Kablosuz algılayıcı ağlarda makine öğrenmeye dayalı enerji verimliliği ve güvenlik teknikleri
Machine learning based energy efficiency and securitytechniques for wireless sensor networks
- Tez No: 834716
- Danışmanlar: DR. ÖĞR. ÜYESİ TARIK VELİ MUMCU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Takviyeli Öğrenme, hesaplamalı yük boşaltma, mobil uç bilgi işlem ağları, denetimsiz anormallik tespiti, LSTM, autoencoder, Reinforcement learning, computational offloading, mobile edge computing networks, unsupervised anomaly detection, long-short memory autoencoder
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Bilim Dalı
- Sayfa Sayısı: 71
Özet
Kablosuz Algılayıcı Ağlar' ın (KAA) karşılaştığı zorluklar arasında enerji kısıtlamaları, veri toplama, güvenlik tehditleri, verimlilik, hesaplama gücü, enerji optimizasyonu, iletim gücü, büyük veri, anormallikler ve yönlendirme saldırıları vb. sayılabilir. Gerçek zamanlı algılama ve tüketilen enerjinin bir sonucu olarak üretilen bu büyük verilerin güvenliği korurken onu algılamak, analiz etmek, iletmek ve depolamak en önemli sorunlardır. Her ikisi de çeşitli yollarla elde edilebilir. Bilgi teknolojilerindeki gelişmeler ve ilerlemeler, KAAlar' ın yaşam beklentisi ve enerji kısıtlamaları üzerinde daha fazla baskı yarattı, ancak bunlar aynı zamanda, verimlilik elde etmeye, büyük verileri yönetmeye ve büyük verileri yönetmeye yardımcı olabilecek edge computing ve computational offloading gibi kavramları da literatüre tanıtırken, KAAlar' ın yaşam beklentilerinin iyileştirilmesi hedeflenmektedir. Çalışmalar, bu tekniklerin makine öğrenmesi (ML) kullanılarak revize edilmesinin durumu daha da iyileştirebileceğini öne sürmektedir. Bu çalışmada, KAAlar' ı enerji verimli ve güvenli hale getirmek için kenar hesaplamada kullanılan makine öğrenme tekniklerinin analizi yapılmıştır. Verimlilik, bir görevin bir kenar cihazda hesaplamak yerine bir sunucuya ne zaman boşaltılacağına dair akıllı kararlar veren takviyeli öğrenme tabanlı hesaplama boşaltma yöntemi kullanılarak sağlanılacaktır. Bunun dışında, kenar cihazlarının alarmları göstererek güvenlik açıklarına karşı koruma sağlamasını sağlamak için LSTM autoencoder kullanan denetimsiz makine öğrenme tabanlı anomali algılama tekniği önerilmiştir. Bunu başarmanın en iyi yollarını öneren dikkatli simülasyonlardan sonra görüntüler elde edilen veriler tez de sunulmuştur. Sonuç olarak araştırma, aynı algoritmayı izleyerek KAA' yı aynı anda enerji verimli hale getirme ve güvence altına alması için derin öğrenmeyi kullanmasındaki mevcut boşluğu ortaya koyar.
Özet (Çeviri)
Challenges faced by WSNs include energy constraints, data aggregation, security threats, efficiency, computational power, energy optimization, transmission power, big data, anomalies and routing intrusions etc. Among these big data produced as a result of real time sensing and energy being consumed to sense, analyze, transmit and store it while maintaining the security are the most considerable problems. Both can be achieved through number of ways. Advancements in the computing capabilities and routing has put forth more pressure on the life expectancy and energy constraints of WSNs but at the same time, these have also introduced the concepts like edge computing and computational offloading that can help in achieving efficiency, manage big data and improving life expectancy of WSNs. Studies have suggested that revising these techniques using ML (machine learning) can improve the situation more. This study has analyzed machine learning techniques being utilized in edge computing to make WSNs energy-efficient and secure. Efficiency was ensured using reinforcement learning based computational offloading technique that enabled intelligent decisions regarding when to offload a task to server instead of computing it at edge device. Apart from that, unsupervised learning based anomaly detection technique utilizing LSTM autoencoder was proposed to enable edge devices ensure protection against vulnerabilities by showing the alarms. Findings are displayed after careful simulations which suggest the best ways to achieve this. The research in the end also put forth the available gap for utilizing deep learning to secure and make WSNs energy efficient simultaneously (using single algorithm).
Benzer Tezler
- Büyük boyutlu gezgin kablosuz algılayıcı ağlarda düğümlerin lokalizasyonu için çapa düğümlerin optimizasyon yöntemleriyle yerleşimi
Anchor node placement with optimization methods for localization of nodes in large-scale mobile wireless sensor networks
FARUK BATURALP GÜNAY
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞRUL ÇAVDAR
- Kablosuz algılayıcı ağlarda yeni bir hibrit saldırı tespit sisteminin geliştirilmesi
Development of a new hybrid intrusion detection system in wireless sensor networks
HAMZA ELBAHADIR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBUBEKİR ERDEM
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- Bilişsel radyo ağlarında üst sezgiseller ile kanal atama probleminin çözülmesi
Solving channel assignment problem with hyper-heuristics in cognitive radio networks
EMRULLAH GAZİOĞLU
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE ŞİMA UYAR
- Kablosuz algılayıcı ağlarda yaşam süresi enbüyüklemesi için gezgin baz istasyonu konumlandırma eniyilemesi
Mobile base station position optimization for network lifetime maximization in wireless sensor networks
ÖMER ÇAYIRPUNAR
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ESRA KADIOĞLU ÜRTİŞ
DOÇ. DR. BÜLENT TAVLI