Evaluation of Machine Learning Classifiers for Mobile Network Intrusion Detection Systems

Mobile malwares are increasing with the growing number of Mobile users. Mobile malwares can perform several operations which lead to cybersecurity threats such as, stealing financial or personal information, installing malicious applications, sending premium SMS, creating backdoors, keylogging and crypto-ransomware attacks. Knowing the fact that there are many illegitimate Applications available on the App stores, most of the mobile users remain careless about the security of their Mobile devices and become the potential victim of these threats. Previous studies have shown that not every antivirus is capable of detecting all the threats; due to the fact that Mobile malwares use advance techniques to avoid detection. A Network-based IDS at the operator side will bring an extra layer of security to the subscribers and can detect many advanced threats by analyzing their traffic patterns. Machine Learning(ML) will provide the ability to these systems to detect unknown threats for which signatures are not yet known. This research is focused on the evaluation of Machine Learning classifiers in Network-based Intrusion detection systems for Mobile Networks. In this study, different techniques of Network-based intrusion detection with their advantages, disadvantages and state of the art in Hybrid solutions are discussed. Finally, a ML based NIDS is proposed which will work as a subsystem, to Network-based IDS deployed by Mobile Operators, that can help in detecting unknown threats and reducing false positives. In this research, several ML classifiers were implemented and evaluated. This study is focused on Android-based malwares, as Android is the most popular OS among users, hence most targeted by cyber criminals. Supervised ML algorithms based classifiers were built using the dataset which contained the labeled instances of relevant features. These features were extracted from the traffic generated by samples of several malware families and benign applications. These classifiers were able to detect malicious traffic patterns with the TPR upto 99.6% during Cross-validation test. Also, several experiments were conducted to detect unknown malware traffic and to detect false positives. These classifiers were able to detect unknown threats with the Accuracy of 97.5%. These classifiers could be integrated with current NIDS', which use signatures, statistical or knowledge-based techniques to detect malicious traffic. Technique to integrate the output from ML classifier with traditional NIDS is discussed and proposed for future work.

Framework for Marketing Automation: Case Vaisala

Työ käsittelee Markkinoinnin Automaatiota, viitekehyksen rakentamista Markkinoinnin Automaation käyttöönottoon ja sen hyödyntämiselle markkinoinnin ja myynnin putken hallinnassa. Työ on suoritettu tapaustutkimuksena, jonka primääri datana on käytetty puoli-strukturoituja haastatteluja ja sekundääri datana on käytetty dataa myynnin tietojärjestelmistä. Kirjallisuuskatsaus markkinoinnin automaatioon paljastaa, että aihetta ei ole juurikaan tutkittu akateemisesti. Etenkin selkeitä aukkoja teorioissa on miten markkinoinnin automaatiota kannattaisi aloittaa ja miten siihen tarvittavia kamppanjoita kannattaisi rakentaa. Tapaustutkimuksen tuloksena selvisi selkeät ongelma kohdat nykysessä markkinoinnin ja myynnin putkessa, ja myös kohdat joissa markkinoinnin automaatio voi olla avuksi. Suurin osa ongelma kohdista on markkinoinnin ja myynnin välissä. Toimiakseen markkinoinnin automaatio vaatii selkeät määritykset yrityksessä Liidille ja miten sitä käsitellään. Toimivuuden takaamiseksi se tarvitsee myös jatkuvaa palautetta liideistä ja myynneistä. Alue mikä myös tarvitsee muutosta paremman toimivuuden takaamiseksi on markkinoinnin kamppanjoiden suunnittelu, yhdessä myynnin kanssa ja asiakkaan polku edellä. Tulevaisuuden tavoitteena tulisi olla viestien personointi ja asiakkaiden profilointi. Tulevaisuuden tutkimuskohteet olisivat erittäin avuliaita yrityksille, varsinki jos ne käsittelisivät käyttöönottoa tai personointia.

Loistehon kompensoinnin ja yliaaltosuodattimien nykytila sekä kehityskohteet Kemira Chemicals Oy:n Joutsenon tehtaalla

Tutkimuksessa käsitelty kemikaalitehdas on 110 kV:n kantaverkkoon liittyvä tehointensiivinen teollisuuslaitos. Prosessien käyttöön mukautetut sähkönjakeluverkon yliaaltosuodattimet ja niiden käyttökytkennät ovat tärkeässä asemassa loistehon tuoton hallitsemiseksi liittymän loistehoikkunaan ja riittävän yliaaltosuodatuksen järjestämiseksi häviöt minimoiden. Kohteena olleen kemikaalitehtaan sähkönjakeluverkon kompensointia ja yliaaltosuodatusta on viimeksi tutkittu vuonna 2003. Tämän jälkeen verkostokomponentit ovat ikääntyneet, prosessien käyttö sekä pienjänniteverkko ovat muuttuneet ja tehdasta käyttävät osittain eri henkilöt. Nykytilaselvitykselle ja verkon kehityskohteiden analysoinnille on tullut tarve edellisen selvityksen jatkoksi. Tutkimus painottuu vahvasti kenttämittauksiin, joiden perusteella sekä kirjallisuutta ja tehtaan järjestelmiä hyödyntäen määritetään loistehotasot verkon keskeisimmissä kohteissa pien-, keski- ja suurjännitetasoilla. Tutkimuksessa esitetään lipeätehtaan suotimien uudelleenjärjestely 4. yliaallon vähentämiseksi ja yksikkökoon pienentämiseksi. Kantaverkon liittymäpisteen tilanne oli hyväksyttävä. Tutkimus esittää pienjännitekompensointia KF-4-100 keskukseen varayhteyden kapasiteettia lisäten. Tutkimus tuotti yleistietoutta verkon käytöstä ja selvitti parhaat käyttökytkennät loistehoikkunan hallitsemiseksi ilman loistehokustannuksia.

Value co-creation in bio-based chemicals value network

The purpose of this Master’s thesis is to study value co-creation in emerging value network. The main objective is to examine how value is co-created in bio-based chemicals value network. The study provides insights to different actors’ perceived value in the value network and enlightens their motivations to commit to the collaborative partnerships with other actors. Empirical study shows that value co-creation is creation of mutual value for both parties of the relationship by combining their non-competing resources to achieve a common goal. Value co-creation happens in interactions, and trust, commitment and information sharing are essential prerequisites for value co-creation. Value co-creation is not only common value creation, but it is also value that emerges for each actor because of the co-operation with the other actor. Even though the case companies define value mainly in economic terms, the other value elements like value of the partnership, knowledge transfer and innovation are more important for value co-creation.

Modelling the colour difference by artificial neural network

This thesis work studies the modelling of the colour difference using artificial neural network. Multilayer percepton (MLP) network is proposed to model CIEDE2000 colour difference formula. MLP is applied to classify colour points in CIE xy chromaticity diagram. In this context, the evaluation was performed using Munsell colour data and MacAdam colour discrimination ellipses. Moreover, in CIE xy chromaticity diagram just noticeable differences (JND) of MacAdam ellipses centres are computed by CIEDE2000, to compare JND of CIEDE2000 and MacAdam ellipses. CIEDE2000 changes the orientation of blue areas in CIE xy chromaticity diagram toward neutral areas, but on the whole it does not totally agree with the MacAdam ellipses. The proposed MLP for both modelling CIEDE2000 and classifying colour points showed good accuracy and achieved acceptable results.

Controlling full penetration in MAG welding by the application of infrared thermography and neural network

In this study, an infrared thermography based sensor was studied with regard to usability and the accuracy of sensor data as a weld penetration signal in gas metal arc welding. The object of the study was to evaluate a specific sensor type which measures thermography from solidified weld surface. The purpose of the study was to provide expert data for developing a sensor system in adaptive metal active gas (MAG) welding. Welding experiments with considered process variables and recorded thermal profiles were saved to a database for further analysis. To perform the analysis within a reasonable amount of experiments, the process parameter variables were gradually altered by at least 10 %. Later, the effects of process variables on weld penetration and thermography itself were considered. SFS-EN ISO 5817 standard (2014) was applied for classifying the quality of the experiments. As a final step, a neural network was taught based on the experiments. The experiments show that the studied thermography sensor and the neural network can be used for controlling full penetration though they have minor limitations, which are presented in results and discussion. The results are consistent with previous studies and experiments found in the literature.