экенин ишенимдүү айтууга болбойт.

Маалыматтарды ууландыруу машиналык окутуу үчүн эмне үчүн өзгөчө коопсуздук көйгөйү?

Машиналык окутуу модели алгоритмден гана турбайт; модель үйрөнгөн чечим түзүмү окутуу маалыматтарына көз каранды. Маалыматтарды ууландыруу чабуулунда чабуулчу модель окутулуп жатканда колдонулган маалыматтарды манипуляциялап, моделдин кийин туура эмес чечимдерди кабыл алышын көздөйт. Ошондуктан чабуул тест киргизүүсүн гана алдоого эмес, моделдин үйрөнүү процессинин өзүн бузууга багытталат.

Булак изилдөө көңүл бурган жагдайда чабуулчу тармак пакеттеринен же тармак жазууларынан чыгарылган өзгөчөлүктөрдү өзгөртүүнүн ордуна класстык белгилерди өзгөртөт. Мындай жазуу сыртынан караганда кадимки тармак жазуусундай көрүнүшү мүмкүн; бирок жазуунун “кайсы класска таандык экени” тууралуу маалыматтын өзгөртүлүшү модель өзгөчөлүктөр менен класстын ортосундагы туура эмес байланышты үйрөнүшүнө себеп болушу мүмкүн.

Label-Flipping Чабуулу Деген Эмне?

Label-flipping чабуулу — окутуу үлгүлөрүнүн өзгөчөлүк маанилерин негизинен сактап, туура класстык белгилерди атайылап башка класстык белгилерге алмаштырган маалыматтарды ууландыруу чабуулу; бул изилдөөдө максат — тармак трафигинин өзгөчөлүктөрү менен берилген класс белгисинин ортосундагы байланышты бузуп, классификаторго туура эмес чечимдерди үйрөтүү.

Өзгөчөлүк өзгөрбөй, белги өзгөрсө аныктоо эмне үчүн кыйындайт?

Четтөө чабуулунда зыяндуу үлгү физикалык же статистикалык жактан кадимки бөлүштүрүүдөн алысташы мүмкүн. Label-flipping чабуулунда болсо өзгөчөлүк вектору кадимки трафик жазуусуна окшош болушу мүмкүн. Көйгөй өзгөчөлүктөрдө эмес, белгинин ишенимсиздигинде. Ошондуктан “адаттан тыш мааниси барбы?” деген текшерүү гана жетишсиз болушу мүмкүн; өзгөчөлүк-белги байланышы, дарактар арасындагы чечим айырмачылыктары жана кайра окутканда пайда болгон ырааттуулук да маанилүү болот.

Маалыматтарды ууландыруу менен модель чабуулу бир эле нерсе эмес

Булак киришүү бөлүмүндө маалыматтарды ууландырууну окутуу маалыматтарынын бузулушу менен, ал эми модель чабуулдарын окутуу же inference баскычындагы алсыздыктарды пайдалануу менен байланыштырат. Модель чабуулдары backdoor жүрүм-турумдары же туура эмес классификацияны пайда кылган adversarial манипуляциялар сыяктуу кеңири тармакты камтышы мүмкүн. Бирок бул макаланын эксперименттик бөлүмү бул чабуул үй-бүлөсүнүн баарын салыштырмалуу түрдө текшербейт; сандык баалоо label-flipping сценарийине топтолот.

Изилдөөнүн маалымат түзүмү

Макаланын abstract бөлүмүндө ар бир класста 1.229 жазуу бар экени жана тармактан 63 өзгөчөлүк чыгарылганы айтылат. 4-беттеги 3-сүрөттүн экрандык чыгарылышы болсо төрт тең салмакталган классты ачык көрсөтөт: MITM, Normal, DDoS_HTTP жана Ransomware. Ошол эле экрандык чыгарууда тазаланган маалымат топтому “4916 rows × 63 columns” болуп көрүнөт.

КлассБулакта көрүнгөн жазуу саныСтатус
MITM1.2293-сүрөттөгү консоль чыгарылышында ачык тизмеленген.
Normal1.2293-сүрөттөгү консоль чыгарылышында ачык тизмеленген.
DDoS_HTTP1.2293-сүрөттөгү консоль чыгарылышында ачык тизмеленген.
Ransomware1.2293-сүрөттөгү консоль чыгарылышында ачык тизмеленген.
Жалпы4.9161.229 × 4; 3-сүрөттөгү жалпы сап саны менен бирдей.

Бул жерде маанилүү отчеттук детал бар. Abstract “63 features” деген сөз айкашын колдонсо, 3-сүрөт маалымат фреймин 63 мамыча катары көрсөтөт жана көрүнүп турган мамычалардын арасында Attack_label менен Attack_type да бар. PDF максаттык/белги мамычалары чыгарылгандан кийин чындап эле 63 көз карандысыз predictor колдонулган-колдонулбаганын ачык ажыратпайт. Ошондуктан Verianla булактын атынан “так 63 predictor өзгөчөлүк колдонулган” деген жыйынтык чыгарбайт.

Булакта көрүнгөн тармак өзгөчөлүктөрү эмнени билдирет?

Булак бардык 63 талаанын толук маалымат сөздүгүн түз бербейт. Текст frame.time, ip.src_host жана ip.dst_host сыяктуу талааларды мисал кылат. 5-беттеги чабуул жана normal үлгү колтамга графиктеринин x огунда ARP, ICMP, HTTP, TCP, UDP, DNS, MQTT жана Modbus/TCP менен байланышкан ар кандай талаа аттары да көрүнөт. Булар трафик агымынын убактысын, булак/максат даректерин, протокол жүрүм-турумун, портторду, ирет/узундук маалыматтарын же колдонмо катмарынын билдирүү өзгөчөлүктөрүн билдириши мүмкүн.

Бирок 5-сүрөт менен 6-сүрөттүн y огунда өлчөө бирдиги жана ар бир тилкенин кантип нормалдаштырылганы түшүндүрүлгөн эмес. Ошондуктан бул эки графикти “кайсы протокол өзгөчөлүгү илимий жактан мынча маанилүүрөөк” деген сандык feature-importance графиктери катары чечмелөөгө болбойт. Булак аларды attack жана normal белгилүү үлгү тармак колтамгаларынын визуалдык чыгарылышы катары колдонот.

Моделдин негизги коргонуу өзөгү: Random Forest

Random Forest — бир нече чечим дарагын ар башка bootstrap маалымат үлгүлөрү жана кокустук өзгөчөлүк ички топтомдору боюнча окутуп, алардын божомолдорун ансамблдик чечимге бириктирген ыкма. Булактын коргонуу логикасы ууландырылган бир жазуунун бардык дарактарга бирдей таасир этпешине жана бир дарактын катасы көпчүлүк добуш берүүдө басаңдай алышына негизделет.

Макала таза/оригинал маалымат топтомун математикалык түрдө D, ууландырылган үлгүлөрдү Dp жана алар түзгөн бузулган окутуу топтомун D′ менен көрсөтөт:

\[ D' = D \cup D_p \]

Бул туюнтма эмнени билдирет? Булак таза маалымат менен ууландырылган же туура эмес белгиленген үлгүлөр бирге окутуу топтомун түзгөн концептуалдык абалды топтомдордун биригүүсү аркылуу көрсөтөт. Бул теңдеме чабуулду түзүүнүн толук алгоритмин бербейт; канча жазуу ууландырылганы, кайсы класстан кайсы класска өзгөртүлгөнү же ууландыруу үлүшү канча экени PDF-де айтылган эмес.

Random Forest Label-Flipping Чабуулдарына Каршы Эмне Үчүн Туруктуулук Бере Алат?

Random Forest ар бир чечим дарагын bootstrap аркылуу тандалган ар башка үлгүлөр жана ар башка өзгөчөлүк ички топтомдору боюнча окуткандыктан, ууландырылган жазуулардын таасири бардык дарактарга бирдей таралбашы мүмкүн; акыркы чечимдин көп сандагы дарактардын көпчүлүк добушу менен чыгарылышы да айрым дарак каталарынын таасирин азайтышы мүмкүн, бирок бул механизм Random Forest-ты маалыматтарды ууландырууга каршы автоматтык же шартсыз иммундуу кылбайт.

Bootstrap үлгүлөө эмне кылат?

Bootstrap үлгүлөөдө ар бир чечим дарагы окутуу топтомунан кайталап тандоого уруксат берилген үлгүлөө аркылуу ар башка ички маалымат топтомун көрөт. Булактын чечмелөөсүнө ылайык, бул түзүм уулуу жазуулардын айрым дарактарга гана таасир этишине жана бүт ансамблдин бир эле бузулууга кабылбашына жардам бериши мүмкүн. Бирок реалдуу таасир ууландыруу үлүшүнө, класстардын түзүмүнө жана дарактардын санына көз каранды; макала бул параметрлерди деталдуу эксперимент сериясы менен билдирбейт.

Кокустук өзгөчөлүк тандоо эмне кылат?

Чечим дарагындагы ар бир бөлүнүүдө өзгөчөлүктөрдүн ички топтомунун гана бааланышы дарактардын ортосунда ар түрдүүлүк түзөт. Муну менен бардык дарактардын бир эле өзгөчөлүк байланышынын ашыкча көз карандылыгына түшүүсү азайышы мүмкүн. Булак муну ууландырылган үлгүлөрдөгү белгилүү өзгөчөлүк-белги шайкешсиздиктеринин чечим чектерине дайыма бир багытта таасир этишин чектеген механизм катары көрсөтөт.

Көпчүлүк добуш берүү кантип эсептелет?

Булак Random Forest-тын акыркы класс чечимин төмөнкү теңдеме менен берет:

\[ \hat{y} = \operatorname*{arg\,max}_{c} \sum_{t=1}^{T} \mathbb{I}\bigl(h_t(x)=c\bigr) \]

Формула эмнени эсептейт? Ар бир дарак кайсы класска добуш бергенин санап, эң көп добуш алган классты акыркы божомол катары тандайт.

  • \(\hat{y}\): Random Forest акырында божомолдогон класс.
  • \(c\): Талапкер класс белгиси.
  • \(T\): Ансамблдеги чечим дарактарынын саны.
  • \(h_t(x)\): \(t\)-чечим дарагынын \(x\) үлгүсү үчүн чыгарган классы.
  • \(\mathbb{I}(\cdot)\): Шарт туура болсо 1, туура эмес болсо 0 болгон көрсөткүч функциясы.
  • \(\sum\): Белгилүү класс үчүн жалпы добуш саны.
  • \(\operatorname*{arg\,max}\): Эң көп добуш берген классты тандаган операция.

Теңдеменин бирдиги жок; ал класс добуштарын саноо аркылуу чечим чыгарат. Мисалы, бир класс эң көп дарак тарабынан тандалса, акыркы Random Forest чыгарылышы ошол класс болот. Булак колдонулган реалдуу дарак саны \(T\)-ни билдирбейт.

Дарактар арасындагы пикир келишпестик эмне үчүн шектүүлүк сигналы катары колдонулат?

Булактагы системада бир эле үлгү боюнча чечим дарактарынын божомолдорунда жогорку пикир келишпестик болушу шектүү абал катары бааланат. Логикасы — өзгөчөлүктөр менен дайындалган белги ортосунда адаттан тыш байланыш болгондо ар башка bootstrap үлгүлөрүн жана өзгөчөлүк ички топтомдорун колдонгон дарактар азыраак ырааттуу чечим чыгарышы мүмкүн. Ошол эле учурда макала “жогорку пикир келишпестик” үчүн сандык чек бербейт.

Өзгөчөлүк маанилүүлүгү, четтөө жана ырааттуулук текшерүүлөрү

Булак Random Forest чыгарылышын жалгыз колдонбой, feature importance талдоосу, outlier detection жана consistency checks аркылуу ууландырылган жазууларды бөлүп алууну көздөйт. Шектүү деп белгиленген жазууларды кайра салмактоого же маалымат топтомунан алып салууга, андан соң моделди кайра окутууга болору айтылат.

Бирок PDF төмөнкү деталдарды бербейт: колдонулган четтөө алгоритминин аталышы, feature-importance түрү, ырааттуулук упайынын математикалык аныктамасы, чек маанилери, кайра салмактоо коэффициенти жана жазуу кайсы шартта өчүрүлөрү. Ошондуктан бул компоненттерди булак сүрөттөгөндөн да деталдуу алгоритмге айлантуу туура болбойт.

Булак изилдөөнүн методунда жана 1-сүрөттө сүрөттөлгөн илимий байланыштардан чыгып Verianla үчүн өз алдынча даярдалган масштабсыз метод схемасы. Булактагы сүрөттүн жайгашуусу, иконалары жана визуалдык композициясы көчүрүлгөн эмес; “adversarial perturbation” катмарынын өзүнчө эксперименттик көрсөткүчү булакта билдирилбегендиктен, бул чектөө схемада өзүнчө белгиленген.

Булак архитектурасынын сегиз функционалдык компоненти

КомпонентБулакта берилген функцияЧечмелөө чеги
Data Poisoning Input LayerТуура эмес өзгөртүлгөн же туура эмес белгиленген окутуу үлгүлөрүн билдирет.Ууландыруу үлүшү жана label-flip матрицасы билдирилген эмес.
Model Attack / Adversarial Perturbation LayerОкутуу же inference учурунда моделди адаштырууга багытталган adversarial манипуляцияларды билдирет.Өзүнчө сандык чабуул эксперименти берилген эмес.
Robust Random Forest CoreКокустук маалымат/өзгөчөлүк ички топтомдорунда көп сандагы чечим дарактарын окутат.Дарак саны жана гиперпараметрлер билдирилген эмес.
Individual Decision TreesАр башка маалымат бөлүктөрүнөн көз карандысыз чечим эрежелерин үйрөнөт.Ар бир дарактын өзүнчө көрсөткүчү билдирилген эмес.
Ensemble VotingДарак добуштарын көпчүлүк чечими менен бириктирет.Добуш ишеним чеги же tie-break эрежеси түшүндүрүлгөн эмес.
Secure Prediction OutputEnsemble consensus негизинде акыркы божомол чыгарат.“Secure” термини талаадагы коопсуздук кепилдигин билдирбейт.
Anomaly Detection and AlertLabel-flipping же adversarial жүрүм-турум менен байланышкан адаттан тыш божомол үлгүлөрүн белгилейт.Сигнал чеги жана өзүнчө detection метрикасы билдирилген эмес.
Reliable System OutputБожомол менен аномалия көрсөткүчүн бирге берүүнү көздөйт.Узак мөөнөттүү production reliability тести жок.

“Реалдуу убакыттагы” NetIDS чыгарылышын кантип чечмелөө керек?

Макала 5-сүрөттө Network Intrusion Detection System (NetIDS) экраны учурдагы тармак абалын “Attack”, ал эми чабуул түрүн “DDoS_HTTP” деп белгилегенин түшүндүрөт. Бул иштеп жаткан прототип чыгарылышынын мисалы. Бирок булак throughput, пакет/секунда мүмкүнчүлүгү, end-to-end latency, CPU/RAM колдонулушу же кечигүү бөлүштүрүлүшү сыяктуу реалдуу убакыт көрсөткүчтөрүн билдирбейт. Ошондуктан “реалдуу убакыттагы көрсөтүү” менен “жогорку көлөмдөгү production тармагында тастыкталган реалдуу убакыт көрсөткүчү” бир нерсе эмес.

Бул Изилдөөдө “Model Attacks” Өзүнчө Эксперимент Катары Текшерилгенби?

Булак архитектурада модель чабуулдары жана adversarial perturbation үчүн өзүнчө катмар аныктаса да, жарыяланган сандык баалоо label-flipping маалымат ууландыруу сценарийине топтолот; backdoor, evasion же башка модель чабуулу үчүн көз карандысыз чабуул интенсивдүүлүгү, контролдук топ, метрика таблицасы же өзүнчө салыштырма жыйынтык билдирилген эмес.

Адабияттагы боштук кантип коюлган?

Булак мурунку иштердин олуттуу бөлүгү моделдерди таза жана идеалдуу маалымат шартында баалаганын, ар башка чабуул интенсивдүүлүктөрү жана чабуул түрлөрү алдында модель үй-бүлөлөрүн системалуу салыштырууда боштук бар экенин жүйөлөйт. Ошондой эле тиешелүү адабиятта anomaly detector poisoning, RONI ыкмасы, clean-label poisoning, generative poisoning жана DNN маалымат ууландыруу иштери талкууланат.

Ошентсе да, учурдагы макаланын өз эксперименттик дизайны киришүүдө аныкталган кеңири боштуктун баарын жапкан комплекстүү көп-модель жана көп-чабуул benchmark эмес. Колдонулган негизги модель Random Forest, негизги эксперименттик чабуул болсо label-flipping.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө дизайнынын булакта көрүнгөн ирети

  1. Модель адегенде таза маалыматта окутулган.
  2. Label-flipping чабуулдары симуляцияланып, окутуу белгилери атайылап өзгөртүлгөн.
  3. Тармак трафигинен статистикалык, түзүмдүк жана жүрүм-турумдук өзгөчөлүктөр чыгарылган.
  4. Random Forest clean/poisoned же туура/туура эмес белги байланыштарындагы үлгүлөрдү ажыратуу үчүн колдонулган.
  5. Дарак божомолдору көпчүлүк добуш берүү менен бириктирилген.
  6. Дарактар арасындагы пикир келишпестик, өзгөчөлүк маанилүүлүгү, outlier detection жана consistency checks колдонулуп, шектүү үлгүлөр белгиленген.
  7. Шектүү үлгүлөрдү кайра салмактоо же алып салуу жана моделди кайра окутуу каралган.
  8. Акыркы көрсөткүч classification report жана %98,47 accuracy менен билдирилген.

Эксперименттик маалымат топтомунун сандык кыскача мазмуну

ЭлементБулакта билдирилген маалыматАчыктык абалы
Жалпы жазуу4.9163-сүрөттүн экрандык чыгарылышында көрүнөт.
Класс саны4MITM, Normal, DDoS_HTTP, Ransomware болуп көрүнөт.
Ар бир класстагы жазуу1.229Abstract, Results жана 3-сүрөт менен шайкеш.
Маалымат тең салмагыТең салмакталганАр бир класс бирдей support маанисине ээ.
Өзгөчөлүк/мамыча саныAbstract: 63 өзгөчөлүк; 3-сүрөт: 63 мамычаБелги мамычалары 63 санынын ичинде экени же эмес экени так ажыратылган эмес.
Программалоо тилиPythonБулак муну ачык айтат.
МодельRandom ForestНегизги коргонуу/классификация модели.
Негизги чабуулLabel-flippingЭксперименттик баалоонун борбору.
Accuracy%98,47Булактын негизги билдирилген жыйынтыгы.

Classification report эмнени көрсөтөт?

Сандык классPrecisionRecallF1-scoreSupport
01,001,001,001.229
10,941,000,971.229
21,001,001,001.229
31,000,940,971.229
Macro average0,990,980,984.916
Weighted average0,990,980,984.916

4-сүрөттөгү classification report сабы accuracy маанисин эки ондук көрсөтүүдө 0,98 маанисине тегеректесе, ошол эле консоль чыгарылышынын астында “Accuracy: 98.47%” маалыматы берилет. Verianla негизги жыйынтыкты булакта ачык берилген %98,47 катары сактайт.

Сандык 0–3 класстарынын MITM, Normal, DDoS_HTTP жана Ransomware класстарына дал келиши classification report ичинде аттары менен берилген эмес. 3-сүрөт төрт класс аталышынын ар биринде 1.229 жазуу бар экенин гана көрсөтөт. Ошондуктан “MITM precision 0,94” же “Ransomware recall 0,94” деп дал келтирүү булакта жок маалыматты жаратуу болмок.

Precision, recall жана F1-score эмнени өлчөйт?

Төмөнкү формулалар макаланын оригинал теңдемелери эмес; булакта билдирилген көрсөткүч метрикаларынын стандарттык маанисин түшүндүрүү үчүн берилген.

\[ Precision = \frac{TP}{TP+FP} \]

Precision модель белгилүү бир класс деп божомолдогон үлгүлөрдүн канчасы чындап ошол класска таандык экенин өлчөйт.

\[ Recall = \frac{TP}{TP+FN} \]

Recall чындап белгилүү бир класска таандык үлгүлөрдүн канчасы модель тарабынан табылганын өлчөйт.

\[ F1 = 2\frac{Precision\times Recall}{Precision+Recall} \]

F1-score precision менен recall ортосунда гармониялык орточону түзөт. Булакта ар бир класс бирдей support маанисине ээ болгондуктан macro average менен weighted average маанилеринин бири-бирине абдан жакын болушу күтүлөт; билдирилген таблицада эки орточо тең precision үчүн 0,99, recall жана F1 үчүн 0,98 болуп көрүнөт.

%98,47 Тактык Жыйынтыгын Кантип Чечмелөө Керек?

%98,47 accuracy булак билдирген маалымат түзүмү жана Random Forest колдонулушу шартында классификация божомолдорунун басымдуу бөлүгү туура болгонун көрсөтөт; бирок ууландырылган үлгүлөрдү аныктоо көрсөткүчү өзүнчө %98,47 экени, бардык label-flipping интенсивдүүлүктөрүндө ошол эле көрсөткүч сакталаары же реалдуу production тармагында ошол эле жыйынтык алынары бул изилдөөдө өзүнчө көрсөтүлгөн эмес.

98,47% кайсы тапшырмага таандык?

Макаланын баяндоосу %98,47 маанисин label-flipping чабуулдарына каршы туруктуулуктун ийгилиги катары чечмелейт. Бирок 4-сүрөттөгү көрүнгөн classification report төрт класс коду үчүн көрсөткүч берет жана ар бир класста 1.229 support бар. Булак “poisoned sample” жана “clean sample” деген өзүнчө экилик detection класстары үчүн confusion matrix же poisoned-sample detection rate бербейт.

Ошондуктан %98,47 көрсөткүчүн эң коопсуз түрдө “изилдөөнүн label-flipping контекстинде билдирген төрт класстуу классификация accuracy-си” деп окуу керек. Белгиси ууландырылган жазуулардын өзүн табуу сезгичтиги үчүн булакта өзүнчө сан жок.

Окутуу/test бөлүнүшү эмне үчүн маанилүү жетишпестик?

Макала train/test split катышын, cross-validation түзүлүшүн же көз карандысыз hold-out test топтомун түшүндүрбөйт. 3-сүрөттө тазаланган маалымат топтому 4.916 сап деп көрүнсө, 4-сүрөттөгү classification report support суммасы да 4.916. Бул байкоо көрсөткүч кайсы маалымат ички топтомунда эсептелгенин кайра өндүрүлө тургандай текшерүүнү кыйындатат.

Бул абалдан автоматтык түрдө “модель окутуу маалыматында текшерилген” деген жыйынтык чыгарууга болбойт; булак эксперимент кодун жана маалымат бөлүү кадамдарын жетиштүү деталдуу көрсөтпөгөндүктөн, туура билдирүү — көз карандысыз test бөлүнүшү PDFден тастыкталган эмес.

Гиперпараметрлер билдирилгенби?

Жок. Булак Random Forestтагы чечим дарактарынын санын, максималдуу тереңдикти, минималдуу leaf өлчөмүн, max_features параметрин, bootstrap параметрлерин, random seed же class_weight параметрин бербейт. Ошондой эле feature-importance эсептөө түрү, outlier detector жана кайра салмактоо параметрлери да билдирилген эмес.

Label-flipping чабуулунун интенсивдүүлүгү билдирилгенби?

Жок. Булак белгилер атайылап өзгөртүлгөнүн жана модель адегенде clean data боюнча окутулгандан кийин label-flipping симуляциясына дуушар болгонун айтат; бирок жалпы жазуулардын канча пайызы өзгөртүлгөнү, кайсы класстан кайсы класска которулганы жана чабуул кокустукпу же максаттуубу — ачык билдирилген эмес.

Төрт класстын тең салмакталган болушу эмнени билдирет?

Ар бир класста 1.229 жазуу болушу баалоодо чоң класс кичине класстарды сан жагынан басып кетишине жол бербейт. Бирок тең салмакталган маалымат топтому реалдуу өндүрүш тармагындагы чабуулдардын кездешүү жыштыгын сөзсүз түрдө билдирбейт. Булак реалдуу дүйнөлүк prevalence боюнча кайра салмакталган талаа тестин бербейт.

Булактын 5-сүрөт жана 6-сүрөт жыйынтыктары

5-беттеги 5-сүрөт “Attack label”, 6-сүрөт болсо “Normal label” үчүн тандалган IP network signature тилке графиктерин көрсөтөт. Эки графикте протокол жана тармак талааларынын үлгү деңгээлиндеги ар башка маанилери визуалдаштырылган. Булак бул графиктердин y огунда физикалык бирдик же нормалдаштыруу аныктамасын бербегендиктен, тилке бийиктиктеринен так илимий чек же feature importance упайы чыгарылган эмес.

Булакта ачык билдирилген негизги жыйынтыктар

  • Random Forest негизиндеги алкак үчүн негизги accuracy %98,47 деп билдирилген.
  • Төрт сандык класстын ар биринде support 1.229.
  • 0 жана 2 класстары үчүн көрүнгөн precision, recall жана F1-score маанилери 1,00.
  • 1-класс үчүн precision 0,94, recall 1,00, F1-score 0,97.
  • 3-класс үчүн precision 1,00, recall 0,94, F1-score 0,97.
  • Macro жана weighted average precision 0,99; recall 0,98; F1-score 0,98 болуп көрүнөт.
  • Булак Random Forest ансамблдик түзүмү label-flipping таасирин азайта аларын чечмелейт.
  • Булак feature-label discrepancy, tree disagreement, outlier detection, consistency check жана feature importance компоненттерин уулуу үлгүлөрдү белгилөө үчүн чогуу сүрөттөйт.

Изилдөө колдобогон жыйынтыктар

  • %98,47 мааниси бардык data poisoning түрлөрүндө жарактуу экени көрсөтүлгөн эмес.
  • Backdoor же башка модель чабуулдары үчүн %98,47 ийгилик көрсөтүлгөн эмес.
  • Poisoned-sample detection rate өзүнчө метрика катары билдирилген эмес.
  • Реалдуу өндүрүш тармагында latency, throughput же узак мөөнөттүү көрсөткүч текшерүүсү жүргүзүлгөн эмес.
  • Моделдин ар башка poison үлүштөрүндө кандай иштээри көрсөтүлгөн эмес.
  • Random Forest башка моделдер менен ошол эле маалыматта көзөмөлдөнгөн benchmarkтан өткөрүлгөн эмес.
  • Белгилүү named class менен 0–3 сандык class коддорунун дал келүүсү ачык берилген эмес.
  • 63 мамычанын баары predictor feature экени тастыкталбайт.
  • Көз карандысыз hold-out test топтому же cross-validation процедурасы PDFден тастыкталбайт.

Кайра өндүрүлүүчүлүк жагынан жетишсиз билдирилген маалыматтар

МаалыматАбалыЭмне үчүн маанилүү?
Маалымат топтомунун түпкү булагы / жүктөө дарегиБилдирилген эмесКөз карандысыз кайра өндүрүүнү кыйындатат.
Train/validation/test splitБилдирилген эмесЖалпылоо көрсөткүчү кантип өлчөнгөнү тастыкталбайт.
Cross-validationБилдирилген эмесБир бөлүнүүгө көз карандылык бааланбайт.
Poisoning үлүшүБилдирилген эмесТуруктуулуктун чабуул күчүнө жараша өзгөрүшү белгисиз.
Label-flip дал келтирүү эрежесиБилдирилген эмесКайсы класстар кайсы класстарга өзгөртүлгөнү белгисиз.
Random Forest дарак саныБилдирилген эмесАнсамблдин кубаттуулугун кайра курууга болбойт.
Башка Random Forest гиперпараметрлериБилдирилген эмесМодель жүрүм-туруму жана overfitting тобокелдиги бааланбайт.
Random seedБилдирилген эмесЭксперименттин кайталануучулугу азаят.
Outlier detection алгоритми/чегиБилдирилген эмесШектүү жазууларды табууну кайра өндүрүүгө болбойт.
Reweighting/removal эрежесиБилдирилген эмесМаалымат тазалоо кадамы сандык жактан белгисиз бойдон калат.
Poison detection confusion matrixБилдирилген эмес“Уулуу жазууну табуу” ийгилиги өзүнчө өлчөнбөйт.
Аппараттык жабдуу жана иштөө убактысыБилдирилген эмесРеалдуу убакыт көрсөткүчү бааланбайт.

Изилдөөнүн илимий баалуулугу эмнеде?

Булактын эң ачык салымы — label-flipping коркунучун тармактык чабуулдарды классификациялоо контекстинде карап, Random Forest ансамблдик түзүмүн, feature-label consistency текшерүүсүн жана шектүү жазууларды тазалоону бир коргонуу агымында бириктиргенинде. Изилдөө ошондой эле төрт тең салмакталган класста жогорку классификация көрсөткүчүн билдирет.

Ошол эле учурда макаланын кыскалыгы жана эксперимент деталдарынын чектелүү берилиши жыйынтыкты кайра өндүрүү жана ар башка poisoning интенсивдүүлүктөрүнө жалпылоо боюнча ачык суроолорду калтырат. Бул чектөөлөрдү көрүнүктүү сактоо изилдөөнүн жыйынтыгын төмөндөтүү эмес; %98,47 мааниси кайсы маалымат менен колдоого алынганын жана кайсы кошумча маалыматтар PDFде жок экенин туура ажыратуу.

Булак жана Ыкма Жөнүндө Эскертүү

Оригинал аталыш: Robust Machine Learning under Data Poisoning and Model Attacks

Авторлор жана ирети: Promise Enyindah; Chigoziri Bobby Marcus.

Corresponding author: Promise Enyindah.

Corresponding author e-mail: promise.enyindah@uniport.edu.ng

ORCID: PDFге киргизилген ORCID шилтемелери авторлордун ирети боюнча Promise Enyindah үчүн 0000-0001-6246-7077 жана Chigoziri Bobby Marcus үчүн 0000-0003-4773-0222 даректерине алып барат.

Мекеме: Department of Computer Science, University of Port Harcourt, Choba, Nigeria.

Тең салым: Булакта тең салым же тең биринчи авторлук жөнүндө билдирүү табылган эмес.

Журнал: European Journal of Electrical Engineering and Computer Science (EJECE).

Басмакана / платформа: European Open Science.

ISSN: 2736-5751.

Том / чыгарылыш: Volume 10, Issue 1.

Беттер: 31–36.

DOI: 10.24018/ejece.2026.10.1.70077.

Расмий жарыя жазуусу: European Open Science EJECE, article ID 70077; DOI жазуусу жогорудагы DOI менен дал келет.

Булак түрү: Research Article.

Рецензиялоо абалы: Журналдын расмий “About the Journal” барагы EJECEни peer-reviewed эл аралык журнал деп аныктап, double-blind peer review колдоноорун билдирет.

Submitted: 12-январь 2026.

Published: 10-февраль 2026.

Чыгарылыш айы боюнча библиографиялык эскертүү: Макала PDFсинин masthead бөлүгүндө “February 2026” деп жазылган. RePEc/EconPapers индекс жазуусу ошол эле Volume 10 Issue 1ди January 2026 деп тизмелейт. Verianla макала деңгээлиндеги ачык дата катары PDFде берилген 10-февраль 2026 датасын негиз кылат жана эки жазуунун ортосундагы issue-month айырмасын жашырбайт.

Лицензия: Макала PDFсинин өз автордук укук сабы Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) деп көрсөтөт.

Лицензиянын шайкештиги боюнча эскертүү: Журналдын учурдагы веб-саясаттарындагы лицензия билдирүүлөрү өз ара да, бул PDF менен да толук шайкеш эмес: submission copyright барагында CC BY-SA 4.0, ал эми Open Access Policy барагында CC BY-NC 4.0 деп жазылган. Ошондуктан Verianla бул изилдөө үчүн макаланын PDFсиндеги article-level лицензия билдирүүсүн provenance маалыматы катары каттайт; булак сүрөттөрүнүн визуалдык дизайнын көчүрүүнүн ордуна илимий байланыштардан гана көз карандысыз схема түзөт.

Preprint абалы: Каралган PDF жарыяланган журналдык макала. Булакта бул иш үчүн өзүнчө preprint идентификатору көрсөтүлгөн эмес.

Негизги эксперименттик чабуул: Label-flipping data poisoning.

Аталыштагы “model attacks” камтуусу: Архитектурада adversarial/model attack катмары аныкталат; бирок өзүнчө model-attack benchmark же көз карандысыз сандык жыйынтык билдирилбейт.

Маалымат: 3-сүрөттө төрт тең салмакталган класс; ар бир класста 1.229 жазуу жана жалпы 4.916 сап көрүнөт. Класстар MITM, Normal, DDoS_HTTP жана Ransomware болуп тизмеленген.

Өзгөчөлүктөрдүн саны: Abstract 63 feature деп көрсөтөт; 3-сүрөт тазаланган маалымат фреймин 63 мамыча деп көрсөтөт. Attack_label жана Attack_type мамычалары да көрүнгөндүктөн, predictor саны максаттык мамычалардан тышкары өзүнчө 63 экени ачык эмес.

Модель: Random Forest classifier.

Ансамбл механизми: Bootstrap үлгүлөрүндөгү чечим дарактары, random feature selection жана majority voting.

Кошумча коргонуу механизмдери: Feature importance analysis, outlier detection, consistency checks, tree disagreement monitoring, шектүү үлгүлөрдү reweight/remove кылуу жана retraining.

Негизги жыйынтык: %98,47 accuracy.

Classification report: Төрт сандык класстын ар биринде support 1.229; class 0: 1,00/1,00/1,00; class 1: 0,94/1,00/0,97; class 2: 1,00/1,00/1,00; class 3: 1,00/0,94/0,97 precision/recall/F1. Class коддорунун аталыштагы класстарга ачык дал келүүсү билдирилген эмес.

Train/test тастыктоосу: Булак train/test split, validation split же cross-validation процедурасын ачык билдирбейт.

Гиперпараметрлер: Дарак саны менен кошо Random Forest гиперпараметрлери билдирилбейт.

Poisoning параметрлери: Ууландыруу үлүшү, өзгөртүлгөн жазуулардын саны жана label-flip классын дал келтирүү матрицасы билдирилбейт.

Статистикалык белгисиздик: Confidence interval, standard deviation, repeated-run variance, p-мааниси же башка inferential белгисиздик талдоосу билдирилбейт.

Каржылоо: Каралган PDFде өзүнчө funding statement табылган эмес; каржылоо жок деп божомолдонгон эмес.

Маалымат жеткиликтүүлүгү: Каралган PDFде өзүнчө Data Availability Statement же маалымат репозиторийине шилтеме табылган эмес.

Автордук салымдар: Өзүнчө author contributions / CRediT билдирүүсү табылган эмес.

Этика комитети: Өзүнчө ethics approval же informed consent билдирүүсү табылган эмес; изилдөө адам/жаныбар катышкан изилдөө катары билдирилген эмес.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.


Бөлүшүү:

Пикирлер текшерилгенден кийин жарыяланат. Пикириңиз жактыруу процессине жөнөтүлүп, ылайыктуу деп табылганда көрүнөт.

Пикир калтырыңыз

E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген