본 논문은 IoT 침입 탐지 시스템(IDS)에서 머신 러닝 모델 훈련의 어려움을 해결하기 위해 Multiple-Input Auto-Encoder (MIAE)라는 새로운 신경망 아키텍처를 제안한다. MIAE는 다양한 특성을 가진 여러 소스에서 입력을 처리할 수 있는 여러 하위 인코더로 구성된다. 비지도 학습 방식으로 훈련된 MIAE는 이기종 입력을 저차원 표현으로 변환하여 분류기가 정상 동작과 다양한 유형의 공격을 구별하도록 돕는다. 또한, 특징 선택 레이어를 MIAE에 추가한 MIAEFS 모델을 설계하여 관련 특징을 유지하고 중요하지 않은/중복된 특징을 제거한다. NSLKDD, UNSW-NB15 및 IDS2017 데이터셋에 대한 실험 결과는 MIAE 및 MIAEFS가 다른 방법보다 우수한 성능을 보이며, 특히 MIAE와 MIAEFS를 Random Forest (RF) 분류기와 결합했을 때 Slowloris와 같은 정교한 공격을 탐지하는 데 96.5%의 정확도를 달성했다. 모델 크기는 1MB 미만이며, RF와 결합된 MIAE 및 MIAEFS의 공격 샘플 탐지 평균 실행 시간은 약 1.7E-6초이다.
