3,406
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Güvenilir işletim ortamı teknolojisi kullanılarak mobil kimlik uygulaması geliştirilmesi
Nüfus cüzdanlarının yerine kullanılmaya başlanan yeni kimlik kartları elektronik ortamda da kimlik doğrulama amacıyla kullanılabilecek teknolojiye sahiptir. Öte yandan, akıllı kart okuyucusu gereksinimi, yazılım kütüphanesinin mobil işletim sistemlerine uyumlu olmaması gibi nedenlerden ötürü yeni kimlik kartlarının akıllı telefonlar üzerinden kullanımı çok kolay değildir. Bu çalışmada, söz konusu teknik zorlukları aşmak için Android ortamında çalışan bir Mobil Kimlik çözümü tanıtılmaktadır. Çözümümüz, iki temel bileşenden oluşmaktadır. Mobil telefon uygulaması, Güvenilir İşletim Ortamı teknolojisini kullanarak açık anahtar ve özel anahtar çifti üretir. Özel anahtar, Güvenilir İşletim Ortamından çıkmaz ve bu sayede Zengin Android ortamına ilişkin tehditlere karşın korunmuş olur. Masaüstü uygulaması ise, mobil telefondan gelen açık anahtarı kullanıcının kimlik kartında mevcut özel anahtar ile imzalatır (bir anlamda, sayısal sertifika üretmiş olur) ve üçüncü partiler kimlik doğrulama amacıyla mobil telefon uygulamasının ürettiği sayısal imzaları doğrularken açık anahtar ile kullanıcı arasındaki bağın güvenli bir şekilde kurulmasını sağlar. Geliştirdiğimiz çözümün, başta E-devlet uygulamaları olmak üzere mevcut mobil kimlik doğrulama çözümlerine güvenli ve kullanışlı bir alternatif olduğu düşünülmektedir.
FPGA'lerde BRAM gerilimi düşürülmesinin güç kazanımı, hata oranı ve sıcaklığın etkileri yönünden araştırılması
Yüksek performans, düşük güç tüketimi, tasarım esnekliği sağlaması, basit ve yeniden yapılandırılabilir tasarım özellikleriyle, FPGA'ler gömülü sistemler, savunma ve uzay uygulamaları için donanım hızlandırıcı olarak sıklıkla tercih edilmektedir. FPGA tabanlı tasarımlarda, çalışma voltajı düşürülmesi, enerji verimliliğini arttırmak için çok etkili bir tekniktir. Nominal çalışma voltajından daha düşük gerilimlerde çalıştırılan bu sistemler için, güç tüketimini azaltırken güvenilirlik için hata oluşmasını önlemek de çok önemlidir. Bu amaçla, minimum çalışma geriliminin (Vmin) yani hataların oluşmaya başladığı en düşük gerilim seviyesinin tespit edilmesi bu sistemlerde kritik öneme sahiptir. Çalışma geriliminin düşürülmesi konusundaki önceki araştırmalarda, FPGA'ler içerisindeki BRAM belleklerinin, üretici tarafından belirtilen nominal voltajın %39 altına kadar güvenli bir şekilde çalıştırılmasının mümkün olduğu gösterilmiştir. Bu çalışmada, silikon sıcaklığının hatasız çalışılabilen minimum besleme gerilimi olan Vmin üzerinde çok etkili olduğu gösterilmiştir. Yapılan ölçümlerde, silikon sıcaklığı arttıkça daha fazla güç kazanımı elde edebilmek için BRAM'lerin çalışma gerilimlerini artan sıcaklığa bağlı olarak azaltmanın, güvenilir çalışmayı bozmadığı görülmüştür. Bu davranışı gözlemleyebilmek için çalışma voltajı düşürülmesi işlemi -30 ℃ ve + 82 ℃ silikon sıcaklığı arasındaki sıcaklık değerlerinde analiz edilmiştir. Yapılan analizlerde, FPGA BRAM'ler için hatasız çalışılabilen minimum besleme gerilimi olan Vmin değerinin bu sıcaklık aralığında sıcaklığa bağlı olarak değiştiği ve bu sayede yüksek sıcaklıklarda %9 daha fazla güç tasarrufu yapılabileceği gözlemlenmiştir. Sonuç olarak, çalışma voltajı düşürülmesi uygulamalarında güç tüketimini daha çok azaltırken güvenilir çalışmayı da bozmamak için FPGA'in silikon sıcaklığını okuyan, bu sıcaklıkta hatasız çalışılabilen en düşük besleme gerilimini belirleyen ve FPGA BRAM'lerin besleme gerilimini bu değere ayarlayan bir yöntem önerilmiştir. Bu yöntem sayesinde, sadece % 0.04 ek kaynak kullanımıyla enerji tüketiminde % 40'a varan kazanç elde edilmiştir.
Blokzincir kullanılarak kimlik doğrulama seremonisini ortadan kaldıran bir güvenli mesajlaşma uygulamasının geliştirilmesi
Uçtan uca şifreleme, genelde açık anahtar kriptografisine dayanan ve birçok güvenli mesajlaşma uygulamasında kullanılan bir güvenlik özelliğidir. Bu sayede, iletilen me- sajlar, tarafların katkısıyla oluşturulan ortak bir anahtar vasıtasıyla şifrelenerek iletilir. Bu özelliğe sahip bir uygulamada, bir kullanıcının açık anahtarı, cihaz veya SIM kart değişikliği ve uygulamanın yeniden kurulması gibi sebeplerle değişebileceği gibi, olası bir saldırı nedeniyle de farklılık gösterebilir. Bu yüzden, muhtemel saldırıları önlemek ve iletişimin güvenli olduğundan emin olmak adına yeni açık anahtarın doğrulanması gerekir. Bu amaçla, birçok güvenli mesajlaşma uygulamasında, açık anahtar değişikliği durumunda "kimlik doğrulama seremonisi" adı verilen ve açık anahtar doğrulamasının kullanıcılar tarafından farklı bir kanal vasıtasıyla karşılaştırılarak yapıldığı bir meka- nizma bulunur. Ancak, tüm kullanıcıların kimlik doğrulama seremonisini doğru bir şekilde tamamlamasını beklemek iyi bir fikir olarak görünmemektedir. Bu nedenle, bu tezde, blokzincir tabanlı bir açık anahtar altyapısı (PKI) sistemi olan Blockstack plat- formunu kullanarak "BlockSignal" adı verilen Signal Android Messenger tabanlı açık kaynaklı bir güvenli mesajlaşma uygulaması geliştirildi. Böylece, Signal uygulama- sında da bulunan kimlik doğrulama seremonisinin blokzincir vasıtasıyla ortadan kaldı- rılarak kullanıcıların güvenlik çemberinin dışına çıkarılması sağlandı. Bunun yanısıra, kimlik doğrulama problemi haricinde Signal uygulaması üzerinde literatürde mevcut tehdit olasılıklarının bir araya getirildiği bir tehdit modeli oluşturulmuş, BlockSignal uygulamasının güvenlik analizi yapılarak Signal'da karşılaşılabilecek tehditleri berta- raf edilebilecek kabiliyette olduğu gösterilmiştir.
Zararlı yazılımların kullandığı sanallaştırma karşıtı yöntemler ve alınabilecek önlemler
Zararlı yazılım analizi yıllar içerisinde çok fazla yol kat etmiştir. Dinamik ve statik olarak ikiye ayırabileceğimiz analiz sürecinde, statik analizin davranışsal sonuçları verememesi sebebiyle dinamik analiz süreçleri gelişmiştir. Kum havuzları, otomatik dinamik analizi çok kısa sürelerde yapıp, analiste raporu sunabilmektedir. Bu sebeple günümüz zararlı yazılımları, tespit edilmemek veya tespit edilse de davranışlarının analiz edilme sürelerini uzatmak için analiz karşıtı yöntemler kullanmaya başlamıştır. Zararlı yazılımların bunu yaparken motivasyonu, her türlü kazançlarını arttırmaktır. Bu sebeple bütün analiz tekniklerinden kaçmak için her geçen gün yeni teknikler geliştirilmekte ve bu geliştirilen tekniklerin zararlı yazılımlar tarafından kullanımı da artmaktadır. Sanal ortamların kullanımı, zararlı yazılım analizinde aktif bir yer almaktadır. İsteğe bağlı ortam oluşturulabilmesi, kişisel veri barındırmaması ve analiz adımları arasında kolay geçişler sağlanabilmesinden dolayı manuel analizler için vazgeçilmez bir hal almaktadır. Ayrıca kum havuzları için de aynı kolaylıklar sağlandığı için, onlar tarafından da tercih edilmektedir. v Zararlı yazılımlar, her iki analiz sürecinde de zararlı olduğunu belli etmemek için birçok yöntem kullanmaktadır. Bu yöntemlerden birisi olan sanallaştırma karşıtı yöntemi, kum havuzları içerisinde de sanal ortamlar kullanıldığı için, bütün analiz karşıtı yöntemler arasında çok geniş bir alan kaplamaktadır. Sanallaştırma için kullanılan ürünlerinin kullandığı sanallaştırma tekniklerinin farklı olması da zararlı yazılım geliştiricileri tarafında bu konu üzerine daha fazla çalışmak için motivasyon olmaktadır. Dolayısıyla birçok sanallaştırma karşıtı teknik şu anda zararlı yazılımlar tarafından kullanılmaktadır. Sanal ortam tespiti için donanımsal ve yazılımsal olarak kontroller yapılabilmektedir. Donanımsal olarak sistem kaynakları veya donanım bilgileri içerisinde sanallaştırma platformunun imzaları kontrol edilebilir. Yazılımsal olarak da işletim sistemi içerisinden ulaşılabilen sanallaştırma platformlarına ait bilgiler bulunmaktadır. Özellikle sanal makine içerisinde Windows işletim sistemi varsa, Windows'a ait Kayıt Defteri, Windows Management Instrumantation gibi yapılar, içerisinde çok fazla sanallaştırma platformlarına ait imza barındırdıkları için sanal makine tespitini kolaylaştırmaktadır. Bu çalışmada, sanallaştırma ortamı olarak en çok tercih edilen VMware, işletim sistemi olarak en çok tercih edilen Windows 10 üzerinde zararlı yazılımlar tarafından kullanılan sanallaştırma karşıtı yöntemler incelenmiştir. Bu sanallaştırma karşıtı yöntemlere karşı alınabilecek önlemler anlatılmıştır. Sanallaştırma karşıtı kullanılan bir başka yöntem ise Windows Management Instrumantation'dır. Çoğu kum havuzu tarafından önlem alınmamış bu yöntem incelenmiş ve kancalama tekniği kullanılarak bu yöntemi engelleme yolları anlatılmıştır. Windows Management Instrumantation için kullanılabilecek bir kancalama uygulaması geliştirilmiş ve bu uygulama ile sanallaştırma karşıtı tekniklere önlem alınabileceği gösterilmiştir.
Yapay sinir ağları ile makine çevirisinin detaylı başarım analizi
Teknoloji çağında yaşıyoruz ve son on yılda Yapay Zeka üzerine en çok çalışılan teknoloji olmuştur. Sayısız alanda uygulaması bulunmakla birlikte, Yapay Sinir Ağları ile Makine Çevirisi (YMÇ) temel araştırma alanlarından birisidir. Google, Facebook, Amazon, Microsoft, Yandex gibi birçok büyük şirket ürünlerinde YMÇ kullanmaktadır ve YMÇ'nin kullanıcılara servis olarak sunulması son zamanlarda benimsenen bir yöntem olmuştur. Bu servislerin, kullanıcı memnuniyeti açısından, hız ve çeviri kalitesi başta olmak üzere bazı kısıtları sağlamaları gerekmektedir. YMÇ modellerini hızlandır- mak konusunda birçok çalışma yapılmıştır, ancak bildiğimiz kadarıyla bu çalışmaların hiçbiri detaylı başarım/zaman analizinde bulunmamıştır. Bu çalışmada en gelişmiş YMÇ modellerinden birisi olan, kodlayıcı-kodçözücü yapısını ilgi mekanizmasıyla birleştiren Dönüştürücü modeli ile çalışılmıştır. Dönüştürücü'nün etrafına bir mikroservis kurulmuş ve sistemin darboğazının modelin kendisi olduğu gösterilmiştir. Bunun üzerine temel yapılandırma parametrelerinin değişimiyle deneyler yapılmış ve bu parametrelerin başarımı hassas bir şekilde etkilediği gözlenmiştir. Bunun üzerine modelin her bir bileşeninin CPU ve GPU'da detaylı zaman dökümü çıkarılmış ve en verimsiz aşamanın ışın araması olduğu gösterilmiştir. Daha sonra ışın aramasının daha iyi anlaşılması adına her bir adımını gösteren zaman dökümü çıkarılmıştır. Ayrıca, ışın boyutunun BLEU skorunu sadece kelime-bazında etkilediği, türce-bazında bir etkisinin olmadığı gözlemlenmiştir. Son olarak kelime-hazinesi büyüklüğünün ışın aramasının başarımında büyük rolü olduğu gösterilmiştir.
Toplu öğrenme ile ilaç kombinasyonlarının sinerji skor tahmini
Kanser gibi ortaya çıkış sebebi birden fazla genetik ve çevresel nedene bağlı olan kompleks hastalıkların tedavisinde son zamanlarda en çok tercih edilen yöntem; birden fazla ilacın birarada kullanıldığı politerapi (kombinasyonel terapi) yöntemidir. Eğer bir ilaç kombinasyonunun, herhangi bir hastalığa sahip hücre hattına olan etkisi, kombinasyondaki ilaçların tek başına uygulanmasıyla elde edilen etkilerin toplamından fazlaysa, bu ilaç kombinasyonuna sinerjik ilaç kombinasyonu denir. Son zamanlarda bu alanda yapılan çalışmalarda, yapay öğrenme yöntemlerinin sinerjik ilaç kombinasyonlarını belirlemede zaman,kaynak kullanımı vs. gibi birçok açıdan verimlilik sağladıkları gözlemlenmştir. Bu tez çalışması iki bölümden oluşmaktadır. İlk bölümde farklı ilaç gösterimleriyle oluşturduğumuz veri kümelerinin, ilaç kombinasyonlarının sinerjilerinin derecelerini gösteren sinerji skorlarının tahminine olan etkileri incelendi. Kullandığımız ilaç gösterimlerinden bazıları sinerji skoru tahmini için ilk defa kullanılan verilerdir. Bu aşamada oluşturduğumuz veri kümeleri ile yapay öğrenme modellerinden elde edilen tahminler birleştirilerek kapsamlı bir onkoloji veri kümesindeki sinerji skorlarının tahmini için literatürdeki en iyi sonuçlar elde edildi. İkinci bülümde, ilaç-kanserli hücre hattı ikilileri için bir yapay öğrenme modelinin tahmin ettiği sinerji skorlarını en iyileyecek ikinci ilaçlar (moleküller) oluşturulmaya çalışıldı. Bu amaç için varyasyonel oto kodlayıcı ve gradyan çıkış yapay öğrenme yöntemlerinden yararlanıldı. Bu çalışmanın sonucunda en iyilenen sinerji skoruna yakın skorlar veren moleküllere, belirli bir oranın üzerinde benzeyen moleküllerin oluşturulduğu gözlemlendi.
Büyük veri ve akan verinin mahremiyet korumalı anonimleştirilmesi
Geleneksel veri anonimleştirme yöntemleri yalnız statik veri kümeleri için geliştirilmiş olup ölçeklenebilirlik hep ikinci planda kalmıştır. Büyük veri ve akan veri ihtiyaçlarının son yıllarda çeşitlenerek artması ile ölçeklenebilirlik ve verinin dinamikliği unsurları öne çıkmaya başlamıştır. Literatürde büyük veri ve akan veri mahremiyetinin sağlanmasına yönelik bu doğrultuda çalışmalar önerilmiş olsa da problemin çeşitli unsurları nedeniyle daha etkin ve daha kapsamlı veri anonimleştirme yöntemlerine ihtiyaç duyulmaktadır. Bu tez kapsamında büyük veri ve akan veri mahremiyetinin sağlanması için daha etkin ve daha kapsamlı anonimleştirme yöntemleri üzerinde çalışılmıştır. Apache Spark büyük veri işleme alanında günümüzün en gelişmiş teknoloji ve platformları arasında yer almaktadır. Tezde, büyük veri anonimleştirmeyi de büyük veri işlemenin özel bir durumu olarak ele alıp yarı-tanımlayıcı özniteliklerin alan hiyerarşisi üzerinde yukarıdan-aşağıya özelleşme arama tekniğini kullanan dağıtık bir büyük veri k-anonimleştirme yöntemi önerilmiştir. Arama kriteri olarak bilgi kazancı – mahremiyet kaybı metriği kullanılmıştır. Yöntemin verimliliği ve ölçeklenebilirliği büyütülmüş gerçek veri kümeleri üzerinde gösterilmiştir. Literatürde akan veriyi k-anonimleştirmeye yönelik geliştirilen çözümler, problemi yarı-tanımlayıcı özniteliklerin bilgi kaybı metriğini minimize etmeye çalışan tek amaçlı optimizasyon problemi olarak formüle eden dar kapsamlı çözümlerdir. Tez kapsamında tespiti yapılan ihtiyaçlara yönelik olarak daha kapsamlı çözümler önerilmiş ve gerçek veri kümeleri üzerinde etkinlikleri geniş kapsamlı deneysel çalışmalarla gösterilmiştir. İlk olarak, akan veri için bilgi kaybı ile ortalama gecikme süresini beraber minimize etmeye yönelik çok amaçlı bir optimizasyon çatısı önerilmiştir. Böylelikle, akan veri için veri kullanışlılığı, bilgi kaybı metriği ile ölçülen veri kalitesi ve ortalama gecikme süresi metriği ile ölçülen veri güncelliğinin bir fonksiyonu olarak ele alınmıştır. Önerilen yöntemde bu iki bileşen kullanıcı tarafından ağırlıklandırılabilmektedir. İlave olarak, probleme özgü yeni bir bilgi kaybı metriği tanıtılmıştır. İkinci olarak, veri alıcısının akan anonim veri üzerinde yapacağı analiz işleminden haberdar bir k-anonimleştirme çatısı önerilmiştir. Birçok veri alıcısının anonim veri üzerinde sınıflandırma veri madenciliği görevi çalıştırdığı bilinmektedir. Bu yüzden, bu çalışmada bilgi kaybını minimize etmenin yanında sınıflama doğruluğunu maksimize etmek de bir diğer amaçtır. Hatta akan veride, yarı-tanımlayıcı öznitelikler ve sınıflama hedef özniteliğine ilave olarak hassas öznitelikler olması durumunda bunların hassasiyetinin de en üst düzeyde korunması gerekir. Önerilen yöntem, ağırlıkları kullanıcı tarafından belirlenebilen, bu üç amaçlı optimizasyon problemini çözmektedir
Dinamik sosyal ağlarda akan ve çok boyutlu veri üzerinden analiz ve tahmin yapılması
Makine öğrenmesi teknikleri ve bu tekniklerin uygulanabilir olduğu alanlar, veri miktarının artması ve veriye ulaşımın kolaylaşması ile birlikte oldukça ön plana çıkmıştır. Veri kümeleri üzerinde bu yöntemler kullanılarak farklı alanlara yönelik tahmin modellerinin geliştirilmesi mümkündür. Bunun yanında doğal dil işleme yöntemleri, metin verisinin analiz edilmesi ve anlamlandırılması noktasında birçok farklı yöntemi içerisinde bulundurmaktadır. Yapılan çalışmada, doğal dil işleme yöntemleri kullanılarak, haber ve sosyal medya verisi analiz edilmiştir ve analiz sonuçlarından öznitelik kümeleri oluşturulmuştur. Oluşturulan öznitelik kümeleri ile sayısı fazla olan seyrek öznitelik kümeleri için ölçeklenebilir bir eğitim ve tahmin sistemi ortaya konmuştur. Sistemin geliştirilmesi için, 1 yıllık zaman aralığı içerisinde New York Times web sayfasından 12.560 adet makale ve 4 aylık zaman aralığı içerisinde Twitter isimli sosyal medya platformundan 2.854.333 adet paylaşım toplanmıştır. Toplanan veri üzerinden varlık isimleri tanımlanmış, düşünce analizi yapılmış ve konu modelleri oluşturulmuştur. Geliştirilen sistemin bir başka çıktısı olarak, analizi yapılan metin verileri üzerinden sosyal ağların oluşturulmasını sağlanmıştır ve üretilen sosyal ağların farklı zaman aralıklarındaki değişimleri gözlemlenmiştir. Elde edilen analiz sonuçları ve sosyal ağlar doğrultusunda öznitelik kümeleri oluşturulmuş ve bu öznitelik kümeleri ile elastik ağ regresyonu temelli bir eğitim yöntemi geliştirilmiştir. Önerilen bu sistem ile birçok farklı veri kümesinin analiz edilebileceği ve bu analizler doğrultusunda farklı değerleri tahmin etmeye yönelik tahmin modellerinin geliştirilebileceği görülmüştür. Bunun bir örneğini ortaya koymak adına Dow Jones endeksinin yönünün tahmini bir vaka olarak seçilmiştir. Önerilen eğitim yöntemi ile farklı modeller eğitilmiş ve eğitilen bu modeller ile Dow Jones endeksinin hareket yönünün tahmin edilmesine yönelik deneyler yapılmıştır. Bu deneyler sonucunda, önerilen eğitim yönteminin, umut vaat edici sonuçlar veren tahmin modelleri ortaya koyduğu gözlemlenmiştir. Farklı deney gruplarının sonucunda, yüksek oranda tutarlı (70,90% değerine varan) sonuçlar elde edilmiştir. Elde edilen tahmin sonuçlarının aynı zamanda gerçek Dow Jones endeks değerleri ile pozitif bir korelasyon (0,2315 korelasyon katsayına değerine varan) içerisinde olduğu da gözlemlenmiştir. Son kısımda, farklı öznitelik kümeleri ile eğitilen tahmin modellerinin sonuçları birbiri ile karşılaştırılmış ve öne çıkan zaman aralıkları ve öznitelik kümeleri analiz edilmiştir. Deney sonuçları, haber ve sosyal medya verisinin, doğal dil işleme yöntemleri ile analiz edilmesinin ve analiz sonuçlarının tahmin modellerinin eğitimi için kullanılmasının finans alanında tahminler yapmak için değerli olduğunu göstermiştir.
Çok çekirdekli görev-kritik işlemciler için önbellek tasarımı ve gerçeklenmesi
Çok çekirdekli sistemlerde paralel çalı¸smaya ba˘glı olarak performansı optimize etmek için çekirdeklere özgü ilk düzey önbellekler ve payla¸sımlı üst düzey önbellekler bulunmaktadır. Çekirdeklere özgü önbelleklerin varlı˘gı kullanılan verilerin aynı adresteki veriler olmasına ba˘glı olarak tutarlılık sorununu olu¸sturmaktadır. Modern sistemler bu sorunu tutarlılık protokolleri kullanarak çözmektedir. Tutarlılık protokollerinden MESI ve MOESI, günümüz sistemlerinde en çok kullanılan protokollerdendir. Bu protokoller tutarlılık sorununu ba¸sarılı bir ¸sekilde çözmelerine kar¸sın farklı amaçlarla da sistemde kullanılabilmektedir. Tez kapsamında tutarlılık etiketleri kullanılarak hata düzeltimi yapılabilece˘gi gösterilmi¸stir. Çekirde˘ge özgü önbelleklerde hata oldu˘gu zaman hata düzeltme kodu kullanmak boru hattı ile iç içe olduklarından hız gereksinimini kar¸sılamamaktadır. Güncel i¸slemcilerde bu önbellekler e¸slik bitleriyle ve hata olu¸sunca sistemi geri alma yöntemiyle korunmaktadır. Önerilen mekanizma ise var olan tutarlılık altyapısının kullanılarak hataları hızlı bir ¸sekilde düzeltmeyi amaçlamaktadır. Payla¸sımlı tutarlılık etiketine sahip önbellek satırlarını takip eden dizin(ler) yardımıyla, hata olu¸san önbelleklerdeki verileri düzeltmek mümkündür. Yapılan çalı¸smalar ı¸sı˘gında bu mekanizma kullanılarak programların dörtte birine kadar kısmını koruma altına almak mümkündür ve bu mekanizmanın kullanılamayaca˘gı bir an neredeyse hiç olu¸smamaktadır. Hata düzeltiminin yanında, Yao vd., tutarlılık etiketlerinin güvenlik açı˘gı yarattı˘gını ortaya koymu¸stur [1]. Buna göre "S" ve "E" etiketlerine yapılan eri¸simlerin deterministik olarak ayrı¸stırılabilir olması, sistemde çalı¸san ajan ve truva atı uygulamalarının bir zamanla yan kanalı olu¸sturarak aralarında seri haberle¸smesini mümkün kılmaktadır. ˙Ileti¸sim, KSM(kernel same page merging)'nin çalı¸smasına ba˘glı olarak kullanılabilmektedir ve bu uygulamanın kullanılmaması performansı ciddi ölçüde etkilemektedir. Bu çalı¸sma, tutarlılık etiketi kullanılarak olu¸sturulacak yan kanalları engellemek için KSM'nin kapatılmasına gerek olmayan bir çözüm öne sürmektedir. Önbellek satırlarına arka arkaya gelen yükle buyruklarını takip ederek ileti¸sime gürültü ekleyen bu yöntem, gönderilen bitlerin %90'ını bozabilecek kapasitede iken, en kötü ko¸sullar altında yakla¸sık %15, en iyi durumda %2 yürütme zamanı ekleyerek programın performansını dü¸sürmektedir. [1] Yao, F., Doroslovacki, M., and Venkataramani, G. (2018). Are Coherence Protocol States Vulnerable to Information Leakage? In: IEEE International Symposium on High Performance Computer Architecture, HPCA 2018, Vienna, Austria, February 24-28, 2018. IEEE Computer Society, pp. 168–179.
Yapay öğrenme ile yazılım test eforu kestirimi
Yazılım Test dünyasındaki en önemli problemlerden bir tanesi yazılım test planları oluşturulurken test eforunun net bir şekilde belirlenememesidir. Projelerdeki yazılım test işçiliği için ayırılması gereken süre ve kaynak ihtiyacının doğru bir şekilde belirlenebilmesi, proje takvimlerinin oluşturulabilmesi ve kaynakların verimli bir şekilde kullanılabilmesi için önem arz etmektedir. Bu çalışmada yapay öğrenme algoritmaları kullanarak yazılım test eforu tahmini üzerine çeşitli yapay öğrenme modelleri önerilmiştir. Önerilen metot ile ASELSAN A.Ş. bünyesinde geliştirilen, Komuta Kontrol Kullanıcı Arayüzü Yazılımları ve Gömülü ve Gerçek Zamanlı Yazılımları doğrulamak için harcanan test eforu analiz edilerek, ileride yapılması planlanan test aktiviteleri için etkin bir test eforu tahmini yapılmaktadır. Yapılan test eforu tahminleri, şu anda kullanılmakta olan geleneksel yöntemler ile karşılaştırılarak önerilen yöntemin başarı değerlendirmesi de yapılmıştır.
Açık kaynak web uygulama güvenlik duvarı ModSecurity'nin kullanılabilirlik analizi
Saldırganların ağ ve sistem güvenlik açıklarını istismar etmeye çalışması, güvenlik duvarı ve saldırı tespit sistemleri gibi ürünlere olan talebi artırmaktadır. Siber güvenlik ekiplerinin varlıklarını daha iyi yönetmesi ve güvenlik ürünlerinin çeşitlenmesi ile bilgi güvenliği ihlallerindeki artışın evrilerek, uygulama seviyesine doğru kaydığı gözlemlenmektedir. İyi tasarlanan güvenlik ürünleri sistem yöneticileri tarafından daha fazla tercih edilmekte ve güvenliği sağlamakta etkin rol oynamaktadır. Ancak ürünlerin geliştirilmesinde kullanılabilirlik ilkeleri göz ardı edildiğinde, kullanıcılar ürünleri hatalı yapılandırarak bekledikleri faydayı elde edememekte, hatta savunulacak sistemi daha korunmasız hale getirebilmektedir. Güvenlik duvarı halen olmazsa olmaz güvenlik cihazı olarak görülmektedir. İlk çıktığı günden bu zamana kadar çeşitli yetenekler kazanmıştır. Saldırıların odak noktasında bulunan web uygulamaları, saldırı yüzeyinin önemli bölümünü oluştururken, sadece güvenlik duvarı veya saldırı tespit sistemleri web uygulamalarını korumakta yetersiz kalmaktadır. İstemcilerin sunucuya ulaşmadan önce bir güvenlik cihazında trafiğin sonlandırılarak, sadece belirlenen isteklerin sunucuya ulaşması istenmekte, böylelikle web uygulama güvenlik duvarı ihtiyacı ortaya çıkmaktadır. Web uygulama güvenlik duvarı, web uygulamalarının güvenliğini sağlayan ve uygulama katmanına kadar çalışan güvenlik duvarı türüdür. Uygulama ile istemci arasında konuşlandırılır ve iki yönlü trafiği analiz edebilmektedir. ModSecurity, açık kaynaklı bir web uygulama güvenlik duvarıdır. Tüm web uygulamaları için temel koruma düzeyi sağlamayı amaçlayan Açık Web Uygulaması Güvenlik Projesi'nin (OWASP) Çekirdek Kural Kümesi (CRS) ile güvenlik kontrollerini verilen kural setlerine göre yapmaktadır. Kullanılabilirlik çalışmalarıyla kullanılabilirliği olumsuz etkileyen hususlar tespit edilerek çözüm sağlamak mümkün olmakla beraber, en sık görülen web uygulama zafiyetlerinden olan yanlış yapılandırmaların azaltılması mümkündür. Bu çalışmada ModSecurity'nin hibrit yöntemle kullanılabilirlik denetimi ve çalışması gerçekleştirilmiştir. Birinci aşamada sezgisel değerlendirme ve bilişsel gözden geçirme teknikleri ile ModSecuirty değerlendirilmiş, elde edilen bulgular ışığında üç farklı konuda iyileştirme sağlayacak kural-kontrol ve geribildirim mekanizması tasarlanarak betik oluşturulmuştur. İkinci aşamada betiğin kullanılabilirliğe katkısının ölçümlenebilmesi için önce bulut sistemlerde deney ortamı hazırlanmış, geleceğin sistem yöneticileri olan bilgisayar mühendisliği öğrencileri ile pandemi şartları göz önünde bulundurularak uzaktan kullanıcı çalışması yapılmıştır. Sonuç olarak; tasarlanan mekanizmanın ModSecurity'nin doğru yapılandırılmasına olumlu katkıda bulunduğu, sistem yöneticilerinin kural girerken yaptığı söz dizimi hataları nedeniyle web sunucusunun hizmet dışı kalma süresini azalttığı tespit edilmiştir.
Kaynak seçme oyunlarında sosyal yapılaşmalar altında denge hesaplaması
Oyun kuramında, çözümlemeler için denge konseptleri büyük önem taşımaktadır. Oyun kuramının bir dalı olan koalisyonel oyun kuramı oyuncuların aralarında koalisyonlar kurabildiği varsayımı altında tanımlanan denge konseptlerini kullanır. Stratejik formda bir oyunda, kurulu olan hiçbir koalisyonun stratejilerini ortaklaşa değiştirerek "refahını" artıramadığı strateji profillerine (koalisyonel) denge denir. Daha zayıf veya güçlü denge konseptleri koalisyonların formasyonu üzerine yapılan çeşitli sınırlamalarla tanımlanabilir. Örneğin, bir Nash dengesinde, sadece tek bir oyuncudan oluşan koalisyonların kurulduğu varsayılmaktadır. Diğer zıt duruma karşılık gelen güçlü Nash dengesinde ise her koalisyonun (yani oyuncuların boş olmayan her alt kümesinin) kurulduğu kabul edilmektedir. Ancak, her koalisyonun kurulduğu varsayımı çalışmaya değer çoğu oyun için fazla zorlayıcıdır ve dolayısıyla çoğu oyunda güçlü Nash dengesi yoktur. Öte yandan, bir partisyon dengesinde, koalisyon formasyonu oyuncuların partisyonları ile sınırlanmaktadır. Bunun güçlü Nash dengesine göre çok daha az zorlayıcı olduğuna dikkat ediniz (zira bir partisyon dengesinde kurulu koalisyon sayısı Θ(n) iken güçlü Nash dengesinde 2^n-1'dir). Örneğin, bir partisyon dengesi kaynak seçme oyunlarında her zaman varken, bir güçlü Nash dengesi bu oyunların çok basit durumlarında bile yoktur. Koalisyon formasyonu üzerine daha sofistike sınırlamalar iletişime, kordinasyona ve kurumlaşmaya bağlı kısıtlar ile motive edilebilir. Bu tezde, genelgeçer sosyal yapılaşmalardan ilhamla koalisyon formasyonu üzerine çeşitli sınırlamalar ve bu esasla tanımlanmış çeşitli denge konseptleri tanıtıyoruz. Bu denge konseptlerini kaynak seçme oyunlarında çalışıyoruz ve bu oyunların hem genelinde hem de önemli özel durumlarında varlık garantisinin olup olmadığını her denge konsepti için eksiksiz bir şekilde gösteriyoruz. Ayrıca varlık garantisi olan durumlarda dengeyi bulmak için verimli algoritmalar sunuyoruz.
Bağlamsal doğrulama içerisinde ek özellik olarak klavye dinamiği analizi ve değerlendirilmesi
Tuş Vuruş Dinamikleri, kullanıcının kimliğinin doğruluğuna karar vermek için bireylerin tuş vuruş davranışlarını incelememize yardımcı olan bir davranışsal-biyometri çözümüdür; ancak, bu yaklaşımın dezavantajı, nispeten yüksek yanlış negatif ve yüksek yanlış pozitif oranlara sahip olmasıdır. Bu çalışmada, farklı anomali tespit yaklaşımlarını karşılaştırıyor ve bu çözümleri birleştirdiğimizde performans gelişmelerini inceliyoruz. Önce tuş vuruşu dinamikleri ve oturum bağlamı anomali bileşenlerini ayrı ayrı oluşturduk. Ardından, bu makine öğrenimi bileşenlerinin sonuçlarının nasıl birleştirileceğini inceledik. Deneylerimiz, bu bileşenlerden ağırlıklı ortalama topluluk modelini oluşturmak performansı artırırken, yeni bir özellik olarak oturum bağlam anomali bileşenine tuş vuruşu dinamikleri puanlarını dahil etmek sadece tuş vuruşu dinamiği puanlarını değil, aynı zamanda bu puanlar arasında değişimleri de gözlemleyebildiği için daha iyi performans sağladığını gözlemledik.
Makine öğrenmesi tabanlı twıtter sosyal bot tespit sistemlerinin performanslarının değerlendirilmesi
Twitter gibi sosyal medya platformları insanların rahat bir şekilde iletişim kurabilmesi için oldukça etkili mecralardır. Bu platformlar hayatı kolaylaştırmak adına birçok avantaj sağlamasına rağmen, insanların kandırılması, yanlış bilgi yayılarak insanların yanlış yönlendirilmesi, manipüle edilmesi ve sözlü taciz gibi birçok soruna da neden olmaktadır.. Özellikle sosyal botlar, bahsedilen zararlı içeriklerin hızlı bir şekilde yayılması ve daha görünür hale gelebilmesi adına sürekli olarak içerek paylaşarak bu aktivitelerin gerçekleştirilmesini daha kolay bir hale getirmektedir. Bu durumu engelleyebilmek adına sosyal bot tespit sistemleri geliştirilmiştir. Buna rağmen, geliştirilen sistemlerin performansları, veri setlerinin sınırlı sayıda ve türde bot hesap bulundurmasından dolayı tam doğru bir şekilde değerlendirilememektedir. Bundan dolayı, bu tezde yapılan çalışmalarda bot tespit sistemlerinin performanslarının doğru bir şekilde değerlendirilebilmesi ve sosyal bot tespiti probleminin çözülüp çözülemediği araştırılmaktadır. Yapılan deneyler ile, 4 farklı bot tespit sisteminin performansları farklı deney düzenekleri üzerinde karşılaştırılarak en yüksek performansa sahip model bulunmaya çalışılmıştır. Kullanılan modellerin orijinal çalışmalarında raporlanan skorların çok yüksek olduğu görülmesine rağmen, modeller farklı test setlerinde düşük performanslar göstermişlerdir. Buna rağmen, performansı en yüksek olan modelin Botometer olduğu anlaşıldığından, Botometer'ın performansının daha detaylı incelenmesi gereksinimi ortaya çıkmıştır. Farklı bir bakış açısıyla deneyler gerçekleştirilerek Botometer'ın performansı 5 farklı bot senaryosu kullanılarak değerlendirilmiştir. Bu deneyler sonucunda, Botometer'ın yalnızca 1 senaryo dışında tüm senaryolarda kötü performans sergilediği görüldüğünden, sosyal bot tespiti probleminin hala araştırılmaya açık bir problem olduğunu anlaşılmaktadır.
Mobil kimlik doğrulama uygulamalarının güvenlik incelemesi
İkili kimlik doğrulamanın uygulanması hesap ele geçirilme saldırılarına karşı şiddetle tavsiye edilen güvenlik mekanizmalarından bir tanesidir. İkili kimlik doğrulaması uygulamanın en yaygın yöntemlerinden bir tanesi bildiğiniz ve sahip olduğunuz faktörlerin bir araya getirilmesidir. Sahip olunan faktör için USB bellekler, SMS doğrulaması, mobil uygulamalar tarafından oluşturulan tek kullanımlık parola değerleri gibi seçeneklerimiz mevcuttur. Maliyet ve kolaylık nedenlerinden dolayı ikili kimlik doğrulama sürecini mobil uygulamalar tarafından üretilen tek kullanımlık parola değerleri ile dağıtmak daha yaygındır. Bununla birlikte kurcalamaya karşı dayanıklılık özelliğine sahip olan akıllı kartların aksine, saldırganlar akıllı telefonlara uzaktan ve ya fiziksel olarak erişebilir ve gizli tohum değerini okuyabilirler. Bu da mobil kimlik doğrulama uygulamaları için önemli bir güvenlik riskidir. Bu nedenle mobil kimlik doğrulama uygulamalarının bu bağlamda incelenmesi kritik önem taşımaktadır. Araştırmamızda on bir tane Android kimlik doğrulama uygulamasını inceledikten sonra bulgularımızı raporladık. Standart tersine mühendislik yöntemleri ve açık kaynak kodlu araçlar kullanarak beş uygulamada depolamadan ve yedi uygulamada bellekten gizli tohum değerini şifresiz metin olarak elde ettik.
Video veri setleri ile insan eylemi tanıma yaklaşımlarına yönelik alan araştırması
İnsan eylem tanıma, insanların hareketlerinin makine öğrenmesi ve derin öğrenme metotları kullanılarak tahmin edilmesidir. Son yıllarda makine öğrenmesi ve derin öğrenme yöntemlerine artan ilgiyle birlikte, insan hareketlerinin tespiti konusu da gelişmektedir. İlk olarak duruk görüntüler üzerinden çıkarılan eylem tespitleri teknolojinin gelişmesiyle beraber videolar üzerinde ve hatta canlı akışlarda bile gerçekleştirilmeye başlanmıştır. Günlük hayatta da artık fazlasıyla görmeye başladığımız öğrenme tabanlı yöntemlerden biri de insan eylem tanıma yöntemleri olmaktadır. Hırsızların, kriminal suç işleyecek kişilerin veya tehlikeli aktiviteleri gerçekleştirecek bireylerin önceden tahmin edilmesi, yaya aktivitelerinin trafikteki öngörülerinde ve diğer birçok alanda insan eylem tanıma yöntemleri aktif olarak kullanılmaya başlanmıştır. Bununla birlikte, insan eylemlerini tanıma konusu öğrenme yöntemlerinin gelişmesiyle hem hız ve doğru tanıma performanslarının artmasıyla hem de pratik yöntemlerin gelişmesiyle kullanım alanları da genişlemektedir. Bu çalışmada, insan eylem tanıma konusundaki farklı yöntemleri ile dikkat çeken on beş farklı makale ele alınmış ve her biri detaylı olarak incelenerek bir araştırma hazırlanmıştır. Bu araştırmada yöntemleri bakımından insan eylem tanıma konusuna yeni bir bakış açısı kazandıran yaklaşımlar incelenecektir. 7 Araştırma boyunca ele alınan tüm makaleler videolar üzerinde tanıma işlemlerini gerçekleştirmektedir. Tüm bu tanıma işlemleri bir taksonomiye göre kategorilendirilmiştir ve beş ana kategori oluşturulmuştur. Bu kategoriler; ağ tabanlı yaklaşımlar, hareket tabanlı yaklaşımlar, çoklu örnek öğrenme tabanlı yaklaşımlar, sözlük tabanlı yaklaşımlar ve histogram tabanlı yaklaşımlardır. Bu kategorilendirmeye göre tüm makaleler incelenmiştir. İncelenen makalelerin her birine ait yöntemlerin açıklanması, geliştirme aşamaları, hangi ihtiyaçtan ortaya çıktığı, veri setleri üzerindeki çalışmalar ve elde edilen doğruluk sonuçları detaylandırılmıştır. Bununla birlikte, makalelerde kullanılan günlük hayat, trafikteki araçlar, spor ve uçangözlerden elde edilen videoları içeren veri setleri de ele alınmış, araştırmadan esinlenerek yeni araştırmacılara bir fikir kazandırmak amacıyla, her bir veri seti incelenerek bir karşılaştırma tablosu oluşturulmuştur. Veri setlerini kullanan makalelerin eğitim ve test ayrımlarını içeren tablolar da dâhil edilmiştir. Bu araştırma ile detayları verilen tüm makaleler ve veri setleri gelecekte yapılacak olan çalışmalara bir referans olacaktır.
Veritabanı sistemlerine yönelik bağlantı sonrası saldırılar
Son yıllarda veri kullanımının ve miktarının artmasıyla birlikte veritabanı yönetim sistemleri de önem kazanmıştır. Teknoloji, sağlık, finans, eğlence, vb gibi birçok sektörde sıklıkla kullanılması ve kritik öneme sahip veri barındırması ile birlikte veritabanı sistemlerine yapılan saldırılar da günden güne artış göstermektedir. Yapılan literatür taramasının ardından akademideki çalışmaların ağırlıklı olarak saldırı tespit sistemleri ve savunma yöntemleri üzerine yapıldığı, saldırı üzerine yapılan çalışmaların ise bir sistem özelinde değil genel geçer yöntemleri içerdiği tespit edilmiştir. Bundan dolayı bu çalışmada sisteme özgü saldırı yöntemleri incelenerek akademiye katkı vermek amaçlanmıştır. Bu çalışmada, dünya genelinde sıklıkla kullanılan veritabanı yönetim sistemlerinden olan MySQL, PostgreSQL ve Microsoft SQL Server ürünleri, veritabanına başarılı bir şekilde erişim sağlayan ve ardından sistemi tamamen ele geçirmek isteyen bir saldırganın gözünden incelenmiştir. Bu doğrultuda ilgili sistemlerin kimlik doğrulama mekanizmaları ve denetimleri, veri içe-dışa aktarım mekanizmaları, veritabanı programı içerisinde sunmuş oldukları işlevler, bu işlevlerin denetimleri ve nasıl kötüye kullanılabileceği, potansiyel saldırı yüzeyleri incelenmiştir. Ardından tespit edilen zayıflıklara yönelik saldırılar incelenmiş ve uygulamalı bir şekilde gerçekleştirilmiştir. Sonraki adım olarak, Türkiye'de bu veritabanı yönetim sistemlerini kullanan sistemlerin IP adresleri siber tehdit istihbarat platformları tarafından elde edilmiş, bu sistemlere yönelik güvenlik taramaları gerçekleştirilmiştir. Tarama denetimlerinin daha hızlı bir şekilde gerçekleştirilebilmesi için, tarafımızca bu tez çalışmasına yönelik olarak Zephyr adlı bir araç geliştirilmiş ve kullanılmıştır. Bu aracın çalışma mekanizmaları tanıtıldıktan sonra, elde edilen IP adreslerine yönelik gerçekleştirilen taramaların sonuçları değerlendirilmiştir. Son olarak, yapılan araştırmalar ve tarama sonuçları ışığında ilgili veritabanı yönetim sistemi değerlendirilmiş, çok iyi yaptıkları veya eksik oldukları yönler tartışılmıştır.
İddiaların teyit gerekliliğine göre önceliklendirilmesi
Yanlış bilgiler, internette inanılmaz bir şekilde her gün yayılmaktadır ve toplumlar üzerindeki olumsuz etkileri tehlikeli seviyelere ulaşmıştır. Yanlış bilgilerin en önemli düşmanı doğruluk kontrolü yapanlardır. Ancak yanlış bilgilerin yayılma hızı göz önüne alındığında, doğruluk kontrolü yapmak yavaş olduğundan tüm iddiaların kontrol edilmesi mümkün olmamaktadır. Bu yüzden, iddiaları teyit gerekliliklerine göre önceliklendirerek doğruluk kontrolü yapanlara yardımcı olacak sistemlerin geliştirilmesi ve bu konuda farkındalık oluşturulması büyük önem taşımaktadır. Bu alandaki bir diğer problem ise, geliştirilecek sistemler için kullanılabilecek veri kaynaklarının çoğunlukla İngilizce olmak üzere sınırlı olmasıdır. Bu tez çalışmasında öncelikle Türkçe için ilk teyit gerektiren iddia veri kümesi olan TrClaim-19 hazırlanmıştır. TrClaim-19, 2287 tane etiketli tweet içermenin yanı sıra, teyit gerektirme özelliklerinin daha iyi anlaşılmasını sağlayacak olan teyit gerektirme gerekçeleri de sunulmuştur. Bu gerekçeler, iddiaların konularının ve muhtemel negatif etkilerinin teyit gerektirmeye sebep olan ana etkenler olduğunu öne sürmektedir. Tez çalışmasında ayrıca, iddiaları teyit gerekliliklerine göre önceliklendirmek için BERT modelinin ve çeşitli özniteliklerin kullanıldığı karma bir model de önerilmiştir. Kullanılan öznitelikler, yerel bölgeye özgü tartışmalı konular, kelime vektörleri, POS etiketleri ve daha fazlasını içermektedir. Buna ek olarak, teyit gerektiren verileri artırma, aktif öğrenme ve farklı dillerde verileri kullanma gibi veri kümesi boyutunu artırmanın farklı yolları üzerine çalışmalar yapılmıştır. Kapsamlı deneyler sonucunda, modelimizin, CLEF Check That! Lab 2018 and 2019 test koleksiyonlarındaki en iyi modellerden daha başarılı olduğu gözlemlenmiştir. Modelimiz, eğitim verilerindeki teyit gerektiren örnekler artırıldığında, Check That! Lab 2020'in test koleksiyonu için de şimdiye kadar bildirilen en iyi MAP puanını elde etmiştir. Çok dilli eğitimin ise Arapça ve Türkçe iddiaları önceliklendirmek için etkili olduğu, ancak bunun İngilizce için geçerli olmadığını gözlemlenmiştir.
Çok katmanlı küresel derinlik parametreleri ve derin öğrenme yöntemleri ile 3B şekil tamamlama ve üretme
Yapay sinir ağları ile 3B geometri üretimi uzun süredir üzerine çalışılan bir konudur. Yapay sinir ağları, yapıları gereği verileri kendilerine özgü formatlarda kabul etmekte olduğundan, 3B geometri verisi bu formatlarda temsil edilmek suretiyle yapay sinir ağlarına sağlanmalıdır. İki boyutlu evrişimsel sinir ağının tek veya üç boyutlu veri kabul etmeyişi bu duruma bir örnektir. Fakat, 3B veriler genelde nokta bulutu ve poligon ağı gibi tek boyutta sıralı, düzensiz ve anlamlandırılması zor formatlarda tutulduğu için ilgili verinin yapay sinir ağınca anlamlandırılabilir bir formata dönüştürülmesi gerekir. Bunu yaparken hem 3B şeklin özelliklerinin tümü veya çoğu korunmalı hem de verimli yaklaşımlar kullanılmalıdır, çünkü 3B veriler oldukça çok sayıda öznitelik içermektedir. Polinomyal anlamda derece değişimi, hem öğrenme süresini hem de test süresini büyük ölçüde düşürecektir. \\ Bu çalışmanın ilk iki kısmında, evrişimsel yapay sinir ağlarıyla ve çok katmanlı küresel derinlik parametreleri kullanılarak 3B şeklin eksik kısmının küresel derinlik uzayında tamamlaması yapılmış, elde edilen sonuç ise üç boyutlu uzaya dönüştürülmüştür. Çok katmanlı küresel derinlik parametreleri işleme O(n^2) zaman karmaşasına sahip olup, O(n^3) zaman karmaşasına sahip olan doluluk haritası gibi klasik yaklaşımlara nazaran çok daha verimli ve yüksek performanslı bir yöntemdir. Burada n terimi, öznitelik verisinin eksen başına aldığı örnekleme sayısıdır. 2B bir nxn görselde n^2 olası örnek bulunurken nxnxn boyutlara sahip bir doluluk haritasında n^3 olası örnek bulunur. Örnek sayısı, olası sayıdan az olabilir, bazı pikseller ve vokseller boş olabilir. Yöntemimiz O(n^2)'lik "state of the art" yaklaşımlarla da kıyaslanabilir bir yöntemdir. Tamamlama işlemi 2B küresel derinlik görselleri üzerinden sürdürüleceği için kullanılacak olan yöntemler de yine 2B görüntü tamamlamada kullanılan yöntemler olacaktır. Evrişimsel sinir ağı modeli olarak regresyon yapan U-Net tabanlı tek bir evrişimsel sinir ağı kullanılmıştır. Elde edilen sonuçlar, ustalık derecesinde bir çalışmanın aynı örneklerle çalıştığında elde edilen sonuçlarla detaylı bir şekilde karşılaştırılıp sonuçlar analiz edilmiştir. Çalışmanın ikinci kısmında ise çok katmanlı küresel derinlik parametreleri dörtlü ağaca (quad tree) bölünüp yalnızca her katmandaki yaprak boğumlar evrişim işlemine tâbi tutulmuştur. Bu şekilde, evrişim işlemi detay gerektiren bölgelere daha çok sayıda uygulanırken detay gerektirmeyen yerlere az sayıda uygulanmıştır. Şekil tamamlama işlemi de bu çerçevede optimize edilmiştir. Çalışmanın üçüncü kısmında ise koşullu çekişmeli üretken ağlar kullanılarak rastgele küresel derinlik görselleri üretilmiş, üretilen rastgele görseller öğrenilen sınıflara ait rastgele ve özgün şekiller oluşturmuştur.
Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi
Belirli istenen özelliklere sahip moleküler yapılar inşa etme fikri, ilaç keşfi ve malzeme bilimindeki birkaç büyük problemin temelini oluşturur. Fakat, kimyasal uzay o kadar geniştir ki, günümüzde mevcut olan hesaplama kaynakları ile bu alanın tamamını araştırmak imkansızdır. Bu nedenle, yeni bir ilaç bulmak hem zaman hem de maddi açıdan çok maliyetli olabilir. Neyse ki, son yıllarda artan veri ile birlikte bilgisayar donanımı ve yazılımındaki gelişmeler, doğal dil işlemeden bilgisayarla görüye uzanan alanları etkileyen derin yapay sinir ağlarında bir devrime yol açmıştır. Derin öğrenme, moleküler özelliklerin tahmini ve optimizasyonu için yeni yolların tasarımı da dahil olmak üzere, ilaç keşfindeki bir dizi alanı etkilemiştir. Derin öğrenmedeki bu gelişmeler ve ilaç üretimi için kullanılabilecek büyük veri tabanlarının artışı sayesinde son yıllarda umut verici sonuçlar alınmıştır. Bu tez çalışmasında, istenen belirli özellikler için yeni moleküller üretebilen bir model geliştirilmiştir. Bu model temelde iki farklı modelin birleşiminden oluşmaktadır. İlk model, moleküllerin üretilmesini gerçekleştiren bir Derin Takviyeli Öğrenme mimarisine sahiptir. Diğer model ise Derin Takviyeli Öğrenme mimarisine sahip modelin eğitiminde kullanılan moleküler temsilleri üreten bir Çizge Sinir Ağı'dır. Bu Çizge Sinir Ağı modeli için de iki farklı mimari kullanılmıştır. Bu mimarilerden ilki, Çizge Evrişimsel Ağı, diğeri ise Çizge Dikkat Ağı'dır. Geliştirilen modeli kullanarak temelde beş ayrı iş için molekül optimizasyonu ve üretimi gerçekleştirilmiştir. Bu işler, QED değerinin optimizasyonu, benzerlik kısıtlaması ile cezalı LogP değerinin optimizasyonu, benzerlik kısıtlaması ile QED değerinin optimizasyonu, belirlenen hedef protein alıcıları (F2, PPAR, JAK2) için kenetlenme skorunun optimize edilmesi ve kenetlenme skorunun optimize edildiği işteki eğitilen model kullanılarak rastgele başlangıç moleküllerinin optimize edilmesi şeklindedir. Önerilen bu modeli kıyaslamak için literatürde benzer görevlerde en iyi sonuçları almış bir model olan MolDQN, temel yöntem olarak tercih edilmiştir. Kıyaslamak için kullanılan bu model aynı Derin Takviyeli Öğrenme mimarisine sahiptir ancak eğitilirken molekül temsili olarak Morgan Parmak İzi'ni kullanmaktadır. Yapılan deneylerin sonuçları, Çizge Sinir Ağı mimarisini kullanarak üretilen moleküllerin, Morgan Parmak İzi yöntemi kullanılarak üretilen moleküllerden belirgin düzeyde daha başarılı olduğunu göstermiştir.
Avrupa Birliği kamu alımı ihaleleri ilan metinlerinin ekonomik etkilerinin doğal dil işleme ile incelenmesi
Küresel bazda kamu alımları 11 trilyon dolar tutarı ile muazzam bir ekonomik aktiviteye denk gelmektedir. 250 binden fazla Avrupa Birliği kamu otoritesi her yıl Avrupa Birliği'nin (AB) gayri safi yurtiçi hasılasının (GSYİH) yüzde 14'ünü oluşturan yaklaşık 2.3 trilyon euroyu kamu alımları için harcamaktadır. Yapılacak küçük çaplı iyileştirmeler bile kamu kaynaklarının kullanımını büyük ölçüde etkilemektedir. Bu nedenle kamu kaynaklarının etkin kullanımı için rekabetçi ve maliyet etkin kamu alım süreçlerinin oluşturulması önem arz etmektedir. Kamu otoriteleri ise piyasa rekabet gücünün sağlanması, verilerin şeffaflığı ve güvenilirliği gibi Avrupa Birliği Komisyonunun direktiflerininin uygulamasından sorumludur. Kamu alımları faaliyetlerini kontrol edebilmek için ilan edilmeden önceki süreçte ihale ölçütlerini tahmin edebilmek önem arz etmektedir. Binlerce belge içerisinden ihale ölçütlerinin belirlenmesi başlı başına önemli bir problem olarak karşımıza çıkmaktadır. Bu çalışmada kullanılan veri kümesi, 2011'den 2018'e kadar 22 AB üye ülke dilini kapsayan AB'nin Resmi Gazetesine Ekinin çevrimiçi versiyonu olan Tenders Electronic Daily'deki (TED) kamuya açık sözleşme belgelerindeki sözleşme açıklama metinlerinden derlenmiştir. Gerçek veriler kullanılarak yapılan deneylerde, çok dilli hassas ayarlanan dönüştürücü modeller, cümle temsil vektörleri tabanlı yaklaşımlar ve öznitelik tabanlı yaklaşımlar önerilen metotlar olarak sunulmaktadır. Önerilen metotlar yalnızca ilan açıklamalarını kullanarak tek teklifli sözleşmeler, toplam teklif sayısı, yabancı firma sözleşmeleri ve sözleşme fiyatının etkinliği olmak üzere dört ekonomik ölçütü tahmin etmek için kullanılmaktadır. Önerilen yöntemler, tüm tahmin görevlerinde kelime frekans vektörlerini ve ekonomik göstergeleri kullanan modeller de dahil olmak üzere tüm temel modellerden daha iyi performans göstererek, ilan açıklamalarının kamu ihalelerinin sonuçlarında önemli bir rol oynadığını göstermektedir. Ayrıca, çok dilli eğitimin tüm görevlerde orjinal dildeki eğitime göre tahmin performansını geliştirdiği görülmektedir. Bu ise kullanılan veri kümesinin diğer ülkelerin kamu ihale ilanları için de kullanılabileceğini göstermektedir. Geliştirilen modeller, kamu ihale yetkilileri tarafından ihale ilanlarının inceleme sürecini otomatikleştirmek ve düşük rekabete neden olanları tespit etmek için kullanılabilir. Ayrıca katılımcı firmalar karşılaşacakları potansiyel rekabeti tahmin etmek için geliştirilen modelleri kullanarak daha öngörülebilir kararlar alabilir ve geleceğe yönelik risklerini azaltabilirler. Aynı zamanda belirtilmelidir ki geliştirilen modeller sadece kamu alımı ilan metinlerindeki açıklamaları kullanmaktadır. Bu nedenle model performansları ihale süreçlerini etkileyen diğer ekonomik etkenler dahil edilerek iyileştirmeye açık olmakla birlikte bu çalışmanın kapsamının dışında kalmaktadır.
Güvenlik farkındalıklı veritabanı göçü planlaması
İçinde bulunduğumuz Büyük Veri çağında birçok firma devasa boyutlarda verilerle çalışmaktadır. Veritabanı göçü, büyük veri üstüne çalışan firmalar için önemli bir problemdir. Veritabanı göçünün, servis kalitesi gereksinimleri nedeniyle tek seferde gerçekleştirilmesi çoğu zaman mümkün değildir. Bu yüzden, firmalar veritabanı göçünü parti adı verilen birden çok kısa zaman aralığında gerçekleştirmeyi tercih etmektedirler. Veritabanı göçü maliyetli bir işlem olmasının yanı sıra ciddi güvenlik riskleri de içermektedir. Bu nedenle, veri göçü işleminde, bazı firmalar uygulama testlerinden kaynaklanan maliyeti düşürmeyi amaçlarken, göç ettirilecek verinin gizli veya hassas bilgiler içerdiği durumlarda firmalar güvenlik risklerini azaltmayı amaçlamaktadırlar. Literatürde veritabanı göçü planlaması problemi uygulama test maliyetinin azaltılması yönünden ele alınmıştır. Bu çalışma ise uygulama test maliyetine ortogonal bir metrik olan güvenlik riskinin azaltılmasına odaklanmaktadır. Veri ne kadar uzun süre erişme açık kalırsa, o kadar büyük bir güvenlik ihlal riski oluşturmaktadır. Dolayısıyla bu tezde ele alınan veritabanı göçü planlaması probleminde güvenlik riski göçün tamamlanması gereken parti sayısıyla ilişkilendirilmektedir. Buna bağlı olarak, güvenlik riskinin minimize edilmesi için veri göçü en az sayıda parti kullanılarak tamamlanmalıdır. Bu çalışmada veritabanı göçü planlaması probleminin güvenlik riskinin minimize edilmesi yönünden ele alınması için teorik bir problem çatısı tanımlanmaktadır. Bu çatı firmaların farklı ihtiyaçları göz önünde bulundurularak tasarlanmıştır ve toplamda 24 farklı modelden oluşmaktadır. Tanımlanan çatıdaki 24 problem modelinden 23 tanesinin hesaplama karmaşıklığı tespit edilmiştir. Bu modellerin 16 tanesinin NP-zor olduğu, 7 tanesinin ise polinom zamanda çözülebildiği tespit edilmiştir. Ayrıca NP-zor modellerden 2 tanesinin asimptotik tamamen polinom zamanlı yakınsama şemasına sahip olduğu, 12 tanesinin ise polinom zamanlı yakınsama şemasına sahip olmadığı ispatlanmıştır. NP-zor modeller için kurucu sezgisel algoritmalar, yerel arama algoritmaları ve bunları kullanan memetik algoritmalar geliştirilmektedir. Geliştirilen memetik algoritmalar problem spesifik 2 çaprazlama ve 2 mutasyon operatörü kullanmaktadır. Geliştirilen memetik algoritmalar 8 saniyeden az bir sürede, örneklerin %95'inde optimalden en fazla %10 uzaklıkta çözümler bulmakta ve örneklerin 72,1'ini optimal çözmektedir. Ayrıca, memetik algoritmalar 82 saniyeden kısa bir sürede, örneklerin %95'inde optimalden en fazla %7 uzaklıkta çözümler bulmakta ve örneklerin 74,5'ini optimal çözmektedir.
Özyinelemeli çizim tabanlı sınırsız kapalı alan sanal gerçeklik motoru geliştirilmesi
Sanal gerçeklik donanımları geçmişten beri askeri simülasyonlar ve tıbbi uygulamalar gibi gerçeklik gerektiren alanlarda kullanılmaktadır. Gelişen teknoloji ile birlikte maliyetin düşmesiyle sanal gerçeklik donanımları sıradan kullanıcılar tarafından da erişilebilir bir hale geldi. Sanal gerçeklik uygulamalarının simülasyon ve eğitimlerin yanı sıra yaygın olarak oyun ve sinema sektöründe de yer bulmasıyla farklı gereksinimler ortaya çıkmaya başladı. Tıbbi uygulama ve askeri simülasyonlarda özel alanlar tahsis edilip ek donanımlar kullanılabildiği için rahat ve kullanılabilir bir sanal gerçeklik deneyimi sunulabilmektedir. Ancak kısıtlı bir fiziksel alanda ve standart donanımla sanal gerçeklik uygulamalarını deneyimleyen kullanıcılar için bu her zaman mümkün olmamaktadır. Yaygın sanal gerçeklik donanımları genellikle kullanıcının kapalı bir oda içerisinde kullanacağı varsayımı ile tasarlanır. Hareketin tamamen doğal yürüme ile sağlanamayacağı bu ortamlar için ise farklı hareket yöntemleri geliştirilmiştir. Kapalı fiziksel ortamlarda büyük sanal ortamların deneyimlenebilmesi için öne çıkan en yaygın yöntemler oyun kolu ile yürüme ve ışınlanma yöntemleridir. Bu yöntemler her ne kadar kısıtlı alan problemini çözseler de, beyin tarafından gözlemlenen hareket ile vücut tarafından hissedilen hareketin uyuşmazlığı sebebiyle mide bulantısı ve baş dönmesi gibi yan etkilere sebep olmaktadır. Bu yan etkileri çözmeyi amaçlayan geçmiş yöntemlerin bazıları ek donanım gerektirirken, bazıları da sanal ortamı bozmaktadır. Bu çalışmada yan etkileri ek donanıma gerek duymadan aşmak için portal tabanlı, sanal alanı üst üste bindirmeli bir yöntem önerip ortam tasarımı için kurallar belirledik. Sunduğumuzun yöntemin, dikkat dağıtma ve haritalama gibi doğal yürüyüş tabanlı diğer geçmiş yöntemlerle ayrıntılı karşılaştırmasını yaptık. Hareket yöntemlerine benzer bir şekilde, performans kaybının da sanal gerçeklikte kullanıcı üzerinde yan etkilere sebep olması sebebiyle, bahsi geçen grafik motorunun geliştirilmesinde en yeni teknolojiler kullanılmıştır. 1990'ların grafik mimarisine göre geliştirilmiş olan ve uyumluluk kısıtları sebebiyle yeni donanımlara ayak uydurmakta zorluk yaşayan OpenGL gibi eski bir grafik uygulama arayüzü yerine, modern grafik kartları ve çok çekirdekli işlemci mimarileri göz önünde bulundurularak geliştirilmiş olan Vulkan grafik uygulama geliştirme arayüzü tercih edilmiştir. Portal tabanlı ortamların sunulması için geliştirdiğimiz grafik motoru ise bu arayüzle tam uyumlu olacak şekilde tasarlanmıştır. Çalışma sonunda OpenGL ve Vulkan kullanılarak ayrı ayrı geliştirilmiş olan grafik motorları arasında ayrıntılı performans kıyaslaması yapılarak yeni teknolojilerin kullanılmasıyla ciddi performans artışları görüldüğü gözlemlendi. Buna ek olarak ortaya çıkan uygulamayı modern başka bir sınırsız alan yöntemi olan ortam haritalama yöntemi ile kıyaslamak için bir kullanıcı testi gerçekleştirildi. Kullanıcı testlerinin sonucunda çalışmamız büyük çoğunluk tarafından tercih edilirken özgünlüğünden dolayı da olumlu geri beslemeler aldı.
Blokzincir tabanlı gizlilik korumalı istatistiksel hesaplamalar
Bu çalışmada, üçüncü taraflarca sağlanan gizli veriler üzerinde istatistiksel hesaplamalara izin vermek için akıllı sözleşmeler ve homomorfik kriptografi kullanan blokzincir tabanlı bir uygulama mimarisi önerilmektedir. Blokzincir kullanımı, bütünlük ve hata toleransı gibi güvenlik özelliklerini sağlarken; homomorfik şifreleme ise verilerin gizliliğini korur. Bu temel güvenlik prensiplerinin dışında, uygulama mimarisi geliştirilirken veri aktarımı ve veri depolama aşamalarında ayrıca güvenlik sağlayabilecek hassasiyette yaklaşımlar kurgulanmıştır. Yapılan literatür taramasında, bu tez kapsamındaki konulara benzer konulara rastlanmışsa da; bu tez çalışması Ethereum akıllı sözleşmesinde doğrusal regresyon analizi yapması açısından diğer çalışmalardan ayrışmaktadır. Çalışma kapsamında Ethereum blokzincirine akıllı sözleşme geliştirilmiş, bu akıllı sözleşmeye veri gönderen ve verileri okuyan kullanıcılar için ayrı ayrı kullanıcı betikleri yazılmıştır. Çalışmanın örnek senaryosu doğrusal regresyon analizi üzerinden geliştirilmiştir. Doğrusal regresyon analizi ile üçüncü taraflardan toplanan veriler şifrelenerek akıllı sözleşmeye şifreli bir biçimde gönderilir. Akıllı sözleşmeye gelen şifreli veriler ilgili değişkenlerde homomorfik toplama işlemi ile toplanarak kaydedilir. Daha sonra akıllı sözleşmeden şifreli verileri okumak isteyen kullanıcı bu değerleri okur ve işlemlerini gerçekleştirir. Çalışmanın ilerleyen bölümlerinde önerilen sistemin tasarımı, uygulaması ve farklı homomorfik anahtar uzunluklarına dayalı sonuçları sunulmaktadır. Uygulamanın sayısal sonuçları, akıllı sözleşmeye gönderilen farklı anahtar uzunluğuna sahip işlemlerin ne kadar zaman ve gaz ücreti tükettiğini göstermektedir. Farklı anahtar uzunluğundaki verilerin gaz ücreti ve zaman tüketimlerindeki benzerlikler, farklılıklar ve bunların sebepleri tartışılmıştır. Ayrıca değerlendirmeler kısmında, önerilen sistemin getirdiği güvenlik iyileştirmelerinin neler olduğuna da ışık tutulmaktadır. Önerilen mimari, tüm istatistiksel hesaplamalarda kullanılabilecek genel bir bakış açısı kapsamında geliştirilmiştir. İstenildiği takdirde uygulama adımları tekrarlanarak farklı istatistiksel hesaplamalar için de sistem tasarımı yapılabilir. Çalışma, akıllı bir sözleşme aracılığıyla homomorfik hesaplamalara sahip blokzincir tabanlı veri paylaşım mekanizmasının uygulanabilir olduğunu ve verilerin yetkisiz kullanıcılardan korunmasında iyileştirmeler yapılabildiğini göstermektedir.
Doğru ve yanlış al sat önerilerinin finansal teknik indikatörler ile ayırt edilmesi
Bu çalışmanın amacı, Doğru ve Yanlış Al / Sat önerilerini ayırt etmek için makine öğrenme yöntemi ile bir karar destek sistemi geliştirmektir. 30/70 Göreceli Güç İndeksi şeması gibi çeşitli öneri şemaları birçok yatırımcı tarafından etkin bir şekilde kullanılmaktadır. Bununla birlikte, bu öneri şemalarından üretilen sinyaller art arda ve çok sık olması dolayısıyla çoğu zaman şüpheli bulunmakta ve bu nedenle eyleme geçilememektedir. Bu çalışmada, fiyat verilerinden faydalanarak optimal bir yatırım modeli çıkarmak için dinamik programlama formülasyonu geliştirilmektedir. Bu optimal yatırım modeli, çeşitli finansal göstergelerle daha sonra çevrimiçi olarak başvurulabilecek ikili sınıflandırma modelini elde etmek için kullanılmaktadır. Dolayısıyla, önerilen sistem yatırımcılara birincil tavsiye veren indikatörlerden kalan belirsizliklerin ortadan kaldırılmasına yardımcı olur. Dinamik programlama formülasyonu, doğrusal zamanda verimli bir şekilde çalışmaktadır. Dinamik Programlama, birincil önericinin AL-SAT önerilerinin içinden daha iyi olanlarının belirlenip, etiketlenmesi aşamasında kullanılmıştır. Bu yaklaşım, deneysel olarak BIST-100, DOW-30 hisse senetleri ve döviz kurları üzerinde değerlendirilmiştir. Tahmin özellikleri olarak kullanılan teknik göstergeler; Göreceli Güç İndeksi, Trend Normalize edilmiş Göreceli Güç İndeksi, Yüzde Fiyat Osilatörü, Bollinger Bant Yüzdesi, Stokastik Osilatör, Fiyat Değişim Oranı ve Emtia Kanal İndeksi'dir. Bu çalışmada, Destek Vektör Makineleri, ikili sınıflandırma modeli olarak kullanılmaktadır. Bir günün sonunda oluşan göstergeleri öznitelik olarak kullanmanın yanı sıra, ardışık iki günün teknik göstergeleri öznitelik olarak kullanılarak daha başarılı sonuc elde edilmiştir. Bu çok zor ikili sınıflandırma görevinde tek günün verileri ile %70 üzerinde, ardışık iki günün verileri ile %73un üzerinde doğruluk elde edilmiştir.
Sosyal medyada kullanıcı gizliliğini korumak için taraf tespiti görevinde dönüştürücü dil modellerini yanıltma yöntemleri
Doğal dil işleme alanındaki heyecan verici yeni gelişmeler dillerin karmaşıklıklarının daha iyi anlaşılmasını, metinler üzerinden yapılan anlam çıkarımları ve analizlerle daha başarılı sonuçlar ortaya koyulmasını sağlamıştır. Doğal dil işleme modelleri için geniş veri kümeleri sunan sosyal medya platformlarının kullanımı her geçen gün artarak insanların günlük hayatlarının önemli bir parçasına haline gelmiştir. İnsanlar, sosyal medya platformları üzerinden paylaştıkları metinlerde duygularını, düşüncelerini, deneyimlerini ve kendileriyle ilgili kişisel birçok bilgiyi ifade edebilmektedir. Yapay zekâ modellerinin, bu verileri insanların takip edilmesinde kullanabilmesi, kullanıcılarda önemli gizlilik endişelerini de beraberinde getirmiştir. Bu tez çalışmasında, sosyal medya platformlarını kullanan bireylerin yapay zekâ modelleri tarafından tespit edilememeleri için yapabileceklerini araştırıyoruz. Araştırmamızda birçok konuda kullanıma açık olan taraf tespiti görevini çeşitli konulardaki Türkçe ve İngilizce veri kümeleriyle ele alıyoruz. BERT ve BERTurk tabanlı dönüştürücü modellerini, yanıltmak amacıyla yeniden ifade etme ve kasıtlı yazım hataları yapma tabanlı yöntemler öneriyoruz. Önerilen 13 farklı yöntemin modellerin performanslarını etkileme seviyelerine göre etkinliklerini araştırıyoruz. Deneylerimiz sonucunda, yazım hataları karşısında BERT ve BERTurk tabanlı modellerin performanslarının belirgin bir şekilde düştüğü gösterilmiştir. Yazım hatalarına yönelik yöntemlerden iki dilde de en etkili yöntemlerin görsel olarak benzer karakterleri birbirleri yerine kullanma, boşluk ekleyerek kelimeyi bölme ve kelimelerdeki harflerin sıralarını karıştırma olduğu sonucuna ulaşılmıştır. Fakat bunula birlikte, yeniden ifade etme yöntemlerinin bu modellerin performanslarını etkileme konusunda başarılı olmadığı görülmüştür. Yöntemlerin uygulanmasında manuel ve otomatik olmak üzere iki farklı yöntem kullanılmıştır. Yöntemlerin otomatik uygulanması sonucunda elde edilen metinlerin hâlâ eski anlamlarını koruyarak okunabilir olması istenmiştir. İki değerlendirici tarafından bu kontroller sağlanmış olup harf sıralarını karıştırma, hashtag silme ve boşluk ekleme yöntemleri kullanılarak yapılan otomatik değişiklikler sonucunda okunurluğun azalması ve anlam değişmeleri gibi durumlar tespit edilmiştir. Bu sebeple bu yöntemlerin uygulanması konusunda daha dikkatli olunması gerektiği sonucuna ulaşılmıştır. Diğer bir nokta ise hashtag'lere dayalı yöntemlerde hashtag seçimleri oldukça önemli olup modellerin daha iyi performans göstermesine de sebep olabilmektedir. Bununla birlikte hashtag silme ve hashtag kullanılmaması çoğu durumda daha etkili sonuçlar vermiştir. Önerdiğimiz yöntemler ve elde ettiğimiz sonuçlar, bilgi ve gizliliklerini yapay zekâ modellerinden korumak isteyen kullanıcılar için yol gösterici nitelik taşımaktadır.
Heterojen çizge sinir ağlarında kontrastlı öğrenme tabanlı öneri sistemi
Son yıllarda dijital platformlardaki etkinlik artışı, öneri sistemlerine olan ilginin büyümesinde önemli bir rolü vardır. Kullanıcı tercihlerinin çeşitlenmesi, geleneksel öneri yaklaşımlarının sınırlarını zorlamakta ve bu alandaki yenilikçi araştırmaları hızlandırmaktadır. Çizge Sinir Ağları'nın (GNN) çeşitli birçok uygulama alanında elde ettiği başarılar ve öneri sistemlerindeki verinin yapısal uygunluğu, GNN tabanlı öneri modellerine yönelik ilgiyi arttırmıştır. Kullanıcı ve ürün arasındaki yüksek dereceli etkileşimleri başarıyla yakalayan bu sistemler, hâlâ veri seyrekliği gibi önemli sorunlarla karşı karşıyadır. Bu soruna çözüm olarak, kullanıcıların sosyal ağlarından yararlanarak öneri performansını artırmaya çalışan sosyal öneri yöntemleri literatürde yer almaktadır. Bu tez, kullanıcıların sosyal ilişkilerinin yanı sıra ürünlerin kategorik ilişkilerini de entegre eden yenilikçi bir heterojen yapılı model sunmaktadır. Model basit ve sade yapısı ile kullanıcı-ürün çizgesini, kullanıcı-kullanıcı sosyal ağ çizgesini ve ürün-kategori hiper çizgesini kullanarak öneriler sunar. Ayrıca, kontrastlı öğrenme mekanizmasıyla farklı görünümdeki temsil vektörleri arasında uyum sağlayarak modelin etkinliğini artırır. Yapılan kapsamlı deneyler, modelin temel modellere göre üstün performans sergilediğini göstermektedir. Bu çalışma, öneri sistemleri alanına önemli bir katkı sağlamakta, heterojen yapılı çizge sinir ağları ve kontrastlı öğrenmeye dayalı öneri sistemlerinin potansiyelini ortaya koymakta ve gelecekteki araştırmalara yeni bakış açıları sunmaktadır.
Kısmi yük yenileme tekniği ile satırdarbesi önleme mekanizmalarının performansının iyileştirilmesi
Modern DRAM çiplerinde gerçekleşen okuma hataları, bellek yalıtımını bozabilen yaygın bir zayıflıktır. Bellek yalıtımı, bellek güvenliği ve güvenilirliğinin temel yapı taşlarından biridir. SatırDarbesi zafiyeti, DRAM'deki okuma hatalarına önemli bir örnektir; burada DRAM hücrelerinin bir satırına (DRAM satırı) tekrar tekrar erişmek (darbeleme), fiziksel olarak yakın DRAM satırlarında (kurban satırlar) bit hatalarına neden olur. Ne yazık ki, teknoloji düğüm boyutunun küçülmesi SatırDarbesi zafiyetini kötüleştirir ve böylece, daha yeni DRAM çip nesillerinde daha az erişim yaparak SatırDarbesi bit hataları oluşturulabilir. Güvenilir DRAM kullanımı için, son teknoloji SatırDarbesi önleme mekanizmaları potansiyel kurban satırlardaki DRAM hücrelerinin yükünü yeniler (önleyici yenileme ya da yük yenileme). Gerçekleştirilen bu önleyici yenileme operasyonu DRAM çipini bir süre kilitleyerek performans kayıplarına yol açar. Daha yeni DRAM çip nesilleri ile bu mekanizmalar önleyici yenilemeyi daha sık gerçekleştirir ve daha büyük performans kayıplarına neden olur. Güvenilirlik ve güvenlikten ödün vermeden bu kaybı azaltmak için bizim amacımız, önleyici yenileme için harcanan zamanı azaltmak ve bu azaltılmış zamanın SatırDarbe zafiyeti üzerindeki etkisini anlamaktır. Bu amaçla, gerçek DRAM çiplerinde veri tutma süresi, yük yenileme ve SatırDarbesi zafiyetinin özellikleri arasındaki etkileşimlere dair ilk kapsamlı deneysel çalışmayı sunuyoruz. Üç büyük DRAM üreticisinden toplam 388 DDR4 DRAM çipini test ediyoruz ve bir yük yenileme operasyonunun gecikmesinin önemli ölçüde azaltılabileceğini (%64 oranında) ve dolayısıyla, biraz daha fazla (%0,54 oranında) önleyici yenileme operasyonu gerektireceğini gözlemliyoruz. Bu gözlemimizi kullanarak, yük yenileme gecikmesini dinamik olarak ayarlayan, mevcut SatırDarbesi önleme mekanizmalarının saldırganlığını düzenleyen ve bellek kontrolcüsü tabanlı düşük maliyetli bir mekanizma olan Kısmi Yük Yenileme ile Agresif Önleme'yi (PaCRAM) öneriyoruz. PaCRAM'i beş son teknoloji SatırDarbesi önleme mekanizması ile kullanarak önleme mekanizmalarının performans (enerji) kayıplarını sırasıyla ortalama olarak %18,95 (%14,59), %12,28 (%11,56), %2,07 (%1,15), %2,56 (%2,18) ve %5,37 (%4,50) oranında azaltarak sistem performansını ve enerji verimliliğini önemli ölçüde artırıyoruz.
Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Bu tez çalışmasında, elektrikli otobüslere ait CAN (Controller Area Network) Bus verileri kullanılarak çizge tabanlı öznitelik seçim yöntemi ile sistemin özellikleri arasındaki ilişkiler analiz edilmiş ve üretici tarafından hedeflenen alarmların yapay zekâ teknikleri ile kestirim performansı araştırılmıştır. Araştırmada belli bir süre boyunca, farklı araçlardan elde edilen CAN Bus verileri kullanılmıştır. Ham veri paketleri üzerinde kapsamlı ön işleme teknikleri uygulanmış ve makine öğrenmesi modellerinin yapısal ihtiyaçlarına uygun veri setleri oluşturulmaya gayret edilmiştir. Bu süreçte Pearson korelasyon analizi, Cramer's V istatistik tablosu ve Anova F-testi gibi istatiksel filtreleme yöntemleri ve InfoMap, Leiden, Louvain, Fast Greedy gibi optimizasyon tabanlı topluluk tespiti algoritmaları kullanılarak, hibrit çizge tabanlı öznitelik seçim aracı geliştirilmiştir. Geliştirilen araç kullanılarak özellik altkümeleri belirlenmiş, özelliklerin ilişkisel konumu ve hedeflenen alarmlarla ilişkileri değerlendirilerek ayırt edici öznitelikler seçilerek boyut azaltımı yapılmıştır. Makine öğrenmesi modellerinin seçilmesinde, Destek Vektör Makinesi (SVM), Rastgele Orman (RF), eXtreme Gradient Boosting (XGBoost), Uzun Kısa Süreli Bellek (LSTM), ve Tekrarlayan Sinir Ağları (RNN) modelleri dahil olmak üzere sinir ağı mimarileri ve geleneksel sınıflandırıcılar uygulanarak performansları değerlendirilmiştir. Sınıf dengesizliğinin modellerin performansındaki etkisini minimize etmek için SMOTEEN (Synthetic Minority Oversampling Technique-Edited Nearest Neighbours) ve ikili arama tabanlı zaman aralığı örnekleme (binary search based time interval down-sampling) yöntemleri uygulanmıştır. Her modelin en iyi ayırt edici sınıflandırıcı uzayını bulmak için Izgara Arama (Grid Search) ve Rastgele Arama (Random Search) tabanlı hiperparametre optimizasyonu (Hyperparameter tuning) yapılmıştır. Geliştirilen modellerin performansları geçerleme (validation) metrikleri esas alınarak değerlendirilmiştir. Modellerin kestirimleri özniteliklerin ağırlıkları incelenerek ve LIME (Local Interpretable Model-Agnostic Explanations) aracı kullanılarak açıklanmaya çalışılmış, kestirimleri tetikleyen öznitelikler belirlenmiş ve sistemin işleyişi (tasarımı) ile ilgili içgörüler elde edilmiştir. Bu çalışma kapsamında CAN Bus verileri kullanılarak araçlardaki belli alarmların makine öğrenmesi teknikleri ile kestirim performansı araştırılmış, çizge tabanlı bir öznitelik seçme aracı geliştirilerek düzeltici, önleyici, kestirimci ve proaktif bakım (tasarımın iyileştirilmesi) yaklaşımlarının iyileştirilmesine yardımcı olacak şekilde öznitelikler arasındaki ilişkilerin görsel olarak yorumlanması imkânı sağlanmıştır. Çalışmada izlenen makine öğrenmesi yaşam döngüsü kapsamında uygulanan tekniklerin farklı sektörlerde ve Endüstri 4.0 gereği bakım stratejilerinin makine öğrenimi yoluyla iyileştirilmesinde, özellikle veri kalitesi ve uzman görüşüne erişim zorluğu olan projelerde yararlı olabileceği değerlendirilmektedir. Anahtar Kelimeler: Kestirimci bakım (PdM), Makine öğrenimi (ML), Çizge tabanlı öznitelik seçimi, Açıklanabilir yapay zekâ (XAI).
Öznitelik temelli erişim kontrol (ABAC) modelinin nesnelerin internetine uygunluğunun araştırılması ve gerekli genişletmelerin yapılması
Nesnelerin İnterneti (IoT), çok sayıda cihazın birbirleriyle iletişim kurduğu, birbirine bağlı bir ortamdır ve bu durum mahremiyet ve güvenlik sorunları oluşturmaktadır. Kullanıcıların IoT teknolojisini günlük yaşamlarında tam olarak benimsemeleri için bu ekosisteminin temel ağ, sistem ve güvenlik gereksinimlerini karşılaması kritik öneme sahiptir. IoT uygulamaları, sensörler, kullanıcılar ve diğer bağlı cihazlar gibi çeşitli kaynaklardan hassas bilgiler toplayabilir. IoT cihazları giderek günlük rutinlerimize entegre oldukça, güçlü kimlik doğrulama ve erişim kontrol mekanizmalarının yokluğu önemli güvenlik ve mahremiyet endişelerini beraberinde getirir. Zayıf kimlik bilgileri, yetersiz kimlik doğrulama protokolleri ve yetersiz mahremiyet koruma IoT sistemleri içindeki başlıca zafiyetlerdir. Bu sorunların ele alınması, kullanıcı ve sistem güvenliğini artırmak ve IoT teknolojilerinin daha geniş bir şekilde benimsenmesini sağlamak açısından önemlidir. Bu tez, IoT güvenliği bağlamında kullanıcı kimlik doğrulama, erişim kontrolü ve mahremiyet gibi kritik konuları, özellikle akıllı ev ortamlarına odaklanarak incelemektedir. Yetkisiz erişimi önlemek ve kişisel verilerin mahremiyetini sağlamak için detaylı ve dinamik bir erişim kontrolü esastır. Bu bağlamda, Öznitelik Tabanlı Erişim Kontrolü(ABAC) modeli uygun bir yaklaşım olarak ortaya çıkmaktadır. Bu tez, ABAC modelini üç aşamada genişletmektedir. İlk aşamada, genişletilmiş ABAC modeli, kullanıcı kimlik doğrulama sırasında elde edilen biyometrik eşleşme puanına (AMS) dayalı olarak kimlik doğrulama güvence seviyesini belirlemek için yenilikçi bir yöntem sunmaktadır. Bu puan, önceden tanımlanmış eşiklerle karşılaştırılarak, kullanıcının rolü ve kimlik doğrulama güvence seviyesi temelinde ince ayar yapılmış erişim kontrol kararları alınmasına olanak tanır. İkinci aşamada, ABAC modeli Kimlik Doğrulama Yeteneğine Sahip ABAC modeli olarak genişletilmiştir(AeABAC). Erişim kararı verme sürecini geliştirmek için performans ölçütleri modele entegre edilmektedir. Yanlış Eşleşme Oranı (FMR) hesaplanarak ve Erişim Karar Belirsizliği Skoru (ADUS) tanımlanarak, AeABAC modeli, geniş biyometrik kimlik doğrulama cihazları ve algoritmaları yelpazesi arasında etkili normalizasyon sağlamaktadır. Cihaz işlevselliği, kritik, önemli ve temel kritiklik seviyelerine göre kategorize edilerek buna göre erişim kararları alınır. Bu yaklaşım, özellikle biyometrik kimlik doğrulamanın yaygın olduğu akıllı evlerde, IoT ortamlarında erişimi kontrol etmek için daha esnek ve ölçeklenebilir bir yöntem sunmaktadır. İlk iki aşama, akıllı ev ekosistemlerinde sistemden kullanıcıya güven oluşturmaya odaklanmaktadır. Üçüncü ve son aşamada, kullanıcının mahremiyetinin korunmasına yönelik sorunlara etkili çözümler üretilmesine odaklanılmıştır. Kimlik doğrulama ve yetkilendirme süreçleri, sistem güvenliğini sağlamaktadır (sistemden kullanıcıya güven); ancak bu aşamadan sonra, sistemlerin istenen işlevi yerine getirebilmesi için kullanıcıların hassas verilerine ihtiyaç duyulmaktadır. Bu noktada kullanıcılar, mahremiyetlerinin korunmasına öncelik vermek isterler (kullanıcıdan sisteme güven). Bu tezde, kullanıcıların veri mahremiyetine olan güvenlerini artırmak amacıyla, AeABAC modeline Risk Tabanlı mahremiyet Yaklaşımı entegre edilerek RBP-AeABAC modeli önerilmiştir. Önerilen yaklaşım, akıllı ev ortamında mahremiyet profillerini tanımlayarak veri ifşa olasılığını ve potansiyel zararları (ifşa etkisi) değerlendiren bir mahremiyet riski analizi sunmaktadır. Bu sayede, veri toplama ve ifşa süreçlerinde şeffaf ve güvenilir bir koruma sağlanarak kullanıcı mahremiyetini güvence altına alınmaktadır. Model, kullanıcı mahremiyetini gözeterek veri ifşasının olasılığı ve etkisini değerlendirip, kullanıcıların bilinçli kararlar alabilmesine olanak tanır. Kullanıcı tanımlı mahremiyet profilleriyle özelleştirilen bu yaklaşım, bireysel mahremiyet ihtiyaçlarına yönelik korumalar sunmaktadır. Modelin uygulanabilirliği çeşitli kullanım senaryolarıyla gösterilmiştir. Bu tez kapsamında genişletilen ABAC modeli sadece akıllı evlerdeki IoT cihazlarının güvenliğini güçlendirmekle kalmayıp, aynı zamanda mahremiyet risklerini yönetmek için kapsamlı bir çerçeve oluşturmaktadır. Biyometrik kimlik doğrulama, performans metriklerine dayalı erişim kontrolü ve mahremiyet risk değerlendirmelerini birleştirerek, bu tez, IoT ortamlarında kullanıcılar ve sistem arasındaki iki yönlü güveni artıran yenilikçi bir çözüm sunmaktadır. Gelecek araştırmalar, modelin ölçeklenebilirliğini ve daha büyük IoT ekosistemlerindeki uygulanabilirliğini inceleyecektir.
Derin öğrenme ile görüntülerde kararlı öznitelik eşleme tekniklerinin geliştirilmesi
Bilgisayarlı görü teknikleri görüntüler üzerinde tespit edilen öznitelik noktalarından yaygın bir şekilde yararlanmaktadırlar. Bu öznitelik noktaları kullanılarak görüntü çiftleri arasında yararlı tutarlılıklar tespit edilebilir. Benzerlikler kullanılarak görüntü eşleştirme, nesne tanıma, görüntü dikişleme, görüntü mozaiği oluşturma ve nesne takibi gibi birçok uygulama için başarılı ürünler elde edilebilir. Görüntü çiftleri üzerinde tespit edilen öznitelik noktalarının eşleştirilmesi sırasında noktaların öznitelik uzayında birbirlerine göre uzaklıkları temel alınır. Öznitelik uzayında birbirlerine en yakın olan özniteliklerin yakınlıkları eğer yeterince özgünse bu öznitelikler varsayılan eşleşmeler olarak kabul edilir. Ancak bu varsayılan eşleşmeler çoğu zaman hatalı eşleşmeleri tümüyle saf dışı bırakamaz. Bunun için literatürde tekrarlamalı algoritmalardan faydalanarak en çok sayıda varsayılan eşleşmeyi içerecek şekilde bir geometrik tutarlılık elde edilmeye çalışılır. Elde edilen geometrik tutarlılık sayesinde varsayılan eşleşmelerde bulunan hatalı eşleşmeler elenir. Bu yöntemdeki temel sorun tüm görüntü çiftlerinde başarıya götürecek bir tekrarlama sayısının elde edilmesinin pratikteki imkansızlığıdır. Derin öğrenme yöntemlerinin literatürde birçok problemde alternatiflerine göre daha etkin sonuçlar elde etmesinden sonra çoğu bilgisayarlı görü ve görüntü işleme probleminde olduğu gibi öznitelik eşleştirme problemi için de derin öğrenme ile eğitilmiş yapay sinir ağları kullanan çözümler literatüre yerleşmişlerdir. Bu tezde, kararlı öznitelik eşleme yapan derin öğrenme ağları ile bağıl kamera pozisyonu tahmini problemine çözümler geliştirilmiştir. Öncelikli olarak literatürdeki çalışmaların hepsine temel oluşturan n-n'lik çatı incelenmiştir. n-n'lik bu çatının varsayılan eşlemelerdeki özniteliklerin koordinatlarından oluşan bir küme tipi girdi üzerinde çalıştığı gözlemlenmiştir. n-n'lik çatıya ait girdiyi işleyen literatürdeki çalışmaların varsayılan öznitelik eşleşmelerinde genel bağlam ve yerel bağlam çıkarırken karşılaştığı zorluklar incelenmiştir. n-n'lik çatıya alternatif olarak 1-1'lik alternatif bir çatı oluşturulmuştur. n-n'lik çatıda her bir yığın örneğinde tek bir görüntü çiftine ait veri bulunurken öne sürülen 1-1'lik çatıda her bir yığında sadece tek bir görüntü çiftine ait veri bulunmaktadır. 1-1'lik çatıdaki görüntü çiftine ait her bir varsayılan eşleşme için özel bir bağlam kanalının kullanılmasına imkan sağlanmaktadır. Dahası bu bağlam kanalındaki girdi satırların her bir varsayılan eşleşme için özel olarak sıralanabilmesi mümkündür. Tez kapsamında 1-1'lik çatı kullanan çok sayıda ve farklı tipte ağ katmanları içeren yapay sinir ağları oluşturulmuştur. Oluşturulan 1-1'lik yapay sinir ağları ve literatürdeki n-n'lik başarılı sinir ağları Tensor İşlem Birimleri üzerinde eğitilmişlerdir. Eğitimlerde mimarilere ait hesapsal grafiklerdeki parametreler güncellenirken birden fazla kayıp fonksiyonunun birleşiminden oluşan bileşke kayıp fonksiyonundan faydalanılmıştır. Başarım metriği olarak minimum ortalama hassasiyet ölçütü temel alınmıştır. Elde edilen sonuçlara göre 1-1'lik çatı için oluşturulan yapay sinir ağları literatürdeki n-n'lik yapay sinir ağlarının biri hariç tümünün başarımlarını \%30'a varan farklar ile geride bırakmıştır. Ayrıca tezin asıl konusu üzerinde çalışmaya başlamadan önce derin öğrenme kullanarak yapay sinir ağlarının eğitilmesine aşinalığı arttırmak için bir durum çalışması yapılmıştır. Bunun için portre fotoğrafları üzerinden yaş sınıfı tahmini yapan yapay sinir ağları geliştirilmiştir. Kullanılan veri setindeki portreler 6 sınıfa ayrılmıştır. Literatürdeki 6 katmanlı bir yapay sinir ağının 18 ve 34 katmanlı artık sinir ağlarına göre daha başarılı olduğu gözlemlenmiştir. Kullanılan artık sinir ağlarının 6 sınıflı yaş tahmini problemi için aşırı öğrenmeye sebep olacak kadar derin olduğu veya veri setinin yeterince zengin olmadığı sonucuna varılmıştır.
Türkçe'de eş anlamlı kelimelerin hesaplamalı diyakronik analizi
Türkçe 1920'lerden günümüze kadar gelen süreçte Dil Devrimi'nin etkisiyle önemli yapısal değişikliklere uğradı. Dil Devrimi'nin amaçlarına uygun olarak Türkçe üzerinde yabancı dillerin etkisini azaltacak şekilde adımlar atıldı. Bu müdahaleler sebebiyle dile pek çok yeni kelime girerken bir o kadar kelime de günümüzde kullanılmamaya başlandı. Kelime dağarcığındaki değişimlerin dışında dilin imla ve gramer kurallarında da değişiklikler görüldü. Bu çalışmada Türkçe'nin bu hızlı değişimini motivasyon kabul ederek bu çalışmada eş anlamlı kelimelerin diyakronik hesaplamalı diyakronik analizi gerçekleştirildi. İlk olarak 1920'lerden 2020'lere kadar dönemi kapsayan modern Türkçe'nin en büyük diyakronik korpusu Turkronicles'ı oluşturuldu ve bu korpus üzerinde frekans analizleri gerçekleştirildi. Ayrıca korpusla beraber diyakronik analizlerde n-gram'lar, diyakronik kelime vektörleri, bir yazılım kütüphanesi, dijitalleştirilmiş karşılıklar sözlüğü gibi çeşitli kaynakları kullanıma sunuldu. Analizlerimiz sonucunda Türkçe'nin kelime dağarcığının yıllar geçtikçe önemli ölçüde değiştiğini gördük. İmla kurallarının nasıl değiştiğini gözlemlemek için spesifik olarak sonu -b/-p ve -d/-t ile biten kelimeleri inceledik ve benzer bir sonuçla karşılaşıldı. Analizler bütünüyle ele alındığında oluşturduğumuz kaynakların aslında diyakronik analiz için uygunluğunu gösterdi veviii dilin ne ölçüde değiştiğini gözler önüne serdi. Ardından bu kaynakları kullanarak farklı tarihlerde kullanılmış eş anlamlı kelimeleri tespit etmeye yarayan iki farklı yöntem önerdik. Bu yöntemler esasında ortogonal dönüşüm matrisini bulmaya dayanır. Sonrasında önerdiğimiz yöntemler doğrusal dönüşüm matrisine dayalı temel bir yöntem ile karşılaştırıldı. Yöntemlerin başarısı iki farklı vektör algoritması üzerinden test edildi. Buna ek olarak zaman farkı arttıkça yöntemlerin performansının nasıl değiştiği gözlemlenip değerlendirildi. Deneylerin sonuçlarında önerilen yöntemlerin temel yöntemden daha iyi bir performans sergilediğini ve zaman farkına daha dayanıklı olduğu gözlemlendi. Son olarak eş anlamlı kelimelerin zamanla anlamının nasıl değiştiğini görmek adına çeşitli deneyler yürütüldü. Spesifik olarak eş anlamlı kelimelerin anlam daralması ve genişlemesi dinamikleri incelendi. İlk olarak Turkronicles korpusunda yer alan hatalı kelimeleri düzeltmek için bir Kodlayıcı-Çözücü modeli eğitildi ve bir test kümesi oluşturuldu. Hatalı kelimeler düzeltildikten sonra anlam daralması ve genişlemesini kelime ilişki çizgesi ve bir merkeziyet ölçütü etrafında modellendi. Ardından bu ölçütün bir eş anlamlı çifti için zaman boyunca nasıl değiştiğini gözlemlemek için Spearman korelasyon katsayısını hesaplandı. Son olarak birbirlerinin değişimini ne kadar etkilediğini ölçmek için bir Doğrusal Karma Model eğitildi. Deney sonuçlarına dayanarak eş anlamlı bir kelimenin anlamı genişlerken diğerinin anlamının daraldığı tespit edildi.
Mamba ve topluluk öğrenmesi kullanarak hisse senedi hareket tahmini
Borsa; ulusal politikalar, ekonomik koşullar ve küresel olaylar gibi birçok faktörden etkilenmektedir. Hisse senedi fiyat hareketlerinin doğru bir şekilde tahmin edilmesi, yatırımcılar ve ekonomistler için uzun süredir önemli bir zorluk teşkil etmektedir. Doğru tahminler, yatırım risklerini azaltırken aynı zamanda getiri potansiyelini artırmada kritik bir rol oynamaktadır. Ancak, finansal piyasalardaki dalgalı ve doğrusal olmayan yapılar, tahmin süreçlerini zorlaştırmaktadır. Son yıllarda, Mamba gibi durum uzay modelleri, sıralı verilerin modellenmesinde önemli başarılar elde etmiştir. Bu çalışmada, günlük hisse kapanış fiyatlarındaki yüzdelik değişimleri tahmin etmek için Mamba modeli kullanılmıştır. Tahmin problemi bir sınıflandırma görevi olarak ele alınarak, hisse senedi fiyatının ertesi gün artıp artmayacağını belirlemek hedeflenmiştir. Doğrulama veri kümesinde, modelin performansını artırmak için grid arama yöntemi kullanılarak parametre optimizasyonu gerçekleştirilmiş ve tahminler yapılmıştır. Bunun ardından, tahminlerin başarısını yükseltmek amacıyla, farklı hiperparametre kombinasyonlarına sahip modeller topluluk öğrenmesi yöntemi ile bir araya getirilmiştir. Böylece, tahmin doğruluğu tekli Mamba modeline kıyasla artırılmıştır. Araştırmada, Nasdaq borsasında işlem gören altı farklı şirketin günlük kapanış fiyat hareketleri tahmin edilmiştir. Elde edilen sonuçlar, tekli Mamba modelinin ertesi gün fiyat hareketinin yönünü tahmin etmede ortalama %58.9 F1 skoru elde ettiğini göstermektedir. Buna karşın, toplu Mamba modeli ortalama %60.5 F1 skoru ile dikkate değer bir başarı göstermiştir. Modellerimizin performansını temel model olan LSTM ile karşılaştırdığımızda, LSTM modelinin ortalama %52.5 F1 skoru elde ettiği tespit edilmiştir. Ayrıca, modellerin sınıflandırma performansının yanı sıra finansal değerlendirmesi de yapılmıştır. Elde edilen sonuçlara göre, toplu Mamba modeli, 120 test işlem günü boyunca 10.000 $ başlangıç sermayesi ile ortalama 4.150 $ kâr sağlamıştır. Temel karşılaştırma stratejimiz olan "Al-Tut" stratejisi ise 809 $ zarar etmiştir. Bu bulgular, yatırımcıların daha bilinçli kararlar almalarına önemli bir rehberlik sunmaktadır. Böylece, getirilerin optimize edilmesi ve risklerin en aza indirilmesi sağlanabilmektedir. Sonuç olarak, bu çalışma hisse senedi piyasasında tahmin doğruluğunu artıran etkili bir yöntem sunmakta ve yatırım kararlarının optimize edilmesine katkı sağlamaktadır.
MQTT ağına gerçekleştirilen saldırıların makine öğrenmesi modelleri ile tespiti
Nesnelerin İnterneti (IoT)'nin hızlı gelişimi, çok sayıda cihazın ağlar üzerinden veri paylaşımını mümkün kılmış ve birçok sektörde kayda değer ilerlemelere zemin hazırlamıstır. IoT cihazları arasındaki bu veri alışverişini verimli kılmak amacıyla çeşitli iletişim protokolleri kullanılmaktadır. Bu protokoller arasında, MQTT (Message Queuing Telemetry Transport), düşük bant genişliği gereksinimi ve hafif yapısı ile IoT sistemleri için ideal bir iletişim mekanizması olarak öne çıkmaktadır. Ancak, MQTT protokolünün yaygın benimsenmesi, bu ağlara yönelik siber saldırılar karşısında çeşitli güvenlik açıklarının ortaya çıkmasına da neden olmuştur. Bu çalışma, MQTT ağlarına özgü saldırıların tespitine yönelik olarak makine öğrenmesi tekniklerinin kullanımını incelemekte ve olası tehditlerin belirlenmesini amaçlamaktadır. Çalışmada, özellikle SlowITe ve veri setine sonradan entegre edilen SlowTT saldırı türleri üzerine odaklanılmıştır. Kullanılan veri seti MQTTset, başlangıçta SlowTT saldırılarına ilişkin verileri içermediği için bu saldırılara ait veriler çalışma kapsamında sonradan eklenmiştir. Dengeli bir veri yapısı sağlamak amacıyla, veri setinin %50'si normal trafik verilerinden, geri kalan %50'si ise eşit sayıda SlowITe, SlowTT, Brute Force, Malformed, DoS (Denial of Service) ve Flood saldırılarından oluşturulmuştur. Dengeli veri seti kullanımı, dengesiz veri setlerinin yaygın sınıfı daha iyi tahmin etme eğilimi sorununu ortadan kaldırmakta ve bu sayede tüm sınıfların adil bir şekilde değerlendirilmesini sağlamaktadır. Böylece, algoritmaların performans ölçümleri daha güvenilir hale gelmiştir. Yapılan testlerde, bazı modeller daha düşük performans gösterse de dengeli veri kullanımı sayesinde sınıflar arasında daha doğru bir dağılım ve gerçekçi sonuçlar elde edilmektedir. Çalışmada, dengeli veri seti üzerinde Random Forest, XGBoost, LightGBM, DNN (Deep Neural Network) ve CatBoost gibi farklı makine öğrenmesi algoritmaları ile kapsamlı deneyler gerçekleştirilmistir. İlk aşamada, yeni MQTTset veri seti üzerinde yapılan testlerde, Random Forest modeli en yüksek başarı oranlarını göstermiştir. Diğer modeller de kabul edilebilir performans sergilemiş olmakla birlikte, DNN modeli görece daha düşük bir başarı sergilemiştir. Çalışmanın ikinci aşamasında, veri setine yeni özellikler (TCP window size ve frame time delta) eklenmiş ve bu genişletilmiş veri seti ile aynı modeller tekrar test edilmiştir. Eklenen bu özelliklerle modellerin performansında genel bir artış gözlemlenmiş ve Random Forest, XGBoost, LightGBM ve CatBoost modelleri yüksek başarı oranlarına ulaşmıştır. Ayrıca, kullanılan modellerin sonuçlarını daha derinlemesine incelemek ve hangi özelliklerin model performansına en fazla katkıyı sağladığını belirlemek amacıyla LIME (Local Interpretable Model-agnostic Explanations) ve SHAP (SHapley Additive exPlanations) yöntemleri kullanılmıştır. SHAP analizi, saldırı tespitinde kullanılan makine öğrenmesi modellerinin anlaşılabilirliğini artırmış ve hangi özelliklerin tespit sürecine en fazla katkıyı sağladığını açıkça ortaya koymuştur. Sonuç olarak, bu çalışma, MQTT ağlarına yönelik saldırıların tespitinde makine öğrenmesi tabanlı yaklaşımların etkinliğini göstermektedir. Veriye eklenen yeni özelliklerin saldırı tespit performansını önemli ölçüde artırdığı ve SHAP yöntemi ile hangi özelliklerin tespit sürecinde kritik bir rol oynadığının daha net bir şekilde anlaşıldığı görülmüştür. Bu çalışmada kullanılan yöntemler, IoT ağlarının güvenliğini sağlamada önemli katkılar sunmakta ve potansiyel saldırıların erken tespiti için etkili çözümler sağlamaktadır.
Endüstri satırdarbesi savunlamarının güvenli ve düşük maliyetli hale getirilmesi
Modern DRAM'de okuma hataları, bir DRAM satırına tekrar tekrar erişildiğinde, fiziksel olarak yakın diğer DRAM satırlarında bit hatalarına yol açan önemli bir sağlamlık (güvenlik, emniyet ve güvenilirlik) problemidir. Teknoloji düğüm boyutunun küçülmesi, nesiller boyunca DRAM okuma hatalarını şiddetlendirmektedir. Okuma hatalarını hafifletmek amacıyla, en son DDR5 standardı PRAC adı verilen yeni bir RowHammer önleme çerçevesi tanıtmıştır. PRAC, 1) her satıra bir etkinleştirme sayacı tahsis ederek DRAM yongasının satır etkinleştirmelerini doğru şekilde takip etmesini sağlar ve 2) yeni bir geri çekilme (-ing, back-off) sinyali tanıtarak DRAM yongasına SatırDarbesi önleyici tazeleme işlemlerini gerçekleştirebilmesi için gerekli zaman penceresini sunar. Ne yazık ki, PRAC'ın güvenlik garantileri ve ek yükleri önceden kapsamlı biçimde incelenmemiştir. Bu çalışmada, 1) PRAC'ın güvenlik, başarım, enerji ve maliyet açısından ilk kapsamlı analizini sunuyoruz ve 2) PRAC'ın iki temel zayıflığını gideren Chronus adlı yeni bir mekanizma öneriyoruz. Analizimiz, PRAC'ın masum uygulamalarda sistem başarımı açısından göz ardı edilemeyecek bir ek yük getirdiğini, gelecekteki DRAM yongalarında ise bu yükün kabul edilemeyecek seviyelere ulaştığını gösteriyor. Bu yüklerin kaynağı olan iki temel zayıflık tespit ediyoruz: Birincisi, PRAC etkinleştirme sayaçlarının artırılması için gereken ek süre nedeniyle kritik DRAM erişim gecikme parametrelerini artırıyor. İkincisi, PRAC her seferinde sabit sayıda önleyici tazeleme işlemi gerçekleştiriyor; bu da onu dalga saldırısı (-ing, back-off) olarak bilinen düşmanca erişim desenine karşı savunmasız kılıyor ve dolayısıyla çok daha düşük etkinleştirme eşikleriyle yapılandırılmasını gerektiriyor. PRAC'ın bu iki zayıflığını gidermek için, DRAM yongası üzerinde çalışan yeni bir SatırDarbesi önleme mekanizması olan Chronus'u öneriyoruz. Chronus, 1) sayaçları veriden ayırarak erişim hizmeti verirken satır etkinleştirme sayaçlarını eşzamanlı günceller ve 2) gerçekleştirilen önleyici tazeleme sayısını dinamik olarak kontrol ederek dalga saldırısını engeller. Başarım analizimiz, Chronus'un sistem başarımı üzerindeki ek yükünün modern DRAM yongaları için sıfıra yakın, gelecekteki DRAM çipleri içinse oldukça düşük olduğunu göstermektedir. Chronus, PRAC'ın üç varyantını ve diğer üç son teknoloji okuma bozulması çözümünü geride bırakmaktadır. Chronus ve PRAC'ın gelecekteki sistemler üzerindeki etkilerini tartışıyor ve ileriye dönük araştırma yönlerine işaret ediyoruz. Gelecekteki araştırmaları desteklemek amacıyla, Chronus'un tüm kaynak kodunu yayınlıyoruz: https://github.com/CMU-SAFARI/Chronus
MultiAIGCD: Çoklu model, dil, istem ve senaryolarda yapay zeka tarafından oluşturulan kodların tespiti için yeni bir veri kümesi
Son yıllarda büyük dil modellerinin (BDM - LLM: Large Language Models) hızlı bir şekilde gelişmesiyle birlikte, bu modellerin yazılım geliştirme süreçlerinde kod üretimindeki rolü de dikkate değer ölçüde artmıştır. Bu ilerleme, yazılım üretimini daha hızlı ve erişilebilir kılarken; özellikle eğitim, işe alım ve değerlendirme süreçlerinde ciddi etik ve güvenilirlik sorunlarını da beraberinde getirmiştir. Öğrencilerin ödevlerde yapay zeka destekli araçlarla kod üretmesi veya adayların mülakat süreçlerinde bu tür araçlardan yararlanması, akademik dürüstlük ve adil değerlendirme ilkelerini tehdit etmektedir. Bu bağlamda, yapay zeka tarafından üretilmiş kodları güvenilir şekilde tespit edebilen sistemlerin geliştirilmesi, yalnızca teknik değil aynı zamanda sosyal bir zorunluluk haline gelmiştir. Bu çalışmada, Python, Java ve Go dillerinde üretilmiş yapay zeka kaynaklı kodların tespiti için oluşturulan MultiAIGCD veri kümesi tanıtılmaktadır. Veri kümesi, CodeNet veri setindeki problem tanımlarından ve insan yazımı kodlardan yararlanılarak oluşturulmuştur. Bu problemler üzerinden, altı farklı BDM kullanılarak üç farklı istem (prompt) türüyle çok sayıda yapay kod örneği üretilmiştir. Kod üretimi sürecinde üç temel senaryo dikkate alınmıştır: (i) problem tanımından sıfırdan kod üretimi, (ii) insan yazımı kodlardaki çalışma zamanı (runtime) hatalarının düzeltilmesi, (iii) insan yazımı kodlardaki hatalı çıktıyla sonuçlanan kodların düzeltilerek doğru çıktılar üretmesinin sağlanması. Bu sistemli üretim süreci sonucunda MultiAIGCD toplamda 121,271 adet yapay zeka tarafından oluşturulmuş ve 32,148 adet insan tarafından yazılmış kod parçacığı içeren büyük ölçekli ve dengeli bir veri kümesine dönüşmüştür. Ayrıca çalışmamızda, alandaki güncel yapay zeka kod tespiti sistemlerinden üç tanesi bu veri kümesi üzerinde değerlendirilmiş ve modellerin farklı test senaryolarındaki başarıları analiz edilmiştir. Değerlendirme sürecinde çapraz model (cross-model) ve çapraz dil (cross-language) gibi gerçekçi ve zorlu senaryolar özel olarak ele alınmıştır. Sunmuş olduğumuz bu veri kümesi ve beraberindeki açık kaynak kodlar, yapay zeka tarafından üretilen kodların tespiti alanındaki araştırmaları desteklemek amacıyla kamuoyuyla paylaşılmaktadır. Bu sayede, hem akademik hem de endüstriyel düzeyde daha güvenilir, adil ve şeffaf değerlendirme sistemlerinin geliştirilmesine katkı sağlanması hedeflenmektedir.
Üç boyutlu evrişimsel sinir ağları ile finansal zaman serisi analizi
Yapay sinir ağları, finansal zaman serisi tahmininde son yıllarda oldukça yaygın biçimde kullanılmaktadır. Özellikle karmaşık, doğrusal olmayan ilişkileri modelleyebilme yetenekleri sayesinde geleneksel yöntemlerin önüne geçmektedir. Bu kapsamda zaman bağımlılıklarını etkili bir şekilde öğrenebilen Kısa Uzun Süreli Hafıza (LSTM) tabanlı modeller finansal verinin tahmininde oldukça fazla kullanılmaktadır. Evrişimsel Sinir Ağları (CNN) da literatürde kendisine yer bulmaya başlamış ve çeşitli çalışmalarda başarılı sonuçlar elde edilmiştir. Bu çalışmada ise klasik CNN yaklaşımlarının ötesine geçilerek, konvolüsyon işlemi üç boyutlu veri yapısı üzerinde gerçekleştirilmiştir. Bu yeni yaklaşımda, veri hazırlama süreci detaylı şekilde tasarlanmıştır. İlk olarak, teknik analizde yaygın olarak kullanılan 20 farklı indikatör seçilmiş; her bir indikatör, 5 ile 25 gün arasındaki 20 farklı periyot için hesaplanarak, her gün için 20x20 boyutunda iki boyutlu bir matris oluşturulmuştur. Ardından, bu iki boyutlu veriye ardışık 20 günlük geçmiş veriler eklenmiş ve sonuç olarak her bir gün için 20x20x20 boyutunda üç boyutlu veri elde edilmiştir. Bu veri yapısı, CNN modelinin zaman, indikatör ve periyot bilgilerini aynı anda işlemleyerek daha karmaşık örüntüleri öğrenmesine olanak tanımaktadır. Etiketleme sürecinde ise her gün için fiyat hareketine göre "Al", "Sat" ve "Tut" olmak üzere üç sınıftan biri atanmıştır. Model, bu sınıflandırmayı öğrenerek gelecekteki alım-satım sinyallerini tahmin etmeyi hedeflemiştir. Modelin tahminlerine dayanarak oluşturulan alım-satım stratejileri, 2022–2024 yılları arasında toplam 750 işlem gününü kapsayan bir dönem boyunca Dow Jones 30 endeksine dahil olan hisseler ile çeşitli borsa yatırım fonları (ETF) üzerinde test edilmiştir. Gerçekleştirilen işlemler sonucunda, hisseler için yıllık ortalama %23.87, ETF'ler için ise %19.40 oranında getiri sağlanmış ve bu sonuçlar geleneksel "al ve tut" stratejisine kıyasla daha yüksek performans göstermiştir. Böylece önerilen modelin, zaman serisi verilerinde teknik göstergelerin çok boyutlu temsilinden faydalanarak etkili bir tahmin performansı sergileyebildiği ortaya konmuştur.
Halis: Çizge desen madenciliği için önbellek yakınında işlem yapan donanım-yazılım ortak tasarım hızlandırıcı
Çizge Desen Madenciliği (-ing, Graph Pattern Mining, GPM) algoritmaları, çizge yapıları üzerinden anlamlı bilgiler çıkarmakta ve birçok uygulama alanı için temel yapı taşlarını oluşturmaktadır. Ancak bu algoritmaların performansları, çalışma süresini domine eden indeks eşleme (-ing, index matching) işlemleri sırasında oluşan öngörülemeyen dallanma kontrolü (-ing, hard-to-predict divergence control), önbellek kirliliği (-ing, cache pollution) ve düşük paralellenme (-ing, low parallelism) gibi nedenlerle sınırlanmaktadır. Bahsedilen sorunları çözmek için bu çalışmada, Çizge Desen Madenciliği iş yüklerini çok çekirdekli ticari işlemcilerde hızlandırmak amacıyla önbellek yakınında işlem yapan, donanım-yazılım ortak tasarımı olan Halis isimli hızlandırıcıyı önermekteyiz. Halis indeks eşleme işlemlerini son seviye önbellek (-ing, Last Level Cache) yakınında yürüterek veri hareketini ve üst seviye önbelleklerdeki (-ing, upper level caches) kirliliği azaltırken aynı zamanda dallanma kontrolünü iyileştirmekte ve paralel işlemeyi artırmaktadır. Bu amaçla Halis, ÇDM iş yüklerinde iyi performans göstermeyen donanım öngetiricilerini (-ing, hardware prefetcher) yeniden amaçlandırarak donanım öngetiricilerinde hali hazırda bulunan İçerik Adreslenebilir Bellek'leri (-ing, Content Addressable Memory, CAM) kullanmakta ve bu belleklerin verimli arama kabiliyetlerinden faydalanmaktadır. Ayrıca Halis, sanal bellek desteği de sunarak ticari işletim sistemleriyle uyumluluğu garanti etmektedir. Programlanabilir bir hızlandırıcı olarak tasarlanan Halis, bellek eşlemeli yazmaçlar (-ing, memory-mapped registers) üzerinden kontrol edilmektedir. Yapılan değerlendirmeler, Halis'in yazılım tabanlı çözümlere göre 26.9x, donanım tabanlı çözümlere göre 2.4x daha hızlı çalıştığını ve işlemcide %0.05'lik ihmal edilebilir ek alan maliyeti getirdiğini göstermektedir.
A-star yönlendirme algoritması ve kanal gizliliğinin kaldırılmasının bitcoin lightning network işlem başarısına etkisi
Lightning Network (LN) Bitcoin blok zinciri üzerinde transfer işlemlerinin daha hızlı ve daha ucuz bir şekilde yapılmasını sağlayan ikinci seviye ödeme kanalı ağıdır. LN işlem yolunu bulmak için kaynaktan rotalamayı kullanır. Ancak ağın ödeme yolunu bulması her zaman başarılı ve etkili değildir. Çünkü ödeme kanalı gelen ve giden bakiyeleri gizlidir. Bu çalışmada, işlem başarım oranını arttırmak için bakiyelerin gizli olmamasının etkileri araştırılmıştır. Ayrıca çeşitli yol bulma algoritmaları kullanılarak yaygın işlem başarımın etkileri üzerine deneyler yapılmıştır. Çalışmada etki değerlendirmesi yapabilmek için LN düğüm ve işlem gerçekleştirme simülasyonları kullanılmıştır. Ilk olarak CLoTH adında LND algoritmasını yol bulma metodu olarak kullanan bir simülasyonla çalışılmıştır. Bu simülasyon sistemi ile Martin'in kısa yol (Martin's Shortest Path) algoritması ile çoklu kriterli (multi-criteria) kısa yol bulma karşılaştırmaları yapılmıştır. Çalışmanın ilerleyen dönemlerinde, düzenlenmesi daha kolay olan ve daha yeni akademik çalışmalarda kullanılmış Python tabanlı bir simülasyon kullanılmıştır. Bu simülasyon LND dışındaki diğer yaygın istemcilerin (Eclair, LDK vs.) de analiz edilmesine olanak sağlamıştır. Simülasyon üzerinde gerekli değişiklikler yapılarak, A-Star (A*) yol bulma algoritması simülasyona eklenmiştir. A-Star algoritması için bir sezgi fonksiyonu önerilmiş ve deneyler gerçekleştirilmiştir. Ayrıca bakiyelerin gizliliğinin kaldırılması için simülasyon üzerinde başka bir dal üzerinde, değişiklikler gerçekleştirilmiştir. Son olarak simülasyona sadece belli bir grup düğümün gizliliğinin kaldırıldığı diğer düğümlerin trafiğinin özgün ağdaki gibi bırakıldığı bir algoritma eklenmiş, ve bu şekilde çalışma tamamlanmıştır. Çalışmada veri seti olarak Rene Pickhardt tarafından, 12 Nisan 2022 yılında alınarak literatürde paylaşmış olduğu anlık durum kaydı (snapshot) kullanılmıştır. Deneylerde rastgele kanal bakiyeleri kullanılırken azami bir Bitcoin olmak üzere bimodal ve üniform dağılım kullanılmıştır. Çalışmada Martin'in kısa yol algoritması ile yapılan deneylerde belirgin bir işlem başarım artışı gözlenmemiştir. A-Star algoritması ile yapılan deneylerde ise Dijkstra algoritması kullanan istemcilerin başarımları karşılaştırıldığında işlem tutarı arttığındaysa Dijkstra'nın daha iyi sonuç verdiği görülmüştür. Ancak simülasyon çalışma zamanı (run-time) değerlendirildiğinde A-Star algoritmasının kullanılmasının simülasyonun daha hızlı tamamlanmasına olanak sağladığı, dolayısıyla başarımı artmasa bile performans artışı sağladığı görülmüştür. Bu Dijkstra ile benzer başarımın olduğu düşük tutarlı işlemler için A-Star algoritmasının fayda sağlayacağını göstermiştir. Bakiyelerin gizliliğinin kaldırıldığı deneylerde ise yüksek işlem başarımı sağlandığı, işlem tutarı artsa bile başarımda ciddi bir düşüşün olmadığı gözlemlenmiştir. Tüm düğümlerin gizliliği kaldırılmadan yapılan deneylerde de işlem başarımı artışının mümkün olduğu, LN içerisinde gizliliğe ihtiyaç duymayan düğümlerin farklı bir ağ kullanarak genel ağ performansına katkıda bulunabilecekleri gözlemlenmiştir.
Harp başlığı performans testlerinde derin öğrenme tabanlı otomatik bölütleme ve 3b yeniden inşa
Harp başlığı performans testleri, çukur imlalı harp başlıkları (SCW) ve parçacıklı harp başlıklarının (FW) değerlendirilmesinde temel öneme sahiptir. Bu başlıkların başarımları, Derinlik Testi (DoPT) ve Arena Testi (AT) ile ölçülmektedir. DoPT, metal levhaların delinme derinliğini incelerken; AT, patlama sonrası panellerde oluşan delik ve kusurları analiz eder. Geleneksel yöntemlerle, manuel olarak test verilerinin incelenmesi yoğun insan emeğine dayalı, hataya açık ve tutarsız bir prosedürdür. Derin öğrenme ve bilgisayarla görü alanındaki gelişmeler, bu sürecin otomatikleştirilmesine imkan vererek test verilerinden yüksek doğruluklu sonuçlar çıkmasına olanak sağlayacaktır. Bu tez, savaş başlığı testlerinde toplanan verilerin işlenmesi sürecinin iki yönünü ele almaktadır. İlk olarak, iki testten (DoPT ve AT) elde edilmiş fotoğraflar ile iki adet veri kümesi oluşturulmuştur. İki veri kümesinin temel isteri plakaların ve üzerinde bulunan deliklerin anlamsal bölütlemeyle benek bazında ayırt edilmesidir. Ancak iki veri setinin farklı karakteristikleri sebebiyle farklı stratejiler izlenmiştir. Delikleri benek bazında tespit etmek için literatürde benzer karakteristikteki veri setlerinde başarımı yüksek modeller ve kullanılan kayıp fonksiyonları incelenmiştir. İki küme için de bu modeller ve kayıp fonksiyonları eğitilerek başarımlar karşılaştırılmıştır. Deneylerde SCW veri kümesinde MCCM-Net ve Dice Loss $\approx\ \% 86$ IoU, AT veri kümesinde SegFormer + Cross Entropi $\approx\ \%65$ IoU ile en iyi sonuçları vermiştir. Sonuçlar sonrasında veri etiketleme tutarsılığı iki veri seti içinde çalışılmıştır. Aynı resimlerdeki farklı işaretleme tutarsızlıkları kıyaslanmıştır. Etiketleme uyumu SCW veri seti için $\%80 - 85$ IoU, AT için $\% 49 - 63$ IoU olarak bulunmuştur. Bu bulgular, etiket uyumu ve mimari seçimlerinin performans üzerindeki belirleyici etkisini ortaya koymaktadır. Çalışmanın ikinci kısmı, öncelikle tespit başarımını artıran yenilikçi yaklaşımları ele almaktadır. Bu kapsamda kullanılan derin gözetim (Deep Supervision) küçük nesnelerin tespitinde ara katmanlardaki gradyan akışını güçlendirmiştir. Önerilen öğrenilebilir atlama bağlantıları (Learning Gate) ise kodlayıcı–çözücü özniteliklerini piksel düzeyinde uyarlanabilir biçimde birleştirerek yerel detayların korunmasını ve bağlamsal bilginin daha etkili kullanılmasını sağlamıştır. Bu katkılar, model parametre sayısını azaltırken bölütleme doğruluğunu belirgin şekilde artırmıştır. Ardından, benek bazlı delik tespitlerinin yerleştirildiği otomatik çerçeve ve 3B yeniden inşa metodolojileri sunulmaktadır. Bu amaçla tasarlanan iki aşamalı işlem hattının ilk adımı düşük çözünürlüklü görüntülerden panellerin ayrılması, ikinci adımı ise yüksek çözünürlüklü paneller üzerinde delik ve kusurların hassas biçimde tespit edilmesidir. Delik merkezleri ve konturları belirlendikten sonra bu bilgiler 3B koordinatlara dönüştürülmüş ve hem noktasal hem de silindirik yüzey varsayımlarıyla harp başlığı geometrisi yeniden inşa edilmiştir. Böylece 4K (3840×2160) çözünürlüklü bir panelin saniyeler içinde işlenmesi mümkün hale gelmektedir. Süreç sürdürülebilir ve tekrarlanabilir bir yapıya kavuşmuştur. Sonuç olarak, çalışma piksel düzeyindeki bölütleme sonuçlarından 3B yeniden inşa sürecine uzanan uçtan uca bir yaklaşım sunarak panel başına onlarca saat sürebilen manuel analizleri saniye mertebesine indirmektedir. Derin gözetim ve öğrenilebilir atlama bağlantıları gibi yaklaşımlar savunma sanayinden farklı olarak, tıbbi görüntüleme ve endüstriyel kusur tespiti gibi alanlarda da uygulanabilir niteliktedir. Bu tez, bilgisayarlı görü yöntemlerini savunma sanayinin ihtiyaçlarıyla birleştiren yenilikçi ve bütüncül bir çerçeve ortaya koymaktadır.
Derin öğrenme algoritmaları kullanarak yazar, tür ve cinsiyet tanıma
Günümüzde artan veri miktarı, bu verilerin sınıflandırılma ihtiyacını beraberinde getirmiştir. Sınıflandırma, benzer özellikte olan verilerin kategorize edilmesi işlemidir. Bu çalışmada, veri olarak Türkçe haber metinlerinin seçildiği ve bu verilerin yazar, tür ve cinsiyete göre sınıflandırılabilmelerini sağlayan, makine öğrenmesi ve derin öğrenme algoritmalarının sınıflandırıcı olarak kullanıldığı geniş kapsamlı bir modelleme çalışması yapılması amaçlanmıştır. Bu amaçla ilk olarak, bir gazetenin köşe yazarlarına ait köşe yazılarını içeren, yazar tanıma, tür tanıma ve cinsiyet tanıma işlemlerinde kullanılabilecek, büyük ölçekli ve çoklu sınıflara sahip, toplam 14 adet yeni veri seti oluşturulmuştur. Yazar tanıma için 7, tür tanıma için 6 ve cinsiyet tanıma için de 1 adet olan bu veri setleri, Türkçe diline özel, doğal dil işleme adımlarından geçirilerek, sınıflandırma işlemlerinin yapılacağı sınıflandırıcıların uygulandığı ve en yüksek doğruluk başarılarının araştırıldığı, modelleme aşaması için hazır hale getirilmiştir. Modelleme aşamasında, Türkçe metinlerde yazar tanıma, tür tanıma ve cinsiyet tanıma problemlerinin çözümüne yönelik makine öğrenmesi algoritmalarından Multinominal Naive Bayes (MNB) ve Random Forest (RF) algoritmaları, derin öğrenme algoritmalarından da Convolutional Neural Networks (CNN) ve Long Short Term Memory (LSTM) algoritmaları, sınıflandırıcı olarak veri setlerine uygulanmıştır. Ayrıca, bu sınıflandırıcılardan en yüksek performansın alındığı hiperparametre değerleri, uzun deneysel çalışmalar sonucunda bulunmaya çalışılmıştır. Modelleme sonucunda, her bir veri seti için en iyi modellere ait, doğruluk, kesinlik ve duyarlılık değerleri kullanılarak her modelin performansı bulunmuştur. Modelleme aşamasının sonucunda, yazar tanıma için, genel olarak tüm veri setleri arasında, en yüksek başarının alındığı en iyi model, % 95,81 doğruluk başarı değeriyle, AI-TNKU-7 veri seti için, CNN algoritmasının sınıflandırıcı olarak kullanıldığı model olarak bulunmuştur. Tür tanıma içinse, en yüksek başarının alındığı en iyi model, GI-TNKU-6 veri seti için LSTM algoritmasının sınıflandırıcı olarak kullanıldığı ve %96,73 doğruluk başarı değerinin alındığı model olmuştur. Cinsiyet tanıma için de, en yüksek başarının alındığı en iyi model, %88,68 doğruluk başarı değeriyle LSTM algoritmasının sınıflandırıcı olarak kullanıldığı model olarak bulunmuştur.
Blok zinciri tabanlı kripto paraların çalışma yöntemlerinin araştırılması
Bir e-posta grubuna 2008 senesinde Satoshi Nakamoto tarafından gönderilen bir makale ile tanıtılan ve 2009 senesinde kullanımına başlanılan kripto para teknolojisi geçen zaman zarfında, dünya üzerinde gerek ekonomik gerekse teknolojik bir çok unsuru değiştirmiş ve bir devrim olarak kabul edilmiştir. Devletlerden, kişilerden ve sistemlerden bağımsız çalışan kripto paralar, merkezi olmadan, para transfer işlemlerinde aracı kurumları ortadan kaldırırken, büyük bir yatırım aracı haline dönüşmüş ve giderek kullanımı artmıştır. Özellikle son zamanlarda devletlerin gündemlerine aldıkları kripto paraların nasıl çalıştıkları, hangi algoritmaları kullandıkları, kullanılan bu algoritmaları nasıl bir senkronizasyon ile çalıştırdıkları gibi konularda kaynak bulmak zor olduğu gibi bir anlam karmaşası da yaşanmaktadır. Ayrıca kripto paraların nasıl olup da devletlerin dahi müdahale edemeyecekleri, dünyada elektrik ve internet olduğu sürece bu sistemin nasıl çalışmaya devam edeceği birçok kişi tarafından merak konusu olmuştur. Zaman içerisinde kripto paraların hem çalışma düzenleri hem de güvenlikleri açısından bir takım problemler ortaya çıkmıştır. Bu tez çalışmasında kripto paraların, Bitcoin özelinde, hangi algoritmaları nasıl bir senkronizasyon ile kullandıkları, blok zinciri teknolojisi ile kripto paraların nasıl bir ilişkisi olduğu gibi konular detaylı olarak anlatılmış ve geliştirilmeleri açısından bir takım önerilerde bulunulmuştur. Son olarak, bu tezde yer alan önerilerin uygulandığı bir kripto para simülatörü geliştirilmiş ve önerilerin uygulanabilirliği gösterilmiştir.
Yapay zeka ve derin öğrenme teknikleri kullanılarak yüz fotoğrafları içeren sahte fotoğraf ve video sentezi
Günümüzde sosyal medya ve Web aracılığıyla fotoğraf paylaşımı oldukça arttı. Neredeyse hemen her çekildiğimiz fotoğrafı, özel olsun olmasın, Web' e bir şekilde yüklüyoruz. Ama bu fotoğrafların kötü niyetli insanlar tarafından da görülebileceği ve kullanılabileceği konusunda pek bilinçli değiliz. Bu çalışmanın amacı da bu noktada ortaya çıkıyor. Çalışmada bu amaçla; bir kişinin gerçekte var olan kısa bir videosundan veya birkaç fotoğrafından bile, o kişinin yüz fotoğrafını içeren sahte videolar oluşturulabileceği kanıtlanmaktadır. Bu birkaç fotoğraf veya kısa bir video alınıp derin öğrenme teknikleriyle eğitilerek sahte fotoğraflar ve videolar oluşturulabilir. Sahte videolarda kişinin yüzüyle başka bir kişinin yüz değişimi (Face swapping) uygulanabilir veya kişinin yüzüne yeniden canlandırma (hareketlendirme) (Face reenactment) yapılabilir. Yeniden canlandırmada ise kaynak bir kişinin yüzüne başka bir kişinin videosundaki yüz hareketleri uygulanabilir. Hatta StyleGAN gibi teknikler ile gerçek insan yüz fotoğraflarından oluşan bir fotoğraf kümesi kullanılarak var olmayan insan fotoğrafları bile üretilebilir. Yaygın olarak Derin sahtelik (Deepfake) teknolojisi olarak bilinen bu teknikler, bu çalışmada yüzde kullanılan çeşitleri ve yapıları ile birlikte ele alınmıştır. Bu teknikler, eski dönemlerde yaşamış bilim adamlarının, ünlülerin var olan fotoğraflarına yeniden canlandırma yapılıp konuşturularak çocuklar için eğitim amaçlı kullanılabilir. Kuklacılıkta bu yöntem kullanılabilir. Oyuncuların (Aktörlerin-Aktrislerin) yerine sahnelerde, onların fotoğraflarıyla bilgisayarda yeniden canlandırma yapılabilir. Portreler canlandırılabilir (hareketlendirilebilir). Bilgisayar oyunlarındaki karakterlerde de bu yöntem kullanılabilir. Son zamanlarda özellikle bu teknolojilerle oluşturulan Kemal Sunal başta olmak üzere birçok oyuncu ve sanatçının videoları, reklam filmlerinde ve sosyal medyada artmıştır. Bu çalışmanın benzer araştırmalardan ayrıldığı nokta ise eğitim için kullanılacak olan verinin diğer çalışmalardaki verilerden daha az olması ve sahte video oluşturma çeşitlerinin, yapılarının birlikte ele alınmasıdır. Veri eğitimi için kullanılan materyal GPU ve veri seti olarak ise VoxCeleb veri seti, birkaç kısa video ve birkaç fotoğraftan oluşmaktadır. Kullanılan yöntem ise Çekişmeli üretici ağlar ve Otomatik kodlayıcılar gibi üretken ağlardır. Yapılan çalışma kullanılan video ve fotoğraflarda yüzün karşıya (öne) dönük veya hafif sağa ya da hafif sola dönük iken, yüz hareketinin belirli bir alanda sınırlı olduğunda ve yüzün yavaş hareket ettiğinde yapay zekayı daha iyi eğittiği ve bu eğitim verileri kullanılarak oluşturulan sahte videoların daha başarılı olduğunu göstermiştir.
Türkiye için yapay sinir ağları ve zaman serisi yöntemleriyle yenilenebilir enerji üretimi tahminleri
Zaman içerisinde artmakta olan nüfus ve gelişmekte olan sanayi ve yaşam şartlarındaki değişimler sebebiyle sürekli veya çevre kirliliğini en aza indirgediği için yenilenebilir enerji kaynakları tercih edilir. Yapılan çalışmada Türkiye'deki yenilenebilir enerji kaynaklarından elektrik üretim oranı, gelecek yıllar içerisinde gereksiz enerji kaybını önlemek için uygun bir şekilde belirlenmelidir. Bu kaybı önlemek için 1960-2019 yılları arasında Türkiye'deki yenilenebilir enerji kaynaklarından elektrik üretim oranları veri kümesi zaman serisi analizi ve yapay sinir ağları tahminleme teknikleri kullanılarak işlenmiştir. Ayrıca 2020'den 2025 yılına dahil olmak üzere tahminleme işlemi de yapılmıştır. Kullanılan tahminleme tekniklerin performans değerlendirmesi için veri kümesinin içerisinde 1960-2014 arasındaki veriler eğitim verisi, 2015-2019 arasındaki veriler ise test verisi olarak alınarak ortalama mutlak hata (MAE) ve kök ortalama kare hatası (RMSE) değerleri üzerinde incelenmiştir. En iyi sonucu veren tekniğin sinir ağı otoregresyon (NNAR) olduğu ortaya çıkmasına rağmen yapılan tahminleme işleminde elde edilen değerlerin sabit kalmasından dolayı tercih edilmemiştir. Onun yerine, ARIMA (2,2,1) modeli ve kübik düzeltme spline teknikleri tercih edilebileceği ortaya çıkmıştır. Bu çalışmada yenilenebilir enerji kaynaklarını önceden öngörerek bunun için, daha verimli planlamalar ve organizasyon olması gerektiği belirlenmiştir. Anahtar kelimeler: Yenilenebilir enerji, Yapay Sinir Ağları, Zaman Serisi Analizi, ARIMA, Kübik Düzeltme Spline, Sinir Ağı Otoregresyon
Bilişim alanında öğrenim gören lise öğrencilerine yönelik üniversite tercihlerinin yapay zeka yöntemleri ile analizi
Günümüzde veri üreten ve depolayan kaynakların artması ile birlikte büyük ve karmaşık verilerin popülasyonunda da hızlı bir artış olmuştur. Bu duruma eş zamanlı olarak hesaplama yeteneği gelişen bilgisayarlar ve yazılımlar ortaya çıkmıştır. Ancak hala karmaşık veriler içerisinden anlamlı bilgiler çıkarmak aşılması gereken zorluklar arasındadır. Veri madenciliği bilimi bu zorlukların üstesinden gelmek için çok sayıda disiplin ile işbirliği yaparak yeni yollar ve yöntemler aramaktadır. Özellikle yapay zeka algoritmaları veriler içerisindeki karmaşık ilişkilerin ortaya çıkarılmasında etkin bir rol oynamaktadır. Günümüzde çok sayıda karmaşık problem vardır ve bunlardan biri de lise öğrencilerinin üniversitede en yüksek verimi sağlayabilecekleri bölüme yönlendirmek ya da bu seçimi etkileyen unsurları ortaya çıkarmaktır. Bu tez çalışmasında bilişim teknolojisi bölümünde okuyan lise öğrencilerinin üniversitede bölüm seçimini etkileyen unsurların birliktelik kuralları (association rules) ile ortaya çıkarılması amaçlanmıştır. Çalışmada kullanılan veriler, katılımcıların kendi istekleri ile yanıtladıkları bir anket ile açık veri toplama yöntemiyle elde edilmiştir. Bu veriler birliktelik kuralı çıkarımları için kullanılmıştır. Analiz işleminin temel amacı bölümlerini lise yıllarında belirleyen öğrencilerin üniversitede de aynı bölüm veya alana devam edip etmediğinin ve bu seçiminin sebeplerini ortaya çıkarmaktır. Öğrencilerin çalışmayı sevdikleri dersler ile ilgi alanlarının ve uğraştıkları etkinliklerin birliktelik kurallarının tespit edilmesi sağlanmıştır. Böylece ilgi alanları belirlenen öğrencilerin doğru bölüm ve tercihlere yönlendirilmeleri sağlanabilecektir. Elde edilen bulgular öğrencilerin okudukları-okumak istedikleri bölüm seçimine etki eden bazı özelliklerin bulunduğunu göstermiştir.
Denormalizasyon ile sorgu işleme süresini iyileştirme: Akademik veri yönetim sistemi uygulaması
Günümüz teknoloji çağında yazılım performansı kullanıcılar için büyük önem taşımaktadır. Veri tabanı tasarımı yazılım performansını iyileştirmek için yapılacak en etkili yöntemlerden biridir. Genellikle Veri tabanı tasarımında kullanılan normalizasyon işlemi veri sayısı arttıkça performans kaybına neden olur. Bu sorunu ortadan kaldırmak amacı ile denormalizasyon devreye girer. Bu çalışmada, akademik verilerin tutulduğu bir veri tabanında sorgu süresini iyileştirmek amaçlı çalışmalar yapılmıştır. Çalışmada Normalizasyon, İndeksleme, NoSQL ve Denormalizasyon olmak üzere dört farklı veri tabanı tasarım yöntemi incelenmiştir.
Derin öğrenme yöntemleri ile meyvelerin tazelik durumunun belirlenmesi
Bilindiği üzere günümüzde derin öğrenme teknolojisi yüz tanıma, ses tanıma, güvenlik sektörü, savunma sanayi gibi pek çok alanda kullanılmaktadır. Pek çok katmanlardan oluşan derin öğrenme, makine öğrenmesinin bir dalıdır. Derin öğrenme ile modele bir veri kümesi vererek çıktıların tahmin edilmesi sağlanabilir. Günümüzde meyve tazeliği önemli sağlık, çevre ve ekonomik sorunlardan biridir. Bu çalışmada seçilen üç meyve; elma, portakal ve muz üzerinde çalışmalar yapılmıştır. Çalışmada iki tane VGG16 baz alınarak model geliştirilmiş ve iki tane VGG19 baz alınarak model geliştirilmiştir. Bu geliştirilen modeller, elde bulunan üç meyve türünün veri setleri üzerinde test edilerek en iyi sonucu hangisinden alınabileceği saptanmış ve modeller birbiri ile kıyaslanmıştır.
Histopatolojik meme kanseri görüntülerinin derin öğrenme yöntemleri ile sınıflandırılması
Görsel verilerin işlenmesi son yıllarda özellikle medikal alanda sıklıkla kullanılmaktadır. Yapay zekânın bir alt dalı olan derin öğrenme yöntemleri, görüntü işleme yöntemleri ile birlikte kullanılarak; doku analizi ve hastalıkların otomatik sınıflandırılması başta olmak üzere birçok alanda başarılı bir şekilde uygulanmaktadır. Derin öğrenme, bir dönem mevcut donanımların yetersiz kalması sebebiyle durgunluk noktasına gelmiş fakat 2000'li yıllar ile birlikte tekrar popüler bir alan olmaya başlamıştır. GPU gelişmeleriyle birlikte sığ yapay sinir ağlarından derin yapay sinir ağlarına geçiş yapılmıştır. Katmanlar arasında gerçekleşen geri yayılım algoritmaları sayesinde büyük veri kümelerindeki gizli ve ayırt edici özellikler keşfedilmektedir. Bu da yapay sinir ağlarının ve derin öğrenme yöntemlerinin etkinliğini ortaya çıkarmaktadır. Bu çalışmada BreakHis veri setinde yer alan histopatolojik meme kanseri görüntüleri, görüntü işleme ve derin öğrenme yöntemleri kullanılarak sınıflandırılmıştır. Aynı zamanda literatürde yapılan çalışmalar da incelenmiştir. Tezin amacı, özellikle kadınlarda son yıllarda oldukça sık rastlanan meme kanseri hastalığının erken ve doğru teşhisi için otomatik bir yöntem sunulmasıdır. Bu sayede gerçekleştirilen çalışmalar neticesinde tıp uzmanlarına alacakları kararlarda destek olacak nitelikte bir çalışma ortaya konmuştur. Anahtar Kelimeler: Görüntü İşleme, Yapay Zekâ, Derin Öğrenme, Yapay Sinir Ağları, Histopatolojik Görüntüler, Meme Kanseri.
Futbol maçları için taktik tabanlı tahmin sistemi
Spor müsabakaları organizasyonları insanların zaman geçirdikleri önemli faaliyetler arasında yer almaktadır. Spor müsabakaları arasında futbol, dünyadaki en yüksek popülerlik oranına sahiptir. Birçok futbol müsabakası hem bölgesel bazda hem de uluslararası bazda düzenlenmektedir. Futbol maçlarının sonuçları futbol takımı taraftarları için çok önemlidir ve günlük yaşamlarında destekledikleri takımın sonuçlarına göre mutlu ya da üzgün olabilirler. Yapay zekâ ve makine öğrenmesindeki gelişmeler sonucunda birçok alanda yapılan tahminler futbol sonuçlarının tahminini de içermektedir. Ekonomik getirileri de olan futbol bahis sistemi düşünüldüğünde, futbol maç sonuçlarının tahmin edilmesi önem kazanmıştır. Bu çalışma, İtalya-Serie A, İngiltere-Premier Lig ve Alman-Bundesliga liglerindeki sonuçları tahmin etmek için bilindiği kadarı ile literatürde ilk kez sunulan taktik tabanlı bir tahmin yaklaşımı sunmaktadır. Bu yaklaşımda oyuncuların sahadaki pozisyonları ve piyasa değerleri web sayfalarından otomatik olarak alınmakta ve veri madenciliği yöntemlerine açık hale getirilmektedir. Veri madenciliği aşamasında Torbalama, Yinelemeli Sınıflandırıcı İyileştirici ve Derin Öğrenme gibi farklı yöntemler karşılaştırılmakta ve üç yöntemin farklı liglerde benzer sonuçlar verdiği görülmektedir. Veri madenciliği yöntemlerinde yaklaşık %60 doğruluk elde edilmektedir. Her üç lig için makine öğrenmesi yöntemlerinde kullanılan özellikler incelendiğinde takım sıralamasının maç sonuçlarını etkileyen en önemli özellik olduğu görülmüştür. Serie A'da Stoper ve Merkez Orta Saha özellikleri öne çıkarken, Premier Lig'de Sağ Kanat ve Kaleci gibi farklı özelliklerin önemli olduğu görülmüştür. Bundesliga'da Stoper ve Santrafor özelliklerinin maç sonuçlarına daha çok etki ettiği görülmüştür.
Konvolüsyonel sinir ağlarını kullanarak bitki türlerinin sınıflandırılması ve bitki hastalıklarının tanısı
Görüntü sınıflandırma, başta tarım, sağlık, ulaşım olmak üzere birçok alana hizmet sunmakla birlikte, insan gücü ile tahmin edilmesi güç problemlerde kullanmış olduğu yapay zeka mimarileriyle birlikte çok kısa sürede ve çok daha az maliyet ile gerçekleştirmektedir. Tarım alanında ise, bitki türlerinin belirlenmesi, bitki hastalıklarının tahminleri gibi süreçler insan gücü ile laboratuvar ortamlarında çok uzun süreçlerde gerçekleştirmekte olup, alınacak tedavide geç kalınabilmektedir. Derin öğrenme algoritmalarından olan konvolüsyonel sinir ağı, bitkilerin sınıflandırmaları ve sahip oldukları hastalıkların teşhislerinde çok kısa sürelerde çok başarılı sonuçlar sunmaktadır. Bu çalışmada, popüler bir veri seti olan Plantvillage veri seti ele alınmıştır ve bu veri setinden, büyük ölçekli ve küçük ölçekli durumlarının yanı sıra, çok sınıflı ve az sınıflı olmak üzere toplamda 8 adet yeni veri seti oluşturulmuştur. Oluşturulan bu veri setleri kullanılarak, bitki türlerinin sınıflandırılması, bitki hastalık tahmini ve bitki hastalıklarının sınıflandırılması için modelleme çalışmaları gerçekleştirilmiştir ve her bir sınıflandırma problemi için, geniş kapsamlı deneysel çalışmalar sonucunda en iyi modeller bulunmaya çalışılmıştır. İlk modelleme çalışmalarında, bitki türlerinin sınıflandırılması problemine yönelik hazırlanmış olan 6 farklı dengeli veri seti kullanılarak, Alexnet mimarisi uygulanmıştır ve en iyi model, % 99,88 test doğruluk başarısı elde edilmiştir. İkinci modelleme çalışmalarında, bitki hastalık tahmini problemine yönelik hazırlanmış olan, 2 sınıftan oluşan dengeli veri seti kullanılarak, literatür sonuçlarında gözlemlenen CNN'in en popüler 9 farklı derin öğrenme modelleri uygulanmıştır. Bitki hastalık tahmini için en iyi model, GoogleNet/Inception mimarisinin kullanıldığı model olmuştur ve 3 kez çapraz doğrulama ile %99,91 doğruluk başarısı elde edilmiştir. Son olarak, bitki hastalıklarının sınıflandırılması problemine yönelik, kullanılan veri seti ile DenseNet modeli en iyi model olarak bulunmuştur ve 10 kez çapraz doğrulama ile %99,14 doğruluk başarısı elde edilmiştir.