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.

Hiokerejektien käsittely MC-sakeudessa

Työn tavoitteena oli optimoida LWC-paperitehtaan kahden hiomolinjan rejektinkäsittelyt. Uusituilla rejektilinjoilla on käytössä keskisakeusrejektinjauhatus. Työn keskeinen osa oli teräkoeajot, teräsarjoja tutkittiin kuusi, kolme molemmilla linjoilla. Kahdessa ensimmäisessä teräkoeajossa oli molemmilla linjoilla samanlaiset jauhinterät. Teräkoeajojen tuloksista havaittiin yleisellä tasolla, että suurin osa mitatuista ominaisuuksista parani jauhatusastetta nostettaessa. Ainoastaan repäisylujuus heikkeni. Terävaihtoehdoista pystyttiin poimimaan molemmille linjoille sopiva terävaihtoehto. Rejektinlajittelun havaittiin parantavan edelleen massan laatuominaisuuksia, paitsi repäisylujuutta. Toisena osuutena vertailtiin keskisakeusjauhimen terävaihtoehtoa, jolla saavutettiin hyviä tuloksia, toisen paperitehtaan korkeassa sakeudessa jauhettuun rejektiin. Korkeasakeusjauhimen terää ei erityisesti valikoitu koeajoa varten. Tuloksista havaittiin, että keskisakeusjauhimella saadaan aikaan varsin hyvää LWC-paperiin käytettävää massaa. Keskisakeudessa jauhettu massa oli monilta ominaisuuksiltaan jopa parempaa kuin korkeasakeusjauhimen massa. Työn kolmannessa osuudessa ajettiin rejektilinjalla sakeuskoeajo. Sakeuskoeajosta havaittiin, että optiset ominaisuudet olivat parhaimmillaan jauhimen MC-sakeusalueen keskivaiheilla. Jauhatussakeuden noustessa kuidut jäivät jäykemmiksi ja karkeammiksi. Tikkupitoisuus oli sitä pienempi, mitä alhaisempaa jauhatussakeutta käytettiin. Sakeudella ei ollut selvää vaikutusta lujuusominaisuuksiin. Tulosten perusteella paras jauhatussakeus keskisakeusjauhimella oli sakeusalueen puoliväli. Työn viimeisenä osana selvitettiin miten kytkentämuutos, jossa rejektilinjan viimeisen lajittimen rejekti käännettiin palaamaan jälkilajittelun sijaan rejektilinjan kaariseulalle, vaikutti koko hiomon kapasiteettiin ja rejektilinjan massan laatuun. Koeajojen tuloksena havaittiin, että kytkentämuutolla pystyttiin nostamaan koko hiomon kapasiteettia ja rejektilinjan akseptin laatu parani.