Data management system in IoTs using deep learning technique
Başlık çevirisi mevcut değil.
- Tez No: 700312
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde siber saldırılar meydana gelmekte ve siber saldırıların çeşitliliği, boyutu ve yoğunluğu artmaktadır. Bu tezde, Nesnelerin İnterneti'ndeki Saldırı tespit sisteminin tahmini için LSTM yöntemine dayalı derin öğrenme sinir ağı kullanılmıştır. Sonuçların değerlendirilmesi için Duyarlılık, Özgüllük, Doğruluk, Kesinlik, Geri Çağırma ve F1 Skoru ile sonuçları kullandık. Seçilen öznitelikler kullanılarak bir sınıflandırma metodolojisi önerilmiştir. Sonuç olarak önerilen model 41 özellik kullanılarak kullanılarak ortalama %92,94 doğruluk elde edilmiştir. Ayrıca CNN yönteminden elde edilen Duyarlılık ve Geri Çağırma için en iyi sonuç sırasıyla %94.30 ve %94.30'dur. Özgüllük, Doğruluk, Kesinlik ve F1 Skoru için Ensemble yöntemi en yüksek yüzdeye sahiptir ve sırasıyla %99.47, %93.43, %99.86 ve %95.75'e sahiptir.
Özet (Çeviri)
Nowadays, cyberattacks occurring and the variety, size and intensity of cyberattacks are increasing. In this thesis, the deep learning neural network based on the LSTM method is used to the prediction of the Intrusion detection system in the Internet of Things. For evaluation of the results, we used the results with Sensitivity, Specificity, Accuracy, Precision, Recall, and F1 Score. Using the selected features, a classification methodology is proposed. As a result, an average accuracy of 92.94% was achieved by using the proposed model with 41 features. Also, the best result for the Sensitivity and Recall obtained from the CNN method and is 94.30% and 94.30% respectively. For Specificity, Accuracy, Precision, and F1 Score, the Ensemble method has the highest percentage and it has 99.47%, 93.43%, 99.86%, and 95.75% respectively.
Benzer Tezler
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- CNN-based server state monitoring and fault diagnosis using infrared thermography
Kızılötesi termografi kullanarak CNN tabanlı sunucu durumu izleme ve arıza teşhisi
BELTUS NKWAWİR WİYSOBUNRİ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Bilim Dalı
DR. ÖĞR. ÜYESİ HAMZA SALİH ERDEN
PROF. DR. BEHÇET UĞUR TÖREYİN
- Data analysis with distributed machine learning methods in smart city applications
Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi
NAWAF ABDULLA
Doktora
İngilizce
2024
Yönetim Bilişim SistemleriGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRCİ
PROF. DR. SUAT ÖZDEMİR
- Veri merkezleri için makine öğrenmesi temelli izleme sistemi tasarımı
Machine learning based monitoring system design for data centers
METEHAN HAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH SEVİN
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN