1,721,004 research outputs found
Deep learning and mobile-based smart parking system approach in IoT-based smart cities
Get PDFNesnelerin İnterneti (IoT) ve akıllı şehir ekosistemleri çağında, daha sürdürülebilir şehirler için yenilikçi akıllı park sistemlerine ihtiyaç duyulmaktadır. Her geçen gün artan araç sayısı ile akıllı park sistemleri akıllı şehirlerde önemli konular arasında yer almaktadır. Bunun nedeni yetersiz olan park yeri arayışlarının ciddi bir maliyet, hava kirliliği ve stres sorunlarını beraberinde getirmesidir. Akıllı park sistemleri ile ilgili yapılan araştırmalar bulunan çözümler artık yeterli gelmemektedir. Bu tez çalışmasında sürücülerin park yeri arama sorununu en aza indirmek için derin öğrenme ve bulut tabanlı yeni bir mobil akıllı park uygulama tasarımı geliştirilmiştir. Uygulama içerisinde, park yerini tahmin etmek için LSTM ile derin öğrenmeye dayalı bir hizmet geliştirilmiştir. Burada kullanıcının mobil cihazı üzerinden daha önce oluşturulan LSTM tabanlı modele dinamik erişim sağlanmakta ve ilgili parametreler girilerek parkların istenilen yerdeki doluluk oranlarının mobil cihaz üzerinde görüntülenmesi işlemi gerçekleştirilmektedir. Bu sayede hem enerji hem de zaman tasarrufu sağlanmıştır. Türkiye'de İstanbul ilinde gerçek zamanlı toplanan otopark verileri ile %99,57 doğrulukta sonuç elde edilmiştir. Önerilen modelin etkinliğini göstermek için makine öğrenmesi modelleri olan, SVM, RF ve ARIMA yöntemleri ile karşılaştırılmıştır. Tez çalışmasının devamında otopark kullanımında önemli etkisi olan hava durumu verileri AKOM'dan alınarak otopark verileri ile birleştirilmiştir. Zaman serileri tahmini problemlerinde yaygın olarak kullanılan ve başarısını ispatlamış olan GRU, LSTM ve RNN yöntemlerinden oluşturulan 27 farklı model ile bu veri seti üzerinden deneyler yapılmıştır. Elde edilen sonuçlarda GRU derin öğrenme modeli %99,11 doğruluk ve 0,90 MAE, 2,35 MSE ve 1,53 RMSE metrik değerleri ile en iyi sonucu vermiştir. Çeşitli hiper parametrelerle elde edilen deneysel sonuçlar, GRU derin öğrenme modelinin park doluluk oranlarını tahmin etmedeki başarısını açıkça göstermektedir. Elde edilen sonuçlar incelendiğinde derin öğrenme modellerinin park yeri tahminindeki yüksek doğruluk oranı, daha sürdürülebilir akıllı şehirler için akıllı park sistemlerinde kullanılabileceğini göstermiştir.In the era of Internet of Things (IoT) and smart city ecosystems, innovative smart parking systems are needed for more sustainable cities. With the increasing number of vehicles, smart parking systems are among the important issues in smart cities. The reason for this is that the search for insufficient parking places brings with it serious cost, air pollution and stress problems. The solutions that have been researched on smart parking systems are no longer sufficient. In this thesis, a new deep learning and cloud-based mobile smart parking application design has been developed to minimize the problem of drivers searching for parking spaces. Within the application, a service based on deep learning with LSTM has been developed to prediction the parking location. Here, dynamic access to the previously created LSTM-based model is provided via the user's mobile device, and the related parameters are entered and the occupancy rates of the parks are displayed on the mobile device. In this way, both energy and time savings were achieved. With real-time parking data collected in Istanbul, Turkey, results with an accuracy of 99.57% were obtained. To demonstrate the effectiveness of the proposed model, it was compared with machine learning models, SVM, RF and ARIMA methods. In addition, the weather data, which has a significant impact on the use of the parking lot, was taken from AKOM and combined with the parking data. Experiments were carried out on this data set with 27 different models created from RNN, LSTM and GRU methods, which are widely used in time series prediction problems and have proven their success. GRU deep learning model gave the best results with 99.11% accuracy and 0.90 MAE, 2.35 MSE and 1.53 RMSE metric values. Experimental results with various hyper parameters clearly demonstrate the success of the GRU deep learning model in predicting park occupancy rates. When the results obtained are examined, it has been shown that deep learning models can be used in smart parking systems for more sustainable smart cities, with high accuracy in parking loT prediction
A deep learning-based seed classification with mobile and web application
Get PDFTarımsal üretimde tohum kalitesi önemli bir faktördür. Son zamanlarda, tarım sektöründe üretkenliği arttırabilmek için gelişmiş teknolojilere ihtiyaç duyulmaktadır. Yapay zeka çalışmalarının tarım sektörüne dahil edilmesi bu ihtiyacın bir sonucu olarak ortaya çıkmıştır. Bazı tohumlar yapısı gereği küçüktür ve türler arasındaki farklılıkları tanımlayıp sınıflandırmak zordur. Geleneksel yöntemde, bu farklılıkları tanımlayıp sınıflandırmak uzmanlar tarafından morfolojik yapı, şekil, doku ve rengi göz önünde bulundurularak karar verilmektedir. Bu yöntemde sınıflandırma işlemi maliyetli, öznel ve zaman alıcı olduğu için tohum türlerini hızlı ve doğru bir şekilde tespit edebilen otomatik bir sistem geliştirilmesi gerekmektedir. Bu çalışmada, derin öğrenme tekniklerinden CNN kullanılarak hızlı bir şekilde tohum görüntülerini yüksek doğrulukta tespit eden ve sınıflandıran bir mobil uygulama ve web uygulaması geliştirilmiştir. Yaygın olarak bilinen 15 çeşit tohum görüntüsünden oluşan bir veri seti oluşturularak eğitim işlemi yapılmıştır. InceptionV3, Xception ve InceptionResNetV2 modellerinde %99 doğruluk, ResNet50 modelinde %98 doğruluk elde edilmiştir. Yüksek doğrulukta çalışan modelin mobil ortamda ve web ortamında çalışması sağlanmıştır. Ayrıca mobil uygulama sayesinde kullanıcıya tanımlanan tohumun morfolojik özellikleri ve kullanımı hakkında detaylı bilgiler verilmesi sağlanmıştır.Seed quality is an essential factor in agricultural production. In the recent years, advanced technologies are needed to increase productivity in the agricultural sector. The contribution of artificial intelligence studies in the agricultural sector has emerged because of this need. Some seeds are small in nature and it is difficult to identify and classify differences between species. In the traditional method, it is decided by experts to define and classify these differences, considering the morphological structure, shape, texture and color. This method involves a classification process that is costly, subjective and time confusing, what makes it necessary to develop a process that can automatically detect the type of seeds. In this study, a mobile application and web application has been developed that quickly detects and classifies seed images with high accuracy using CNN, one of the deep learning techniques. The training process was carried out by creating a dataset consisting of 15 widely known seed images. InceptionV3, Xception and InceptionResNetV2 models achieved 99% accuracy, and ResNet50 model 98% accuracy. The model, which works with high accuracy has been enabled to work in mobile and web environments. In addition, thanks to the mobile application, detailed information about the morphological characteristics and use of the seed identified was provided to the user
Comparison of k-means , hierarchical and em algorithms using lymphoma surgery data
Get PDFYÖK Tez No: 579544Bu çalışmada lenf kanseri verileri incelenerek ve lenf kanseri verileri kümelenerek, en optimize algoritmanın seçilmesi hedeflenmiştir. Belirli parametreler kullanılarak lenf kanseri verileri K-Means, Hiyerarşik ve EM algoritmaları ile kümelenerek, yeni eklenecek veriler için hazırlık yapılmıştır. Giriş bölümünde lenfomaya ait genel bilgiler verilmiş ve vücudun en çok hangi bölge veya organlarında karşılaşıldığı gösterilmiştir. Daha sonra lenf kanserinin tedavileri ve belirtilerinden bahsedilmiştir. Ardından çalışmada kullanılan kümeleme algoritmaları açıklanmış ve çalışma yönteminde bahsedilmiştir. Bu yöntemler için WEKA programı kullanılmıştır. Kümeleme işlemine başlamadan önce nominal olan veriler numerik hale getirilmiştir. Kümeleme işlemine başlamadan önce verilere normalize işlemi uygulanarak, 4 farklı küme belirlenmiştir. Sonuç bölümünde algoritmalar ile elde edilen bulgulardan anlatılmış ve bütün işlemler görsellerle sunulmuştur. Kümeleme işlemi tamamlandıktan sonra parametrelere uygun rastgele değerler verilerek sistemin doğruluğu test edilmiştir. K-Means, Hiyerarşik ve EM kümeleme algoritmaları uygulandıktan sonra ortaya çıkan sonuçlar ile kümeleme algoritmaları doğruluk ve hız bakımından karşılaştırılmıştır.In this study, it is aimed to select the most optimized algorithm by examining the lymph cancer data and clustering the lymph cancer data. Using certain parameters, lymph cancer data was clustered with K-Means, Hierarchical and EM algorithms and preparation was made for new data. In the introduction section, general information about lymphoma is given and in which region or organs of the body are the most encountered. Then, treatment and symptoms of lymph cancer are mentioned. Then, the clustering algorithms used in the study, are explained and mentioned in the study method. WEKA program was used for these methods. Before starting the clustering process, the nominal data were digitized and specific clusters were assigned for the key features of lymph cancer. Before the clustering process, normalization was applied to the data and 4 different clusters were determined. In the conclusion section, the results obtained by the algorithms are explained and all the operations are presented with visuals. After the clustering process was completed, the system was tested for accuracy by giving random values appropriate to the parameters. The results obtained after applying K-Means, Hierarchical and EM clustering algorithms were compared with the accuracy and speed of clustering algorithms
A deep learning analysis on Turkish question classification task using word2vec representations
Get PDFYÖK Tez No: 639475Soru sınıflandırması, otomatik soru cevaplama uygulamaları için temel bir çalışma alanıdır. Dilsel özellikler, doğru bir soru sınıflandırıcısı geliştirmede önemli bir rol oynamaktadır. Son zamanlarda, derin öğrenme sistemleri duygu analizi, belge sınıflandırma, spam filtreleme, doküman özetleme ve web madenciliği gibi çeşitli metin madenciliği problemlerinde dikkate değer bir başarı sağlamışlardır. Bu çalışmada, aglutinatif bir dil olan Türkçe'de bazı derin öğrenme mimarilerini kullanarak soru sınıflandırması alanı üzerinde çalışılmıştır. Hint dışı Avrupa dili olarak, Türkçe gibi diller doğal dil işlemeyi zorlaştıran bazı benzersiz özelliklere sahiptir. Bu çalışmada, derin öğrenme mimarilerini eğitmek ve test etmek için İngilizce'den Türkçe'ye çevrilmiş kullanıcı soruları kullanılmıştır. Bu tez çalışmasında iki büyük derin öğrenme modeli kullanılmıştır. Bunlar: Konvolüsyonel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM) ve bunlara ek olarak da ayrıca CNN-LSTM, CNN-SVM yapılarıdır. Bu çalışmada ilk önce, büyük bir korpus kullanılarak word2vec yöntemlerinden olan Skip-gram ve CBOW ile farklı özellik ve boyutta kelime vektörleri üretilmiştir. Çünkü bu çalışmadaki bir diğer amaç ise derin öğrenme mimarileri üzerinde önceden eğitilmiş farklı word2vec kelime gömmelerini kullanmanın sonuçlara olan etkisini incelemektir. Çalışmanın sonuçları, farklı derin öğrenme modellerinde farklı word2vec modellerinin kullanımının doğruluk oranı üzerinde önemli bir etkiye sahip olduğunu göstermektedir. Ayrıca, bu çalışmaya başlarken çalışmamıza uygun herhangi bir etiketlenmiş Türkçe soru veri seti bulunmadığından, bu çalışmadaki bir diğer katkı da UIUC İngilizce soru veri kümesinden çevrilen yeni Türkçe Soru veri tabanının tanıtılmasıdır. Buna ek olarak, derin öğrenme mimarilerinin başarı oranları doğruluk ve 10-Katlamalı Çapraz Doğrulama açısından karşılaştırılmıştır. Bu tez çalışmasında bahsedilen teknikleri kullanarak soru veri setinde %94 doğruluk oranına ulaşılmıştır.Question classification is a primary essential study for automatic question answering implementations. Linguistic features take a significant role to develop an accurate question classifier. Recently, deep learning systems have achieved remarkable success in various text-mining problems such as sentiment analysis, document classification, spam filtering, document summarization, and web mining. In this study, we explain our study on investigating some deep learning architectures for a question classification task in a highly inflectional language Turkish that is an agglutinative language where word structure is produced by adding suffixes (morphemes) to root word. As a Non-Indo European Language, languages like Turkish have some unique features, which make it challenging for natural language processing. For instance, Turkish has no grammatical gender and noun classes. In this study, user questions in Turkish are used to train and test the deep learning architectures. In addition to this, the details of the deep learning architectures are compared in terms of test and 10-cross fold validation accuracy. We use two major deep learning models in our paper: Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN), We also implemented the combination of CNN-LSTM, CNN-SVM structures and a number of various those architectures by changing vector sizes and the embedding types. As well as this, we have built word embeddings using the word2vec method with a CBOW and Skip Gram models with different vector sizes on a large corpus composed of user questions. Our another investigation is the effect of using different word2vec pre-trained word embeddings on these deep learning architectures. Experiment results show that the use of different word2vec models has a significant impact on the accuracy rate on different deep learning models. Additionally, there is no Turkish question dataset labeled and so another contribution in this study is that we introduce new Turkish Question Dataset which is translated from UIUC English question dataset. By using these techniques, we have reached an accuracy of %94 on the question dataset
In protocol AOMDV improved security application against the black hole attacks
Get PDFYÖK Tez No: 446973İletişimin büyük kısmını oluşturan kablosuz ağların kullanımı hızlı bir şekilde artmaktadır. Kablosuz ağların bir kolu olan tasarsız ağlar da akademik çevrede ilgi çeken bir çalışma alanıdır. Tasarsız ağlar sıklıkla hareketli düğümlerden oluşan alt yapısız kablosuz ağlardır. Tasarsız ağlarda düğümler hem diğer düğümlerle iletişim kurabilirler hem de paketleri ileterek yönlendirici görevi üstlenirler. Bu ağlar arama kurtarma, ofis, kampüs, konferans salonu, üniversite ve şehir ağlarında kullanılmaktadır. Tasarsız ağlarda düğümlerin hareketli olması, bir altyapının mevcut olmaması, bant genişliğinin ve güç kapasitesinin sınırlı olması bu ağların en önemli sorunlarındandır. Düğümlerin hareketliliği topolojinin hızlı bir şekilde değişmesine ve kurulan yolların bozulmasına neden olmaktadır. Topolojinin sık sık değişimi etkili bir yönlendirme protokolünün kullanımını gerektirmektedir. Bu ağların değişken, çok adımlı topolojiye sahip olması, düğümlerin hareketli olması ve kablosuz ağdan kaynaklanan sorunlar çok sayıda probleme neden olmaktadır. Bu çalışmada, ağın güvenliğini bozacak black hole ataklar tasarlayıp, ağın güvenirliğini artıracak güvenlik uygulaması geliştirilmiştir. Çalışmada tasarsız ağlarda kullanılan en güncel protokollerden birisi olan AOMDV protokolü kullanılmıştır. Bu amaçla, güvenlik uygulamasında senaryolar üretilmiş olup, daha sonra da bu senaryolardan yararlanılarak AOMDV protokolünde güvenlik uygulamasının yapısı oluşturulmuştur. Çalışmada simülasyon aracı olarak Network Simulator (NS 2) programının 2.35 sürümü ve diğer ağ simülasyon yazılımları için yardımcı programlar olan tracegraph202, APP-Tool-master grafik yazılımları kullanılmıştır.The use of wireless network forming the major part of the communication is increasing rapidly. Which is a branch of wireless ad hoc networks is also a work area that attracts attention in academic circles. Ad-hoc networks are typically composed of mobile nodes lower unstructured wireless networks. In ad-hoc network nodes can communicate with other nodes as they undertake the task of the router transmits both packages. These networks are search and rescue, office, campus, conference hall, university and city are used in the network. Be mobile nodes in ad-hoc networking, the absence of infrastructure, limited bandwidth and power capacity of the most important problem of this network. The topology of the nodes mobility leads to deterioration of rapid change and established ways. frequent changes of the topology requires the use of an effective routing protocol. variables of this network possess multistep topology is movable nodes and the problems arising from the wireless network causes many problems. In this study, the design of black hole attacks to disrupt network security, is a security application that will increase the reliability of the network developed. Most of the current protocols used in networks tasarsiz study, which is one of AOMDV protocol was used. For this purpose, scenarios are being produced in a security application, and then utilizing the aomdv Protocol security in these scenarios the structure of the application has been established. In the study as a simulation tool the network Simulator (ns-2) Version 2.35 of the program, and other network utilities for the simulation software tracegraph202 app-tool-master software was used for graphics
Application of decision support system with data mining methods in automotive sector in quality control
Get PDFYÖK Tez No: 488033Günümüzde otomotiv sektörü, gelişmiş ve hatta gelişmekte olan ülkeler için "anahtar" sektör rolündedir. Güçlü bir otomotiv sektörü, sanayileşmiş ülkelerin ortak özelliklerinden biri olarak gözümüze çarpmaktadır. Bu sektörde üretim birçok süreçten oluşmaktadır. Bu süreçlerin en önemli olanlarından biri de kalite kontroldür. Bu alanda ölçüm verileri çok fazladır ve verilerin hacmi arttıkça insanların anladığı oran azalmaktadır. Varyasyonlar kalitenin düşmanıdır ve her şeyde varyasyon bulunmaktadır. Bu tez çalışmasında veri madenciliği yöntemlerinden olan sınıflandırma algoritmaları ile kalite kontrol sürecinde bir karar destek sistemi uygulaması yapılmıştır. Bu çalışma hazırlanırken veri madenciliği için Çapraz Endüstri Standart İşlem Modeli (CRISP) kullanılmıştır. Çalışmada sınıflandırma algoritmaları sonuçların performansları Çapraz Geçerleme ve Hold-Out yöntemleri ile karşılaştırılmıştır. Çapraz geçerleme katı olarak 5 kat ve 10 kat çapraz geçerleme katı kullanılmıştır. Hold-Out yöntemi ile de %40-%60, %25-75, %20-%80 ayrım oranlarına sahip sırasıyla test ve eğitim veri setine ayrılmıştır. Karşılaştırma sonucunda karar ağacı ile kurulan modeller diğer modellerden daha iyi sonuç vermiştir. En iyi performansı gösteren C4.5 karar ağacı algoritmasının doğruluk oranı yaklaşık 0.87'dir. Yine başka bir karar ağacı olan Random Forest algoritması da yüksek bir doğruluk oranına ulaşsa da zaman performansı olarak geride kalmıştır. Bu iki algoritmayı performans olarak NaiveBayes ve SMO algoritmaları izlemektedir. Bu çalışmada ek olarak veri madenciliği yöntemlerinden biri olan veri görselleştirme teknikleri kullanılarak kalite analizi için bir uygulamaya da yer verilmiştir.Today, the automotive sector is the "key" sector for developed and even developing countries. A strong automotive sector is striking as one of the common features of industrialized countries. Production in this sector consists of many processes. One of the most important of these processes is quality control. The measurement data in this area is very large and as the volume of data increases, the rate that people understand is reduced. Variations are the enemy of quality and there is variation in everything. In this thesis study, a decision support system is applied in the quality control process with classification algorithms which are data mining methods. While this work was underway, the Cross Industry Standardized Processing Model (CRISP) was used for data mining. The performance of the results of the classification algorithms in the study was compared with the Cross Validation and Hold-Out methods. With the Hold-Out method, the test and training data set is divided into 40% -60%, 25-75%, 20% -80% discrimination ratios respectively. As a result of the comparison, the models established with the decision tree gave better results than the other models. The best performing C4.5 decision tree algorithm has an accuracy rate of about 0.87. Yet another decision tree, the Random Forest algorithm, has reached a high accuracy rate, but is still out of time performance. These two algorithms are followed by NaiveBayes and SMO algorithms in performance. In this study, an application for quality analysis using data visualization techniques, which is one of the data mining methods, is also included
Diagnosis in wearable medical devices using internet of things and fuzzy logic
Get PDFYÖK Tez No: 578737Nesnelerin interneti, çağımızın hızla büyüyen teknolojilerinden biridir ve temelde cihazların birbirleriyle iletişimde olması anlamına gelmektedir. Günümüz teknolojisinde nesnelerin interneti ile haberleşen giyilebilir cihazlara olan ilgi artmıştır. Akıllı cihazlar olarak adlandırılan bu cihazların başka cihazlarla iletişimi yapılarak uzaktan kontrol gibi kolaylıklar sağlanmaktadır. Akıllı cihazlar tıp alanında da sıkça kullanılmaktadır. Bu alanda giyilebilir tıbbi cihazlar hastaların vücuduna yerleştirilerek anlık veri akışı ve kontrol yapılmasına yardımcı olmaktadır. Bu çalışmada dünyadaki yaygın hastalıklardan biri olan Hipertansiyon hastalığı için giyilebilir tansiyon aletinin hastalık teşhisi yapması ve nesnelerin interneti ile haberleşmesi amaçlanmıştır. Hipertansiyon ciddi zararları olabilecek bir hastalıktır ve teşhisi yapılmadığı zaman hayati organlara zarar vererek ölümcül sonuçlara neden olabilmektedir. Yapay zeka, basitçe tanımlayacak olursak cihazların insan gibi düşünmesidir. Cihazların bu özelliği kazanması için bir konuyla ilgili bilgilerin cihaza öğretilmesi gerekmektedir. İlgili konuda uzman görüşü alınarak doğruluğundan emin olunan bilgiler cihazlara çeşitli yöntemlerle öğretilir. Yapay zeka uygulamalarından biri olan bulanık mantık, klasik mantıktan yani bir şey ya doğrudur ya yanlıştır olan iki seçenekli mantıktan farklı olarak insan düşüncesine yakın bir sonuç elde edilmesini sağlamaktadır. Yapılan çalışmada hipertansiyon teşhisinde bulanık mantık kullanılarak sonuç elde edilmiştir. Büyük kan basıncı, küçük kan basıncı ve yaş olmak üzere üç giriş parametresi kullanılmıştır ve hipertansiyon çıkış parametresi olarak verilmiştir. Daha önce yapılmış olan çalışmalarda giriş parametreleri sayısı farklıdır. Bu çalışmada sadece üç parametre ile etkili sonuç elde edilmiştir.The Internet of Things is one of the fastest growing technologies of our time and basically means that the devices communicate with each other. In today's technology, interest in wearable devices communicating with the Internet of things has increased. These devices, which are called smart devices, can be communicated with other devices to provide simplicity such as remote control. Smart devices are also frequently used in medicine. In this area, wearable medical devices are placed in the patients' body to help in instant data flow and control. In this study, it is aimed to diagnose the disease and communicate with the internet of the wearable sphygmomanometer for hypertension disease which is one of the common diseases in the world. Hypertension is a disease that can cause serious harm and can cause fatal results by damaging the vital organs when it is not diagnosed. Artificial intelligence is simply thinking of devices as human beings. In order for the devices to gain this feature, information on a subject must be taught to the device. The information that is sure to be correct by taking expert opinion is taught to the devices by various methods. Fuzzy logic, which is one of the applications of artificial intelligence, provides a result that is close to the idea of the human, unlike the classical logic, something that is either true or the two-choice logic that is wrong. In my study, fuzzy logic was used in the diagnosis of hypertension
Design and application of a safe and energy efficient new method at the network layer in the internet of things
Get PDFGeçen 10 yılı aşkın süre içerisinde Nesnelerin İnterneti (Internet of Things - IoT)'ni hedef alan saldırılar, internete bağlı akıllı cihazların ve uygulamaların yaygınlaşmasıyla endişe yaratan boyutta artış göstermiştir. Düşük Güçlü ve Kayıplı Ağlar için Yönlendirme Protokolü (Routing Protocol for Low-Power and Lossy Network - RPL), ağ katmanında Kablosuz Algılayıcı Ağlar için paketlerin, tercih edilen amaç fonksiyonuna uygun olarak düğümler arasında yönlendirilmelerini sağlar. Önemli görevi olan ve korunumu güç olan RPL, çeşitli saldırılara maruz kalmaktadır ve bu saldırılar, düğümler arası paket iletimini olumsuz etkilemektedir. Ayrıca kısıtlı olan enerji gibi kaynakların da tüketilmesine sebep olarak topolojiye büyük zarar vermektedir. RPL'ye karşı Hello Flooding (HF) saldırıları düğümlerde kısıtlı olan kaynakların (bellek, işlemci yükü ve enerji) tüketimine neden olmaktadır. Bu sebeple, RPL'ye gerçekleştirilen HF saldırılarının tespit edilmesi ve engellenebilmesi için etkili bir yönteme gereksinim vardır. Saldırı tespit sistemlerine derin öğrenme yöntemleri başarı ile uygulanabilmektedir. Bu tez çalışmasında, bir Yinelemeli Sinir Ağları (Recurrent Neural Networks - RNN) mimarisi olan Geçitli Tekrarlayan Birim derin öğrenme yöntemi ile IoT ağlarında zararlı düğümlerin sınıflandırılarak RPL kaynaklarının tüketimi hedefli saldırı tespit ve önleme yöntemi önerilmiştir. Önerilen yöntem, en yaygın kullanılan sınıflandırma algoritmalarından Destek Vektör Makinesi ve Lojistik Regresyon ile karşılaştırılmış ve düğümlerde enerji gibi kısıtlı olan kaynakların tüketimine neden olan RPL taşkın saldırılarından HF saldırı tespitinde daha başarılı sonuçlar verdiği çalışmamızda sunulmuştur. HF saldırısına karşı literatür araştırmalarına göre çok daha düşük bir yanılma ile saldırı tespit ve önleme gerçekleştirilmiştir.Over the past decade, attacks targeting the Internet of Things (IoT) have increased to a worrying extent with the widespread use of mobile devices and applications connected to the Internet. Routing Protocol for Low-Power and Lossy Network (RPL) allows packets to be routed between nodes in compliance with the desired purpose for the Wireless Sensor Network at the network layer. RPL, which has an essential role and is difficult to secure, is vulnerable to several attacks. These attacks have a negative impact on data transmission between nodes and, by consuming resources, cause great destruction of the topology. Hello Flooding (HF) attacks against RPL result in the consumption of limited resources (memory, processing and energy) in nodes. For this reason, there is a need for an effective method to detect and prevent HF attacks on RPL. Deep learning methods can be successfully applied to intrusion detection systems. In this thesis, Gated Recurrent Unit deep learning method, an improved version of Recurrent Neural Networks, has been proposed to predict and prevent HF attacks on RPL in IoT networks. The proposed approach has been compared with the two most commonly used classification algorithms, the Support Vector Machine and Logistic Regression, and it has been presented in this thesis that has been given more promising results in detecting HF attacks from RPL flood attacks which consume limited energy in nodes. In addition, detection and prevention of HF attacks has been performed with a much lower failure rate than literature research
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
- …
