The recent advances in mobile technologies have resulted in IoT-enabled devices becoming more pervasive and integrated into our daily lives. The connected devices are ubiquitous, generating huge, high-dimensional and complex data. Observing malicious activities, which deviate from normal behavior, in such colossal data is a challenging task. Feature learning, however, can be one solution to solve this task. This dissertation thus proposes novel feature-learning schemes using Deep-Feature Extraction and Selection (D-FES) and fully unsupervised method. D-FES combines stacked feature extraction and weighted feature selection. The stacked auto-encoding is capable of providing abstractions (representations) that are more meaningful by reconstructing the relevant information from its raw inputs. The representations could also be leveraged as a clustering method. We then combine this with modified weighted feature selection inspired by an existing shallow-structured machine learning. We finally demonstrate the ability of the condensed set of features to reduce the bias of a machine learning model and the computational complexity of training and testing. We verify our proposed schemes on a Wi-Fi network dataset, called, the Aegean Wi-Fi Intrusion Dataset (AWID), prove the usefulness and the usability of the D-FES by achieving an impersonation detection accuracy of 99.918% and a false alarm rate of 0.012%. D-FES also achieved 99.910% of accuracy during all class of attacks detection.
최근 모바일 기술의 발전으로 인해 IoT 지원 장치가 보급되고 일상 생활에 통합되었습니다. 연결된 장치는 유비쿼터스이며 거대하고 고차원적이고 복잡한 데이터를 생성합니다. 이러한 거대한 데이터에서 정상적인 동작과 다른 악의적 인 활동을 관찰하는 것은 어려운 작업입니다. 그러나 기능 학습은이 작업을 해결하는 하나의 솔루션이 될 수 있습니다. 따라서이 논문은 딥 피쳐 추출 및 선택 (D-FES)과 완전히 감독되지 않는 방법을 사용하여 새로운 피쳐 학습 기법을 제안한다. D-FES는 스택 피쳐 추출과 가중치 피쳐 선택을 결합합니다. 누적 자동 인코딩은 원시 입력에서 관련 정보를 재구성하여보다 의미있는 표현을 제공 할 수 있습니다. 표현은 클러스터링 방법으로 활용 될 수도 있습니다. 그런 다음이를 기존의 얕은 구조화 된 기계 학습에서 영감을 얻은 수정 된 가중치 적용 선택과 결합합니다. 우리는 마침내 기계 학습 모델의 편향과 교육 및 테스트의 계산 복잡성을 줄이기 위해 응축 된 기능 세트의 기능을 입증합니다. 우리는 Aegean Wi-Fi Intrusion Dataset (AWID)이라 불리는 Wi-Fi 네트워크 데이터 세트에서 우리의 제안 된 계획이 99.918%의 가장 검출 정확도와 false를 달성함으로써 D-FES의 유용성과 유용성을 입증하는지 검증합니다 알람 비율 0.012%. D-FES는 모든 종류의 공격 탐지 중에 99.910%의 정확도를 달성했습니다.
