Nesnelerin internetinde derin öğrenmeye dayalı veri analizi ve bilgi çıkarımı
Deep learning based data analysis and information extraction in the internet of things
- Tez No: 651828
- Danışmanlar: PROF. DR. SUAT ÖZDEMİR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 155
Özet
Nesnelerin İnternetinde (Internet of Things / IoT) cihaz sayısı ve üretilen veri miktarı hızlı bir şekilde artmaktadır. Bu artış mimari ve teknik açıdan birçok zorluğu beraberinde getirmektedir. Mimari açıdan ölçeklenebilirlik, esneklik, birlikte çalışabilirlik, servis kalitesi ve güvenlik gibi zorluklar bulunmaktadır. Büyük veri açısından ise verinin toplanma kalitesi, depolanması, iletimi ve analizi konularında büyük zorluklar yaşanmaktadır. Bu tez çalışmasında IoT'nin veri ve mimari zorluklarını gidermek için derin öğrenmeye (Deep Learning / DL) dayalı çözümler geliştirilmiştir. İlk olarak, IoT verilerinin gelecek değerlerini tahmin eden iki DL modeli önerilmiştir. Bu DL modelleri hava kirliliğine neden olan nitrojen dioksit ve ozon gazlarının gelecekteki değerlerini tahmin etmek için kullanılmıştır. Önerilen DL modelleri kullanılarak özgün bir hava kalitesi tahmin sistemi geliştirilmiştir. Deneysel sonuçlar, geliştirilen hava kalitesi tahmin sisteminin gelecekteki hava kalitesi seviyelerini %94.9 başarı oranıyla tahmin ettiğini göstermiştir. İkinci olarak, IoT uygulamalarında hem veri kalitesini artıracak hem de veri yönetimini kolaylaştıracak yeni bir protokol tasarımına odaklanılmıştır. Bu kapsamda öncelikle DL'ye dayalı üç eksik veri tahmin modeli önerilmiştir. Daha sonra, önerilen DL modellerini bünyesinde barındıran özgün bir eksik veri tahmin protokolü (DeepMDP) geliştirilmiştir. Geliştirilen protokolün gerçek dünya senaryosunda test edilebilmesi için kaynak kısıtlı cihazlardan oluşan yeni bir testbed mimarisi (DeepArch) oluşturulmuştur. Elde edilen sonuçlar, DeepMDP protokolünün eksik verileri %75 başarı oranıyla tahmin ettiğini göstermiştir. Ek olarak protokol, tasarlanan testbed üzerinde kenar, sis ve bulut hesaplama yaklaşımlarıyla test edilmiştir. Elde edilen sonuçlara göre protokolün kenar hesaplama yaklaşımında ağ performansını önemli ölçüde (veri boyutu %34 daha az, toplam sistem gecikmesi sırasıyla sis ve bulut hesaplamaya göre %8.64 ve %6.24 daha az) iyileştirdiği görülmüştür. Son olarak, sis hesaplamanın temel zorluklarına çözüm olabilecek yapay zeka destekli yeni bir katman (Foglet) önerilmiştir. Foglet katmanı sis hesaplamadaki görev aktarım problemi için kullanılmıştır. Adreslenen problem görev aktarımında %94.8 başarı sağlayan derin pekiştirmeli öğrenme yaklaşımıyla çözülmüştür. Ayrıca Foglet'e dayalı önerilen yaklaşımının görev hesaplama, görev aktarım ve toplam sistem gecikmesini sırasıyla %35, %6 ve %16 azalttığı görülmüştür.
Özet (Çeviri)
The number of devices and the amount of generated data are increasing rapidly in the Internet of Things (IoT). This increase brings along many architectural and technical difficulties. Architecturally, there are challenges such as scalability, flexibility, interoperability, quality of service, and security. In terms of big data, there are great difficulties in the quality of data collection, storage, transmission and analysis. In this thesis, deep learning (DL) based solutions are developed in order to address data and architecture related challenges of IoT. Firstly, two DL models are proposed that predict future values of IoT data. These DL models are used to predict the future values of nitrogen dioxide and ozone gases that cause air pollution. A novel air quality prediction system is developed by using the proposed DL models. Experimental results show that the developed air quality prediction system predicts the future air quality levels with a 94.9% success rate. Secondly, we focused on a new protocol design that will both increase data quality and facilitate data management in IoT applications. In this context, initially three DL based missing data prediction models are proposed. Then, a novel missing data prediction protocol (DeepMDP) that incorporates the proposed DL models is developed. A new testbed architecture (DeepArch) consisting of resource constrained devices is created in order to test the developed protocol in a real world scenario. The obtained results show that DeepMDP protocol predicts missing sensor data with a 75% success rate. In addition, the developed protocol is tested on the designed testbed with edge, fog and cloud computing approaches. According to the results, it is seen that the protocol significantly improved the network performance (34% less data size, total system delay 8.64% and 6.24% less than fog and cloud computing approaches, respectively) in the edge computing approach. Finally, a novel AI-supported fog control layer (Foglet) is proposed to solve the main challenges of fog computing (FC). Foglet layer is employed for the task offloading problem in FC. The addressed problem is solved using a deep reinforcement learning (DRL) approach that achieves approximately 94.8% success in task offloading. Also, it is observed that Foglet-based DRL approach reduces task computation, task offloading, and overall system delays by 35%, 6%, and 16%, respectively.
Benzer Tezler
- Endüstriyel nesnelerin internetinde derin öğrenme ve dempster shafer teorisine dayalı karar verme
Deep learning and dempster shafer theory based decision-making in the industrial internet of things
NADER EBRAHIMPOUR
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞRUL ÇAVDAR
- Iot data privacy and security based on blockchain technology
Blok zincir teknolojisi tabanlı nesnelerin internetinde veri gizliliği ve güvenliği
MOHAMMED TALIB RAHEEM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSA AVCI
- Comparison of intrusion detection for the internet of things with machine and deep learning methods
Makine ve derin öğrenme yöntemleri ile nesnelerin interneti için saldırı tespitinin karşılaştırılması
SIHAM AMAROUCHE
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- 5G data communication defect detection on the internet of things using advanced deep learning techniques
Geliştirilmiş derin öğrenme tekniklerini kullanarak şeylerin internetinde 5G veri iletişim kusur tespiti
AHRAR NEAMAH MAHMOOD MAHMOOD
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Nesnelerin internetinde ağ katmanında güvenli ve enerji verimli yeni bir yöntem tasarımı ve uygulaması
Design and application of a safe and energy efficient new method at the network layer in the internet of things
SEMİH ÇAKIR
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN TOKLU
DR. ÖĞR. ÜYESİ NESİBE YALÇIN