1.438
Arşivlenen Tez
0
DOI Atanmış
0%
DOI Oranı
Anabilim Dalı
Endüstri 4.0 ile akıllı tarım uygulamaları ve veri analizi
Gelecek dönemlerde dünyadaki gıda talebi, gıda arzının önemli ölçüde üzerine çıkacağı öngörülmektedir. İklim değişikliği, küresel ısınma, kuraklıklar/aşırı yağışlar, suya erişim zorlukları gibi birçok fiziksel faktör üretim miktarını ve piyasadaki gıda fiyatlarını belirlemektedir. Önümüzdeki yıllarda tarımsal süreçlerin sürdürülebilir olması için bir planlama yapılması öncelikli konular arasında yer almaktadır. Üretim alanında olduğu gibi tarımda da israfın önlenebilmesi ve optimum üretimi sağlamak için gelişen teknolojileri doğru kullanarak maksimum faydayı alabilmek Endüstri 4.0 teknolojileri ile mümkün kılınmıştır. Büyük veri, Nesnelerin İnterneti (IoT), bulut bilişim, görüntü işleme gibi gelişmekte olan teknolojilerin doğru yerde kullanımı ve bu teknolojilerin entegrasyonu ile tarımdaki üretim süreçlerini daha iyi hale getirmek mümkündür. Birçok alanda kullanılan bu teknolojiler ile tarımda da üretimden son tüketiciye kadar olan süreçleri iyileştirme ve veri analizlerinin yardımıyla ihtiyaç kadar üretim yaklaşımıyla israfın ve gıda krizini önlenmesi hedeflenmektedir.
Sayısal haritalama teknikleri kullanılarak DNA dizilimleri üzerinden lösemi hastalığının temel türlerinin yapay zeka tabanlı algoritmalar ile sınıflandırılması
Kanser, vücudun herhangi bir yerindeki hücrelerin kontrolsüz çoğalması ile ortaya çıkan bir hastalıktır. Bu hastalık ile vücudun düzenli bir şekilde çalışan mekanizması yavaş yavaş bozulur ve erken teşhisin sağlanamaması ile düzeltilemeyecek bir duruma gelir. Bu süreç hastalığın türünün konulabilmesi ve tedavi yöntemlerinin belirlenebilmesi açısından önemlidir. Bu çalışmada kanser türleri arasında yer alan lösemi malignitesi irdelenmiştir. Çünkü lösemi, en sık rastlanan kanser türüdür. Tüm yaş gruplarında görülme ihtimali vardır. Hastalığın kişide seyretme durumuna göre akut veya kronik olarak iki grupta incelenir. Özellikle hastalığın aniden belirdiği ve vücut içerisinde yayılımın hızlı gerçekleştiği akut lösemi hastalarında uzun bir yaşam beklentisi için erken tanı şarttır. Bununla birlikte yaklaşık 40 yıl önce doktorlar tarafından löseminin temel alt türlerinden olan ALL ve AML tanısının konulduğu belli hasta tiplerinde karışık soy lösemisi (MLL) olarak tanımlanan bir lösemi türü keşfedilmiştir. MLL lösemi türünün yeni bir tür olarak keşfedilmesinden sonra lösemi hastalığının halen keşfedilebilecek yeni alt oluşumlar barındırdığı düşünülmektedir. Geniş bir çerçevede ele alınan lösemi kanserine ilişkin alt türlerin net bir şekilde ayırt edilmesi, doğru tanı sürecinin gerçekleşmesi ile birlikte doğru tedavi protokolünün uygulanmasını sağlayacaktır. Öte yandan tedaviye verilen yanıtın değerlendirilmesi ve sonraki tedaviler için uygulanacak protokolün netleştirilmesi açısından da hayatidir. Tıp dünyasında kesin sonuçlara ulaşmak için periferik kan yayması, kemik iliği aspirasyonu, kemik iliği biyopsisi, immünfenotipleme, çeşitli görüntülemeler ve testler kullanılmaktadır. Ancak bu yöntemler bazen belirsiz durumlar içermektedir. Örneğin, periferik kan yayma yönteminin manuel değerlendirme süreci doktorun bilgi, tecrübe, fiziksel yoğunluğu ve zihinsel yorgunluğu gibi parametrelere bağlıdır. Kanser hastası olan bir kişiden biyopsi yöntemi ile alınan parçada kanserli doku yer almayabilir. Löseminin tanısında ayıraç olan lenfosit hücre tipine ilişkin artış aynı zamanda hepatit virüsleri ve brusella hastalığı sonucunda da artabilir.Görüntüleme yöntemlerinin çeşitli tıbbi parametrelere bağlı olarak uygulanma başarısı ya da ulaşılan görüntülemelerin doktorlar tarafından değerlendirilmesi standart bir çıktı üretmeyebilir. Bu nedenle genetik temelli maligniteler üzerinde moleküler ve sitogenetik değerlendirme yapmak tanının doğruluğunu netleştirecektir. Ancak genom teknolojisindeki son gelişmeler DNA dizilimlerinde bir artışa neden olmuştur. Bu nedenle sitogenetik analiz doğrultusunda verilerin manuel olarak doğru ve hızlı bir şekilde yorumlanması güçleşmiştir. Öte yandan moleküler değerlendirme imkanı sunan mikrodizi teknolojisi değerlendirilmiştir. Ancak kanser araştırmalarında umut kaynağı olan mikrodizi teknolojisinin analiz işlemi, genleri temsil eden özellikler üzerinden sağlandığı için yüksek boyut sunar. Makine öğrenmesinde boyutluluğun laneti olarak bilinen bu durum sonucunda hesaplama yükü ve yanlış kararlar üreten gürültü oluşabilir. Tüm bu yöntemler kapsamında kişi üzerinde uygulanması planlanan tedavi yaklaşımlarının sayısı, maliyet parametresi çerçevesinde hasta üzerinde anksiyeteye neden olabilir. Aynı zamanda gereksiz radyasyon maruziyeti ve doktorlar için iş yükü ve zaman kaybı diğer olumsuz çıktılarıdır. Bu çalışmada daha az tıbbi yöntem ile erken tanının sağlanması amacıyla 7 ayrı kısımda bilgisayar destekli bir yapı inşa edilmiştir. Doktorlara fikir vermek amacı ile tasarlanan bu yapı ile 7 farklı amaç doğrultusunda lösemi hastalığı analiz edilmiştir. Sitogenetik değerlendirmenin sağlandığı ilk aşamada, löseminin temel türlerinden olan ALL ve KML malignitelerinin tanısında önemli bir ayıraç olan BCR-ABL genleri analiz edilmiştir. NCBI veri kümesinden tedarik edilen BCR-ABL genleri haritalama teknikleri kullanılarak sayısallaştırılmıştır. Ardından sayısallaştırılan dizilimler üzerinde canlılığa ilişkin kritik bilgiler içeren ekson bölgelerinin tespiti için sinyal işleme yaklaşımı kapsamında fourier dönüşümü ve kısa zamanlı fourier dönüşümü yöntemleri kullanılmıştır. Sinyal işleme yöntemleri ile DNA dizilimlerinden elde edilen spektral yoğunluk bilgileri EfficientNetB7 transfer öğrenme mimarisi ile sınıflandırılmıştır. Farklı DNA baz uzunluğuna ilişkin spektral yoğunluğun ifade edildiği görsel verilerin eğitim veri kümesinde yer alması sonucunda test veri kümesi üzerinde ulaşılan doğruluk oranı %100'dür. Bununla birlikte sadece belirli aralıkta yer alan DNA baz uzunluğuna ilişkin spektral yoğunluğun ifade edildiği görsel verilerin eğitim veri kümesinde yer alması sonucunda test veri kümesinde ulaşılan doğruluk oranı %50 - %70 arasındadır. Sitogenetik değerlendirmenin sağlandığı ikinci aşamada, NCBI veri kümesi vasıtasıyla ALL ve KML hastalarından elde edilen BCR-ABL genleri kullanılarak malignitelerin ayırt edilmesi sağlanmıştır. Bu süreç iki ayrı kısımda gerçekleşmiştir. İlk kısımda sayısallaştırılan DNA dizilimlerinin spektral yoğunluk bilgisi kısa zamanlı fourier dönüşümü ve sürekli dalgacık dönüşümü yöntemleri ile spektrogramlara yansıtılmıştır.Ardından zamansal ve uzaysal bilgi çıkarımı sağlayan DGCNN yöntemi ile spektrogramlar sınıflandırılmıştır. DNA baz uzunluğuna bağlı bir sınıflandırmanın gerçekleştiği bu kısımda hem kısa zamanlı fourier dönüşümü hem de sürekli dalgacık dönüşümü yöntemleri için ulaşılan maksimum doğruluk oranı %75 olarak elde edilmiştir. Diğer kısımda DNA baz uzunluğundan bağımsız bir çalışma gerçekleştirilmiştir. Bu doğrultuda Shannon entropi temelli haritalama tekniği kullanılarak sayısallaştırılan DNA dizilimlerinden istatistiksel ve yapısal özellikler çıkarılmıştır. Ardından bu özellikler adaptif bulanık mantık algoritmasına girdi olarak verilmiştir. DNA'nın bulanık konfigürasyon yapısına uygun olduğu düşünülen bu yöntem ile %80 doğruluk oranı elde edilmiştir. Moleküler değerlendirmenin sağlandığı üçüncü aşamada, bioinformatics laboratory vasıtasıyla temin edilen löseminin temel türleri olan ALL ve AML malignitelerine ait mikrodizi veri kümesi kullanılmıştır. İlk aşamada parçacık sürü optimizasyon algoritması, karınca optimizasyon algoritması ve balina optimizasyon algoritması kullanılarak yüksek boyut sunan mikrodizi veri kümesinden potansiyel genler seçilmiştir. Ardından her bir optimizasyon algoritması için seçilen genlere ilişkin spektral yoğunluk bilgisi sürekli dalgacık dönüşümü yöntemi ile spektrogramlara yansıtılmıştır. Son olarak ALL ve AML kategorilerinin eşleştirildiği spektrogramlar DGCNN yöntemi ile sınıflandırılmıştır. Maksimum başarı oranı karınca optimizasyon algoritması kullanılarak seçilen potansiyel genlerin DGCNN yöntemi ile sınıflandırılmasının sonucunda %93.33 doğruluk oranı elde edilmiştir. Moleküler değerlendirmenin sağlandığı dördüncü aşamada bioinformatics laboratory vasıtasıyla temin edilen ALL, AML ve MLL lösemi türlerine ilişkin mikrodizi veri kümesi kullanılmıştır. Yüksek boyut sunan mikrodizi veri kümesinden balina optimizasyon algoritması kullanılarak seçilen genler LSTM sinir ağı mimarisine girdi olarak verilmiştir. Seçilen genlerin birbiri ile ilişkisini hatırlama eylemleri ile dinamik tutma yetisine sahip olan LSTM mimarisinin farklı seed değerleri ile oluşturulan 100 farklı veri kümesindeki ortalama doğruluk oranı %89.883 olarak bulunmuştur. Patolojik değerlendirmenin sağlandığı beşinci aşamada Acute Lymphoblastic Leukemia Image Database vasıtasıyla temin edilen ALL-IDB1 ve ALL-IDB2 periferik kan yayma görüntüleri kullanılmıştır. Löseminin temel türü olan ALL malignitesinin tanısında önemli bir ayıraç olan blast hücrelerinin tespitine ve sayım bilgisinin üretilmesine ilişkin gerçek zamanlı bir çıktı üreten bu çalışmanın eğitimi YOLOv4 algoritması tarafından gerçekleştirilmiştir. Modele verilen girdi için 3-4 saniye içerisinde çıktı üreten bu sistemin doğruluk oranı %98.87 olarak bulunmuştur. Moleküler ve immünfenotipik değerlendirmenin sağlandığı altıncı aşamada bioinformatics laboratory vasıtasıyla temin edilen lenfoblast hücre türlerine ilişkin T-ALL, B-ALL ve T-LL malignitelerine ait mikrodizi veri kümeleri kullanılmıştır. İlk olarak yüksek boyut sunan mikrodizi veri kümelerinden balina optimizasyon algoritması kullanılarak seçilen potansiyel genler ANFIS yapısı ile sınıflandırılmıştır. Böylece bulanık çıkarımlar elde edilmiştir. Ardından bulanık mantığın çıkarım gücü ile yapay zekanın veriler üzerindeki öğrenme gücünü birleştiren ANFIS yapısındaki üyelik fonksiyonuna ilişkin parametre optimizasyonu sırasıyla ABC ve PSO optimizasyon algoritmaları ile iyileştirilmiştir. Son olarak ANFIS, ANFIS+ABC ve ANFIS+PSO yapılarından gelen 3 farklı bulanık çıktı, kolektif öğrenme yaklaşımı kapsamında lojistik regresyon algoritması ile sınıflandırılmıştır. Ulaşılan doğruluk oranı %86.6 olarak elde edilmiştir. Patolojik değerlendirmenin sağlandığı yedinci aşamada Raabin Health veri kümesi vasıtasıyla temin edilen bazofil, eozinofil, lenfosit, monosit ve nötrofil beyaz kan hücrelerine ilişkin dijitalleştirilmiş periferik kan yayma görüntüleri kullanılmıştır. Lösemi hastalığının tanısında önemli bir ayıraç olan lenfosit hücre tipinin tanıma oranını geliştirmek için önerilen YOLOv5x yaklaşımı ve hibrit yapı sunulmuştur. Önerilen YOLOv5x yaklaşımı ile lenfosit tanıma oranı ve genel tespit doğruluğuna ilişkin tanıma oranı için sırasıyla 0.133 ve 0.006 doğruluk oranında bir iyileşme sağlanırken hibrit yapı için %3,44 ile %14,7 doğruluk oranında bir iyileşme sağlanmıştır. Bu çalışmada farklı alt türlere sahip olan lösemi hastalığının bilgisayar destekli sistemler ile tanı ve tedavi sürecine ilişkin sitogenetik, moleküler, moleküler ve immünfenotipik, patolojik değerlendirmelerin yer aldığı bütünsel bir analiz yapılmıştır. Güncel bir araştırma alanı olan ve halen non-invaziv ya da alternatif yaklaşımların keşfi üzerinde çalışmalar yapılan lösemi kanserine ilişkin sunulan 7 ayrı değerlendirme ile karar destek sistemi inşa edilmiştir. Doktorlara fikir vermek amacıyla tasarlanan bu sistem vasıtasıyla doğru ve erken tanı ile başlayan başarılı tedavilerin gerçekleşmesi hedeflenmektedir.
Geyve Devlet Hastanesinde yatan COVID-19 hasta verilerinin veri madenciliği yöntemiyle incelenmesi
Koronavirüs tüm dünyada olduğu gibi ülkemizde de hızlı bir şekilde yayılarak insanların sağlığını olumsuz yönde etkilemiştir. Ülkemizde hastalığa yakalanan insanlar arasında, hastalığı hafif atlatanlar olduğu gibi hastanede yatmak zorunda kalan kişiler de olmuştur. Hastalığa yakalanıp hastaneye yatış yapan kişilere ait verilerin tutulması Covid-19 servisleri için önemli bir parametre haline gelmiştir. Bu çalışmada; 2 Nisan 2020 ile 30 Eylül 2021 tarihleri arasında Geyve Devlet Hastanesi Covid-19 servisinde yatan hastaların ortak özelliklerini belirlemek amacıyla, hastalara ait veriler incelenmiştir. Elde edilen veri kümesine birliktelik analizi yöntemlerinden biri olan Apriori algoritması uygulanmıştır ve Covid-19 hastalığına yakalanan kişilerin birliktelik kuralları çıkarılmıştır. Bunun için hastaların aşı sayısı, aşı türü, yaşı, cinsiyeti, hastanede kalma süresi ve hastaneden çıkış türü parametreleri veri madenciliği yazılımlarından biri olan RapidMiner uygulaması kullanılarak incelenmiştir. Bu çalışma sonucunda; aşı sayısı, aşı türü, yaş, cinsiyet, hastanede kalma süresi ve hastaneden çıkış türü parametrelerinin birbirleriyle ilişkileri hakkında çıkarımlarda bulunulmuştur. Hasta profillerinin incelenip hastaların hastanede ne kadar kalacağını öngörmek yatan hasta servislerindeki planlama açısından önemli olabilmektedir. Bu çalışmadan Sakarya Geyve Devlet Hastanesi COVID-19 yatan hasta servisinden alınan 556 hastanın verileri birliktelik kural analizi yöntemlerinden olan apriori algoritması ile incelenmiş ve birliktelik kuralları çıkarılmıştır. Analiz sonucunda hastaneye yatan hastaların 506'sı hastanede sağlıklı bir şekilde taburcu edilmiştir. İki Biontech aşısı olmayı tercih eden 198 hastanın Covid-19'a yakalandığında aşısının olmadığı görülmüştür. 292 hasta, sadece 0-7 gün hastanede yatmıştır. Sadece 1 kişi 30 günde fazla hastane yatmıştır. Hastane yatış en çok 45-74 yaş aralığında olmuştur. Çalışma sonucunda elde edilen bilgilerin hastane yönetimine ve doktorlara fayda sağlayacağı ve hastaların aldığı hizmete artı yönde katkı yapacağı düşünülmektir.
Kayıp doğal gaz tüketiminin makine öğrenmesi ile tespiti: Sakarya örneği
Enerji, dünya üzerindeki ülkelerin en fazla harcama yaptıkları alanlar arasında bulunmaktadır. Enerjiye ulaşabilmek kadar tedarik edilen veya üretilen enerji kaynaklarının yönetimi ve korunumu da oldukça önem arz etmektedir. Bu tez çalışması kapsamında, dünyadaki en önemli enerji kaynaklarının başında gelen doğal gazın hesapsız bir biçimde tüketimi tespit edilmeye çalışılmıştır. Bu durum, bir dağıtım şebekesinden tüketicilere gönderilen gaz miktarı ile tüketicilerin faturalarına yansıyan tüketim miktarları arasındaki fark olarak tanımlanmaktadır ve hem doğal gaz tedariği sağlayan firmaları hem de ülkeleri ekonomik olarak ciddi zararlara uğratmaktadır. İletim borularındaki sızıntılar, hava sıcaklığının değişimi, aktif olmayan tükeciler, ölçüm hataları ve arızalı olabilecek sayaçlar bu duruma neden olarak gösterilebilmektedir. Bu çalışmada, sayaçlardan kaynaklı olabilecek kayıp doğal gaz tüketimi üzerinde yoğunlaşılmıştır. Bu çalışmada, her bir doğal gaz abonesinin tüketimlerini tahmin eden modeller oluşturulmuştur ve gerçekleştirilen tahminlerden yola çıkarak tüketimlerinde anormallik olan aboneler belirlenmeye çalışılmıştır. Çalışma sahası olarak Sakarya ilinde mevcut olan ve tüketim zamanları 2011-2021 arasında değişkenlik gösteren 307.570 adet abonenin doğal gaz tüketim verileri kullanılmıştır ve aboneler tüketim zamanı büyüklüklerine göre gruplara ayrılmıştır. Doğal gaz tüketiminde önemli ölçüde belirleyici olan meteorolojik durumları belirten veri seti ve ilgili tüketim dönemleri arasındaki hafta sonları, resmî tatil ve bayramların bilgisini içeren takvimsel olaylar veri seti kullanılarak kapsamlı bir veri ambarı oluşturulmuştur. Oluşturulan bu veri ambarı, model eğitimi ve test işlemlerinde kullanılmıştır. Abonelerin tüketimlerini tahmin etmek için çok katmanlı yapay sinir ağı modeli geliştirilmiştir. Her bir abonenin bir yıllık tüketim verileri ile ilgili abonelerin modelleri eğitilmiş ve geri kalan dönemlerin tüketimleri model tarafından tahmin edilmiştir. Çalışmada, her bir doğal gaz abonesi için iki farklı model geliştirilmiştir. Bunlar, doğal gaz tüketim verileri arasında bulunan ve her bir fatura dönemi içerisinde ilgili abonenin sayacının yenilenip yenilenmediği bilgisinin kullanılmasıyla gerçekleştirilmiştir. Bu bilgiden yararlanılarak sayacı yenilenen abonelerin sonraki tüketimlerinin yenilenmiş sayaç ile gerçekleştirildiği bilgisinin ağa verildiği model oluşturulmuştur ve "bağıl model" olarak adlandırılmıştır. Diğer model ise sayaç yenilenme işlemlerinin noktasal olarak belirtildiği, yani sayaç bilgisinin ağa verilmediği modeldir ve "noktasal model" olarak adlandırılmıştır. Her abonenin belirtilen bu iki model ile de eğitim ve test işlemleri gerçekleştirilerek doğal gaz tüketim tahminleri gerçekleştirilmiştir. Yapılan tahminlerin performansları, MAPE (ortalama mutlak yüzdesel hata) yöntemi kullanılarak değerlendirilmiştir. Geliştirilen modeller ile gerçekleştirilen tahminlerde bağıl modelde ortalama MAPE değeri 2,42 olurken noktasal modelde 2,12 olmuştur. İki modelin tahmin performansları değerlendirilerek kullanılan sayaçların doğal gaz tüketimleri üzerine olan etkileri belirlenmiştir. Bu bağlamda tüm abonelerin iki modelden elde edilen MAPE değerlerinin dağılımları istatistiksel yöntemler kullanılarak incelenmiş ve dağılım üzerinde normal tüketim davranışlarına sahip olan abonelerin sınırları belirlenmiştir. Ardından normal sınırlar dışında kalan aboneler iki alt gruba ayrılmıştır. Bunlar ara-geçiş bölgesi ve anormal bölge olarak isimlendirilmiştir. Elde edilen sınır değerleri kullanılarak anormal tüketim davranışlarına sahip olan aboneler belirlenmiştir ve bu bölgede bulunan abonelerin kayıp ve hesaplanamayan tüketime sahip olma riskinin yüksek olduğu belirtilmiştir.
Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi
Geçmiş ve Amaç: Kronik Obstrüktif Akciğer Hastalığı KOAH nefes almayı zorlaştıran ve zamanla kötüleşen bir tür akciğer hastalığıdır. Normalde, ciğerlerimizdeki hava yolları ve hava keseleri elastik veya esnektir. Nefes aldığınızda, hava yolları hava keselerine hava getirir. Hava kesecikleri küçük bir balon gibi hava ile dolar. Nefes verdiğimizde hava keseleri şişer ve hava dışarı çıkar. KOAH'ınız varsa, bir veya daha fazla sorun nedeniyle solunum yollarına daha az hava girer ve çıkar. KOAH kalıcı bir hastalık olarak, zamanla tedavi edilmezse tedavisi zorlaşır, bu hastalığın en büyük nedeni sigara, zararlı partiküller, dışardaki çevresel etkenler ve gazlar sebebi sonucu meydana gelmektedir. Özellikle küçük çocuk, engelli veya ilerlemiş seviyedeki hastaların spirometre aracını kullanma zorlukları ve hastaneye erişimindeki zorlukları, teşhis sürecinin kolaylaştırılması ve kısaltılmasını zorunlu kılmaktadır. Bu sorunların önüne geçebilmek, KOAH'ta erken teşhis ve daha kolay takip için KOAH teşhisinde Fotopletismografi (PPG) sinyalinin kullanımının faydalı olacağı değerlendirilmektedir. PPG, deri yüzeyinden vücudun herhangi bir yerinde ölçülebilen bir biyosinyaldir. Kalbin her atışında oluşan PPG sinyal ölçümü kolay bir sinyaldir. Literatürde PPG sinyalinin vücuda ait oldukça fazla bilgi içerdiği bilgisine yer verilmiştir. Bu çalışmada PPG sinyalinin KOAH teşhisini kullanılabilmesi için makine öğrenmesi yöntemiyle KOAH tahmin modelleri geliştirilmiştir. Yöntemler: Bu çalışmada PPG sinyalinin KOAH teşhisinde kullanılabilmesi için bir sistem tasarımı yapılmıştır. Çalışmanın amacı "PPG ile KOAH teşhis edilebilir mi?" ve "Edilebilir ise en az kaç saniyelik sinyal yardımı ile bu işlem yapılabilir?" bunu belirlemektir. Bu amaç doğrultusunda çalışma için 14 bireyden (8 KOAH, 6 Sağlıklı) ortalama 7-8 saatlik PPG kaydı alınmıştır. Alınan kayıtlar 2, 4, 8, 16, 32, 64, 128, 256, 512 ve 1024 saniyelik parçalara ayrılmıştır. Her saniye grubu için işlemler yapılmış ve hangi saniyelik sinyallerle daha performanslı teşhis yapılabildiği tespit edilmeye çalışılmıştır. Hasta bireye ait 8 saatlik kayıtlar 2 saniyelik parçalara ayrıldığında her parçaya hasta etiketi verilmiştir. Aynı işlem sağlıklı birey için yapıldığında tüm parçalara Sağlıklı etiketi verilmiştir. Her bir sinyal grubu öncellikle 0.1-20 Hz sayısal filtreleme yöntemiyle temizlenmiştir. Ardından 25 adet zaman domeninde özellik çıkarılmıştır. En sonunda oluşan veri setleri (2, 4, 8. sn) karar ağaçları makine öğrenmesi yöntemleri ile sınıflandırılmıştır. Çalışmada PPG sinyali gürültüden temizlenmiş ve PPG'nin üç alt frekans bantlarına sahip yeni PPG sinyalleri elde edilmiştir. Dört sinyalden her birinden 25 adet özellik çıkarılmıştır. Toplam 100 adet özellik çıkarılmıştır. Buna ek olarak yaş, kilo ve boy özellik olarak kullanılmıştır. Performansın artırılması amacıyla Fisher özellik seçme algoritması kullanılmıştır. Sonuçlar: Geliştirilen PPG tahmin modelleri tüm bireyler için doğruluk oranı 0.95 performans değerlerine sahiptir. Özellik seçme algoritmasında kullanılar sınıflandırma algoritmalari performans artışına yardımcı olmuştur. Çözüm: Elde edilen sonuçlara göre 2 saniyelik veri grubu ile en yüksek performans değerlerine ulaşılmış olup 0.99 duyarlık, 0.99 özgüllük ve %98.99 doğruluk oranı elde edilmiştir. Elde edilen sonuçlara göre PPG bazlı KOAH tahmin modelleri pratikte kullanılabileceği düşünülmektedir.
Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması
Son yıllarda üretim aşamasında otomatik hata tespit sistemlerine olan ihtiyaç artmaktadır. Ürünlerin kusurlarını tespit etmek ve yerlerini belirlemek, önemli ve gerekli bir kalite kontrol sürecidir. Kusur tipinin ve kusurlu alanın kısa sürede tespit edilmesi de kalite kontrol performansı açısından oldukça önemlidir. Günümüzde, insan iş gücüne dayalı kusurların kontrol edilmesi, üretim sürecinde geleneksel bir yöntem olarak kusurları tespit etmek için hala kullanılmaktadır. İnsana bağlı olan bu yöntemde hız oranı düşük ve hata oranı yüksektir. Üretim aşamasındaki yüzeylerin kalite kontrol çalışmalarında bilgisayarla görme teknikleri sıklıkla kullanılmaktadır. Birçok endüstriyel uygulamada, tekstil, metal ve cam kusur tespiti gibi yüzey kusur tespiti yaygın olarak gerçekleşir. Metal yüzeylerde çeşitli ve karmaşık tipte kusurlar (yamalar, noktalı yüzeyler, çatlak ve çizik, girintili tufal, madde karışımı vb.) vardır. Gerçek zamanlı metalik hata tespit sistemlerinde hız ve yüksek doğruluk üretim aşamasına olumlu etki yapmaktadır. Yüzeylerde kusur tespiti için geleneksel yöntemler, görüntü işleme veya makine öğrenmesi tekniklerine dayanır, ancak belirli ölçeklerde veya belirli aydınlatma koşullarında düşük gürültü ve güçlü kontrast ile farklı kusurları tespit edebilirler. Günümüzde endüstriyel denetim sistemlerinde bilgisayarlı görme ve derin öğrenme yaklaşımları önemli bir yere sahiptir. Bilgisayarla görme teknolojisi, üretim hattındaki ürünlerin hızlı ve hatasız kontrolü için gereklidir. Bilgisayarla görü kavramının önemi, klasik yöntemlerin sorunları göz önüne alındığında anlaşılır. Metal yüzeyler aydınlatma ve ışık yansıması gibi çevresel faktörlerden kolayca etkilendiğinden, metalik yüzeylerde kusur tespiti zorlu bir problemdir. Karmaşık gerçek dünya problemlerinde geleneksel kusur tespiti algoritmaları verimsiz ve hatalıdır. Sonuç olarak bu çalışmada, çatlak, çizik, vb. metal yüzey kusur tiplerini tespit etmek ve sınıflandırmak için yeni bir yöntem önerilmiştir. Yüzey özelliklerini çıkarabilen Shape From Shading (SFS) algoritması ile kusurlar tespit edilmiştir. Kusurun tipi ve yeri Faster Regional Convolutional Neural Network (Faster R-CNN) tarafından belirlenmiştir. Kusurlu veriler için Northeastern Üniversitesi (NEU) yüzey kusur veritabanı kullanılmıştır. Önerilen algoritma, etiketleme performansını göstermek için etiketlenmemiş bir veri kümesi KolektorSDD2 (KSDD2) üzerinde de test edilmiştir. Sonuçlar hem etiketli hem de etiketsiz veri kümeleri üzerinde, otomatik hata tespiti, sınıflandırma ve etiketlemede en gelişmiş performansı göstermiştir. Önerilen yöntem, metal yüzeydeki kusurların tespiti için başarılı sonuçlara sahiptir ve ortalama hassasiyet 0.83'tür. Çatlaklar, noktalı yüzeyler, yamalar, çizikler, madde karışımı ve girintili tufal ortalama doğruluğu sırasıyla 0.98, 0.81, 0.90, 0.79, 0.88 ve 0.62'dir.
Büyük boyutlu veriler için metasezgisel yöntemler ile öznitelik indirgemede yeni bir yaklaşım geliştirilmesi
Teknolojinin gelişmesi ve çevrimiçi dünyanın genişlemesi ile iş dünyası, bilim, sağlık ve mühendislik gibi bir çok alanda çok büyük boyut ve tür içeren gerçek dünya verileri ortaya çıkmıştır. Günümüz dünyasında bu verilerin en faydalı kullanımı ve en az saklama maliyeti hedeflendiğinden, ancak belirli anlam taşıyan verilerin saklanması gerekmektedir. Boyutları büyüyen ham verideki örüntüler bulunmadığı sürece veriler gereksizdir. Büyük boyutlu veriyi işlemek ise onları kullanan sistemlerin verimliliğini doğrudan etkileyen bir darboğaz problemidir. Büyük veri ve büyük boyutlu veri için nitelik azaltma olarak da adlandırılan öznitelik seçme problemi, orijinal özelliklerin ayırt edici gücünü koruyarak veri boyutunu indirgemeyi amaçlamaktadır. Öznitelik seçimi, öğrenme sürecinin önemli adımlarından biridir. En iyi çözümün büyük bir arama uzayında uygun sürede bulunmasını gerektirir. Öznitelik seçim problemi için tasarlanan algoritmalar, orijinal özelliklerin hesapsal maliyetini azaltırken en uygun özellik alt kümesini bulma amaçlı rastgele veya sezgisel arama stratejileri kullanır. Veri hacmi arttıkça veri ile yapılacak tüm işlemler de doğrusal olarak zorlaşmaktadır. Bu sebeple ortaya atılan öznitelik seçim probleminin çözümü için literatürde birden çok yöntem kullanılmıştır. Klasik sezgisel algoritmalar büyük boyutlu ve karmaşık problemlere uygulandığında tasarımındaki avantaj ve etkinliklerini kaybetmektedirler. Çünkü bu algoritmalar, yerel çözümlere takılma, kararsız performans sergileme, bellek verimliliğinden yoksun olma gibi kısıtlamalara sahip olabilirler (Qiu & Liu, 2016). Bu nedenle bu tip problemlerin çözümü için daha etkili algoritmalara ihtiyaç duyulmaktadır. Öznitelik seçim probleminin çözümü için etkili yaklaşımlardan biri de Metasezgisel algoritmalardır. Doğadan esinlemeli algoritmalar çözüm uzayında, sezgisel bir arama yaparak daha makul sürelerde daha uygun sonuçların elde edilmesini sağlar. Bu kapsamda, ana veri kümesinin küçük ama etkili bir alt kümesi olarak tespit edilecek olan niteliklerin belirlenmesi için algoritmanın küresel arama yeteneğini ve sezgiselliğini kaybetmeden, bir yerel arama fonksiyonu ile desteklenmesinin başarıyı artıracağı düşünülmüştür (X.-M. Hu vd., 2017). Sezgisel algoritmalar evrimsel algoritmalar ve sürü temelli algoritmalar temel iki grup olarak nitelendirilir. Evrimsel algoritmalar ile gerçek dünya problemlerine başarılı sonuçlar üretilebilmektedir. Bu algoritmalara Genetik Algoritma, Evrimsel Strateji ve Diferansiyel Evrim algoritması en bilinen örneklerdendir. Doğada var olan çeşitli canlıların davranışlarını taklit ederek geliştirilen sürü temelli algoritmalar ise gün geçtikçe popülerliği artan algoritmalardır. Bu algoritmalara Parçacık Sürü Optimizasyon Algoritması, Yarasa Algoritması, Karınca Kolonisi Optimizsyon Algoritması, Yapay Arı Kolonisi Algoritması örnek verilebilir. At Sürüsü Algoritması (HOA) ise, en yeni sürü tabanlı optimizasyon algoritmalarından biridir. HOA, doğada birlikte yaşayan atların sürü olarak davranışlarından ilham alarak tasarlanmıştır. Atların farklı yaşlarda gösterdikleri otlama, hiyerarşi, sosyallik, taklit, savunma ve dolaşma olmak üzere altı kategorideki sosyal davranışları algoritmanın temelini oluşturmaktadır. Literatürde optimizasyon algoritmalarının ikili arama uzayına taşınarak sıkça öznitelik seçim problemine uygulandığı gözlenmektedir. Bu tez kapsamında öznitelik seçimi için HOA'nın ikili bir versiyonu iyi bilinen iki farklı sınıflandırma algoritması (k-NN ve SVM) ile önerilmiştir. HOA'nın nitelik seçimi için önerilen ikili versiyonu öncelikle küçük boyutlu (10,20,30) veriler ile test edilmiştir. Ardından büyük boyutlu verilerde de efektif sonuçlar üretmesi amacıyla yerel arama tekniği olan Minimum Mesafe Fonksiyonu ve Sürü Merkezi Bulma Fonksiyonu geliştirilerek İkili At Sürüsü Algoritması (BHOAFS) önerilmiştir. BHOAFS'nin eklenen yöntemler ile yerel ve küresel arama yeteneği artmıştır. BHOAFS'nin düşük, orta ve yüksek boyutlu (10,20,30,100,500 ve 1000) problemlerde başarısı test edilmiştir. BHOAFS-k-NN algoritmasının BHOAFS-SVM'ye göre daha iyi sonuçlar ürettiği gözlemlenmiştir. Literatürde metasezgisel optimizasyon algoritmaların keşif ve sömürü sürecindeki dengeyi sağlayarak süreci güçlendirmek için kaos teorisi, levy uçuşu, zeki arama, kuantum davranışı gibi çeşitli stratejiler kullanılmıştır. Bu tez çalışmasında HOA'nın önerilen ikili versiyonu algoritmanın başarısı ve kararlılığını arttırmak amacıyla iyi bilinen beş farklı kaotik harita ile güçlendirilerek Kaotik İkili At Sürüsü Algoritması BCHOAFS olarak adlandırılan yeni bir yaklaşım geliştirilmiştir. Önerilen BCHOAFS, büyük ölçekli veriler için özel olarak tasarlanmış bir optimizasyon algoritması olan HOA'nın özellik seçim problemleri için özel olarak geliştirilmiş ilk ikili kaotik tabanlı algoritmadır. k-NN sınıflandırmasını kullanan BHOAFS-k-NN yöntemi daha iyi sonuçlar ürettiğinden, beş kaotik harita ile birleştirilmiş ve BCHOAFS-Logistic, BCHOAFS-Tent, BCHOAFS-Piecewise, BCHOAFS-Singer, BCHOAFS-Sinusoidal olarak adlandırılmıştır. Geliştirilen bu yaklaşımın performansı farklı boyuttaki on sekiz veri seti ile ölçülmüştür. Kaotik tabanlı yeni yaklaşım literatürde öznitelik seçimi için geliştirilen çeşitli algoritmalar ile kıyaslanmış, doğruluk, seçilen öznitelik sayısı, uygunluk fonksiyonu testleri yapılarak güvenilirliği sağlanmıştır. Önerilen yaklaşımın kıyaslanan algoritmalardan daha performanslı olduğu istatistiksel yöntemlerden Friedman işaret testi ve post hoc Wilcoxon testi kullanılarak doğrulanmıştır.
CNN derin öğrenme tekniği kullanılarak prostat kanser hastalığının teşhisi
Prostat kanseri (PKa) için bir risk sınıflandırma yöntemi olan Gleason derecelendirmesi subjektif, yani girdi görüntüyü inceleyen ve rapor eden patoloğun deneyim ve uzmanlığına yoğun bir biçimde bağlıdır. Onun dışında, gleason derecelendirmesi PKa teşhisi/tedavisi için önemli olsa da zaman alıcı bir iştir. Ayrıca, biyopsi görüntülerini teşhis/derecelendirme süreci gözlemci patologlar arasında önemli farklılıklara sahip olup, bireysel hastalar için teşhis/tedavi verimliliği ve etkinliğini sınırlayabilmektedir. Makine Öğrenmesi (MÖ) ve Derin Öğrenme (DÖ) sistemleri, gleason derecelendirmesinin nesnelliğini ve verimliliğini artırma konusunda umut vaat etmiştir. Ancak, derin öğrenme ağları tek başına kullanıldığında, eğitim verileri dışındaki bir kaynaktan Tüm Slayt Görüntülerinde (TSG) etki alanı kayması ve düşük performans sergiler. Dolayısıyla, bu çalışmada makine öğrenmesi ve derin öğrenme algoritmalarının karma olarak kullanılması amaçlanmıştır. Bu sistemde, girdi biyopsi görüntüsü üzerinde önemli bölgeleri otomatik olarak belirleyebilen ve belirlenen bölgeleri doğru bir şekilde sınıflandırabilen yapay zekâ tabanlı prostat kanseri tespit ve teşhis sistemi geliştirilmiştir. Önemli bölgeleri tespit etmek (yerelleştirme görevi için) YOLO algoritması kullanılmıştır. Algoritma, bu çalışma için oluşturulan prostat kanseri veri kümesi ile yeniden eğitilmiştir. Veri seti, 500 gerçek prostat dokusu biyopsi görüntüsünden oluşmaktadır. Veri seti, veri artırma işleminden önce sırasıyla 450/50 gerçek prostat dokusu görüntüsü olarak eğitim/test kısımlarına ayrılmıştır. Daha sonra 450 etiketli biyopsi görüntüsünden oluşan eğitim seti, veri çoğaltma yöntemi ile ön işleme tabi tutulmuştur. Bu sayede veri setindeki biyopsi görüntü sayısı 450'den 1776'ya yükseltilmiştir. Ardından veri seti ile algoritma eğitilmiş ve otomatik prostat kanseri tespit ve teşhis aracı geliştirilmiştir. Geliştirilen araç iki test seti ile test edilmiştir. İlk test seti, eğitim setine benzeyen 50 görüntü içermektedir. Böylece %97 tespit ve sınıflandırma doğruluğu sağlanmıştır. İkinci test seti ise tamamen farklı 137 gerçek prostat doku biyopsi görüntüsü içerir. Böylece %89 tespit doğruluğu elde edilmiştir. Bu çalışmada, otomatik prostat kanseri tespit ve teşhis aracı geliştirilmiştir. Test sonuçları, nesne algılama algoritmaları gibi yapay zekâ (bilgisayar görüşü) yöntemleri kullanılarak yüksek doğruluklu (yüksek performanslı) prostat kanseri teşhis araçlarının geliştirilebileceğini göstermektedir. Bu sistemlerin, patologlar arasındaki gözlemciler arası değişkenliği azaltabileceği ve tanı aşamasındaki zaman gecikmesini önlemeye yardımcı olabileleceği kanısına varılmıştır.
Perinatal dönemdeki psikiyatrik hastalık belirtilerinin yapay zeka tabanlı büyük veri işleme platformu ile belirlenmesi
Makine öğrenimi, bilim ve endüstrinin yönlendirici güçlerinden biridir; ancak büyük verinin oluşmasıyla birlikte, bu muazzam veri hacmini işleyebilmek için geleneksel makine öğrenimi algoritmalarında değişiklik yapma ihtiyacı ortaya çıkmaktadır. Bu veri setlerinin boyutu ve karmaşıklığı, geleneksel veri işleme yöntemleri yardımıyla ele alınmasını zor bir hale getirmiştir. İşte burada büyük veri analitiği teknolojileri devreye girmektedir. Büyük veri analitiği teknolojileri sayesinde, yüksek hacimli sağlık veri kümelerinin mevcudiyeti olması durumunda dahi, istenilen hızda ve performansta çeşitli tıbbi durumlar doğru bir şekilde teşhis edilebilmektedir. Büyük veri analitiği teknolojileri, veri setlerinin içindeki değerli bilgileri ortaya çıkarmak için çeşitli analitik yöntemler kullanmaktadır. İstatistiksel analiz, veri madenciliği, makine öğrenimi ve yapay zeka gibi teknikler, bu büyük veri setlerinden anlamlı sonuçlar elde etmeyi sağlamaktadır. Bunların yanında, büyük veri setlerini paralel ve dağıtık bir şekilde işleyerek hızlı analizler yapılmasını da sağlamaktadır. Büyük veri analitiği teknolojilerinin sağladığı bu yetenekler, birçok alanda büyük bir etki yaratmıştır. Sağlık alanı da bu alanlardan biridir. Çalışmanın birincil amacı, performansı optimize edilmiş algoritmalar aracılığıyla hamile kadınlarda anksiyete ve depresyonla ilgili en zorlayıcı soruları belirlemektir. Bu sayede daha az soru ile daha kısa sürede sonuca ulaşmak amaçlanmaktadır. Bu çalışmanın bir sonraki hedefi, büyük veri akışında makine öğrenimi modellerini kullanarak hamile kadınlarda depresyon ve anksiyete için anlık bir uzaktan sağlık durumu tahmin sistemi oluşturmaktır. Bu hedef, Apache Spark büyük veri işleme motorunu temel almaktadır. Bu ölçeklenebilir sistemde uygulama, hastanın sağlık durumunu tahmin etmek için gebe kadınlardan veri almaktadır. Bu veriler işlenebilir hale getirilebilmesi adına ön işlem süreçlerinden geçirilmektedir. Performans adına yapılan bir dizi işlemden sonra bu veri kümesi için en iyi sonuçları üreten algoritmanın, Naïve Bayes makine öğrenimi algoritması olduğu tespit edilmiştir. Çalışmada ayrıca, anlık olarak sonuç üreten tahmin sistemi, Kubernetes kümeleme sistemine entegre edilmiştir. Böylece, oluşturulan ölçeklenebilir mimarinin işlem süresi açısından araştırılması sağlanmıştır. Geliştirilen büyük veri platformunun başarımı dikkate alındığında, hamile kadınlarda anksiyete ve depresyonu tespit etmek için kullanılan geleneksel yöntemler yerine, gerçek zamanlı olarak önemli doğruluk oranında ve hızda çalışan bilgisayar tabanlı sistemlerin kullanılabileceğini söylemek mümkündür.
Elektriğin dirençli ortamda hareketini temel alan yeni bir meta sezgisel algoritma tasarımı
"Optimizasyon" kelimesinin Türk Dil Kurumu'ndaki karşılığı "en uygun duruma getirme" olarak belirtilmiştir. Hepimiz günlük hayatta bilinçsizce bir optimizasyon süreci yaşamaktayız. Yolculuk yaparken rotayı seçerken veya basit alışverişlerimizi yaparken, mevcut duruma göre en uygun seçenekleri tercih etmeye çalışmaktayız. Küçük ölçekli optimizasyon problemlerini beyin gücümüzü kullanarak veya geleneksel algoritmalarla çözebilmekte, ancak büyük veya karmaşık problemlerin çözümü için bilgisayarlardan faydalanmaktayız. Bilgisayar destekli optimizasyon problemlerini çözmek için birçok algoritma tasarlanmıştır. Geleneksel algoritmalar, basit yapılarına rağmen yavaş çalışma süreleri ve esnek olmayan uygulanabilirlikleri nedeniyle sınırlıdır. Geleneksel algoritmalar sadece belirli tipte problemleri çözebilme yeteneğine sahiptirler. İlerleyen bilim ve teknoloji sayesinde, daha hızlı çalışan ancak yine problem bağımlı olan algoritmalar geliştirilmiştir. Bu algoritmalar genellikle sezgisel algoritmalar olarak adlandırılır ve belirli bir problem türünün çözümü için kullanılmaktadır. Ancak, bu algoritmalar geleneksel algoritmalardan daha hızlı olmalarına rağmen problem çeşitliliği konusunda esnek değillerdir, bu nedenle eksik kalmışlardır ve gelişim ve değişim ihtiyacı ortaya çıkmıştır. Bu ihtiyaçtan yola çıkarak meta-sezgisel algoritmalar geliştirilmiştir. "Meta" kelimesi antik Yunanca 'da "ötesi" veya "sonrası" anlamına gelir. Bu nedenle, meta-sezgisel algoritmaları "sezgisel ötesi" veya "sezgisel sonrası" algoritmalar olarak düşünebiliriz. Meta-sezgisel algoritmalar, sezgisel algoritmalardan daha hızlı çalışırken, bir probleme veya belirli bir problem türüne bağımlı olmadan çalışabilme özelliğine sahiptirler. Bu tez çalışmasında, Elektriksel Arama Algoritması (EAA) adı verilen yeni bir meta sezgisel algoritması önerdik. Önerilen algoritma, ahşap, cam ve gazlar gibi yüksek dirençli alanlarda elektriğin hareketine dayanmaktadır. EAA, arama uzayının alt ve üst sınırlarında yalnızca bir ajanın başlattığı ve kutup adı verilen yapılar oluşturan benzersiz bir başlatma şemasına sahiptir. Bu aşamadan sonra EAA, arama yapmak için benzersiz küresel ve yerel arama stratejileri kullanmaktadır. Arama mekanizması, zıt kutuplara hareket eden elektronlara dayanmaktadır. EAA algoritmasının ilk başlatma şeması, kutup arama mekanizması ve en iyi çözümlerin güncelleme stratejisi ile karşılaştırıldığında diğer meta sezgisel yöntemlerden farklıdır. EAA, IEEE-CEC-2019'daki "100 Basamak Yarışması " test fonksiyonları, literatürde sıklıkla kullanılan dört test fonksiyonu ve bir np-hard kümeleme problemi ile test edilmiştir. Kümeleme problemi için iyi literatürde iyi bilinen dört veri seti kullanılmıştır. Bu veri setleri İris, Wine, Seeds ve Hepatit C Virüsü (HCV) veri setleridir. EAA, bu iyi bilinen test fonksiyonları üzerinde yedi farklı meta sezgisel algoritma ile karşılaştırılmış ve kümeleme probleminin sonuçları ise X-Ortalamalar algoritması ile karşılaştırılmıştır. Ek olarak, sonuçların anlamlılığını göstermek için Friedman İşaretli Sıra testi ve olay sonrası Wilcoxon Testi yapılmıştır. İyi bilinen test fonksiyonlarının tümünde, EAA ya en iyi sonuçları vermiş ya da diğer karşılaştırılan algoritmalara benzer sonuçlar vermiştir. EAA'nın IEEE-CEC-2019 test fonksiyonlarındaki puanı, düşük iterasyon sayılarıyla bile EAA'nın rakip algoritmalara benzer sonuçlar elde edebildiğini göstermektedir. Sonuçlar, EAA'nın yerel noktalara takılmamak için sağlam bir mekanizmaya sahip olduğunu ve yavaş ama kalıcı bir hızda hareket ettiğini göstermektedir.
A mobile application for attendance tracking based on user authentication
Attendance tracking is an essential aspect of organizational management that plays a significant role in employee productivity and performance management. It ensures that employees are present and accounted for during working hours, facilitates accurate payroll processing, and helps identify patterns and trends in attendance behavior. In recent years, the demand for automated attendance tracking has grown, driven by the need for more efficient and secure methods. Traditionally, organizations have relied on manual methods such as paper-based sign-in sheets or punch cards. However, these methods are prone to errors, can be easily manipulated, and require significant administrative effort to maintain and process. As a result, organizations have turned to technology for more reliable and streamlined attendance tracking solutions. One prevalent technology used for attendance tracking is biometric recognition, which includes fingerprint scanners and facial recognition systems. Biometric attendance systems offer a high level of accuracy and eliminate the risk of buddy punching (when one employee clocks in or out on behalf of another). However, these systems can be expensive to implement and maintain, and there are concerns regarding privacy and data security. Another technology commonly used is RFID (Radio-Frequency Identification), which involves using tags or cards with embedded chips to track employee attendance. RFID systems are relatively cost-effective and provide quick and easy scanning. However, they also have limitations, such as the need for employees to carry their RFID cards at all times and the possibility of cards being lost or stolen. Magnetic stripes and barcodes are other technologies used for attendance tracking. These methods require employees to swipe or scan their cards through readers, which record their attendance. While magnetic stripes and barcodes are less expensive than biometric or RFID systems, they are susceptible to wear and tear, and the process can be time-consuming, leading to queues and delays during peak hours. To address the limitations of existing attendance tracking technologies, this study proposes the use of modern technologies, including Android's Flutter Framework, face recognition, and PIN codes, to provide an efficient and secure attendance tracking system. The implementation of a mobile attendance tracking app utilizing Flutter and open-source libraries is an innovative solution that offers several advantages. The mobile attendance tracking app developed using Flutter provides a user-friendly and intuitive interface, allowing employees to easily clock in and out. The app's use of face recognition technology ensures that employees cannot manipulate attendance records, as their unique facial features are used for verification. This eliminates the risk of buddy punching and other forms of time fraud, leading to improved accuracy in attendance tracking. In addition to face recognition, the app also incorporates PIN codes as an alternative authentication method. This provides flexibility for employees who may have difficulties with facial recognition due to factors such as poor lighting conditions or temporary facial changes. By offering multiple authentication options, the app ensures accessibility and ease of use for all employees. One key advantage of the proposed attendance tracking system is its multi-level access and authentication methods. The app incorporates three levels of privileges: Admin, Editor, and Viewer. This ensures that access to sensitive information, such as attendance records and employee data, is restricted to authorized personnel only. The multi-level access feature enhances data security and prevents unauthorized individuals from tampering with or accessing confidential information. Furthermore, the mobile attendance tracking app utilizes open-source libraries, which facilitate maintenance and customization. The use of open-source libraries allows organizations to tailor the app to their specific requirements, integrate it with existing systems, and make modifications as needed. This flexibility ensures that the app remains adaptable to changing organizational needs and technological advancements. Regular updates to the app enhance its features and security, ensuring that it remains relevant and effective. The development community behind Flutter and the open-source libraries continually address vulnerabilities and release updates, safeguarding the app against emerging threats and ensuring data security. In conclusion, the mobile attendance tracking application built using Flutter and open-source libraries is an ideal solution for organizations aiming to enhance attendance tracking while maintaining data security. The app's multi-level access and authentication methods, together with its use of modern technologies, guarantee efficiency, accuracy, and security. As such, it offers a more efficient and secure alternative to traditional attendance tracking methods, making it an indispensable tool for modern-day organizations.
İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Kredi kartı dolandırıcılığı, siber saldırılar, terörist faaliyetleri veya bir sistemin bozulması gibi kötü niyetli faaliyetler gibi çeşitli nedenlerle verilerde anormallikler meydana gelebilir, ancak tüm nedenlerin ortak özelliği analiz için ilgi çekici olmalarıdır. Anomalilerin ilginçliği veya gerçek yaşamla ilgili olması, anomali tespitinin önemli bir özelliğidir. Anomali tespiti konusunda birçok yöntem denenmiştir. Bu tezde ısıtma, havalandırma ve iklimlendirme (HVAC) sistemine ait çok değişkenli bir zaman serisindeki siber saldırıları tespitinde makine öğrenmesi yöntemleri kullanılarak performansları karşılaştırılmıştır. Anomali tespitinde doğrusal regresyon, karar ağaçları, k-en yakın komşu, rastgele orman ve gradyan artırma modelleri kullanılmıştır. Erişime açık HVAC sistemine ait bir zaman serisi olmadığından simülasyon sonucu elde edilen bir veri seti üzerinde modeller eğitilmiştir. Eğitilen modellerin yine aynı sisteme ait içinde 16 farklı siber saldırıyı barındıran bir veriseti üzerinde test edilmiştir. Karşılaştırılan sonuçlarda doğrusal regresyon ve gradyan arttırma modelinin iyi sonuç verdiği fakat anomalilerin tespiti noktasında çok iyi olmadığı gözlemlenmiştir. Büyük verilerde oluşabilecek aşırı yüklemenin modeller üzerinde olumsuz bir etkisi vardır. Veri kümesine ait öz nitelik seçimi önem arz etmektedir. Seçilen niteliklerin veri kümesini temsil etmesi tümüyle temsil etmesi gerekmektedir. Öz nitelik seçiminde temel bileşen analizi veya farklı derin öğrenme teknikleri kullanılmıştır. Korelasyonel ilişkide bu yöntemlerden biridir. Çıkış parametresi ile giriş parametreleri arasındaki ilişki incelenebileceği gibi çok değişkenli zaman serilerinde giriş parametreleri arasındaki ilişkide incelenebilir. Bu çalışmada giriş parametrelerinin birbirleriyle olan korelasyonel ilişkisi incelemiştir. +0,95 ve -0,95 ten yüksek ilişki gösteren değişkenler indirgenerek modeller tekrar eğitilmiştir. Siber saldırıları barındıran veri kümesi üzerinde test edilen algoritmaların sonuçları karışıklık matrisi ile karşılaştırılmıştır. Sonuç olarak, GBR modelinin doğruluğunun kayda değer bir şekilde yükseldiği ve başarılı tespitler gerçekleştirdiği görülmüştür. Doğruluk değeri 0,64'ten 0,996'ya yükselmiş ve aynı zamanda modelin tahmin sonuçlarındaki hata değeri azalmıştır. Bu yaklaşım ile büyük verilerin özelliği göz önüne alınarak zaman serilerinde parametrelerin azaltılmasıyla doğruluğunun arttırılabileceği anlaşılmaktadır. Gelecek çalışmalarda farklı HVAC sistemlere ait veri setleri üzerinde çalışmalar yapılarak daha genel bir ifadeye ulaşılabileceği gibi farklı yöntemler ile parametreler azaltılıp makine öğrenmesi yöntemlerinin performansı karşılaştırılabilir. Ayrıca Django yazılım dili ile geliştirilen web sayfası ile gerçek zamanlı uygulamalara model olarak bir tasarım gerçekleştirilmiştir. Bu çalışma Django ile web tabanlı anomali tespiti için performans değerlendirme çalışmalarına örnek teşkil edilebilir. Farklı veri setleri üzerindeki analiz sonuçları ve işlem süreleri karşılaştırılabilir. Bu sayede, anomali tespit sistemlerinin etkinliğini ve ölçeklenebilirliğini değerlendirmeye yardımcı olacaktır.
İki adımlı şifreleme ile dinamik veri kayıt sistemi
Günümüz şartlarında gerek devlet kurumlarında gerekse özel kuruluşlarda her gün binlerce kişiye ilişkin çeşitli bilgilere erişilmektedir. Erişilen bu bilgiler, dijital dünyada yaşanan gelişmelerin etkisiyle kolaylıkla aktarılmakta ve işlenmektedir. Kişisel Verilerin Korunması Kanunu (KVKK) ve bilgi güvenliği kapsamında, verilerin iyi bir şekilde korunması, belirli, açık ve meşru amaçlar içerisinde sadece yetkili kişiler tarafından işlenmesi önemlidir. Bu kapsamda, kişisel ve hassas verileri işleyen tüm kurum ve kuruluşlar belirli önlemleri almalıdır. Alınabilecek önlemlerden biri de verileri şifrelemektir. Sistemin güvenlik ve performans gereksinimleri göz önünde tutularak kullanılacak olan şifreleme teknikleri belirlenmelidir. Şifreleme işlemi güvenliği artırırken beraberinde sistemin performansını düşürmektedir. Bu yüzden şifreleme yöntemleri tercih edilirken hem en güvenli hem de en hızlı olan teknik tercih edilmelidir. Bu çalışmada farklı seviyelerde art arda iki kez şifreleme işleminin gerçekleştiği güvenli, dinamik bir veri kayıt sistemi geliştirilmiştir. Geliştirmenin kullanıcı ile etkileşimi sağlanmış olup yapısı, mimarisi, kullanılan algoritmalar ve elde edilen sonuçlar hakkında bilgi verilmiştir. Uygulama varsayılan olarak iki kez art arda şifreleme yapılacak şekilde ayarlanmıştır. İlk şifreleme işleminde simetrik şifreleme yöntemlerinden olan Gelişmiş Şifreleme Standardı (AES) algoritması tercih edilmiş olup algoritmanın arkayüzde (backend) gerçekleşmesi sağlanmıştır. İkinci şifreleme yönteminde ise asimetrik şifreleme yöntemlerinden olan RSA (Rivest-Shamir-Adleman) algoritması tercih edilmiş ve veritabanı seviyesinde kolon düzeyinde şifreleme işlemi yapılmıştır. Bu işlemler sonucunda doğrudan veritabanı üzerinde okuma/yazma mümkün olmayacaktır. Saldırgan, veritabanında tutulan herhangi bir şifrelenmiş veriyi okumak istediğinde, açık metne erişemeyecektir. Önce veritabanı seviyesinde gerçekleşen RSA şifreleme işleminin çözülmesi, ardından farklı seviyede AES algoritmasıyla gerçekleşen şifreli metnin çözülmesi gerekecektir. Bu durumların hepsi güvenliği artırıp, yetkisiz kişilerin açık verilere erişmesini zorlaştıracaktır. Geliştirilen uygulama vasıtasıyla AES algoritması üzerinde Elektronik Kod Defteri (ECB), Şifre Blok Zincirlemesi (CBC) ve Şifre Geri Beslemeli (CFB) blok modelleri arasındaki performans farkı incelenip, sonucunda en hızlı şifre çözme süresine sahip olanlar sırasıyla ECB, CFB ve CBC şeklinde olmuştur. Bu blok modelleri arasında en güvensiz olan ECB, en yavaş olan ise CBC'dir. Bu nedenle üç blok modeli arasında en iyi tercih CFB modeli olacaktır. Tek adımda AES ile şifrelenen ve tek adımda veritabanı seviyesinde kolon düzeyinde RSA algoritması ile şifrelenen verilerin performansı incelendiğinde ise RSA'nın asimetrik şifreleme tekniğini kullanması nedeniyle performansı AES'e oranla daha çok düşürdüğü gözlenmiştir.
Session hijacking attacks on wireless networks detection and prevention
Wireless networks are provided and spread everywhere that drive people to run their businesses and daily lives, communicate with the community, ةanaging bank accounts. travel, and others through internet access, and the availability of these networks in public places increases the risk of users being hacked, which is not what many people know. The ease of use and access to networks by middle-aged people leads them not to think about the risks of being hacked, and the presence of experts in theft and the exploitation of security vulnerabilities may expose the sessions provided by internet networks and web servers to users for theft. Generating the session is one of the complex problems wireless users may face. The web server grants the session to users wishing to obtain certain services from the server. These services may be bank accounts, social security data, or companie's activity management data, and as we know this is very sensitive data. The session goes through many stages, from generation, encryption and ensuring that it is safely transferred between the server and the client. Obtaining this session data and cookies data is a serious risk that gives the attacker full power to impersonate the victim's user and steals his sensitive data. A man-in-the-middle attack represents a great extremity risk because it is difficult to detect and the normal user cannot determine whether a session has been hijacked. The attacker is running in parallel with the user and has the same access privileges to data. Accessing the server with different permissions may expose not only the user's sensitive data, but all data on the server. In this study, we will develop a comprehensive vision of this problem, which began with analysis and then a simulated session hijacking process in two virtual environments. We believe that solving the problem begins with a careful characterization of it and focusing on how the attacker thinks and how to predicate the place and style of the attack. Then we worked on employing artificial intelligence and machine learning model using Bayesian Belief Networks as a system to detect the possibility of session hijacking and finally, we provided some solutions that will reduce the risk of session being hijacking.
A surveillance and security alert system based on real-time motion detection to protect secret and vital places
In the modern world, surveillance systems are crucial to the security sector. Video surveillance systems have traditionally employed moving object detection extensively. In computer vision, surveillance systems have grown in popularity recently. In this study, we have developed a system to protect vital and secret places from thieves. It should also facilitate the work of areas that require monitoring systems because security concerns have exploded in the current environment. The system relies on human motion detection. The main objective of the research is to create a system that can be part of reducing and eliminating theft and evil and provide an easy system with a user-friendly interface at a low cost. Cameras have been used to detect human movement and monitor areas, allowing observers to monitor areas directly through the system. Whenever the system detects human movement through a camera, it directly notifies the observers of the presence of human movement in areas where there should be no human movement through sound alerts, LED alerts, and emails to the observer. It starts videotaping the area, as well as recording and storing the time, place, and photo of the movement to make it easier for observers to follow up. The system consists of two main parts: software and Arduino hardware. In the software part, the types of algorithms used were the two-frame difference and simple background modeling for movement detection with the assistance of AForge.NET and C# and Tiny YOLOv2 for human detection. In the Arduino hardware section, Arduino is used to create an LED alert. Evaluation and testing of the system show that it can be used indoors and outdoors and detect human movement in all four directions, such as the back, forward, right, and left. In low light, the system has the ability to determine human movement. The experiments tell us that the system's accuracy in determining human motion was 95%, and depending on this result shows that the system can preserve vital and secret locations and correctly surveil zones. Future work includes adding alerts, such as mobile calls to observers through the system, which will help control incidents as soon as possible. Adding a mobile application to the system, where observers will be able to monitor the areas via their mobile phones, may allow them to monitor the areas from anywhere. Also, it will be possible to detect fire and smoke in areas where surveillance cameras are installed. And it is possible to use other Yolo models for human detection and other motion detection methods in the surveillance and security alert systems.
Enhancing mobile application age ratings usingnatural language processing techniques
As the huge number of mobile applications in stores increases, it gets difficult to verify all the information about each application. Especially Age Rating. For instance, Play Store and App Store have an algorithm to determine the age rating of an application, the algorithm is applied after the developer is asked questions about the application such as if the application includes any violence scenes and if It is frequent or not or containing offensive language or crude humor and many other questions, also rules of each country are put into account with the developer's answers while giving the appropriate rating. The challenge here is that a developer may answer any of the questions wrongly and this would affect the process of the rating of the application negatively, either by making it accessible by users who must not use it because of age restriction or limiting users from reaching the application while the application is suitable for them. In this thesis, a novel method is presented to classify mobile apps by analyzing their app store descriptions. The study utilizes a dataset obtained from the Apple App Store, consisting of over 365,000 app descriptions. The research aims to accurately classify and age-rate apps, enabling users to find apps suitable for their age group and preferences, and helping developers identify direct competitors and market trends. The approach consists of three major steps: data pre-processing, vectorization (using word embeddings and Bag-of-Words), and classification. Text pre-processing techniques such as lowercasing, tokenization, removal of non-ASCII characters, numbers, URLs, and stop-word removal are applied. Two vectorization methods are used: Bag-of-Words with a maximum of 1000 most-frequent words and word embeddings (GloVe, Word2Vec, fastText). The generated word embeddings represent the entire app description using simple unweighted averaging. Classification is performed using various algorithms such as Support Vector Machines, Multi-layer Perceptron, Random Forests, Nearest Neighbor, AdaBoost, Decision Trees and Logistic Regression. The performance of these classifiers is evaluated using accuracy, recall, precision, and F-measure. The study compares word embeddings with topic modeling (LDA) and demonstrates that word embeddings outperform LDA in app classification tasks. The limitations of LDA with short text inputs are highlighted, emphasizing the advantage of word embeddings in capturing semantic meaning and achieving better classification performance. Furthermore, the study compares word embeddings with the bag-of-words approach (VSM) and shows that VSM outperform word embeddings in capturing the semantic relationships and similarities between words in app descriptions. Among the word embedding models (GloVe, Word2Vec, fastText), GloVe performed the best, potentially due to its more comprehensive vocabulary. The inclusion of character n-grams in fastText did not significantly contribute to classification accuracy. Overall, the proposed approach has practical implications for users and developers, enabling better app discovery and market insights. Future directions include conducting more extensive analysis with expert-generated categorizations and developing a working prototype to bring the research closer to real-world application. In summary, the thesis presents an effective approach for app classification based on app store descriptions, utilizing word embeddings, and achieving accurate age rating predictions.
Yazılım tanımlı ağlar ve nesnelerin interneti temelli akıllı şebekelerde anomali tespiti
Günümüzde kullanılan geleneksel elektrik şebekelerinin sahip olduğu güvenilirlik sorunları, maliyet verimsizliği ve arz talep dengesinin sağlanamaması gibi olumsuzluklar yeni bir teknolojinin geliştirilmesine zemin hazırlamıştır. Son yıllarda adından sıkça söz ettiren akıllı şebekeler, esneklik, ölçeklenebilirlik, programlanabilirlik ve güvenilirlik gibi özellikleriyle bu ihtiyaca cevap verebilecek nitelikteki bir teknolojidir. Enerjinin üretim, iletim, dağıtım ve tüketim aşamalarında verim sağlarken sürdürülebilir enerji üretimini de destekler. Bunların yanı sıra, birçok cihazın ve protokolün bir arada çalıştığı heterojen ağ yapısı sebebiyle çeşitli zorlukları da beraberinde getirmektedir. Akıllı şebekelerdeki bu sorunların çözümü olarak önerilen SDN (Software Defined Networks, Yazılım tanımlı ağlar) ağ paradigması, merkezi yönetim sistemiyle ağ kaynaklarının kontrol edildiği bir teknolojidir. Cihazların performansını, izlenebilirliğini ve güvenliğini artırması sebebiyle SDN'nin akıllı şebeke ile entegrasyonu, enerji sektörünü daha verimli, güvenli ve sürdürülebilir bir hale getirirken aynı zamanda akıllı şebekelerin gelecekte daha yaygın kullanılması için önemli bir adımdır. Bunlarla beraber bu entegrasyon, enerji tüketicilerine, doğru faturalandırma ve tüketim analizi imkanı da tanır. Bunun ana sebeplerinden biri olan akıllı sayaçlar, akıllı şebekelerde tüketim alanındaki evlerde enerji üretim ve tüketim verilerinin anlık elde edilmesini sağlamaktadır. Günümüzde evlerde kullanımı oldukça yaygınlaşan IoT (Internet of Things, Nesnelerin interneti) destekli cihazların gelişmiş veri toplama ve işleme özellikleri, akıllı sayaçların sağladığı avantajlar ile birleştirildiğinde tüketicinin, evindeki enerji tüketimini anlık olarak izleyebildiği bir sistem haline gelir. Bu sistem, günümüzde oldukça yaygınlaşan akıllı ev sistemleridir. Tüm bunlar ışığında bu tez çalışmasında, hem bahsi geçen teknolojilerin nasıl bir arada kullanılabileceğine dair bir bakış açısı sunmak hem de sonraki akademik çalışmalarda kullanılmak üzere gerçek enerji tüketim verilerini elde edebilmek amacıyla yazılım tanımlı ağlar ve nesnelerin interneti temelli akıllı ev mimarisi önerilmiştir. Önerilen bu mimari, günümüz akıllı ev sistemleri ve kullanıcıların beklentilerine göre tasarlanmış ve ardından Mininet isimli simülatörde gerçeklenmiştir. Akıllı evde bulunması planlanan 8 akıllı cihazın enerji tüketim bilgileri, detaylı literatür ve sektör araştırmaları sonucunda elde edilerek simülasyonunu sağlayacak kodlar geliştirilmiştir. Bu kapsamda simülatör çalıştırılarak bu tez çalışmasının bir diğer çıktısı olan enerji tüketim değerlerine ait veri seti oluşturulmuştur. Bu veriler, evdeki cihazlara karşı yaşanabilecek olası siber saldırıları da içerebileceğinden bunun tespiti için makine öğrenme algoritmaları kullanılarak enerji tüketiminin normal/anormal sınıflandırılması yapılmıştır. Kullanılan 6 farklı algoritmanın performans karşılaştırmasında rastgele orman modelinin en yüksek performansa sahip olduğu görülmüştür.
Medical image compression based on vector quantization and discrete wavelet transform
Due to the prevalence of chronic diseases, diagnostic imaging procedures are increasing annually. However, storage is challenging because storage capacity is limited to accommodate these ever-increasing medical images. As a result, it has become important to develop new ways to compress these images due to their large sizes. Therefore, there is a need for a compression method that preserves medical diagnoses and has a high compression ratio. Image compression aims to significantly reduce the size of different types of images while preventing distortion and harmful distortion during reconstruction. The medical image compression system is an important topic in image processing systems to reliably compress and decompress various types of medical images since image compression has become the latest emerging trend all over the world. This can be accurately implemented for both lossy and transparency techniques, such as discrete waveform transform (DWT), discrete cosine transform (DCT), fractal-based and wavelet-based notation vector quantization (VQ), predictive coding, and so on. Although these techniques are used to design the compression system, they face some challenges, such as reducing the original size, level of computational complexity, and minimum square of compression errors. This thesis addresses these critical challenges to improve medical image compression performance. There are two main ways to compress images, each of which is determined by whether or not the original image can be reconstructed from the compressed image. Lossless compression is where no information is lost in compression or decompression operations, and this is used with medical images to keep all image information. Lossy compression is where the entire image cannot be decompressed because it uses a lossy compression method where some information has to be deleted. To compress digital images without losing quality, they are widely used along with JPEG. The purpose of this thesis is to introduce a simple and effective image compression technique that increases the efficiency of the compression system and improves the performance of compression methods based on discrete waveform transform (DWT) while maintaining the mean structural similarity (MSSIM) and Peak signal-to-noise ratio (PSNR) at an acceptable level. Medical images represented by MRI, CT, and ultrasound are the data sources for this thesis. We used MATLAB (R2022b) to formulate the necessary coding. To accomplish this work and to take advantage of the capabilities of the program in the field of image processing, this thesis proposes a combination of Discrete Wavelet Transform (DWT) and Vector Quantization (VQ) to process complex medical images while preserving the diagnostic content. Medical images inevitably suffer from salt and pepper noise; in this method, filtering removes them during pre-processing. We use [3×3] Gaussian algorithm to determine the value of each pixel in the output image based on the value of its associated pixel and adjacent pixels in the input image. Then wavelet analysis (DWT) can divide image information into approximate and detailed partial signals. A close-up sub-signal shows the general direction of the pixel value, and three detailed sub-signals show vertical, horizontal, and diagonal details or changes in the image. If this detail is small, it can be set to zero without significantly changing the image. There are two types of filters, high pass filter and low pass filter. Thus, the signal is effectively divided into a detailed high-frequency part and a rough low-frequency part. A Discrete Wavelet Transform (DWT) is applied to preserve the edges of the images (horizontal, vertical and diagonal) as the image is divided into four bands, and the sub-band conversion is repeated with the highest level of specificity. Vector Quantization (VQ) technique is used for data compression, correction, pattern recognition, density and clustering estimation. Missing data from some ranges is retrieved by finding the closest set, including the available data ranges. It will get the same value as the midpoint VQ applied to all the parameters generated by the previous step except for the sub-range. This contains the most important details for image recovery since the basis of VQ work is to represent pixel arrays by an index in the codebook. Many improvements are made to reduce the computation time for image compression. The experiments performed at this point are different codebook sizes within different-sized windows for each image. Performance efficiency was evaluated with different sizes of codebooks and windows and for increasing the pressure by arithmetic coding. Then we use the threshold principle between the two methods that generate wave coefficients and exclude the value less than the specified threshold. The best combination of hybrid technology was found at two levels of DWT before quantification. This thesis tested the images by applying three separate analytical levels of the wavelet transform. The resulting wave coefficients were then encoded using image coding techniques based on wavelet transform, which is arithmetic coding. With this proposed hybrid technology, we achieve a good performance, and by adding an operation optimization algorithm, we achieve even better performance. The proposed compression scheme achieved better results than the referenced studies and increased the compression ratio. The test showed that decomposing the wave into three levels achieved the best compression ratio and the best encoding technique used with the previous wave. Several factors affect the results of the previous tests, the most important of which are the type of encoding technique for wavelet coefficients and the optimization algorithm used. Tests showed that decomposing the wavelets into three levels achieved the best compression ratio and the best encoding technique used with the previous wave. To compress images, we use the arithmetic coding (AC) algorithm, which uses fractions between 0 and 1 to generate a unique string of characters. A data code encoding and decoding algorithm repeatedly processes and encodes (decodes) a single data code, making it symbolically iterative. When the algorithm iterates, it divides the period between 0 and 1 into smaller and smaller parts, keeping one of these pieces as a new period. The technology runs on layered time slots, each of which contains a sequence of code that is evaluated for size. Code stream size comparisons are used to reconstruct the data stream, indicating how the encoder divides and stores overlapping subintervals, unlike well-known compression methods such as prefix Huffman symbols. Then we turn to artificial intelligence, using the particle swarm optimization (PSO) algorithm. The particle swarm development method is almost certain to find a globally optimal solution. The global search ability is also great, and the computational performance is much faster than traditional methods. The test was done using the Compression Ratio (CR) parameter, the Mean Square Error (MSR) parameter, and the Peak Signal to Noise Ratio (PSNR) parameter. Experiments were performed with different codebook sizes and window sizes for each image. A test was performed to evaluate the efficiency of the measuring tool with different sizes of codebooks and windows. Experiments at both levels confirm the larger size of the codebooks. The best are chosen to maintain image quality and thus a suitable choice of the hybrid algorithm because image quality is critical in medical imaging. At the end of the work, we compared it with a reference study where the fine image details were used in terms of extension, dimensions, and pixel depth, which gave better results than the referenced studies and increased the compression ratio. It was found that applying the proposed scheme to compress images using optimization algorithms helps to obtain the best results Providing several proposals to take into account the time and improve performance.
A blockchain-based enhanced security system for IoT platforms
With technology advancing at an unprecedented pace, the world is currently experiencing a profound transformation driven by the rapid growth of the Internet of Things and the emergence of blockchain technology. The Internet of Things has emerged as a powerful force, connecting numerous devices and sensors to collect and exchange vast amounts of data. However, effectively managing and securing this sensor data presents significant challenges. Concurrently, blockchain technology has gained considerable attention for its potential to revolutionize data management and ensure trust and transparency across various domains. The convergence of IoT and blockchain holds immense promise for addressing the limitations of traditional data management systems. This study aims to address the challenges associated with efficient sensor data management. It proposes the integration of blockchain technology with a user-friendly web-based interface to enhance data management, security, and reliability. To achieve this, by building a local blockchain network using ganache, smart contract writen in solidity language, a user-friendly web interface was developed utilizing HTML, CSS, and JavaScript, and connect them with virtual sensors. The virtual sensor send reading to the web interface. This interface collect the reading from differante sensor and send it to the smart contract. The system leverages smart contracts on the Ethereum blockchain to ensure data integrity, automate processes, and enhance security. The integration of blockchain technology offers significant benefits for sensor data management. By utilizing the decentralized nature of the blockchain, the system provides a robust infrastructure for storing and retrieving sensor readings. Smart contracts enable tamper-proof data transactions, ensuring transparency and immutability of the data stored on the blockchain. The implementation of the proposed system has yielded promising results. The web interface facilitates seamless interaction with sensor data, improving user experience and accessibility. The integration of smart contracts ensures secure and verifiable data transactions, reducing the risk of data manipulation, and enhancing trust in the system. The integration of blockchain technology in sensor data management has proven to be effective in improving data security, reliability, and accessibility. The developed web interface and smart contract integration provide a solid foundation for future advancements in the field. Future work could involve deploying the system on a real blockchain network and connecting it to real sensors through oracles, further enhancing its practicality and real-world applicability. This thesis contributes to the advancement of sensor data management systems, offering potential applications in various domains that require reliable and secure data handling. By combining blockchain technology, a user-friendly web interface, and smart contracts, the thesis provides a comprehensive solution for enhanced sensor data management.
A hybrid prediction approach using multiple linear regression and decision tree
When you wake up one winter morning, you may wonder whether it will rain or will the weather be fine? In our life we fall into many choices that require prediction and anticipation of the answer before starting work. In this thesis, a hybrid method was used between decision tree (regression tree) and multiple linear regression based on the CART mechanism. It used three different datasets to test the approach. The first is the advertising data set, which was represented by using (TV, radio, and newspapers) (X) to show the relationship between these advertising methods with sales (Y) in terms of their impact on sales and purchasing power. This dataset is called as "Advertising". The second data set contains (Species of fish, length, height, width), which are the independent variables (X) and their impact on the weight of the fish, which represents the dependent variable. This dataset is called as "Fish". The third dataset is the effect of the car's specifications on its price, which was considered the dependent variable. The car specification was (car name, fuel type, aspiration, door number, car body, drivewheel, engine location, wheelbase, car length, car width, car height, curb weight, engine type, cylinder number, engine size, fuel system, bore ratio, stroke, compression ratio, horsepower, peak rpm, city mpg, and highway mpg). This dataset is called "Car". The datasets were divided into train and test 80% - 20%, respectively. Where the research steps that represent the study were implemented, by making accurate predictions with the help of linear regression and CART. First, we split datasets using CART. For each leaf, different sub-datasets are filtered and created. The splitting point in the dataset was found with nodes. Our hypothesis is to divide the dataset using CART to increase the accuracy of the estimates. It applied multiple linear regression to filtered datasets. Then, it is compared multiple linear regression estimations using whole data and splitting dataset. The classification and regression tree (CART) algorithm represents a dataset's connection between the dependent variable and independent factors. It consists of a sequential binary dataset partition based on the variable values. Fitting tree models involves repeatedly splitting the data into homogenous groups. The output is a hierarchical tree of relevant decision rules for classification or prediction. Splitting is a procedure that divides the tree from its nodes into two or more nodes. The root node represents the entire sample or population and is divided into two or more groups as homogeneous groups. The nodes that sub-nodes are separated into are called parent and child nodes. Nodes that cannot be divided and have reached the minimum division are called leaf nodes. Pruning is the opposite of splitting, removing child nodes from the root node. In this study, results were compared to predict the value of the dependent variable (Y) using the regression tree method, multiple linear regression, and the particular research method of splitting the regression tree and constructing multiple linear regression models from it in order to select the best method that gives the best prediction based on the R2, MSE, and MAPE values. It was found in this study that splitting the data using multiple linear regression based on the regression tree gave a good result compared to using the multiple linear regression method alone or using the regression tree only. It was also found that the use of one error measure is not sufficient, but more than one error measure must be added to obtain an optimal model.However, it can add a classification and regression tree to divide the data set and find the best result from the hybrid tree and multiple linear regression model. The depth of the tree in an extensive real-life dataset will be increased to see the effect of height. Furthermore, we will delve into alternative approaches to linear regression in a distinct study. It could be scalable and effective in increasing tree size and powerful machine learning techniques. It was found in this study that splitting the data using multiple linear regression based on the regression tree gave a good result compared to using the multiple linear regression method alone or using the regression tree only. It was also found that the use of one error measure is not sufficient, but more than one error measure must be added to obtain an optimal model.
Renkleri kullanarak yüksek kontrollü yapay zekalar oluşturma
Yapay zekalar doğal zekayı taklit etme girişimleriyle oluşur. Oyunlarda ,simülasyonlarda ve diğer bir çok alanda yapay zekaların kullanımına başvurmaktayız. Buna bağlı olaraktan çok fazla yapay zekanın projemizde etken olduğunu düşünürsek, bunların kontrolü de bir hayli zorlaşmaktadır. Bu çalışmayla birlikte yapay zekaların kontrolü ve gözlemlenmesi büyük ölçüde kolaylaşıp farklı ortamlarda kullanılabilecek bir renk-yapay zeka yönetme algoritması ortaya konacaktır.
MRS verileri kullanılarak makine öğrenmesi yöntemleri ile MS hastalığının teşhis ve sınıflandırılması
Multipl Skleroz (MS), merkezi sinir sistemi (MSS)'nin otoimmun, enflamatuar, demiyelinizan hastalığı olup çoğunlukla genç erişkin çağda görülür. Hastalığın tam nedeni bilinmemekle beraber yapılan araştırmalarda genetik yatkınlık, güneş ışığına fazla maruz kalma, kuzey bölgelerde yaşama ve Epstein-Barr virüsü hastalığın başlıca nedenleri arasında yer almaktadır. MS hastalığı dört tipte sınıflandırılmakta olup en yaygın görülen MS tipleri relapsing-remitting MS (RRMS) ve secondary progressive seyirli MS (SPMS)'dir. MS hastalığının teşhisinde klinik bulgular, beyin omurilik sıvısı incelemeleri, uyarılmış potansiyeller ve manyetik görüntüleme bulguları kullanılmaktadır. Manyetik Rezonans (MR), Multipl Skleroz (MS) hastalığının tanısı ve takibinde kullanılan en önemli görüntüleme tekniğidir. Ancak, MR görüntülemede MS lezyonları beyin tümörlerine benzerlik gösterebilmektedir. Bu nedenle MS tiplerinin sınıflandırılmasında gelişmiş MR tekniklerinden yararlanılmaktadır. Gerçekleştirilen tez çalışmasında Manyetik Rezonans Spektroskopi (MRS) görüntüleme tekniği ve makine öğrenmesi metotlarından faydalanarak kontrol grubu, RRMS ve SPMS tiplerinin otomatik olarak sınıflandırılmasına yönelik bilgisayar destekli tespit sistemi önerilmiştir. Çalışmada kullanılan MRS verileri takip altında olan MS hastalarından bir yıl süresince alınmıştır. Çalışmada birbirinden habersiz iki nöroloji uzmanı tarafından teşhis edilen Kontrol (n=30), RRMS (n=36) ve SPMS (n=25) olmak üzere toplam 91 MS hastası için MRS çekimleri gerçekleştirilmiştir. Hastalardan alınan MRS verilerinden sinyal işleme yöntemleri ile metabolitler elde edilmiştir. Çalışmada yapay bağışıklık sistemi (YBS) tabanlı hibrid bir özellik çıkarım yöntemi önerilmiştir ve bu yöntem mevcut özellik çıkarım yöntemleri olan Peak Integration (PI) ve Principal Component Analysis (PCA) ile kıyaslanmıştır. MRS sinyallerinden çıkarılan özellikler SVM yöntemi ile Kontrol-RRMS ve RRMS-SPMS olmak üzere ikili olarak sınıflandırılmıştır. Gerçekleştirilen deney sonuçlarına göre, önerilen sisteminin kullanımı ile kontrol ve RRMS vakaları birbirlerinden %95 doğruluk ve %90.91 hassasiyet ile ayrılırken, RRMS ve SPMS grupları ise %88.89 doğruluk ve %90.91 hassasiyet ile otomatik olarak sınıflandırılmıştır. Çalışmada önerilen YBS tabanlı hibrit özellik çıkarım metodunun diğer özellik çıkarım metotlarına göre daha başarılı olduğu görülmüştür. Sonuç olarak MRS'nin bilgisayar destekli teşhis yaklaşımı ile birlikte kullanılması, MS seyir tiplerinin sınıflandırılmasında MR ve diğer yöntemleri destekleyici ek bir yöntem olabileceğini göstermektedir.
A faithfulness-aware pretraining strategy for abstractive text summarization
One of the main challenges in abstractive text summarizing is maintaining the faithfulness of the generated summaries compared to the source documents. In abstractive text summarizing, the term "faithfulness" refers to the degree to which a summary accurately and completely captures the essential information from the source text while maintaining the overall meaning and context. Recent works have made remarkable progress in addressing the issue of faithfulness in abstractive text summarization from several perspectives. For instance, some works suggested a post-process method to refine faithfulness. Others focused on the relationship between the decoding generation phase of the generative model and faithfulness. Furthermore, many studies put efforts into customizing the training phase in order to improve faithfulness. Nevertheless, these researches fail to adequately explore a central aspect, which is how pretraining strategies can impact and enhance the accuracy and reliability of faithfulness in abstractive text summarization. To address this problem, we have introduced an innovative pretraining strategy that stimulates the BART large language model to attend more to tokens and contexts correlated with faithfulness of the source text. To assess our approach, we conducted a thorough examination of its effects on both faithfulness and summarization. Our research revealed that the proposed technique improves the model's attention to the critical contexts that are strongly connected to the faithfulness of the original text. Furthermore, our experiments and analysis demonstrated that the introduced method outperforms the baseline model, which is pretrained using the traditional MLM techniques, in terms of different faithfulness metrics, such as QuestEval and BS-Fact metrics, in two downstream abstractive text summarization datasets. In addition, we investigated the possibility that the pretraining processes that were provided could improve the quality of the summaries that were created. This was determined by using summarization metrics such as ROUGE-N and BERT-Score.
Web portallarında kullanıcı davranışlarının yerinde tespiti ve web madenciliğinde kullanımı için yenilikçi bir yaklaşım
Web portalları ve kurumsal web uygulamalarından elde edilen etkileşim verilerinin analizi, kullanıcı davranışlarının anlaşılması açısından büyük önem taşımaktadır. Temel amacı sunucuya yapılan erişimleri kaydetmek olan sunucu günlükleri, kullanıcı etkileşimlerini açıklayabilmek için detaylı veri sağlayamazlar. Bunun yanında, uygulama günlüğü bakış açısına sahip olmayan güncel web analitik araçları, özellikle kurumsal web portallarında kullanıcıların bireysel olarak hizmetleri kullanma biçimlerini ve oturumları boyunca yaptıkları işlemleri takip etme ve anlamlandırma açısından zayıftırlar. Son yıllarda artan veri gizliliği ve egemenliği endişeleri de bulut tabanlı üçüncü parti araçların kullanımında çekincelere yol açmaktadır. Diğer taraftan, verinin değerini bilen ve ondan sonuna kadar yararlanmayı amaçlayan kuruluşlar için üzerinde web kullanım madenciliği teknikleri uygulayabilecekleri verilere sahip olmak son derece önemlidir. Bu tezde, web portalları ve büyük ölçekli kurumsal web uygulamaları için uygulama günlükleri ile web analitiğini bütüncül bir yapıda birleştiren CAWAL adında bir model ve onun pratik bir uygulaması olan yazılım çerçevesi önerilmiştir. Özellikle çok sunuculu ortamlar için tasarlanan model, alt alanlar arası oturum takibi, gerçek zamanlı analiz, yüksek doğruluğa sahip veri toplama, analitik çıkarımı ve veri depolama yetenekleriyle web analitiğinde alternatif bir çözüm sunmaktadır. Yalın mimarisine karşın zengin veri seti sunan çerçeve, gerçek bir web portalı üzerinde uygulanarak etkinliği sınanmıştır. Uygulama sonucu elde edilen bulgular çerçevenin farklı kullanıcı niteliklerini ve gezinme davranışlarını çok boyutlu ve kapsamlı biçimde analiz edebildiğini göstermiştir. Gerçekleştirilen yük testlerinde CAWAL, yaygın kullanılan açık kaynaklı web analitik araçları OWA ve Matomo'ya kıyasla çok daha düşük yanıt süreleri sunarak performansını kanıtlamıştır. Veri ambarında depolanan yapılandırılmış ilişkisel verilerin web kullanım madenciliğinde veri kaynağı olarak kullanımı ise bu alana özgün ve yenilikçi bir yaklaşım getirmiştir. Yöntem, WUM'da sunucu günlüklerinin kullanımını ve veri ön işleme aşamasını ortadan kaldırarak süreci önemli ölçüde kısaltmış; aynı zamanda zenginleştirilmiş oturum ve sayfa gösterimi verileri ile madencilik faaliyetlerinin başarımını arttırmıştır. CAWAL'ın gelişmiş veri toplama ve analiz kabiliyetleri multidisipliner araştırmaları destekleyerek gelecekteki çalışmalarda yeni ve farklı uygulama senaryolarının ortaya çıkmasına katkı sağlayacaktır.
APT kaynaklı ataklara karşı dayanıklı etmen tabanlı ve ontolojik veri sızıntısı önleme sistemi
Gelişmiş Israrcı Tehditler (Advanced Persistent Threat-APT) tarafından gerçekleştirilen veri sızıntıları kurumlar ve devletler için her geçen gün artan bir sorun olmaktadır. Yapılan çalışmalar APT kaynaklı risklere karşı belli aşama kaydetse de veri sızıntısı önleme (Data Leakage Prevention-DLP) konusunda yeterli başarımı gösterememektedirler. APT'ler sofistike yöntemlerinin yanında içerik-tabanlı veri sızdırma yöntemleri de kullanmakta ve literatürde bulunan çözümleri aşarak veri sızıntılarına neden olmaktadırlar. Bununla beraber, sistem çağrılarının zararlı tespitinde kullanımının etkinliği ve anlamsal analizin bir saldırıya ait ilişkileri açığa çıkarma başarımı ortaya konulmuştur. Bu tez kapsamında, etmen tabanlı bir mimari içerisinde ontoloji temelli bir karar verme mekanizması ile APT kaynaklı veri sızıntılarını önleme sistemi, APTONSYS sunulmaktadır. Sunulan yaklaşım, bir saldırının sistem çağrısı, proses, içerik gibi alt-seviye detayları, MITRE ATT&CK çerçevesi içerisinde yer alan teknik ve taktiklerle anlamsal olarak ilişkilendirebilme imkânı sunmaktadır. İçerik tabanlı saldırılara karşı dayanıklı yeni bir içerik sınıflandırma algoritması ve içerik tabanlı saldırıları tespit etme yöntemi de çözüm içerisinde yer almaktadır. Ayrıca sistem üzerinde tespit edilen teknik ve taktiklere dayalı bir APT risk seviyesi tespiti yaklaşımı sunulmaktadır. Sunulan çözümün etkinliği gerçek senaryolar ve açık kaynaklı APT simülasyon araçları ile yapılan testler ile ortaya konulmuştur. DLP sistemleri hassas içerikli verilerin kurum dışındaki ya da içindeki uygun olmayan konumlara aktarılmasını önlemeye yarayan sistemlerdir. Çeşitli içerik takip, eşleştirme ve sınıflandırma yöntemleri kullanarak durağan, hareket halinde ya da kullanımda olan verilerin hassasiyet seviyesini belirlemekte ve sonuca göre yapılmak istenen işleme izin vermekte ya da engellemektedirler. Basit ve genellikle yanlışlıkla yapılan sızıntıları engellemede başarılı olurlarken, son yıllarda artan şekildeki sızıntı olaylarının da gösterdiği üzere, maksatlı ve hedef odaklı sızıntılarda başarımlarını koruyamamaktadırlar. APT'ler, hedef odaklı, çoğu durumda arkasında bir komuta kontrol mekanizması olan, hedef sistemlerde mevcut olan araçları da kullanabilen sofistike yöntemlere sahip saldırganlardır. APT'ler, hedef sistemde uzun süreli kalarak, hak yükseltme yaparak, sistem içerisinde yayılarak ve sistemde var olan prosesleri kendi amaçları için kullanarak DLP tespit mekanizmalarını atlatabilmektedirler. DLP çözümleri genellikle "durum farkındalığı" taşımayan ve statik politika kurallarına dayanan denetim mekanizmaları içermektedirler. Bu kurallar, ilgili prosesin "çalıştırılabilir dosya", "kaynak" ve "hedef" gibi bileşenlerini dikkate almaktadırlar. APT kaynaklı saldırılarda ise sistem programlarını değiştirme, başka proseslerin hafıza alanına erişme, içeriği değiştirerek farklı konuma kaydetme, farklı ağ protokolleri kullanma, Powershell komut dosyaları kullanma, hak yükseltme gibi yöntemlerle bu politika kuralları aşılabilmektedir. DLP çözümlerinin APT'lere karşı yapısal zayıflıklarının yanında, kullandıkları içerik eşleştirme ve sınıflandırma yöntemlerinin maksatlı veri sızdırma saldırılarına karşı da zayıflıkları bulunmaktadır. İçeriğin değerlendirilmesinde kullandıkları istatistiksel analiz, parmak izi çıkarma ve düzenli ifadeler gibi yöntemler, içerik üzerinde yapılabilen basit ve küçük değişiklikler ile atlatılabilmektedir. İçerik üzerinde yapılabilecek bölüm, kelime ya da harf değiştirme saldırıları bu yöntemleri atlatabilmektedir. Ayrıca eş veya çok anlamlı kelime kullanma, kitap şifreleme, özet çıkarma gibi birçok farklı yöntemle içerik, orijinal halinden çıkarılarak DLP sistemleri etkisiz hale getirilebilmektedir. Veri sızdırma en temel amaçlarından birisi olan APT'ler de benzer içerik tabanlı saldırıları kullanarak DLP sistemlerini atlatmaktadırlar. Bu tez çalışması ile DLP sistemlerinde APT kaynaklı veri sızıntılarının önlenmesi amacıyla bütüncül bir sistem önerisi geliştirilmiştir. Bu kapsamda, ontoloji bilgisine dayalı etmen tabanlı bir sistem sunulmuştur. Bu sistem ile, ölçeklenebilir ve çevrimiçi olarak APT riski tespit edilebilmekte ve veri kaçırma atakları ile ilişkisi kurulabilmektedir. Ayrıca sistem içerisinde geliştirilen özgün içerik sınıflandırma algoritması ile maksatlı veri kaçırma saldırılarına dayanıklı bir içerik sınıflandırma gerçekleştirilebilmektedir. APT ve zararlı tespiti yönünde yapılan çalışmalar, APT'lerin hedefe ulaşana kadar izledikleri adımlar APT'ler arasında farklılık göstermekle beraber davranışsal yönün aynı kaldığı ve başarılı bir tespit için bir davranışsal analiz modeline ihtiyaç duyulduğunu göstermektedir. Bu kapsamda MITRE ATT&CK'ye dayalı olarak bir APT ile ilişkilendirilen Teknik ve Taktikleri tespit etmenin, savunma sisteminin geliştirilmesi, bakımı ve sağlamlığı açısından önemli bir yöntem olduğu görülmektedir. Bu sebeple, sunulan çözümde bu yönde bir çıkarım mekanizması oluşturulmuştur. APT'lerin özellikleri sebebiyle tek başına çalıştırabilir dosya analizi yapılması APT kaynaklı saldırıların bütün aşamalarında tespit sağlamak için yeterli değildir. Bu statik analiz adımına ek olarak sistemdeki proseslerin sürekli takip edilerek dinamik bir analiz gerçekleştirilmesi gerekir. Dinamik analiz için olay kayıtlarından (event logs) faydalanmak gibi yöntemler var olmakla beraber, bunlar sadece önceden tanımlanmış, belirli olayların tespit edilmesini sağlayabilirler. Bunun yanında, bu olay kayıtları Tehdit Algılama Sistemleri tarafından sürekli takip edildiği ve onları tetikleyebilecek durumlar sabit olduğundan APT'ler bu tür olay günlüklerini oluşturacak işlemleri yapmamaya çalışırlar. Bu noktada, işletim sistemi kütüphanelerinin uygulama programlama arayüzü (Application Programming Interface-API) çağrılarını kullanmak önemli bir fayda sağlayacaktır. Bu çağrılar, literatürde "sistem çağrıları" olarak adlandırılır. Kullanılan araç ne olursa olsun, sistem üzerinde gerçekleştirilen her işlem, bir sistem çağrısı ile gerçekleşir. Bu nedenle, APT'ler sistem çağrılarını kullanmaktan kaçınamazlar. Bir sistem çağrısının türü, kaynağı, kullanıcısı ve işlem gibi unsurlar APT'lerin TTP'leri ile ilişkilendirilebilirse saldırının ilerleyişi belirlenebilir. Bu nedenle tez kapsamında sunulan sistemde sistem çağrılarına ait bileşenler ve bunların ilişkileri değerlendirilerek APT davranışları tespit edilmektedir. Bir sistemi oluşturan bileşenler arasındaki ilişkilerin tespit edilmesinde ontoloji kullanımı ve anlamsal analiz literatürde önemli bir yer tutmaktadır. Çeşitli çalışmalarda saldırının kaynak, hedef, operasyon ve içerik gibi bileşenlerinin arasındaki anlamsal ilişkinin saldırı tespiti açısından önemi ortaya konulmuştur. Bu sebeple, tez kapsamında sistem çağrısına ait kategori, kaynak, hedef, kullanıcı hesabı gibi bileşenlerin, proses güvenlik değerlendirmesinin, içerik ve içerik atak tespiti durumlarının bütüncül olarak tanımlandığı ve ilişkilendirildiği özgün bir ontoloji, APTON sunulmuştur. Ontolojideki sınıf ve ilişkiler kullanılarak özgün APT teknik, taktik ve risk tespit kuralları sunulmuştur. Bu yönüyle APT tespiti ve DLP yaklaşımlarının birleştirildiği yeni bir çözüm sunmaktadır. APT'lerin birden fazla yürütülebilir dosya kullanabilmesi, sistemde var olan yazılım ve araçlardan faydalanmaları ve farklı bilgisayarlarda operasyonlarına devam edebilmeleri nedeniyle tekil proses ya da bilgisayar bazlı bir değerlendirme yerine, bütün ağdaki bilgisayarları içeren sistem genelinde bir analiz yapılması gerekmektedir. Bu sebeple, sunulan sistemde uç sistemlerde çalışan etmenler aracılığıyla sistem çağrılarının toplanması ve değerlendirilmeleri sağlanmaktadır. Etmenler arasında veri paylaşımı yapılması ile sonuçları birbirleriyle paylaşarak sistem genelinde bir tespit gerçekleştirmesi sağlanmıştır. DLP çözümlerinin APT'lerin içerik tabanlı saldırılarına karşı zayıflıklarına karşı literatürde bütüncül bir çözüm bulunmamakla beraber gerek saldırılara karşı direnci arttıracak gerekse de sınıflandırma başarımı sağlayacak yöntemler bulunmaktadır. Bu yöntemler ışığında, tez kapsamında içerik tabanlı saldırılara karşı dayanıklı, çok aşamalı özgün bir içerik sınıflandırma yöntemi sunulmuştur. Ayrıca proseslerin eriştiği içeriklerin sürekli takibi ile bilinen içerik tabanlı atakların tespiti sağlanarak APT davranış tespitine katkı sunulmaktadır. Son olarak, önerilen modeller ve sistem iki aşamalı olarak test edilerek başarımı gösterilmiştir. Öncelikle önerilen ontoloji modeli sistemden toplanan verilerle bağımsız olarak test edilmiştir. İçerik sınıflandırma algoritması da veri kümeleri ile bağımsız olarak test edilmiştir. Nihai olarak, kurulan ağ üzerinde APT ataklarının icra edilmesi ve bunun neticesinde sistem tarafından tespitlerin yapılması ile tez kapsamında sunulan etmen tabanlı APT veri sızıntısı tespit sisteminin başarımı bütüncül olarak sergilenmiştir.
Kural tabanlı şüpheli işlem önleme sistemlerinde kullanılmak üzere çizge veritabanı modeli önerisi
Finansal dünyada şüpheli işlemlerin yöntemlerinde ve sayılarında her geçen gün artış olmaktadır. Kredi kartı işlemlerindeki şüpheli işlemler de bu yöntemlerden biridir. Kredi kartı şüpheli işlemleri, kredi kartı işlemlerinde yetkisiz veya aldatıcı yöntemlerin kullanıldığı ve başkasının kredi kartı bilgilerini kullanarak finansal kazanç elde etmeye çalışılan sahtekarlık faaliyetlerine denir. Artan kredi kartı işlemlerinin sayısıyla birlikte birçok banka ve kuruluş, sahtekarlık vakalarını tespit etmek ve önlemek amacıyla sistemler kullanmakta ve bu sistemleri geliştirecek çalışmalar yapmaktadır. Son zamanlarda, bu konuyla ilgili makine öğrenme algoritmalarını kullanan birçok yöntem önerilmiş olsada, kural tabanlı sistemler halen tercih edilmektedir. Kural tabanlı sahtekarlık tespiti ve önleme sistemlerinde meydana gelen vakalar işlem anında veya sonrasında analiz edilir ve işlemin şüpheli olup olmadığına bağlı olarak sistemdeki yetkililerin incelemesine yardımcı olmak ve gerektiğinde işlemleri engelleyebilmek için kurallar yazılır. Bu verilerin sonradan incelenerek analiz edilmesi sayesinde, sahtekarlık işlemleri ve tekrar eden şüpheli işlem desenleri tespit edilebilir ve kurallar bu doğrultuda zenginleştirilebilir. Kural tabanlı sistemlerde farklı veritabanı teknolojileri kullanılmaktadır. İlişkisel veritabanları ve doküman tabanlı veritabanları bu teknolojilere örnek olarak verilebilir. Bu sistemlerde asıl önemli olan görülemeyen, yapısal olarak belirtilmemiş ilişki ağlarını tespit edebilmektir. Diğer veritabanı teknolojilerine alternatif olarak çizge veritabanları da bu alanda kullanılmaktadır. Bu çalışmada öncelikle şüpheli işlemlerin nelere dendiğinden ve bu şüpheli işlemlerin türlerinden bahsedilmiş ve şüpheli işlem tespit ve önleme sistemlerinin özellikleri aktarılmıştır. Ardından çizge veritabanlarının özellikleri açıklanmış ve diğer veritabanı teknolojilerinden farklarına değinilmiştir. Günümüzde sektörde kullanılan çizge veritabanı uygulamalarından örnekler verilmiş ve bu çalışmada da kullanılan Neo4j uygulamasından detaylı bahsedilmiştir. Kaggle üzerinde paylaşılan bir bankanın kredi kartı işlemlerinin örnekleminden sentetik olarak üretilen bir kredi kartı sahtekarlık veri kümesini kullanarak bu veri seti açıklanmış, Neo4j modeline eklemeden önce incelemelerde faydası olacak şekilde tutar bilgisi aralıklı tutar gruplarına dönüştürülmüştür. Bu veri seti için bir model önerilmiş ve bu modele göre Neo4j uygulamasına aktarım gerçekleştirilmiştir. Son olarak önerilen model kullanılarak Neo4j üzerinde örnek sorgular gerçekleştirilmiştir. Bu sorguların çıktılarını analiz ederek kural tabanlı sistemlerdeki kural yazımlarında ek bir metrik ve kural sunulabileceği gösterilmiştir.
Oto-kodlayıcı mimarisi kullanarak mermer yüzey anomali tespiti
Mermer, yer kabuğundaki yüksek basınç ve ısı nedeniyle yapısal ve kimyasal dönüşümler geçiren kireçtaşından oluşan bir tür metamorfik kayadır. Mermer pürüzsüz bir dokuya sahiptir ve genellikle güzel desenler veya damarlar içerir. Taş, geldiği kayanın içerdiği minerallere bağlı olarak genellikle beyaz, gri, pembe ve yeşil gibi çeşitli renklerde olur. Mermer, sanat, mimari ve dekorasyon alanlarında oldukça değerli olmasını sağlayan benzersiz bir estetik ve zarafete sahiptir. Zeminler, duvarlar, heykeller, masalar ve tezgahlar dahil olmak üzere çeşitli uygulamalar için yaygın olarak kullanılmaktadır. Nispeten yüksek sertliği, aşınmaya karşı dirençli ve dayanıklı olmasını sağlar. Çeşitli uygulamalarda ve endüstrilerde kullanımı her yıl ilerledikçe, mermer kullanıcılarının sayısı, çeşitli bölgelerdeki eğilimlere ve ekonomik koşullara ve özel projelerle ilgili talebe bağlı olarak dalgalanmaya devam edecektir. Birçok tüketici mermeri güzel desenleri ve uzun ömürlü dayanıklılığı için satın aldığından, mermer fabrikalarındaki yüzey hatalarının izlenmesi ve mermerin kalitesinin korunması, tüketici güvenini artırmak için çok önemlidir. Ayrıca hatalı üretimden kaynaklanan sorunların erken önlenmesi, aksi takdirde oluşabilecek maddi kayıpların da önüne geçmektedir. Bu nedenle imalat sanayinde yüzey hatalarının tespit edilmesi çok önemlidir. Geleneksel yüzey hatası denetimi genellikle insanların görsel denetimini veya mikroskop gibi basit ekipmanların kullanımını içerir. Üretim bağlamında, çizikler, çatlaklar veya yüzey düzgünsüzlüğü gibi kusurları tespit etmek için operatörler tarafından manuel denetim hala yaygın olarak kullanılmaktadır. Bu yöntemler etkili olabilmekle birlikte, zaman alıcı olma eğilimindedir, operatör uzmanlığına bağlıdır ve tutarlı bir doğruluk düzeyi sağlamayabilir. Otomatik kontrol sistemleri, yüzey kusurları denetiminin verimliliğini ve doğruluğunu artırmada ilerici bir çözüm haline gelmektedir. Otomatik kontrol sistemleri görüntü tanıma, yapay zeka ve makine görüşü gibi teknolojileri entegre ederek yüzey kusurlarını yüksek doğrulukla otomatik olarak tespit edebilir ve sınıflandırabilir. Bu da insan faktörüne olan bağımlılığı azaltır ve üretim ortamlarında verimliliği artırır. Daha önceki bazı çalışmalarda, Sonuç Ağırlıklandırma tabanlı Resnet Özellik Piramidi Ağı (SA-ROPA), Evrişimsel Sinir Ağı (CNN), Üretken Adversial Ağ (GAN), Segmentasyon tabanlı derin öğrenme yüzey kusurlarının tespitinde (malzeme veya diğer görevler) uygulanmıştır. Bu araştırmada, bir tür yapay sinir ağı Autoencoders mimarisi, Keras kütüphaneleri ve Python programlama dili kullanarak mermer yüzeylerindeki anormallikleri tespit etmeyi amaçlayan bir algoritma oluşturduk. Otomatik kodlayıcı, veri temsilini otomatik olarak öğrenen bir sinir ağı türüdür ve bu bağlamda normal verileri yüksek doğrulukla yeniden yapılandırmak için kullanılır. Model çok sayıda normal veri örneği gördüğünde, iyi bir yeniden yapılandırma üretebilir. Ayrıca otoenkoder modeli, modelin verileri ne kadar iyi yeniden yapılandırdığını ölçmek için bir kayıp fonksiyonu da kullanır. Model anormal verilerle karşılaştığında, kayıp fonksiyonu olağandışı verilerin yeniden yapılandırılmasındaki zorluk nedeniyle artma eğilimindedir. Daha sonra kayıp fonksiyonunun değeri kullanılarak bir eşik değeri belirlenebilir. Önceden tanımlanmış eşik değerini aşan bir kayıp değerine sahip veriler anormallik olarak kabul edilebilir. Bu, otomatik kodlayıcının normal verilere karşılık gelmeyen örüntüleri otomatik olarak tespit etmesini sağlar. Bu çalışmada iyi sonuçlar elde etmek için aynı veri kümesini kullanarak ancak farklı otoenkoder mimarisi modelleriyle ve farklı eşik değerleri alarak birkaç deneme yaptık. ilk modelde, kodlayıcı bölümünde MaxPooling2D kullanarak dört evrişim katmanı ve dört havuzlama katmanı ve ayrıca kod çözücü bölümünde UpSampling2D kullanarak dört evrişim katmanı ve dört havuzlama katmanı içeren bir otoenkoder mimarisi oluşturduk. Daha sonra oluşturulan modeli eğitmek için eğitim verisi olarak 300 görüntü verisi ve doğrulama verisi olarak 50 görüntü verisi sağlıyoruz. Ayrıca optimizer olarak Adam, 50 adet bacth boyutu ve kayıp fonksiyonu 'mean_squared_error' şeklinde hiper parametreler de kullanılmaktadır. daha sonra eğitilen model ile yeniden yapılandırma hatasının ortalama değerini ve giriş verilerinin standart sapma değerini bulmak için bir fonksiyon yapılır ve iki değer toplanır ve daha sonra anormallikleri tespit etmede bir parametre olarak eşik olarak kullanılır. Daha sonra ikinci model için kodlayıcı bölümünde MaxPooling2D fonksiyonunu kullanarak üç konvolüsyon katmanı ve üç havuzlama katmanı içeren bir otoenkoder mimarisi oluşturduk ve ayrıca kod çözücü bölümünde UpSampling2D fonksiyonunu kullanarak üç konvolüsyon katmanı ve üç havuzlama katmanı oluşturduk. Bundan sonra, eğitilen model ile anormallikleri tespit etmek için daha önce oluşturulan fonksiyonu parametre olarak kullanarak eşik değerini arıyoruz. Daha sonra üçüncü deneyde, ikinci deneydeki aynı modeli kullandık, yani kodlayıcı bölümünde üç konvolüsyon katmanı ve üç havuzlama katmanı ve kod çözücü katmanı için üç konvolüsyon katmanı ve üç havuzlama katmanı yaptık. Ancak bu deneyde eşik değerini doğrudan eğitilmiş modelin ortalama yeniden yapılandırma hata değerinden aldık ve anormallikleri tespit etmede bir parametre olarak kullandık. Parametreler elde edildikten sonra, veri kümesi sağlayıcı web sitelerinden birinden elde edilen "mermer yüzey anomali tespiti" veri kümesi kullanılarak mermer yüzeyindeki anomalileri tespit etmek için bir fonksiyon oluşturulmuştur. Elli adet normal mermer yüzey görüntüsü ve elli adet kusurlu (noktalar, eklemler, çatlaklar) mermer yüzey görüntüsü anormallik tespit fonksiyonunu test etmek için kullanılmıştır. İlk deney için doğruluk sonucu %74, ikinci deney için doğruluk sonucu %84 ve son olarak üçüncü deneyde sonuç %88'dir. Bu çalışmanın sonuçları arasında bu yöntemin anormallikleri tespit etmedeki etkinliği, otoenkoder mimarisinin diğer yöntemlere kıyasla avantajları ve bu bulguların çeşitli alanlardaki potansiyel pratik uygulamaları yer almaktadır. Otomatik kodlayıcının verileri yeniden yapılandırma yeteneğinden yararlanılarak, yeniden yapılandırılan sonuçlar orijinal verilerle karşılaştırılarak anormallik tespiti gerçekleştirilebilir. Bu yaklaşımın temel avantajı, sınıf etiketlerine ihtiyaç duymadan anormallik tespiti sorununu ele alma kabiliyetinde yatmaktadır.
Makine öğrenmesi ile şirket çalışanlarının oluşturduğu siber risk matrisi ve aksiyonların belirlenmesi
Günümüzde birçok alan, internet ve teknoloji ile harmanlanmış durumdadır. İnsanlar küçük büyük demeden internet üzerinden iş, banka, eğlence hatta temel ihtiyaçlarını bile karşılayabilir duruma gelmiştir. Tabi ki bu durum siber suçlular için birçok alanda zarar verilebilecek yeni kapılar demektir. Konu böyle olunca herkesin internet ortamında dikkatli hareket etmesi başta kendisi sonra çevresi için önemlidir. Bu durum göz önüne alındığında, dijitalleşen şirketleri bekleyen tehlikeler nedir? Bu tehlikelere karşı nasıl önlem almak gereklidir? Özellikle büyük şirketler siber suçlular tarafından birçok saldırıya uğramaktadır. Saldırganlar, şirkete direkt zarar verebilir; sistemleri bozup şirket güvenilirliğini sarsabilirler. Ayrıca saldırganlar, şirket veya müşteri bilgilerini çalıp satabilirler veya şirketlere direkt maddi saldırılarda bulunabilirler. Bundan dolayı bu şirketler her işlemlerinde siber güvenliği bir adım önde tutarak ilerlemelidirler. Siber güvenlik şirketler için büyük önem arz etmektedir. Şirket içinde çalışan yazılımcılara güvenli yazılım konusunda eğitim verilmektedir; aynı zamanda, çalışanlara atanmış yetkiler ve roller aracılığıyla erişebilecekleri alanlar kısıtlanmaktadır. Şirket içindeki veri merkezleri ve veri tabanları için gerekli güvenlik önlemleri alınmaktadır. Ağ sürekli olarak izlenerek gereksiz portlar kapatılmakta veya trafik yönlendirilmektedir. Bu gibi bir dizi önlem, teknik açıdan güvenliği sağlamak amacıyla kullanılmaktadır. Teknik önlemlerin yeterli seviyede alınmasına rağmen, şirketler siber saldırılara maruz kalıp bu saldırılardan maddi ve manevi zarar görebilmektedirler. Bu durumun sebebi yeterli olmayan teknik önlemler değil, aksine siber alanda bilgisi olmayan şirket çalışanları, hatta belki de doğrudan şirket sahipleri olabilmektedir. Şirket çalışanları, istemeden de olsa siber saldırganlar için bir zafiyet oluşturabilirler. Yapılan araştırmalar ve raporlar, günümüzdeki siber saldırıların en büyük zafiyetinin insan faktörü olduğunu ortaya koymaktadır. Çalışanların bilinçsizce gerçekleştirdiği her aksiyon, kişisel veya şirket bilgilerinin sızdırılmasına neden olabilir; bu da saldırganların büyük felaketlere yol açmasına neden olmaktadır. Bu çalışmada hedeflenen, bu tür güvenlik zafiyetlerine neden olabilecek profilleri belirleyerek, uygun aksiyonlarla, şirketin siber güvenlik alanındaki savunma düzeyini artırmaktır. Risk oluşturan kişilerin profillerine göre gruplandırılması, teknik açıdan önlem alan şirketlerin insan faktörünü de güçlendirerek siber riskini minimuma indirmek için önlemler almasını sağlayabilir. Bunu yapabilmek için doğru sonuçların elde edilmesinde ve veri yorumlanmasında en çok kullanılan yöntemlerden olan; makine öğrenmesinden yararlanılmaktadır. Makine öğrenmesi ile kişileri gruplamak, belirli profillerdeki insanlarda gözlemlenen belirli davranışlara dayanarak çıkarımlar yapmak ve bu doğrultuda bir risk matrisi oluşturmak bu çalışmanın amacıdır. Çalışan profilleri üzerinden oluşturulan risk matrisine göre aksiyon maddeleri belirlenip yeni gelen veya var olan çalışanlar için siber risk matrisindeki aksiyonlar uygulanabilir. Yapılan araştırmalar doğrultusunda makine öğrenmesinde gruplama (clustering) algoritmalarının kullanılması gerektiği sonucuna ulaşılmıştır. Birçok gruplama algoritması bulunduğundan, en çok kullanılan algoritmalar belirli testlere tabi tutulmuştur. Yapılan testler ve araştırma sonuçları birleştirerek, ihtiyacı karşılayacak en uygun iki algoritma (K-means ve Mean Shift) bulunup, bunlar üzerinden hesaplamalar yapılmıştır. Birçok parametre kullanılıp, sonuçlar birbirleri ile kıyaslanarak tecrübe yıllarına ve yaşlarına göre gruplara ayrılan kişilerin, grup içlerinde benzer sorunlar ve davranışlar olduğu tespit edilmiştir. Bu doğrultuda, yine bu parametreler ile siber risk matrisi oluşturularak, belirli siber başlıklar altında grupların risk durumları belirlenmiştir. Bu risk durumlarına göre, nasıl aksiyonlar alınmalı, ne gibi önlemler alınabilir ve çalışanlar ne gibi riskler oluşturabilir sorularına cevaplar hazırlanmıştır. Bu kapsamda, şirket çalışanlarına veya yeni katılanlara yönelik, siber risk matrisi temelinde alınması gereken önlemlerin gözlemlenebileceği bir yapı oluşturulmuştur.
Ağ trafiğinde etkili olan özniteliklerin tespiti ve yapay sinir ağları ile trafiklerin izin tahmini
Gelişen teknoloji ile internet üzerinde her geçen gün artarak devam eden bir veri trafiği oluşmaktadır. Artan bu veri trafiğinin kontrol edilebilmesi için bazı güvenlik sistemlerine ihtiyaç duyulmaktadır. Gerek donanım ve gerekse yazılım olarak birçok güvenlik sistemi bulunmaktadır. Bu güvenlik sistemlerinden biri ise güvenlik duvarıdır. Güvenlik Duvarı sistemleri, bütün internet trafiğini üzerinden geçiren ve ihtiyaçlara göre var olan kurallar çerçevesinde trafiğe bir sonuç veren bir sistemdir. Tez çalışmasında veri setlerinin elde edildiği Kuruluş olan TDİ'de var olan sistemde oluşan bütün internet trafiği güvenlik duvarı üzerinden yapılmaktadır. Yapılan internet trafiğine güvenlik duvarı tarafından bir sonuç verilmektedir. Her güvenlik duvarının varsayılan kuralları bulunmakla beraber sistem yöneticileri bunları ihtiyaçlara göre düzenleyebilmektedir. Güvenlik duvarları, internet trafiklerinin birçoğunu belli düzen içerisinde kategorize etmektedir. Bu durumda yerel ağdan internete çıkarken bu kategoride bulunan internet sayfası veya uygulamaların engellenmesi beklenmektedir. İnternet üzerinden yerel ağa erişim sağlamak isteyen ve zararlı web sitelerinin veya uygulamalarının erişim sağlaması istenmediğinden dolayı bunlar engellenmektedir. Bu çalışmada, güvenlik duvarı üzerinden 5 farklı gün ve saatlerde elde edilen log kayıtları ile 5 farklı veri seti oluşturulmuştur. Elde edilen veri setleri, veri önişleme aşamasından geçtikten sonra 26 parametre ile bir sonuç üreten veri setleri haline dönüştürülmüştür. Nihai olarak elde edilen veri setlerinde var olan 26 değişkenli, hangilerinin sonuç üzerinde daha fazla etki etki ettiğinin tespiti yapıldı. Hangi log alanının sonuç üzerinde etkisini daha fazla olduğunun tespit edilmesi için Çoklu Doğrusal Regresyon ve Pricipal Componenet Analyzes (PCA) kullanılarak 6 değişkenli yeni veri setleri oluşturulmuştur. Yapay Sinir Ağları algoritması ile güvenlik duvarından elde edilen 26 değişkenli veri setleri ile Çoklu Doğrusal Regresyon ve PCA kullanılarak elde edilen yeni 6 değişkenli veri setlerinin oluşturulmasında elenen değişkenlerin ne derece doğru değişkenler olduklarının tespiti, yapılan sınıflandırmalar ile hem 26 hem de 6 değişkenli veri setlerinin accuracy, precision, recall ve f1-score, specificity değerlerine bakılarak sonuçların kıyaslanması ile yapılmıştır. Çoklu Doğrusal Regresyon ve PCA kullanılarak veri setinde çıkarılan değişkenlerin doğru değişkenler olduklarının tespiti yapılmıştır. Accuracy, f1-score, recall, precision ve specificity değerleri incelendiğinde, Yapay Sinir Ağları algoritması ile yüksek oranda, güvenlik duvarı trafiğinin sonuç tahminin yapılabileceği görülmüştür.
Akıllı ev cihazlarının haberleşmesinde hafif sıklet şifreleme algoritmalarının performans analizi
Akıllı ev sistemlerinde kesintisiz veri alışverişi, verimli ve güvenli bir ortamın omurgasıdır. Aydınlatma ve sıcaklığın kontrol edilmesinden güvenlik kameralarının izlenmesine kadar bu sistemlerin hepsi veri üreten ve paylaşan çok sayıda birbirine bağlı cihaza dayanır. Bu verilerin hem hızlı bir şekilde iletilmesini hem de güvenli bir şekilde korunmasını sağlamak çok önemlidir. Hızlı ve enerji tasarruflu veri şifreleme ve iletişim, akıllı ev teknolojisinin iki temel özelliğidir. Bu sistemler genellikle enerjinin kısıtlı olduğu ortamlarda çalışır. Bu nedenle veri iletişim süreci minimum güç tüketecek, cihazların ömrünü uzatacak ve işletme maliyetlerini azaltacak şekilde optimize edilmelidir. Veri şifreleme, akıllı ev kullanıcılarının mahremiyetini ve güvenliğini sağlamada çok önemli bir rol oynar. Yetkisiz erişimi önler ve güvenlik kamerası görüntüleri veya çeşitli sensörler tarafından toplanan kişisel veriler gibi hassas bilgileri korur. Ancak, gerçek zamanlı yanıtların ve sorunsuz çalışmanın sağlanması için bu şifreleme işleminin hızlı olması gerekir. Yavaş şifreleme, gecikmelere yol açarak akıllı ev ekosisteminin kusursuz işleyişini bozabilir. Bu bağlamda hafif şifreleme algoritmalarının kullanılması önemlidir. Bu algoritmalar hem hız hem de enerji tüketimi açısından verimli olurken aynı zamanda güçlü bir güvenlik sağlayacak şekilde tasarlanmıştır. Hafif şifreleme yöntemlerini benimseyen akıllı ev cihazları, aşırı güç tüketimine veya önemli bir gecikmeye neden olmadan güvenli bir şekilde iletişim kurabilir. Hızlı ve enerji açısından verimli veri iletişimi, akıllı ev cihazlarının gerçek zamanlı izlenmesi ve kontrolü için özellikle kritik öneme sahiptir. Örneğin, akıllı bir termostat ani bir sıcaklık değişimi tespit ederse, uygun ayarlamaların tetiklenmesi için bu bilgiyi hızlı bir şekilde merkezi kontrol ünitesine iletmelidir. Gecikmiş iletişim rahatsızlığa ve enerji verimsizliğine yol açabilir. Akıllı ev sistemlerinde hızlı ve enerji tasarruflu veri şifreleme ve iletişim ihtiyacı göz ardı edilemez. Bu sistemlerin güvenilirliğini, güvenliğini ve verimliliğini korumanın anahtarı budur. Hafif şifreleme yöntemlerinden yararlanarak ve veri aktarımını optimize ederek, akıllı evlerin enerji kaynaklarını korurken ve işletme maliyetlerini azaltırken hayatlarımızı daha konforlu ve güvenli hale getirmeye devam etmesini sağlayabiliriz. Bu çalışmada akıllı ev sistemlerinde veri iletişiminde kullanılan hafif şifreleme algoritmalarının performans karşılaştırması yapılmıştır. Akıllı ev sistemlerinde kullanılan cihazların simülasyonu için Nodemcu ve Raspberry Pi3 cihazlarından yararlanılmaktadır. Nodemcu cihazı, ev ortamında eylem gerçekleştiren ve veri üreten cihazları temsil ederken, Raspberry Pi cihazı ise merkezi kontrol ünitesini temsil ediyor. Simülasyon sisteminde akıllı ev cihazı, çalışması sırasında ürettiği verileri merkezi kontrol merkezine gönderir. Veri aktarımı sırasında veriler hafif şifreleme algoritmaları kullanılarak şifrelenir. Veri şifreleme sürecinde hafif şifreleme algoritmaları olarak Ascon, Chacha, Speck ve Aes algoritmaları kullanılmaktadır. Şifreleme algoritmalarının performans ölçümleri gerçekleştirilmiştir. Blok şifreleme algoritmalarında (Aes ve Speck) 128bit, 192bit ve 256 bit anahtar uzunluklarında ve ECB, OFB, CFB, CTR ve CBC modlarında ayrı ayrı performans ölçümleri gerçekleştirilmiştir. Akış şifreleme algoritmalarında (Ascon ve Chacha) 128bit, 192bit ve 256bit anahtar uzunlukları ayrı ayrı uygulanarak performans ölçümleri gerçekleştirilmiştir. 512 byte'lık veri şifreleme ve şifre çözme işlem işlemi gerçekleştirilmiş ve bir byte'lık verinin işlem süresi üzerinden karşılaştırma yapılmıştır. Çalışma, hafif sıklet algoritmalarında anahtar uzunluklarının ve blok modlarının etkisini ve geleneksel şifreleme algoritmalarından olan Aes algoritmasıyla performans farklarının belirlenmesini amaçlamaktadır.
Çocukların matematik, dil ve görsel algı becerilerinin geliştirilmesinde oyunlaştırmanın etkisinin araştırılması
Bu tez, çocukların eğitim süreçlerini zenginleştirmek ve gelişimlerini desteklemek isteyen herkes için önemli bir kaynak olabilir ve oyunlaştırma konusundaki araştırma alanına yeni bir bakış açısı sunabilir. Bu çalışmada, çocukların matematik, dil ve görsel algı becerilerine katkıda bulunmak için Unity3D oyun motoru kullanılarak mobil uygulama geliştirilmiştir. Araştırma, 48-66 ay aralığındaki çocukları hedef almakta olup, geliştirilen eğitim uygulamasının tasarımı, uygulanması ve etkililiğinin değerlendirilmesini içermektedir. Uygulama, temel kavramları, sayıları, renkleri ve şekilleri içeren zengin bir içeriğe sahiptir. Çalışmanın merkezinde, çocukların oyunlar ve eğitimlerden elde ettikleri ve "Firebase Realtime Database"e kaydettiğimiz verileri bulunmaktadır. Bu veriler, çocukların oyunlar üzerinden elde ettikleri etkileşimleri temsil eder. Araştırma, ön test-son test yöntemiyle gerçekleştirilmiştir. Anaokulu ortamında çocuklara uygulama içinde sunulan oyunlar aracılığıyla bir ön test gerçekleştirilmiş ve bu testin sonuçları dikkatle kaydedilmiştir. Veri tabanında saklanan bu ön test sonuçları, çocukların başlangıç seviyelerini belirleme konusunda önemli bir referans sağlamıştır. Ardından belirli bir süre boyunca çocuklar, uygulamanın "Eğitimler" bölümündeki içeriklere erişim sağlamış ve yaşlarına uygun olarak sunulan renkler, temel kavramlar, şekiller ve sayılar eğitimlerini tamamlamışlardır. Bu süreç, çocukların bilgi düzeylerindeki potansiyel değişiklikleri değerlendirmek amacıyla belirli aralıklarla kontrol edilmiştir. Son test, aynı çocuk grubu üzerinde "Oyunlar" bölümündeki oyunları tekrar oynamalarını içermektedir. Bu son test, çocukların uygulama sürecinde edindikleri bilgileri ne kadar etkili bir şekilde pekiştirdiklerini ölçme amacını taşımaktadır. Elde edilen verilerin analizi, grafikler kullanılarak görsel olarak ifade edilmiş, çocukların ön test ve son testte elde ettikleri puanlar karşılaştırılmıştır. Araştırma kapsamında geliştirilen eğitim uygulamasının etkisinin değerlendirilmesi amacıyla anaokullarında gerçekleştirilen test ve analiz sürecinde elde edilen bulgular, oyunlaştırmanın çocukların gelişimine sağladığı katkıyı anlamamıza ve gelecekteki eğitim stratejilerini şekillendirmemize ışık tutacaktır.
Akıllı endüstriyel altyapılar için enerji optimizasyonu: Su şebekesi örneği
Su dağıtım sistemlerinin verimli işletimi için özellikle enerji maliyetlerinin azaltılması ve su talebinin sürekli olarak karşılanması büyük öneme sahiptir. Bu amaçla, enerji maliyetlerini minimize etmek ve su pompalama istasyonlarının işleyişini optimize etmek için matematiksel modeller kullanılır. Bu bağlamda, üç farklı çalışma sunulmuştur: İlk çalışma, su dağıtım sistemlerindeki (bir pompa ve bir depo) pompalama için kullanılan enerji maliyetini azaltmayı hedeflemektedir. Bu amaçla, SDPA (Sadeleştirilmiş Dinamik Programlama Algoritması) adlı yeni bir algoritma geliştirilmiştir. SDPA, geleneksel su seviyesi kontrolü (CWLC) yaklaşımına kıyasla daha fazla enerji tasarrufu sağlayabilir. Özellikle Sakarya ilindeki bir su dağıtım sistemi üzerinde yapılan uygulamalarda, SDPA'nın enerji maliyetinde %12'lik bir tasarruf elde edebildiği görülmüştür. İkinci çalışmada, SDPA yaklaşımının daha geniş bir kullanım alanı sağlayacak şekilde optimize edilerek OSDPA (Optimal Sadeleştirilmiş Dinamik Programlama Algoritması) adlı yeni bir algoritma geliştirmiştir. OSDPA, çok aşamalı (kaskad) sistemleri optimize etmek için kullanılabilir ve özellikle karmaşık pompalama sistemlerinde etkili sonuçlar verir. Örnek bir vaka çalışması olarak Türkiye'deki Sakarya Su ve Kanalizasyon İdaresi'ne ait çok aşamalı pompa sistemleri incelenmiş ve OSDPA yaklaşımının enerji maliyetlerinde önemli tasarruflar sağladığı gösterilmiştir. Üçüncü çalışma ise E-SDPA (Genişletilmiş Sadeleştirilmiş Dinamik Programlama Algoritması) adlı bir algoritmayı tanıtmaktadır. Bu algoritma, çoklu pompa istasyonları için optimize edilmiştir ve enerji maliyetlerini azaltmak için farklı zaman dilimlerindeki yükleri yönetmede etkili bir şekilde çalışır. Çalışmalar, E-SDPA'nın geleneksel su seviyesi kontrolü yaklaşımıyla karşılaştırıldığında enerji maliyetlerinde %20'lik bir tasarruf sağlayabileceğini göstermektedir. Bu üç çalışma, su dağıtım sistemlerinde enerji tasarrufunu artırmak için geliştirilmiş algoritmalar sunarak elektrik kaynaklarının daha sürdürülebilir bir şekilde yönetilmesine katkı sağlar. Sonuç olarak bu çalışmalar, su dağıtım sistemlerindeki pompalama enerji maliyetlerini azaltmak için geliştirilen SDPA, OSDPA ve E-SDPA algoritmalarının, enerji tasarrufu sağlamak ve su talebini sürekli olarak karşılamak isteyen su dağıtım şirketleri için önemli araçlar olduğunu göstermektedir.
Nosql veritabanı sistemlerinin performans karşılaştırılması ve analizi
Günümüzde veri miktarlarının hızla artması, geleneksel ilişkisel veritabanlarının performans ve ölçeklenebilirlik konusunda bazı zorluklarla yüzleşmesine neden olmuştur. Bu sorunların üstesinden gelmek amacıyla NoSQL veritabanı sistemleri yaygın olarak benimsenmiştir. Ancak, farklı NoSQL veritabanı sistemlerinin performansı, kullanım senaryolarına, veri modeline ve dağıtım mimarisine bağlı olarak büyük ölçüde değişiklik gösterebilmektedir. "NoSQL Veritabanı Sistemlerinin Performans Karşılaştırması ve Analizi" başlıklı bu çalışma, çeşitli NoSQL veritabanı sistemlerinin belirli kullanım senaryolarında gösterdiği donanım performansını değerlendirmeyi amaçlamaktadır. Bu çalışma, karşılaştırmalı bir perspektif sunarak, kurum ve kuruluşların veritabanı altyapısı seçiminde daha bilinçli kararlar almasına yardımcı olmayı hedeflemektedir. Çalışmada, piyasada yaygın olarak kullanılan Cassandra, MongoDB, Couchbase ve HBase veritabanı sistemlerinin aynı donanım üzerinde gösterdiği performanslar, alan bilgisine dayalı yöntemlerle ele alınmıştır. Performans analizi için iş çıktısı oranı, gecikme süresi, işlemci kullanımı, bellek kullanımı ve iş parçacığı kullanımı gibi kritik metriklere odaklanılmıştır. Analizlerin yapılabilmesi için her bir veritabanı sistemi minimum sistem gereksinimleri ile aynı donanım konfigürasyonu üzerinde kurulmuş ve test platformları oluşturulmuştur. Test platformları oluşturulduktan sonra her bir veritabanı üzerinde sanal sunucular oluşturularak belirlenen iş yükü senaryolarına göre test planları uygulanmıştır. İş yükü senaryoları; %50 okuma %50 güncelleme, %95 okuma %5 güncelleme, %100 okuma, %75 okuma %25 ekleme, %75 ekleme %25 güncelleme ve %50 okuma %50 okuma-güncelleme-yazma şeklinde belirlenmiştir. Performans değerlendirme araçları kullanılarak gerçekleştirilen testler sonucunda elde edilen veriler bir tabloda kayıt altına alınmış ve her bir performans kriterine göre başarım sıralaması yapılmıştır. Test sonuçlarına göre aynı donanım konfigürasyonunda iş çıktısı oranı, gecikme süresi, işlemci kullanımı ve bellek kullanımı açısından en iyi performansı Cassandra göstermiştir. Başarım sıralamasında MongoDB ikinci, Couchbase üçüncü ve HBase dördüncü olmuştur. Bu çalışma, farklı veritabanı yönetim sistemlerinin performansını karşılaştırmalı olarak analiz ederek bilişim altyapısı seçiminde rehberlik sağlamaktadır. Elde edilen bulgular, kurum ve kuruluşların ihtiyaçlarına en uygun veritabanı sistemini seçmelerine yardımcı olacaktır. Gelecek çalışmalarda, daha geniş veri setleri kullanılarak NoSQL veritabanlarının performansının daha kapsamlı bir şekilde incelenmesi önerilmektedir. Farklı iş yükü senaryoları ve kullanıcı davranışları dikkate alınarak performans testlerinin tekrarlanması, veritabanlarının çeşitli kullanım senaryolarında nasıl davrandığını anlamak açısından önemlidir. Ayrıca, farklı iş parçacığı sayıları ve paralel işlem kapasitelerinin detaylı olarak analiz edilmesi, sistemlerin yüksek işlem yükleri altındaki performanslarının daha iyi anlaşılmasına yardımcı olabilir. Aynı testlerin farklı donanım konfigürasyonları üzerinde tekrarlanması, donanımın veritabanı performansı üzerindeki etkilerini belirlemek açısından faydalı olabilir. Veritabanı sistemlerinin güncel versiyonları ve yeni özellikleri dikkate alınarak performans testlerinin tekrarlanması, yazılım güncellemelerinin performans üzerindeki etkilerini değerlendirmek açısından önemlidir. Bu öneriler, NoSQL veritabanı sistemlerinin performansının daha kapsamlı ve detaylı bir şekilde incelenmesine olanak sağlayarak, gelecekte yapılacak çalışmalara önemli katkılar sunabilir.
Zeki sınıflandırma ve kümeleme yöntemlerinin tıbbi tanı ve tedavide kullanımı
Bu doktora tezinde, hastalıkların teşhis ve tedavisinde doktorların kararlarına destek olmak amacı ile makine öğrenmesi içeren sınıflandırma ve kümeleme algoritmaları kullanılmıştır. Önce, makine öğrenmesinin tıbbi tanı ve tedavideki yeri ve önemi hakkında bilgi verilmiştir. Sınıflandırma ve kümeleme aşamalarında kullanılan zeki algoritmalar anlatılmıştır. Bu kapsamda yapılmış bilimsel çalışmalar özetlenmiştir. Karar destek sistemleri, tıbbi karar destek sistemleri, tıbbi karar destek sistemlerinin özellikleri ve tıbbi karar destek sistemlerinin etkileri incelenmiştir. Sonra, dünyada en çok gerçekleştirilen cerrahi işlemlerden biri olan sezaryen ya da normal doğum kararı için önemli sınıflandırma algoritmaları Öğrenmeli Vektör Niceleme Sinir Ağları (Learning Vector Quantization Neural Networks – LVQNN), Olasılıksal Sinir Ağları (Probabilistic Neural Networks – PNN) ve Örüntü Tanıma Sinir Ağları (Pattern Recognation Neural Networks – PRNN) kullanılmıştır. Bu üç yöntem karşılaştırılmış, sonuçlar başarı yönünden değerlendirilmiştir. Kanser günümüzün en sık görülen ölümcül hastalıklarından biridir. Tümörlerin iyi huylu ya da kötü huylu olduğunun tespiti için kümeleme yapay sinir ağı algoritması Kendi Kendini Düzenleyen Haritalar (Self-Organizing Maps – SOM) ile veri seti kümelere ayrıldıktan sonra, sınıflandırma yapay sinir ağları LVQNN, PNN ve PRNN uygulanmıştır. Ayrıca, yine önemli yapay zeka kümeleme algoritmalarından Bulanık C-Ortalamalar (Fuzzy C-Means – FCM) ile de veri seti kümelere ayrıldıktan sonra, sınıflandırma yapay sinir ağıları LVQNN, PNN ve PRNN kullanılmıştır. SOM ve FCM değerlerinin girdi olarak ilave edildiği bir model daha uygulanmıştır. Bu kümeleme algoritmalarının sayesinde, nispeten daha düşük başarıda olan kanser sınıflandırmasının performansı artmıştır. Diyabet ve tiroid hastalıkları birçok organda hasara yol açabilen günümüzün en yaygın görülen kronik hastalıklarındandır. Erken tespiti önemlidir. Bu işlem için de LVQNN, PNN ve PRNN yöntemleri kullanılmış, oldukça başarılı sonuçlar elde edilmiştir. Mevcut araştırma, farklı makine öğrenmesi sınıflandırma yöntemleri kullanarak en uygun yöntem sayesinde tahminlerdeki doğruluğu iyileştirmeyi amaçlamaktadır. Bu çalışma tıbbi tanı ve tedavinin sınıflandırmasında LVQNN, PNN ve PRNN algoritmalarının etkinliğini ortaya koymaktadır. Her birinin farklı hastalıkta daha başarılı olduğu görülmektedir. Ayrıca, bu çalışma SOM ve FCM kümeleme algoritmalarının sınıflandırma işlemlerine dâhil edilmesinin olumlu katkı sağladığını göstermektedir.
COVID-19 mutasyonlarının tespitinde yapay zeka tabanlı algoritmaların kullanılması
Koronavirüs hastalığı 2019 (COVİD-19) virüsü, son zamanlarda ortaya çıkan ve bulaşılıcılığı oldukça yüksek olan ölümcül bir koronavirüs türüdür. COVİD-19 virüsünün hızlı yayılması, insanlar arasında büyük korku ve paniğe neden olmuştur. Ülkeler, COVİD-19 virüsü ile mücadele etmek için tam kapanma, sokağa çıkma yasağı gibi bazı önlemler almak zorunda kalmışlardır. Fakat bu alınan önlemlere ragmen COVİD-19 virüsü yayılmaya devam etmiştir. COVİD-19 virüsü ile mücadele etmenin başka biri yöntemi ise aşı ve ilaçların geliştirilmesidir. COVİD-19 virüsüyle mücadelede aşı ve ilaçların geliştirilmesi büyük önem taşımaktadır. Geliştirilen bu aşı ve ilaçların etkinliği, COVİD-19 virüsünün mutasyona uğraması sonucu ya önemli oranda azalmış yada tamamen yok olmuştur. Bu nedenle, COVİD-19 mutasyonlarıyla mücadele etmek oldukça önemlidir. COVİD-19 virüsünün yapısında gelecekte meydana gelebilecek mutasyonlar önceden tahmin edilebilirse aşı ve ilaçlar daha kolay geliştirilebilir. Böylece enfekte olan alanlar karantinaya alınabilecek ve sonuçta COVİD-19 virüsüyle mücadele daha kolay olabilecektir. Yapay zeka tabanlı yaklaşımlar COVİD-19 virüsü tespitinde de umut verici sonuçlar sunmaktadır. Literatür incelendiğinde COVİD-19 virüsü ile ilgili gerçekleştirilen çalışmaların geneli COVİD-19 virüsünün diğer yönleri ile ilgili çalışmalardır. Bu nedenle literatürde COVİD-19 virüsünün mutasyon tahmin edilmesi açısından ciddi boşluk bulunmaktadır. Bu tez çalışmasında biz bu boşluğu bir nebze olsun doldurmayı amaçladık. Bu tez çalışmasında, COVİD-19 virüsü yapısında gelecekte meydana gelebilecek mutasyonları tahmin etmek için yapay zeka tabanlı üç model (TfrAdmCov, StackGridCov ve HyperAttCov) önerilmiştir. İlk önerilen TfrAdmCov modeli, adam optimizasyon algoritmasına sahip tamamen transformer kodlayıcı tabanlıdır. Önerilen TfrAdmCov model ile giriş dizisindeki değişkenler arasındaki bağımlılıklar kolay bir şekilde yakanalabilmektedir. Önerilen TfrAdmCov modeli, transformer tabanlı olması sebebiyle, aynı anda paralel hesaplama yapabilmektedir. Ayrıca, önerilen TfrAdmCov modelinin performansını arttırmak için eğitim, test ve Kfold veri setlerini oluşturma aşamasında agglomerative kümeleme algoritması tercih edilmiştir. Ek olarak, makine öğrenmesi algoritmalarının en iyi hyperparametre değerlerinin ayarlamak için GridSearchCV algoritmasında faydalanılmıştır. Deneysel sonuçlar detaylı olarak incelendiğinde, önerilen TfrAdmCov modelinin hem klasik yapay zeka tabanlı modellerden hem de birkaç son teknoloji modellerden daha iyi performans elde ettiğini göstermiştir. Önerilen TfrAdmCov modeli, COVİD-19 test veri seti üzerinde %99.93 doğruluk değerine, %100.00 kesinlik değerine, %97.38 hassasiyet değerine, %98.67 F1-skor değerine ve %98.65 MCC değerine ulaşmıştır. Benzer şekilde 10 rastgele deneminin ortalaması alındığında da, önerilen TfrAdmCov modeli, COVİD-19 test veri seti üzerinde %99.924 ile doğruluk, %97.18 ile hassasiyet, %98.57 ile F1-skor ve %98.54 ile MCC değeri açısından diğer modellerden daha iyi sonuçlar elde etmiştir. Önerilen TfrAdmCov modeli ile derin öğrenme modellerinin istatistiksel açıdan kıyaslamak için farklı rastgele tohumlarla 10 rastgele denemenin ortalaması alınarak elde elde edilen sonuçlar analiz edilmiştir. Ortalama, standart sapma, medyan, min ve maks gibi istatistiksel ölçümler kullanılarak her model için doğruluk, kesinlik, hatırlama, F1-skor ve MCC performans ölçüm metriği açısından detaylı değerlendirme gerçekleştirilmiştir. Ayrıca, önerilen TfrAdmCov modelinin performansını değerlendirmek için influenza A/H3N2 HA veri seti üzerinde mutasyon tahmini gerçekleştirilmiştir. Önerilen TfrAdmCov modeli, H3N2 HA test veri seti üzerinde %96.33 doğruluk, %81.55 kesinlik, %52.33 hassasiyet, %63.75 F1-skor ve %63.61 MCC değerlerinde diğer modellere göre daha iyi sonuçlar elde etmiştir. İnfluenza H3N2 HA test veri seti üzerindeki sonuçlar, önerilen TfrAdmCov modelinin oldukça sağlam olduğunu göstermiştir. İkinci olarak, COVİD-19 virüsünün mutasyon tahmini için sağlam bir StackGridCov modeli önerdik. Önerilen StackGridCov modeli, tamamen topluluk öğrenme tablanlıdır. Önerilen StackGridCov modelinin ve diğer modellerin performansını artırmak için GridSearchCV hiperparametre ayarlama algoritması kullanılmıştır. Önerilen StackGridCov modelinin ve diğer modellerin performansını değerlendirmek için, holdout tekniğinin yanı sıra stratified 10 katlı çapraz doğrulama tekniğinden faydalanılmıştır. Ek olarak önerilen StackGridCov modelinin performansını değerlendirmek için daha önce ortaya çıkan influenza A/H1N1 HA virüsü veri seti üzerinde mutasyon tahmini gerçekleştirilmiştir. GridSearchCV yöntemine sahip önerilen StackGridCov modeli, COVİD-19 test veri setinde 0.6623 doğruluk değeri, 0.6723 F1-skor değeri, 0.3273 MCC değeri ve 0.7018 AUC değeri ile diğer algoritmalardan daha iyi performans gösterimiştir. Ayrıca, önerilen StackGridCov modeli, influenza A/H1N1 HA test veri setinde 0.9460 doğruluk değeri, 0.7969 hassasiyet değeri, 0.8093 F1-skor değeri ve 0.7780 MCC değeri açısından diğer modellerden daha iyi performans göstermiştir. Sonuç olarak, GridSearchCV hiperparametre tekniğinin kullanılmasının genel olarak önerilen StackGridCov modeli ile diğer modellerim performansını arttırdığı gözlemlenmiştir. Üçüncü olarak, COVİD-19 virüs mutasyon tahmini için HyperMixer ve dikkat mekanizmalarına dayalı olan HyperAttCov modeli önerilmiştir. Önerilen HyperAttCov modelinin performansının en yüksek seviyeye çıkartmak için dikkat mekanızmalarından faydalanılmıştır. Önerilen HyperAttCov modeli, birçok derin öğrenme tabanlı ve makine öğrenmesi modellerinden daha iyi performans elde etmiştir. Deneysel sonuçlar detaylı olarak incelendiğinde, önerilen HyperAttCov modelinin, COVİD-19 test veri seti üzerinde %70.0 doğruluk değerine, %92.0 kesinlik değerine ve %46.5 MCC değerine ulaştığını gözlemlenmiştir. Benzer şekilde, önerilen HyperAttCov modeli, 10 adet rastgele denemenin ortalaması alındığında COVİD-19 test veri seti üzerinde %70.2 doğruluk değerine, %90.4 hassasiyet değerine ve %46.2 MCC değerine ulaşmıştır. Ayrıca, önerilen HyperAttCov modeli literatürdeki çalışmayla karşılaştırıldığında, test veri seti kümesi üzerinde oldukça başarılı sonuçlar elde etmiştir. Sonuç olarak, önerilen TfrAdmCov, StackGridCov ve HyperAttCov modelleri, COVİD-19 veri setinde meydana gelecek mutasyonları başarılı bir şekilde tahmin edebilmektedir. Elde edilen sonuçlar aşı ve ilaç geliştirilmesi açısından umut vericidır.
Zafiyet veritabanlarına göre trafo merkezlerindeki akıllı elektronik cihazların firmware analizörü
Modern toplum, kritik altyapılarının düzgün işleyişine büyük ölçüde bağımlıdır. Gelişmekte olan teknolojiler, yüksek yaşam standartlarına katkı sağlarken; sanayileşmiş ülkeler ulaşım, iletişim, finansal işlemler, gıda temini ve sağlık hizmetleri gibi alanlarda bilgi ve iletişim sistemlerine güvenmektedir. Endüstriyel Kontrol Sistemleri (EKS), bu kritik altyapıların izlenmesi, sürdürülmesi ve yönetilmesi açısından hayati öneme sahiptir. Enerji sektöründe ise EKS, elektrik üretimi, iletimi ve dağıtımı süreçlerinde vazgeçilmezdir. Akıllı Şebeke'nin artan bağlantılı yapısıyla birlikte, koruma, kontrol ve izleme gibi işlevler hızla gelişen iletişim altyapılarına bağımlı hale gelmiştir. Bu dijital entegrasyon, Kritik Altyapıların performansını önemli ölçüde artırmış; hizmet kalitesini yükseltmiş, operasyonel verimlilik sağlamış, otomasyonu desteklemiş ve maliyetleri düşürmüştür. Ancak aynı zamanda, endüstriyel cihazların internete maruz kalmasıyla birlikte siber saldırıların sayısında ciddi bir artışa yol açmıştır. Bu bağlantılı yapı, saldırı yüzeyini genişleterek tehdit aktörlerinin kritik sistemleri tehlikeye atmasını kolaylaştırmıştır. Elektrik şebekesine yönelik iyi planlanmış bir siber saldırı, ciddi ekipman hasarlarına ve yaygın elektrik kesintilerine neden olabilir. Akıllı şebekeler içerisinde, Akıllı Elektronik Cihazlar (IED'ler), SCADA haberleşmesi, gerçek zamanlı izleme ve istasyonlardaki olaylara özgü veri kaydı gibi işlevleri mümkün kılan temel bileşenlerdir. Ancak bu IED'lerde yerleşik olarak bulunan üretici yazılımları (firmware), çoğunlukla istismar edilebilir zafiyetler içermekte olup, onları siber saldırılar için cazip hedefler haline getirmektedir. Bu zafiyetlerin tespit edilmesi ve giderilmesi, siber güvenlik uzmanları için kritik bir görevdir. Teknik olarak zafiyet tespitleri pasif ya da aktif tarama yöntemleriyle gerçekleştirilmektedir. Yapılan araştırmalar, pasif yöntemlerin genellikle daha verimli olduğunu, daha kısa sürede, doğru sonuçlar verdiğini ve ağda rahatsız edici trafik oluşturmadan çalıştığını ortaya koymaktadır. Bu durum, özellikle aktif tarayıcıların oluşturduğu yoğun trafik nedeniyle dengesizleşebilen ya da durma riski taşıyan EKS ortamlarında büyük önem taşır. Bu nedenle, Pasif Zafiyet Tespiti (PZT), Operasyonel Teknoloji (OT) ortamları için daha uygun kabul edilmektedir. Her zafiyet tarama sürecinin temelinde, özellikle pasif tarama cihazların doğru şekilde tanımlanması yatmaktadır. Eğer bir cihazın statik özelliklerinden herhangi biri hatalı belirlenirse, zafiyet tarama sonuçları da hatalı olabilir. Bu tür cihaz bilgileri genellikle OT varlık envanterinde tutulur ve her endüstriyel kuruluşun bu envantere sahip olması gerekir. Ancak, özellikle Programlanabilir Lojik Kontrolörler (PLC'ler) ve IED'ler gibi gömülü endüstriyel cihazlar söz konusu olduğunda, eksiksiz ve doğru bir varlık envanterinin sürdürülmesi büyük bir zorluk oluşturmaktadır. Bu zorlukları göz önünde bulunduran bu çalışma, mevcut envanterlerde eksiklikler bulunduğu varsayımıyla, zafiyet taramasına başlamadan önce cihazlara ait üretici, model, seri numarası ve donanım/yazılım sürümleri gibi detaylı bilgilerin yapılandırma dosyalarından çıkarılmasını amaçlamaktadır. Bu çalışma, Akıllı Şebeke uygulamaları için özel olarak tasarlanmış, Endüstriyel Kontrol Sistemlerindeki (EKS) IED'lerde zafiyet tespiti amacıyla yarı otomatik ve müdahalesiz bir yaklaşım sunmaktadır. Önerilen yöntem, IEC 61850 standardı ile uyumlu Trafo Merkezi Yapılandırma Dili (SCL) dosyalarını kullanarak IED'lerin üretici, model, donanım ve yazılım/firmware sürümleri gibi statik özelliklerini operasyonel ağlara doğrudan müdahale etmeden çıkarmaktadır. Bu çıkarılan özellikler, cihaz üreticilerinin (örneğin ABB, Siemens) yayınladığı güvenlik duyuruları, Ulusal Zafiyet Veritabanı (NVD) ve Ortak Zayıflık Sınıflandırması (CWE) ile eşleştirilerek her bir IED için kapsamlı bir zafiyet raporu üretilmektedir. Raporlar, EKS şirketlerinin %60'ından fazlasının ekipmanlarındaki açıkları tespit etmek için üretici güvenlik duyurularına güvendiğini ortaya koymaktadır. Bu çalışma özellikle bu süreci sadeleştirmeye odaklanmakta ve bir veya daha fazla IED için zafiyet raporlamasını otomatikleştiren bir araç sunmaktadır. Bu sayede operatörler zaman ve çabadan tasarruf etmektedir. Geleneksel Aktif Zafiyet Taraması (AVS) araçlarının yüksek ağ trafiği ya da müdahaleci sorgularla OT sistemlerini bozma riski bulunurken, önerilen Pasif Zafiyet Tespiti (PVD) yaklaşımı, herhangi bir paket enjeksiyonu ya da müdahaleci işlem gerçekleştirmediği için güvenli bir şekilde çalışmaktadır. Üretilen zafiyet raporları yalnızca her bir IED'yi etkileyen bilinen CVE'leri listelemekle kalmaz; aynı zamanda risk puanları, saldırı vektörleri, zayıflık sınıflandırmaları, etkilenen sürümler, üretici tarafından yayınlanan yamalar ve önerilen önlemler gibi kritik meta verileri de içerir. Bu kapsamlı veri seti, operasyon mühendisleri ve siber güvenlik analistlerinin EKS altyapılarının açıklık ve dayanıklılık düzeyini değerlendirmelerine yardımcı olmak amacıyla yapılandırılmış ve aranabilir bir veritabanında toplanmaktadır. Sistemin deneysel doğrulaması, Sakarya Üniversitesi Ulusal Kritik Altyapılar Test Merkezi (CENTER Energy) bünyesindeki üretim, iletim, dağıtım ve tüketimi kapsayan gerçekçi bir enerji sistemleri test ortamında gerçekleştirilmiştir. ABB'nin REF615, REL650 ve RET670 IED cihazları üzerinde başarıyla test edilmiş ve önerilen çözüm, her cihazı etkileyen bilinen tüm zafiyetleri doğru bir şekilde tespit etmiştir. Sonuçlar, IEC 61850 yapılandırma dosyası analizinin pasif zafiyet tespitiyle bütünleştirilmesinin, trafo merkezleri ve diğer EKS bileşenlerinin siber güvenlik duruşunu güçlendirmede etkili ve uygulanabilir bir yöntem olduğunu göstermektedir. Bilindiği kadarıyla, bu çalışma, SCL dosyalarından IED bilgilerini çıkarma ve bu bilgileri NVD, CWE ve üretici duyuruları ile zenginleştirerek eyleme geçirilebilir zafiyet değerlendirmeleri oluşturma sürecini uçtan uca otomatikleştiren ilk çalışmadır. Ayrıca bu araştırma, yeniden kullanılabilir ve genişletilebilir bir veritabanı modeli sunarak çoklu cihaz üreticilerini destekleyebilecek şekilde ölçeklenebilir bir yapı ortaya koymakta ve gerçek dünyadaki OT/EKS ortamlarında yaygın olarak uygulanabilirliği mümkün kılmaktadır. Önerilen metodoloji, varlık görünürlüğü ve zafiyet istihbaratının sıklıkla parçalı ve güncel olmayan yapısını bütünleyerek EKS siber güvenliğinde önemli bir boşluğu doldurmaktadır. Sonuç olarak, bu tez, kritik altyapı ortamlarında zafiyet değerlendirmesi için pratik, ölçeklenebilir ve doğru bir yaklaşım sunmaktadır. Standartlaştırılmış yapılandırma analizini tehdit istihbarat kaynaklarıyla entegre ederek, EKS için otomatik, gerçek zamanlı ve üretici bağımsız siber güvenlik çözümlerinin gelecekteki gelişimine zemin hazırlamaktadır. Gelecekteki iyileştirmeler arasında, aracın veritabanının farklı üreticilere ait IED'leri kapsayacak şekilde genişletilmesi ve hem veritabanı oluşturma hem de yapılandırma dosyalarının elde edilmesi süreçlerinin tamamen otomatik hale getirilmesi yer almaktadır.
Video üzerinde derin öğrenme ile nesne sansürlüme
Dünya Sağlık Örgütü'ne göre sigara içenler sayısı 1,3 milyara ulaşmış ve bunların 8 milyondan fazlası sigaraya bağlı hastalıklardan ölmüştür. Her yıl bu sayılar sürekli artmaktadır. Bazı ülkeler sigaranın zararlarını önlemek ve sigara kullanımını azaltmak için açık alanlarda sigara içmeyi yasaklamıştır. Buna rağmen sigara içenler sayısı düşmemektedir. Sigara alışkanlığı genellikle erken yaşlarda, çocuk diye bileceğimiz yaşlarda başlamaktadır. Çünkü çevrelerinde, sosyal medya, izlenilen film ve videolarda sigara tüketimini özendirilecek formatta görmektedirler. Tüm bu faktörler sigaraya özentiyi tetikliyor, insanlar sigaraya başlıyor ve zamanla bağımlı hale geliyorlar. Bu çalışmanın temel amacı, günümüz internet videolarının çocuklar üzerindeki olumsuz etkisini azaltmak ve sigara içmeyle ilişkilendirilen nesneleri tanımanın doğruluğunu ve güvenilirliğini artırmak için bilgisayar görme ve derin öğrenme tekniklerini kullanarak güvenli ve eğitici dijital deneyimler oluşturmaktır. Böylece sigara kullanımı açısından daha iyi medya içerik analizini yaparak bu sahnelerin sansürlenmesini sağlayarak sigara tüketimine yönlendiren videoların etkisini azaltmak ve sigara karşıtı kampanyaları desteklemektir. Çalışmanın önemli bir yönü, sigara algılama görevi için YOLOv5, YOLOv8 ve YOLOv9 modellerinin geliştirilmesi ve eğitilmesidir. YOLO, yüksek doğruluğu ve hızıyla bilinen, nesne algılama görevleri için popüler bir algoritmadır. Bu çalışmada, çeşitli aydınlatma koşulları ve arka planlar da dahil olmak üzere görüntülerdeki sigaraları doğru ve hızlı bir şekilde tespit edebilen bir sinir ağı uygulanmıştır. Sigara tanıma doğruluğu, Gerçek dünya ortamlarında sigara tespit eden güvenilir izleme sistemleri oluşturmak, sigara ile mücadelede kritik öneme sahiptir. Çalışma da sigara ve kül tablasını içeren iki tane veri seti oluşturulmuştur. Veri setindeki sigara ile kül tablasının konumlarını Roboflow web sitesin üzerinde sınırlayıcı kutu olarak işarettendi. YOLOv5, YOLOv8 ve YOLOv9 modellerinin performansların yükseltmek için hiper parametre optimizasyonunu kullanarak hazırlanan veri setleri üzerinde eğilmiştir. Modeller kesinlik, duyarlılık, Birleşim Üzerinden Kesişme ve genel ortalama kesinlik puanına göre değerlendirildi. Hiper parametre optimizasyonu, derin öğrenme modelleri için optimum performansa ulaşmada kritik bir rol oynamaktadır. Bu yüzden, çalışmada YOLO modellerine ince ayar yapmak için çeşitli optimizasyon teknikleri kullanılmıştır. İyi sonuçları elde etmek için seçildiği modellerin hiper parametreleri SGD, Adam ve AdamW gibi çeşitli optimize edicileri kullanılarak optimize edildi. Optimizasyon sonucunda SGD optimizeni kullanan YOLOv9 modeli diğer modellerden daha yüksek performansa ulaştığı görülmektedir. Ayar dağılım grafikleri, bu kombinasyonun doğruluk ve yakınsama hızı açısından üstünlüğünü göstererek onu uygulamalarımız için tercih edilen seçenek haline getirdi. Varsayılan parametre ile ilk eğitilmiş modellerin sonuçları: YOLOv5 %89'a, YOLOv8 %87'ye ve YOLOv9 %88'e ulaşmıştır. Hiper parametre optimizasyonundan sonra SGD optimize edicinin kullanımının en etkili olduğu kanıtlanmaktadır ve diğer optimize edicilerle karşılaştırıldığında üstün performans göstermektedir. YOLOv5'in performansı %89'da değişmeden kalırken, YOLOv8 ve YOLOv9'un performansı %93'e çıkmaktadır. YOLOv8 ve YOLOv9, SGD ile optimizasyondan sonra aynı mAP(50) değerine sahip olsa da, YOLOv9 mAP(50-95) metriğinde YOLOv8'den %2 doğruluk oranında daha iyi sonuç vermiştir. Çalışmamızın önemli bir yönü kül tablası tespitinin görüntülere dâhil edilmesidir. Kül tablası, sigara içmenin önemli bir göstergesidir ve bunun tanınması, sigara içme olaylarının tespitinin doğruluğunu önemli ölçüde artırır. Modellerimize başarılı bir şekilde entegre edilen kül tablasını tespit etmeye yönelik yaklaşımlar geliştirilmiştir. Bu yaklaşım ile genel sonuçlar iyileştirilmiş ve tanıma sistemi daha kararlı ve başarılı hale getirilmiştir. Sigara ve kül tablasını tespit etmek için bir algoritma geliştirilerek test edilmiştir; bu algoritma %96'lık bir doğruluğa ulaşarak daha iyi sonuçlar vermiştir. Bu algoritma, sigaraları ve kül tablasını başarıyla tanıyarak yanlış pozitif sayısını en aza indirerek eğitilen modellerin ilk sonucundan daha iyi performans göstermiştir. Çalışmamızın sonuçları, en yeni derin öğrenme modellerinin ve hiper parametre optimizasyonunun kullanılmasının, görüntülerde sigara ve kül tablası tespitinin verimliliğini ve doğruluğunu önemli ölçüde artırabileceğini göstermektedir. Geliştirilen model ve algoritmaların kullanımı, tütünün halk sağlığı üzerindeki zararlı etkilerinin izlenmesi, analiz edilmesi ve önlenmesine yönelik etkili araçlar sunarak tütün kullanımıyla mücadeleye önemli katkılar sağlayacaktır.
Makine öğrenmesi tabanlı iç ortam sıcaklık kontrolü için bir simülatör yazılımı tasarımı
Günümüzde binaların enerji tüketiminde önemli bir paya sahip olan Isıtma, Soğutma ve Havalandırma (HVAC) sistemlerinin optimizasyonu, enerji verimliliği ve kullanıcı konforunu artırmak için kritik öneme sahiptir. Bu çalışmada, iç ortam sıcaklık kontrolünün optimizasyonu amacıyla makine öğrenimi tabanlı bir kontrol algoritması olan Q-learning'in performansı, geleneksel Açık-Kapalı ve PID kontrol yöntemleriyle karşılaştırmalı olarak incelenmiştir. Bu amaç doğrultusunda, dış hava sıcaklığı, güneş radyasyonu, iç ısı kazanımları ve bina yapısının termal özellikleri gibi çeşitli faktörleri dikkate alan bir simülatör yazılımı Python programlama dili kullanılarak geliştirilmiştir. Simülatörde, odanın termal dinamiği tek bölgeli bir model olarak kabul edilmiş ve 0.1 saniyelik zaman adımlarıyla 60 dakika ve 24 saatlik simülasyonlar gerçekleştirilmiştir. Farklı senaryolar altında, başlangıç oda sıcaklığı, termostat hassasiyeti, ısı kayıp oranı ve Q-learning eğitim bölümleri gibi parametreler değiştirilerek üç kontrol algoritmasının performansı değerlendirilmiştir. Performans karşılaştırmaları, enerji tüketimi (dolaylı olarak aşım ve alt geçiş süreleriyle değerlendirilmiştir), konfor seviyesi (aşım ve alt geçiş) ve iç ortam hava kalitesi gibi metrikler üzerinden gerçekleştirilmiştir. Simülasyon sonuçları, Q-learning algoritmasının, özellikle uzun süreli simülasyonlarda (24 saat) ve değişken koşullar altında (ısı kaybı oranının yüksek olduğu durumlar), geleneksel yöntemlere göre daha iyi performans gösterdiğini ortaya koymuştur. Q-learning, daha düşük aşım ve alt geçiş değerlerine sahip olarak daha iyi bir konfor seviyesi ve daha düşük enerji tüketimi sağlamıştır. Bu bulgular, Q-learning'in iç ortam sıcaklık kontrol sistemlerinin optimizasyonunda kullanılmasının, enerji verimliliğini artırma ve kullanıcı konforunu iyileştirme potansiyelini doğrulamaktadır. Tez çalışmasının özgün katkıları arasında, iç ortam sıcaklık kontrolü için Q-learning algoritmasının eğitimi ve optimizasyonu, farklı senaryolarda iç ortam sıcaklık kontrolünü simüle edebilen bir yazılımın geliştirilmesi, Q-learning, Açık-Kapalı ve PID kontrol yöntemlerinin performanslarının karşılaştırılması ve kullanılan Q-learning algoritmasının ve simülatör yazılımının açık kaynak kodlu olarak sunulması yer almaktadır. Elde edilen sonuçlar, Q-learning gibi makine öğrenimi tabanlı kontrol algoritmalarının, HVAC sistemlerinin optimizasyonunda kullanılmasının, enerji verimliliğini artırma ve kullanıcı konforunu iyileştirme potansiyelini göstermiştir. Bu çalışma, gelecekteki akıllı bina kontrol sistemlerinin geliştirilmesine ve daha sürdürülebilir bir yapı stokunun oluşturulmasına katkı sağlayabilir.
Güncel yazılım süreçlerinin yapay zeka yaklaşımları ile iyileştirilmesi
Kaynak kodun anlaşılabilirliği ve bakımı, yazılım geliştirme sürecinin kritik bir yönünü oluşturur. Kaynak kod içerisine eklenen yorum satırları, kodun anlaşılabilirliğini ve sürdürülebilirliğini artırmada önemli bir rol oynar. Ancak, kaynak kodu açıklayan kapsamlı yorumların yazılması, yoğun emek gerektiren, hata yapmaya eğilimli ve tutarsızlıklarla dolu bir süreç olabilir. Bu çalışma, kaynak kodu özetleme ve yorum oluşturma süreçlerini otomatikleştirmek için Doğal Dil İşleme (NLP) tekniklerinin etkinliğini araştırmayı amaçlamaktadır. Ayrıca en son teknolojiye sahip Doğal Dil İşleme modellerinden yararlanan bir yaklaşımla, kaynak kod işlevlerinin özetlenmesi ve otomatik olarak açıklayıcı yorumlar oluşturulması hedeflenmektedir. Bu bağlamda, kaynak kodun anlaşılabilirliğini arttırmak amacıyla oluşturulan yorumların yeterliliğini değerlendiren yeni bir matematiksel değerlendirme indeksi önerilmektedir. Bu çalışmada, bazı popüler GitHub depoları analiz edilerek Java projeleri incelenmiş ve Doğal Dil İşleme yaklaşımları kullanılarak javadoc dokümantasyonuna sahip olmayan Java metotları için javadoc dokümantasyonu üretilmiştir. Geliştirilen indeks yardımıyla, analiz edilen GitHub deposunun önceki ve sonraki durumları değerlendirilmiş, iyileşme olup olmadığı ve iyileşme varsa bunun derecesi tespit edilerek yorumlanmıştır. Ayrıca, önerilen indeks, literatürde bulunan farklı indeksler ile karşılaştırılmıştır. Aralarındaki temel farklar ve birbirleriyle uyumları analiz edilmiştir. Döngüsel karmaşıklık (cyclomatic complexity) değeri, yüksek olan yazılım projelerinin, karmaşıklıklarının doğası gereği, kapsamlı bir şekilde açıklanması ve belgelendirilmesi büyük önem arz etmektedir. Bu tür projeler için daha uzun ve detaylı yorumlar üretilmesi gereksede, aşırı ve gereksiz yorumların yazılması yazılım projesinin kalitesini olumsuz etkileyebilir. Dolayısıyla, dengeli ve optimal bir yorum üretimi sağlamak amacıyla, bu çalışma kapsamında üretilmesi gereken yorum miktarını belirleyen yeni bir teknik geliştirilmiştir. Bu teknik sayesinde, javadoc dokümantasyonu üretilecek her bir Java metodu için, uygun miktarda ve yeterli detayda javadoc dokümantasyonu oluşturulması amaçlanmıştır. Böylece her bir metodun gereksinimlerine uygun miktarda dokümantasyon oluşturulmasına çalışılarak, yazılımın anlaşılabilirliği ve bakımının kolaylaştırılması hedeflenmektedir. Bu çalışmada dört farklı GitHub deposu detaylı bir şekilde incelenmiştir. İnceleme sürecinde, her bir GitHub deposunun javadoc üretimi öncesi ve sonrası durumları karşılaştırılmıştır. Yapılan analizler sonucunda, her bir depoda %20 ile %60 arasında değişen oranlarda iyileşme sağlandığı gözlemlenmiştir. Elde edilen bu olumlu sonuçlar, otomatik yorum üretme yaklaşımlarının etkili bir şekilde uygulanabilirliğini ortaya koymakta ve bu tekniklerin yakın gelecekte çok daha başarılı ve yaygın bir şekilde kullanılabileceğini göstermektedir. Bu bulgular, yazılım projelerinin anlaşılabilirliğini ve sürdürülebilirliğini artırma potansiyeli taşımaktadır ve Doğal Dil İşleme tekniklerinin yazılım dokümantasyonu alanında sağladığı katkıları vurgulamaktadır. Çalışmanın sonuçları, yazılım mühendisliği alanında daha ileri düzeyde otomasyonun mümkün olabileceğini ve bu tür yaklaşımların, yazılım geliştirme süreçlerini önemli ölçüde iyileştirebileceğini göstermektedir.
Güvenlik kameralarındaki yüz görüntülerinin süper çözünürlüklenetleştirilmesi
Günümüzde güvenlik kameraları kamu ve askeri alanlardan endüstriyel tesislere, iş yerlerinden trafik denetimine kadar geniş bir kullanım yelpazesine sahiptir. Bu sistemler genel olarak güvenliğin ve asayişin sağlanması, suçların önlenmesi ve delillerin toplanması gibi kritik amaçların yanı sıra endüstriyel iş takibi ve üretim hatlarının kontrolü gibi çok çeşitli alanlarda kullanılmaktadır. Bununla birlikte mevcut birçok güvenlik kamerasının düşük çözünürlükte ve detayda kayıt yapması, özellikle uzak mesafelerde ve düşük ışık koşullarında görüntü kalitesini olumsuz yönde etkilemektedir. Mevcut güvenlik sistemlerinin yeni nesil yüksek çözünürlükte kayıt yapabilen sensörlere sahip kameralarla güncellenmesi ise hem maliyetli hem de zamana yayılmış bir süreçtir. Günümüzde görüntü işleme alanında, kamera görüntülerinin iyileştirilmesinde derin öğrenme tabanlı süper çözünürlük mimarilerinin kullanımı gittikçe yaygınlaşmaktadır. Düşük çözünürlük ve detaydaki görüntülerin, görüntü detayları ve keskinliği korunarak daha yüksek çözünürlüklere üst örneklenmesi, dijital görüntü işleme alanında süper çözünürlük adı altında incelenmektedir. Görüntü işleme alanında süper çözünürlük teknikleri genel olarak fotoğraf ve video görüntülerinde, medikal görüntülemede, güvenlik sistemlerinde, uzaktan tespit yapan cihazlarda ve uydudan görüntüleme gibi birçok alanda görüntünün restorasyonu ve çözünürlüğünün artırılması amaçlarıyla yaygın olarak kullanılmaktadır. Bu çalışma, güvenlik sistemlerinden alınan görüntülerdeki şahısların görünürlüğünü süper çözünürlük yöntemleri ile artırarak, normal şartlarda insan gözü veya yüz tanıma sistemleri ile tespitin mümkün olmadığı durumlarda yazılımsal bir iyileştirme sunmayı amaçlamaktadır. Tez kapsamında önerilen VNet mimarisi, düşük çözünürlükteki yüz görüntülerini süper çözünürlük ile yüksek çözünürlük ve detaydaki görüntülere dönüştürmek amacıyla derin öğrenme tabanlı bir konvolüsyon ağı ve şahısların yüz biyometrisini korumak için önceden eğitilmiş bir FaceNet modelinden oluşmaktadır. Geliştirilen ağda kodlayıcı-çözücü mimarisinin avantajları kullanılarak hem görüntü detayları korunurken hem de kayıp bölgeler restore edilmektedir. Yüz görüntülerinin süper çözünürlükle restore edilmesi veya üst örneklenmesi konusunda yapılan çalışmalarda, elde edilen görüntünün kalitesi, yüksek metrik başarımları ve görsel iyileştirmeler çoğu zaman ön planda tutulmakta, biyometrik açıdan aslına uygunluk ikinci planda kalmaktadır. Yapılan çalışmada önceden eğitilmiş FaceNet modelinin biyometrik hata beslemesi sayesinde üretilen çıktı görüntüsü, asıl görüntüye olan kalıtsal benzerliğinden koparılmadan, bir yandan görsel iyileştirmeler yapılırken diğer yandan da yüksek doğrulukta çıktılar alınabilmektedir. VNet mimarisi, çeşitli yüz görüntü veri setleri ve gerçek dünya senaryosuna uygun güvenlik kamera görüntüleri kullanılarak yapılan testlerde yüksek metrik başarımlar elde etmiş ve düşük çözünürlüklü yüz görüntülerinden, referans görüntüye uygun bir biçimde, yüksek çözünürlüklü görüntüler elde edilmesi konusunda etkili olduğu görülmüştür.
Veri merkezleri için makine öğrenmesi temelli izleme sistemi tasarımı
Bugün, hızla büyüyen ve giderek daha karmaşık hale gelen veri merkezleri, modern işletmelerin ve teknolojik altyapıların merkezinde yer almaktadır. Bu büyüme ve karmaşıklık, sistemlerin yönetimi ve operasyonel verimliliklerinin sağlanması için yeni zorluklar ortaya çıkarmaktadır. Bu bağlamda, veri merkezlerinde yer alan sistemlerin sürekli izlenmesi, performanslarının takip edilmesi ve üretilen büyük miktardaki verinin anlamlandırılması kritik bir gereklilik haline gelmiştir. Geleneksel izleme yaklaşımları, belirli sınırlamaları beraberinde getirirken, bu yöntemler, büyük veri hacimleri ve karmaşık altyapılar karşısında yetersiz kalabilmektedir. Bu nedenle, izleme süreçlerinde yenilikçi teknolojiler kullanılarak daha akıllı ve etkin çözümler geliştirilmesi büyük bir önem taşımaktadır. Makine öğrenmesi tabanlı izleme sistemleri, geleneksel yöntemlere kıyasla çok daha hızlı ve doğru bir şekilde verileri analiz edebilmekte, öngörüsel analizler yaparak potansiyel sorunları henüz ortaya çıkmadan tespit edebilmektedir. Bu sistemler, otomasyon sayesinde insan müdahalesine olan gereksinimi azaltarak operasyonel maliyetleri düşürmekte ve insan hatalarından kaynaklanan riskleri minimize etmektedir. Bu da proaktif bakım ve müdahale imkânlarını artırarak sistemlerin sürekliliğini ve performansını en üst düzeye çıkarmaktadır. Erişilebilirlik ve kontrol süreçlerinin kolaylaştırılması, yönetimsel yükü azaltırken, izleme sistemlerinin daha kapsamlı ve derinlemesine analiz yeteneklerine sahip olması, karar alma süreçlerinde büyük katkılar sağlamaktadır. Sonuç olarak, veri merkezlerinin izlenmesinde daha analiz odaklı bir yapı oluşturulması, sadece mevcut sistem performansının iyileştirilmesini değil, aynı zamanda gelecek stratejilerinin planlanmasında da önemli bir rol oynamaktadır. Bu çalışma da Zabbix açık kaynak izleme aracı ve makine öğrenmesi kullanılarak sistemler tasarlanmış ve uygulanmıştır. Her iki izleme yöntemine ait veri toplama yapıları oluşturulmuş, bir sunucu üzerinde Zabbix agent yöntemi ile CPU, memory, disk ve I/O trafiğinin izlenmesi sağlanmıştır. Bu veriler üzerinde hem geleneksel izleme hem de makine öğrenmesi yöntemleri kullanılarak analizler sağlanmış geçmişe ve geleceğe yönelik tahminlemelerde bulunulmuştur. Bu çıktılar sonucunda yansıyan alarmlar ve tutulan verilere göre grafiksel olarak karşılaştırılmış her iki sistemin de avantajları ve dezavantajları ölçümlenmiştir. Geleneksel izlemede sabit formüller yer alırken ve eşik değerler ile sistem izlenirken; makine öğrenmesi ile izleme de geleceğe yönelik tahminleme, baseline oluşturma, doluluk tahminleri gibi analiz edilen, verilerin belirli filtre ve işlemlerden geçirilmesi ile modellemeler yapılmakta ve bu çıktılar sistemin efektif ve proaktif olarak izlenmesine imkân sunmaktadır. Geleneksel bir CPU kullanım alarmı gelirken, geçmişe yönelik baseline değerlendirmeleri ile alarmın yansımadığı olağan olduğu testlerde görülmüştür. Ayrıca geleneksel izleme sistemlerinde genellikle bir eşik değerin aşılması değerlendirilirken makine öğrenmesi ile izlemelerde düşüşlerinde false-positive alarmlar oluşmadan değerlendirilebilmesine imkan vermektedir. Bu da sistemlerde anlık dalgalanmaları sadece yukarı yönlü değil aşağı yönlüde takip edebilmeyi ve nokta atışı sorunları tespit edebilmeyi sağlamaktadır. Bunun yanı sıra özellikle disk doluluk ve aşım tespitlerinde tahminlemelerin yapılnması ve disk, storage gibi yapıların ne zaman dolabileceğinin izlenmesi de kritik öneme sahiptir. Bu bilgi sadece bir alarm olarak kalmamakta ve operasyon planlamalarına destek sağlamakta ve olası kesintilerin önüne geçilmesine imkân tanımaktadır. Veri merkezlerindeki adam-gün işlerininde planlanmasına destek olmaktadır. Çalışma da çıktılar değerlendirildiğinde reaktif yakaşımlar yerine proaktif yaklaşımların ne gibi faydalar sağlayacağı tasarlamış olduğumuz sistem üzerinde analiz edilerek ve izlemeleri sağlanarak örneklendirilmiş ve detayları incelenmiştir. Geleceğe bakış olarak makine öğrenmesi sistemlerininde tepesinde bulunan yapay zeka sistemlerininde ne kadar önemli olduğu literatür araştırmalarında görülmüştür. Yeni nesil ve ilerleyen zamanlarda reaktif yapıların yerini makine öğrenmesi ve bir sonraki adımda ise yapay zekanın alabileceği bu çalışma da gözlemlenmiştir.
Güneş enerji panellerinde harita tabanlı uygunluk analizi
Bu çalışma, güneş enerjisi panellerinin en uygun konumlarının belirlenmesinde modern CBS tekniklerinin ve dinamik veritabanı kullanımının etkinliğini detaylı bir şekilde incelemiştir. Çeşitli coğrafi bölgelerden elde edilen verilerin dinamik bir veritabanında depolanmasıyla, güneş enerjisi potansiyelini etkileyen faktörlerin analiz edilmesi ve bu faktörlerin güneş enerjisi uygunluğu üzerindeki etkisinin anlaşılması hedeflenmiştir. CBS fonksiyonları, ilişkili tablolar ve fonksiyonlarla birlikte, her bir parsel için uygunluk skorlarının üretilmesine olanak sağlamıştır. Bu skorlar, farklı faktörlerin değerlendirilmesi ve ağırlıklandırılması sürecinde belirlenmiş ve güneş enerjisi potansiyeli üzerinde önemli bir etkiye sahip olduğu gözlemlenmiştir. Ağırlıkların ve kriterlerin belirlenmesinde farklı literatür kaynakları ve araştırmalar göz önüne alınarak araştırmada varsayımsal değerler kullanılmıştır. Analiz sonuçlarına göre, güneş enerjisi potansiyeli üzerindeki etkili bir şekilde belirlenmesine katkı sağlamıştır. Özellikle, her bir parsel için en uygun konumların belirlenmesinde önemli bir rol oynamıştır. Ayrıca, alt sınıfların değerlendirilmesi, analizlerin daha ayrıntılı ve kapsamlı bir şekilde yapılmasını sağlamıştır. Bu alt sınıflar, analizlerin daha spesifik ve detaylı bir şekilde gerçekleştirilmesine olanak tanımıştır. PostgreSQL veritabanı ve PostGIS eklentisinin kullanımı, analizlerin daha etkin bir şekilde gerçekleştirilmesini sağlamıştır. Bu araçlar, büyük veri setlerinin işlenmesi ve analizlerin gerçekleştirilmesi sürecinde önemli bir avantaj sağlamıştır. Ayrıca, bu araçlar sayesinde analiz sonuçları daha kolay erişilebilir ve paylaşılabilir hale gelmiştir. Sonuç olarak, bu çalışma, güneş enerjisi santralleri için en uygun konumların belirlenmesinde dinamik veritabanı analizlerinin ve CBS'nin önemini bir kez daha vurgulamaktadır. Bu çalışmanın sonuçları, sürdürülebilir enerji üretimine katkı sağlamak için daha bilinçli ve etkili kararlar alınmasına olanak tanımaktadır. Gelecekteki araştırmaların, analizlerin doğruluğunu artırmak ve belirsizlikleri azaltmak için daha gelişmiş yöntemlerin ve veritabanı araçlarının kullanılmasına odaklanması gerekmektedir. Ayrıca, farklı coğrafi bölgelerde benzer analizlerin yapılması ve sonuçların karşılaştırılması önemlidir, çünkü bu, güneş enerjisi potansiyelinin genel bir anlayışını sağlayabilir ve bölgesel farklılıkları ortaya koyabilir. Bu tür karşılaştırmalar, güneş enerjisi potansiyelinin daha etkili bir şekilde değerlendirilmesine ve stratejilerin daha iyi oluşturulmasına yardımcı olabilir. Son olarak, bu çalışma sadece bir başlangıçtır ve gelecekte yapılacak olan daha kapsamlı araştırmaların, güneş enerjisi santrallerinin yer seçimi konusundaki bilgi ve yöntemlerin gelişimine katkı sağlayacağına inanıyoruz.
Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma
Geri dönüşüm, çevresel sürdürülebilirliğin sağlanmasında temel bir rol oynamakta ve doğal kaynakların korunması ile atık yönetiminin etkinliğinin artırılmasına doğrudan katkı sağlamaktadır. Artan nüfus ve sanayileşme ile birlikte meydana gelen atık miktarındaki ciddi artış, bu atıkların doğru şekilde ayrıştırılmasını ve geri dönüştürülmesini zorunlu hale getirmiştir. Atık sınıflandırma süreci, geri dönüşüm sistemlerinin verimliliği üzerinde doğrudan etkili bir faktör olmasına rağmen, geleneksel yöntemler yüksek maliyet, zaman kaybı ve insan hatasına açık olma gibi çeşitli kısıtlar taşımaktadır. Bu nedenle, atık sınıflandırma sürecinin otomasyon yoluyla desteklenmesi büyük önem arz etmektedir. Derin öğrenme tabanlı modeller, son yıllarda otomatik atık sınıflandırma alanında umut vaat eden sonuçlar vermiştir. Bu çalışmada, farklı boyutlardaki veri kümeleri üzerinde, derin öğrenme tabanlı sınıflandırma modellerinin performansı detaylı bir şekilde incelenmiştir. Çalışmada iki farklı veri kümesi kullanılmıştır: Garbage Classification ve Garbage-Dataset. Garbage Classification veri kümesi, 2.890 görüntüden oluşmakta olup sınıf dağılımı açısından dengesiz bir yapı sergilemektedir. Bu dengesizlik, eğitim sürecinde uygulanan veri artırma teknikleri ile dengelenmiştir. Garbage-Dataset ise 9.660 görüntü içermekte ve sınıflar arasında daha dengeli bir dağılım sunarak modellerin genelleme kabiliyetlerinin daha sağlıklı bir şekilde değerlendirilebilmesine imkân tanımaktadır. Çalışmanın temel amacı, veri kümesi boyutlarının derin öğrenme modellerinin sınıflandırma performansları üzerindeki etkisini analiz etmek ve her bir veri kümesi için en iyi sonuç veren modeli belirlemektir. Atık sınıflandırma görevinde, literatürde sıkça kullanılan dört farklı Evrişimsel Sinir Ağı (CNN) mimarisi tercih edilmiştir: DenseNet121, InceptionV3, MobileNetV2 ve VGG16. Modeller, ImageNet veri kümesi üzerinde önceden eğitilmiş olup transfer öğrenme teknikleri kullanılarak hedef göreve adapte edilmiştir. Model performanslarının daha güvenilir bir şekilde değerlendirilebilmesi amacıyla beş katlı çapraz doğrulama yöntemi uygulanmıştır. Ayrıca, Garbage Classification veri kümesindeki sınıf dengesizliği, veri artırma stratejileri kullanılarak minimize edilmiştir. Buna ek olarak, çalışmanın son bölümünde özellik füzyon temelli hibrit modelleme yaklaşımı uygulanmıştır. VGG16, InceptionV3, DenseNet121 ve MobileNetV2 modellerinin önceden eğitilmiş katmanlarından elde edilen özellikler birleştirilerek yeni bir hibrit model tasarlanmıştır. Bu yöntem ile her modelin güçlü yönlerinin aynı mimaride temsil edilmesi hedeflenmiştir. Garbage Classification veri kümesi üzerinde yapılan hibrit modelleme sonucunda, doğruluk oranı %85,88'e ulaşarak temel modellerin üzerinde performans sergilemiştir. Garbage-Dataset üzerinde ise hibrit model %91,26 doğruluk sağlamış ve bu yönüyle bazı temel modellerle karşılaştırılabilir başarıda olmuştur. Deneysel sonuçlara göre analiz edilen iki verikümesinde de hibrit model, Doğruluk, Precision, Recall, F1 Skor ve ROC AUC gibi performans metriklerinde en üstün sonuçları elde etmiştir. Deneysel sonuçlar, veri kümesi boyutunun sınıflandırma başarımı üzerinde önemli bir etkisi olduğunu açıkça ortaya koymuştur. Garbage Classification veri kümesi üzerinde yapılan analizlerde, tekil modellerde en yüksek doğruluk oranı %85,05 ile VGG16 modeli tarafından elde edilmiştir. DenseNet121 %82,63, MobileNetV2 %82,49 ve InceptionV3 %80,42 doğruluk oranları ile VGG16'yı takip etmiştir. Garbage-Dataset üzerinde yapılan değerlendirmelerde ise en yüksek doğruluk oranı %90,75 ile DenseNet121 modeli tarafından sağlanmıştır. Bu modeli sırasıyla MobileNetV2 (%89,67), InceptionV3 (%88,41) ve VGG16 (%86,09) takip etmiştir. Hibrit modellerle birlikte elde edilen sonuçlar, model mimarisi seçimlerinin ve özellik birleştirme stratejilerinin sınıflandırma başarısına önemli katkılar sağladığını göstermektedir. Bu çalışma, atık sınıflandırma alanında derin öğrenme yöntemlerinin potansiyelini ortaya koymakta ve otomatik atık yönetimi sistemlerinin geliştirilmesine yönelik gelecekteki araştırmalar için önemli bir temel sunmaktadır.
Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Son zamanlarda yüksek çözünürlüklü uydu ve insansız hava aracı (İHA) görüntüleri, güvenlik, trafik analizi, afet yönetimi ve çevre izleme gibi alanlarda giderek popüler hale gelmektedir. Ancak, pratikte bu tür yüksek çözünürlüklü görüntülerde küçük nesnelerin tespitinde, düşük piksel yoğunluğu ve ayrıntıların kaybolması gibi problemlerden dolayı başarım düşmektedir. Bundan dolayı, küçük nesneleri daha doğru bir şekilde tespit edebilecek, yüksek doğruluk oranına sahip yeni yöntemlerin geliştirilmesine ihtiyaç duyulmaktadır. Bu tez çalışmasında, yüksek çözünürlüklü görüntülerde nesne tespiti için yeni bir derin öğrenme tabanlı algoritma geliştirilmiştir. Tezin temel amacı, yüksek çözünürlüklü uydu ve insansız hava aracı (İHA) görüntülerinde küçük nesnelerin tespitinde karşılaşılan zorlukları aşmak ve nesne tespit performansını artırmaktır. Önerilen yöntem, yeni geliştirilmiş ISA (Image Slicing Algorithm) adı verilen ön işleme algoritması, güncel olarak kullanılan SAM (Segment Anything) ile etiket optimizasyonu, çözünürlüğü iyileştiren SRGAN (Super-Resolution Generative Adversarial Network) ve YOLO (You Only Look Once) modellerinin birleştirilmesi ile oluşturulan SROD (Super-Resolution Object Detection) Mimarisinden oluşmaktadır. Önerilen yöntem, özellikle küçük nesnelerin tespiti sırasında kaybolan piksel verilerinin korunmasını ve nesnelerin daha yüksek doğrulukla algılanmasını sağlamaktadır. Tezde önerilen yöntem şu şekilde çalışmaktadır: ilk olarak, yüksek çözünürlüklü görüntülerdeki nesnelerin doğru bir şekilde dilimlenmesi için ISA algoritması kullanılmaktadır. Bu algoritma, dilimleme sırasında nesnelerin bütünlüğünü koruyarak, nesne tespiti için veri hazırlama sürecinde önemli bir rol oynamaktadır. Dilimleme işlemi sırasında oluşan etiketleme hatalarının kontrol edilmesi ve düzeltilmesi için SAM segmentasyon modeli kullanılmıştır. Bu sayede, dilimlenen görüntülerdeki nesnelerin etiketleme doğruluğu ve modelin performansı artırılmıştır. Daha sonra, SRGAN modeli ile görüntülerin çözünürlüğü artırılarak, YOLO tabanlı nesne tespit modellerine çözünürlüğü iyileştirilmiş giriş verileri sağlanmıştır. SRGAN modeli, görüntülerdeki detay seviyesini artırarak, özellikle küçük nesnelerin daha iyi tespit edilmesini sağlamaktadır. Çalışmada hava görüntülerinde sıklıkla kullanılan xView ve VisDrone veri setleri kullanılmıştır. Bu veri setleri, çok sınıflı ve karmaşık görüntüler içermektedir. Bu özellikleri ile önerilen sistemin performansını test etmek için uygun bir problem sunmaktadır. Tezdeki deneysel çalışmalar YOLOv5, YOLOv7, YOLOv8 ve, YOLOv9 gibi farklı YOLO versiyonları kullanılarak yapılmıştır. Elde edilen deneysel sonuçlar, önerilen yöntemin nesne tespit doğruluğunu önemli ölçüde geliştirdiğini ve mevcut yöntemlere kıyasla daha yüksek doğruluk oranları sağladığını göstermektedir. Tezde geliştirilen diğer önemli bir yöntem ise etiket dönüşüm algoritmasıdır. Bu algoritma, maske etiketli veri setlerinin YOLO formatına uygun hale getirilmesini sağlamaktadır. Etiket dönüşüm algoritması sayesinde, farklı veri setlerinde kullanılan etiketleme formatlarının uyumsuzluk sorunları çözülmüş ve YOLO modellerinde kolaylıkla kullanılabilir hale getirilmiştir. Sonuç olarak, bu tez çalışması, yüksek çözünürlüklü görüntülerde nesne tespiti alanında önemli bir katkı sunmakta ve özellikle küçük nesnelerin tespitinde karşılaşılan zorlukları minimize eden yeni bir yöntem önermektedir. Bu yöntemin, güvenlik, trafik analizi, afet yönetimi ve çevre izleme gibi alanlarda kullanım potansiyeli bulunmaktadır. Geliştirilen yöntemlerin literatüre katkısı, nesne tespiti alanındaki performans iyileştirmeleri ve çoklu veri setlerinde elde edilen başarılı sonuçlar ile kanıtlanmıştır.
Yalın üretim ve dijitalizasyon (endüstri 4.0 + endüstri 5.0): Çok boyutlu etkileşim matrisi ve üretim firmaları için kurulum, geliştirme stratejileri ve değerlendirme modeli
Üretim sektörü dijitalizasyon (Dx) (Endüstri 4.0 + Endüstri 5.0) ile beraber büyük bir dönüşüm yaşamaktadır. Bu dönüşümü çevik, verimli ve sürdürülebilir bir şekilde yapmak zorunluluğu ve güçlükleri yanında üretim sektörü yalınlığı (Lean) da sürdürmek zorundadır. Bu çalışma üretim sektörü için dijitalizasyon dönüşümü ve kurulumu yanında yalınlığı da sürdürmek ve dönüşüm ile beraber güçlendirmek için izlenecek stratejileri belirlemeye yardımcı olacak kritik başarı faktörlerini (KBF) , yalınlığı güçlendirme rotalarını, yalın+Dx çerçevesi için bir değerlendirme modelini, yalın üretim konusunda öncü kabul edilen bir üretim firmasının (Toyota Motor Europe) bu dönüşüm sürecini deneysel olarak inceleyerek belirlemeyi hedefler. Dönüşüm sürecindeki KBF'leri doğru bir şekilde incelemek ve yalınlığı güçlendirme rotalarını belirlemek için öncelikle hem yalın hem de Dx için bütünsel bir bakış açısı sağlayacak tüm kavramları, ilkeleri, unsurları, yöntemleri, araçları ve türleri içeren bir çerçevenin oluşturulması gerekir. Bunun yanında her iki alan arasındaki etkileşimin tanımlanması ve değerlendirilmesi gerekmektedir. Bu amaçla, her iki alan için ontolojiler oluşturulmuş, alanlar arası bağlantılar çok boyutlu etkileşim matrisi olarak belirlenmiştir. KBF'ler "dijital dönüşüm" ve "yalınlığı sürdürme" başlıkları altında gruplandırılarak belirlenmiştir. Çalışmada Delphi metodu kullanılmıştır. Literatür taraması ile oluşturulan ontolojiler, çok boyutlu matris ve belirlenen kritik başarı faktörleri, Delphi metodunun ilk adımı ile uzmanlarla birebir yapılan oturumları takiben son haline getirilmiştir. Takip eden Delphi roundlarında, alanlar arasındaki her bir bağlantı için, "etkileşimin etkisi", "dijital dönüşüm" ve "yalınlığı sürdürme" kritik başarı faktörleri değerlendirilmiştir. Bu çalışma sonucu dijitalizasyonun yalınlığı pozitif etkilediği ve yalın düşüncenin (lean thinking) dijitalizasyonu ve dijital dönüşümü desteklediği sonucuna ulaşılmıştır. Değerlendirilen 12 etkileşim bağlantısnın 6 tanesi için "yüksek/güçlü pozitif etki" sonucu elde edilirken, 3 bağlantı için "yüksek pozitif etki" ve kalan 3 bağlantı için "orta pozitif" etki sonucuna ulaşılmıştır. 11 adet "dijital dönüşüm" KBF'si arasında ilk sırada "üst yönetim desteği ve dönüşümsel liderlik" yer almıştır. Bunu çalışan ve ekip çalışması ile ilgili 4 adet KBF takip etmiştir. 9 adet "yalınlığı sürdürme" KBF'si arasında ilk sırada "git ve gör prensibini koru (keep Gemba)" yer almıştır. Bunu "zamanında duruştan ödün vermeme (never comprimise Jidoka)", "yerinde kaliteyi koruma (keep and enforce JKK)" ve "insan dokunuşu ile otomasyon (keep automation with human touch)" takip etmiştir. Endüstri 4.0 dönüşümünü adresleyen kritik başarı faktörleri çalışılmıştır fakat bu dönüşüm sürecinde yalınlığı koruma kritik başarı faktörleri çalışılmamıştır. Endüstri 4.0 yanında Endüstri 5.0 paradigmasını adresleyen kapsayıcı çalışma bulunmamaktadır. Yalınlık ve dijitalizasyon arasındaki ilişkileri tanımlayan dijitalizasyonun yalın üretime etkisini değerlendiren ve bu süreçte yalınlığı sürdürme faktörlerini ve güçlendirme rotalarını belirleyen holistik çalışma bulunmamaktadır. Çalışmamız listelenen bu alanları adreslemektedir. Yalınlık ve dijitalizasyon alanlarında ayrı ayrı olgunluk değerlendirme modelleri bulunmaktadır fakat yalın+dijitalizasyon olgunluğunu konu alan, Endüstri 5.0 paradigmalarını da içeren bir değerlendirme modeli bulunmamaktadır. Çalışmamızın son bölümünde deneysel çalışmamızın sonuçları da kullanılarak, Yalın+Dx (Lean+Dx = LDx) organizasyon çerçeve modeli tanımlanmış ve bu model için bir olgunluk değerlendirme modeline temel olacak ana ve alt değerlendirme boyutları önerilmiştir. Bu çalışmanın sonuçları üretim firmaları, küçük ve orta büyüklükteki işletmeler (KOBİ) için dijital dönüşüm ve bu süreçte yalınlığı sürdürme ve güçlendirme için doğru stratejileri belirmeye yardımcı olacaktır. Çalışmamız kapsamında önerilen LDx modeli ve değerlendirme boyutları kullanılarak hem yalınlığı ve hem Endüstri 4.0 ve Endüstri 5.0 paradigmalarını içeren olgunluk değerlendirme modeli geliştirilebilecektir. Son olarak, ontoloji yaklaşımını kullanarak Dx ve yalınlık organizasyon modellerinin ve bağlantılarının belirlenmesi, yalınlık ve Dx konusundaki teori tartışmasına yeni bakış açıları sunacaktır.
Hyper-parameter optimization of deep neural networks with metaheuristic algorithms
Cardiac arrhythmias indicate cardiovascular disease, which is the leading cause of mortality worldwide, and can be detected by an electrocardiogram (ECG). Automated deep learning methods have been developed to overcome the disadvantages of manual interpretation by medical experts. The performance of artificial neural networks strongly depends on hyperparameter optimization (HPO), and this NP-hard problem is suitable for metaheuristic (MH) methods. In this study, a novel method is proposed for the HPO of a convolutional neural network (CNN) arrhythmia classifier using an MH algorithm. The approach utilizes our variant of an MH method, named the memory-enhanced artificial hummingbird algorithm, which has an additional memory unit that stores the evaluations of the solutions and reduces the computation time significantly. The study also proposes a novel fitness function that considers both the accuracy rate and the total number of parameters of each candidate network. Experiments were conducted on raw ECG samples from the MIT-BIH arrhythmia database. The proposed method was compared with three other MH methods and achieved equal or outperforming results, with classification accuracy reaching 98.87%. The proposed method yielded promising results in finding a high-performing solution with relatively lower complexity.
Identical user matching on cross online social networks: A two-step approach based on face recognition
As the number of online social networks (OSNs) increases and the services distinct OSNs offer diversify, the number of individuals with accounts in more than one OSN increases. Consequently, the data of such users is spread over different OSNs. The problem of matching identical profiles on cross OSNs tries to unify OSN accounts of the same individual on different OSNs. Matching identical profiles not only allows having more information about a matched user, but also enables us to better understand users' behavior. Existing studies on matching identical profiles rely on profile attributes (such as age, gender, e-mail and education), content shared by users (such as tweets, photos, location check-ins) and links. However, relying on profile attributes is not reliable because any malicious user can easily spoof profile attributes to clone an OSN account. Furthermore, many users hide their profile attribute values due to privacy concerns, which bears the matching effort fruitless. Regarding user generated content, short and dirty texts within tweets are not easily processed, and location check-ins are much less frequently shared over many OSNs except Foursquare and alike. In this thesis, we propose a solution that relies on shared photos and network structure. Since face biometrics are quite personal and more distinctive features than any other alternative OSN feature, our solution provides an accurate and reliable solution towards matching identical users. Our novel solution has two-phases: the search phase and the match phase. The search phase inspects all photos shared by a user, extracts faces, identifies the profile owner's faces automatically and generates a face vector signature from a sample of these faces. Using signatures reduces algorithmic complexity of the process and also makes it more reliable. In the search phase, pairs of cross OSN accounts are compared over their signatures. Given an input source profile, the search phase acts as a filter to limit potential matches in the destination OSN to a small set of candidates. Subsequently, in the match phase, a ranked list of identical profiles are compiled using the rate of overlap between the links of the matched OSN profiles. Since there are many links of each account, we restrict the match phase to only profile photos of the link. Experimental evaluation is performed over 3.000 real-world, labelled OSN accounts from Facebook and Instagram. The results indicate that in the search phase, 89% of the given input source profiles are located over the destination OSN. 58% of them are in top-1 rank, 76% of them are in top-2 rank, and 87% of them are in top-4 rank. Morever, the match phase matches users with an f-score of 66%±4. Finally, it is shown that the proposed search phase provides faster and more accurate matching than existing solutions.
A mobilenet based CNN model with a novel fine tuning mechanism for COVID-19 infection detection
A new coronavirus called COVID-19, which emerged in Wuhan, China, in December 2019, is very dangerous because of its rapid global spread worldwide, causing severe acute respiratory syndrome. It has infected 349.641.119 people worldwide and caused over 5.592.266 deaths, as reported in January 2022. Although there are several different diagnostic methods, polymerase chain reaction (PCR) is considered the gold standard for laboratory diagnosis of the COVID-19 pathogen. However, test results are obtained within a few hours to two days, and this relatively late response is the main barrier to early intervention. Researchers have focused on alternative methods that use x-ray imaging to shorten the time to diagnose the disease. This study proposes a deep-transfer learning approach with novel fine-tuning mechanisms for detecting COVID-19 disease using chest X-ray images. The model is based on the MobileNetV2 architecture. To evaluate the proposed model, we used a combined dataset from two publicly available databases containing three classes: normal, COVID-19, and pneumonia X-ray images. In our approach, we proposed one classical and two new fine-tuning mechanisms to increase classification accuracy and achieved average accuracy rates of 95.62%, 96.10%, and 97.61% for 3-class cases with five-fold cross-validation. In addition, our third model reduced 81.92% of the total fine-tuning operations and achieved better results. The numerical results show that the proposed approach achieves promising results when raw data without complex preprocessing steps are used.
A new KNN classifier based on the harmonic mean of the majority votes and average distances of the neighbors combined with adaptive K-value selection
This study aims to improve the classification accuracy of traditional KNN by presenting an improved version of the KNN algorithm. This thesis proposes HMAKNN, an improved KNN classifier based on the harmonic mean of the majority voting and average distance phenomena with adaptive and incremental k-value selection. Within the purview of this study, two variants of HMAKNN, regular and weighted, were designed based on the presence or absence of a weighting mechanism. The names of these variants are HMAKNNR and HMAKNNW, respectively. These HMAKNN classifiers were evaluated on a total of thirty-four data sets, of which eight were synthetic obtained from PRTools and twenty-six were real benchmark data sets from UCI and Kaggle repositories. To determine the classification effectiveness and success of the proposed approaches, they were compared with traditional KNN and four well-known weighted KNN models. In contrast to other weighting methods, both HMAKNN classifiers utilize the constructive interaction between majority voting and average distance, as well as the ability to adaptively modify the k-value, thereby substantially enhancing classification accuracy. Based on the results of the classification of real benchmark data sets, HMAKNNW produced the highest ACC value with 83.02%, and HMAKNNR reached the second-highest value with 82.83%. HMAKNNW and HMAKNNR provided an advantage of 2.69% and 2.50% over the other five methods compared, respectively. Furthermore, the classification results of real benchmark data sets indicate that both HMAKNN methods statistically outperform other weighted KNN methods.
Optimization algorithms inspired by sea creatures in feature selection applications
In applications such as data mining, machine learning, and pattern recognition, feature selection is an essential preprocessing step. By removing redundant and irrelevant features, it increases its classification accuracy by removing redundant and irrelevant features while reducing the computational expense of the learning model,. In this thesis, nine nature inspired metaheuristic algorithms and one traditional method tested on twenty-two benchmark datasets taken from UCI database. Test results are evaluated using five different evaluation metrics including accuracy, precision, recall, F-Score and selection size. Four different classifiers are used to better understand the correlation between the algorithms and the classifiers. Algorithms are divided into three categories: algorithms inspired from sea creatures including Emperor Penguin Colony (EPO), Marine Predators Algorithm (MPA), Salp Swarm Algorithm (SSA), Jellyfish Search Optimizer (JS), Sailfish Optimizer (SFO) and Whale Optimizer (WOA); well-known algorithms in the literature including Ant Colony Optimizer (ACO), Genetic Algorithm (GA) and Particle Swarm Algorithm (PSA); traditional method as Chi-Square (CHI2). In this thesis, we propose JS algorithm as binary JS algorithm to be used for the feature selection process for the first time in the literature. Test results showed that EPO is the best algorithm using naïve bayes classifier, MPA is the best algorithm using support vector machine (SVM) classifier, SFO is the best algorithm using K-Nearest Neighbor (KNN) classifier and JS is the best algorithm using random forest (RF) classifier for the feature selection process.