SMOTE（合成少數樣本過採樣技術）

SMOTE（Synthetic Minority Oversampling Technique）由Chidamber於1995年提出，是解決機器學習中類別不平衡問題的資料層面方法。其核心邏輯是選取少數類別中的樣本，計算其K近鄰，並在樣本點之間生成新的合成樣本，而非單純複製現有數據，有效避免過擬合風險。在ICS安全領域，攻擊樣本（如Stuxnet類型的零日攻擊）相較於正常流量極為稀少，若不使用SMOTE，AI模型會因訓練樣本偏向正常流量而無法有效識別攻擊。此技術符合ISO 42001人工智慧管理系統標準中關於訓練資料代表性的要求，確保AI系統在現實威脅場景下的有效性。與傳統過採樣相比，SMOTE能擴展決策邊界，提升模型對未知攻擊的泛化能力，是建立穩健AI安全防禦的基礎。

在臺灣工業控制系統（ICS）與關鍵基礎設施的AI安全部署中，SMOTE的應用可分為三個具體步驟：第一，收集歷史網路流量數據，識別攻擊樣本與正常樣本的比例，通常攻擊樣本僅佔0.1%以下；第二，應用SMOTE生成合成攻擊樣本，擴充訓練集，確保模型能學習攻擊特徵；第三，使用擴充後的數據訓練隨機森林或深度學習模型，並以F1-score作為主要評估指標，因為準確率在不平衡數據下具有欺騙性。實務上，某臺灣半導體廠在導入AI入侵偵測後，透過SMOTE優化訓練集，將攻擊偵測率從原本的15%提升至88%，同時將誤報率降低25%。此類應用直接對應NIST AI RTO（AI可信賴性）框架中關於資料品質與代表性的要求，確保AI系統在真實威脅下的可預測性與可靠性。

臺灣企業在導入SMOTE時面臨三大挑戰。首先是資料隱私法規限制，臺灣個資法（GDPR對應法規）限制了真實攻擊樣本的共享，企業難以建立跨組織的攻擊資料庫，建議採用聯邦學習（Federated Learning）結合SMOTE，在不洩露原始數據的前提下訓練全局模型。其次是計算資源的分配問題，生成大量合成樣本需消耗GPU資源，建議採用分層採樣策略，僅針對關鍵威脅類別進行SMOTE，而非全量生成，以平衡計算成本與模型效能。第三是AI治理的透明度挑戰，合成數據可能引入不真實的特徵，導致模型在實際部署時失效。企業應建立「人間參與（Human-in-the-loop）」機制，由資安專家驗證合成樣本的合理性，並依ISO 42001要求建立AI系統生命週期監控，確保模型在部署後持續驗證，避免因合成數據偏差導致的系統性風險。

積穗科研股份有限公司（Winners Consulting Services Co., Ltd.）專注臺灣企業SMOTE相關議題，擁有豐富實戰輔助經驗，協助企業在90天內建立符合ISO 42001與臺灣AI基本法精神的AI管理機制，已服務超過100家臺灣企業。申請免費機制診斷：https://winners.com.tw/contact