Abschlussarbeit

Beschreibung:

Die Sicherheit von Informationen gewinnt immer mehr an Bedeutung, da die Speicherung und Verarbeitung persönlicher Daten eine zentrale Rolle einnehmen. Die zunehmende Bereitstellung freier WLAN-Netzwerke erlaubt die einfache Verbindung mobiler Geräte mit einem WLAN-Netzwerk. Um eine stabile WLAN-Verbindung zu gewährleisten, tauschen diese Kanalzustandsinformationen aus, die sich in Abhängigkeit von der Umgebung verändern. Mithilfe von Machine-Learning-Algorithmen können diese Änderungen klassifiziert werden. Dies birgt jedoch die Gefahr eines möglichen Ausspähens von Benutzerkennung und Passwörtern. Die nachfolgende Arbeit beschäftigt sich mit dem Ziel, Kanalzustandsinformationen mit Hilfe von Maschinen-Learning-Algorithmen möglichst gut zu kassifizieren und die Ergebnisse zu erklären.Zunächst erfolgte in einem ersten Schritt die Verarbeitung der Kanalzustandinformationen, um anschließend mit diesen ausgewählte Machine-Learning-Algorithmen zu trainieren und Vorhersagen zur Klassifizierung von Bewegung zu treffen. Im Anschluss wurden Erklärbarkeitsmethoden eingesetzt, um zu bestimmen, welche Kanalzustandinformationen den größten Einfluss auf die Entscheidungen der Machine-Learning-Modelle haben. Es konnte festgestellt werden, dass der XGBoost-Algorithmus eine hohe Leistung und Performance, insbesondere durch den Einsatz der Grafikprozessoreinheit (GPU), aufweist. Die Erklärbarkeit der Ergebnisse wurde mit Explainable Boosting Machine und SHAP analysiert. Die Ergebnisse der beiden Erklärbarkeits-methoden sind sehr ähnlich und zeigen die Merkmale den größten Einfluss auf die Vorhersagen der Machine-Learning-Modelle haben.