Traıned monıtorıng for ıot network to ımprovement performance network based on deep learnıng algorıthms

Nesnelerin İnterneti'nin (IoT) tanıtımı, farklı sektörlerdeki milyarlarca cihazın entegrasyonunu zorunlu kılarak büyük miktarda veri ve değişim yaratmıştır. Bununla birlikte, IoT'ler, ağlar arası iletişim ve ağların güvenliğini sağlama konusunda bazı zorluklarla karşılaşmaktadır. Gecikme, paket kaybı, tıkanıklık ve potansiyel güvenlik açıkları gibi ağ sorunları, ağ başlıklarının izlenmesini ve anomaliler açısından kontrol edilmesini zorunlu kılmaktadır. Bu tez, gerçek zamanlı IoT ağ izleme ve anomali tespitine yönelik derin öğrenmeye dayalı bir yaklaşım önermekte ve üç modele odaklanmaktadır: FFNN, CNN ve MLP, Derin Öğrenme Algoritmalarının popüler kategorileridir. Modeller, IoT ağ verilerini inceleyerek tutarsızlıkları belirlemek, arızalı düğümleri ayırt etmek ve gelecekteki sorunları teşhis etmek için MATLAB kullanılarak oluşturulmuş ve geliştirilmiştir. Modellerin sonuçlarını iyileştirmek amacıyla, Adam ve Momentumlu Stokastik Gradyan İnişi (SGDM) optimizasyon yöntemleri kullanılmıştır. Modeller sentetik IoT verileri üzerinde test edilmiş ve sonuçlar doğruluk, hassasiyet, geri çağırma ve F1 puanı gibi kalite kontrol göstergeleri kullanılarak vurgulanmıştır. Bununla birlikte, sonuçlar önerilen yöntemlerin, MLP ve CNN'nin FFNN, MLP-93 (%92,3), CNN-94 (%94), DT (%78,5) ve SVM (%85,7)'den daha yüksek doğruluk ve anomali tespit oranlarına sahip olduğu mevcut sonuçları iyileştirdiğini göstermektedir. Bu önemli gelişme, CNN'nin uzamsal ilişkiyi çıkarma ve MLP'nin IoT ağ verilerindeki doğrusal olmayan ilişkileri öğrenme verimliliğinden kaynaklanmaktadır. Mevcut araştırmada uygulanan diğer metodolojilerle karşılaştırıldığında, derin öğrenme modelleri karmaşık anormalliklerin belirlenmesinde daha yüksek bir doğruluk düzeyi sağlamakta ve bu da gerçek zamanlı IoT izleme için faydalıdır. Bu durumda, CNN modeli, ağ örüntülerinin belirlenmesi ve sorunların tahmin edilmesinde önceki modellere kıyasla dikkate değer bir gelişme göstermiştir. Bu sonuçlar, CNN ve MLP dahil olmak üzere derin öğrenme modellerinin, gerçek zamanlı IoT ağ performansı izleme ve anomali tespiti için geleneksel makine öğrenimi modellerine göre daha faydalı olduğuna dair güçlü bir sinyal vermektedir. Bu araştırmadan elde edilen sonuçlar, IoT ağlarının güvenilirliğini ve güvenliğini artırmada kullanılmak üzere şu şekilde genelleştirilebilir ve mevcut yönteme göre çok daha iyi bir çözüm sunar.