Geri Dön

Sunucularda makine öğrenme algoritmaları ile erkenanomali tespiti

Early detection of server anomalies using machinelearning algorithms

PDF İndir

  1. Tez No: 1007509
  2. Yazar: MUHSİN KÖPRÜLÜ
  3. Danışmanlar: DOÇ. DR. ATINÇ YILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, kurumsal sunucu altyapılarında anomali tespiti için veri odaklı ve çok katmanlı bir makine öğrenimi yaklaşımı önermektedir. Çalışmada, gerçek bir BT ortamındaki ondokuz sunucudan bir hafta boyunca toplanan çok değişkenli performans metrikleri kullanılmış; veriler zaman senkronizasyonu, eksik değer giderme, uç değer düzenleme ve özellik çıkarımı adımlarından geçirilmiştir. Ayrıca Z-Score, IQR ve Isolation Forest tabanlı otomatik etiketleme yöntemleri uzman doğrulamasıyla birleştirilerek hibrit bir etiketleme stratejisi geliştirilmiştir. Dört anomali tespit algoritması (Isolation Forest, LOF, One-Class SVM, Elliptic Envelope) hem per-server hem de global veri setleri üzerinde değerlendirilmiştir. Per-server modellerin sunucuya özgü davranış örüntülerini daha doğru temsil ettiği ve özellikle yüksek precision değerleriyle başarılı sonuçlar ürettiği görülmüştür. Global model ise tüm altyapıya ilişkin genel davranış eğilimlerini yakalamakta etkili olsa da, heterojen sunucu davranışları nedeniyle per-server modellerin ortalama başarısının gerisinde kalmıştır. Sonuç olarak tez, kurumsal ortamlarda anomali tespiti için bağlam duyarlı per- server modellemenin yüksek doğruluk sunduğunu; global modelin ise sistem geneli görünürlük açısından tamamlayıcı bir rol üstlendiğini ortaya koymaktadır. Bu yaklaşımın, BT izleme süreçlerinin iyileştirilmesi, yanlış alarm oranlarının azaltılması ve sistem kararlılığının artırılması açısından uygulanabilir bir çözüm sunduğu değerlendirilmektedir.

Özet (Çeviri)

This thesis proposes a data-driven and multi-layered machine learning approach for anomaly detection in enterprise server infrastructures. The study utilizes multivariate performance metrics collected over one week from twenty servers operating in a real corporate IT environment. The raw data underwent time-series synchronization, missing value handling, outlier correction, and feature extraction processes. In addition, a hybrid labeling strategy was developed by combining automatic labeling methods based on Z-Score, IQR, and Isolation Forest with expert validation. Four anomaly detection algorithms—Isolation Forest, Local Outlier Factor (LOF), One-Class SVM, and Elliptic Envelope—were evaluated on both per-server (local) and global (combined) datasets. The results show that per-server models more accurately capture server-specific behavioral patterns and produce strong results, particularly through their high precision scores. While the global model effectively captures system-wide behavioral trends, its overall performance remains lower than that of the per-server models due to the heterogeneity of server workloads. In conclusion, the thesis demonstrates that context-aware per-server modeling provides higher accuracy for anomaly detection in enterprise environments, while the global model serves as a complementary layer by offering system-wide visibility. This approach is assessed to provide a practical and applicable solution for improving IT monitoring processes, reducing false-positive rates, and enhancing overall system stability.

Benzer Tezler

  1. Tez No

    964929

    Anomaly detection in ınternet of medical things using deep learning

    Anomaly detect ionin internet of medical things using deep learning

    AYŞE BETÜL BÜKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  2. Tez No

    750985

    IoT için makine öğrenmesi tabanlı saldırı tespiti

    Machine learning based intrusion detection for IoT

    AYÇA NUR KAHYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mühendislik BilimleriEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN

  3. Tez No

    863387

    New edge computing offloading methods for next generation wireless networks

    Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri

    BESTE ATAN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. LÜTFİYE DURAK ATA

  4. Tez No

    856677

    Detecting malicious activity inside of the network

    Ağ içerisindeki kötü niyetli aktivitelerin tespiti

    AYŞENUR KUMBASAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ENVER ÖZDEMİR

  5. Tez No

    729822

    Makine öğrenmesi algoritmaları ile kalp hastalığı tahmini

    Prediction of heart disease with machine learning algorithms

    GÜNEŞ GÜRSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ASAF VAROL

Geri Dön