Nesnelerı̇n ı̇nternetı̇nde anomalı̇ tespı̇tı̇ ı̇çı̇n görüntü dönüşümü
Image transformation for anomaly detection in internet of things
- Tez No: 935403
- Danışmanlar: DR. ÖĞR. ÜYESİ FEYZA YILDIRIM OKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Nesnelerin İnternetinin (Internet of Things / IoT) hızla yaygınlaşması, IoT verilerinin yüksek boyutlu, gürültülü ve heterojen yapısı nedeniyle anomali tespitinde önemli zorluklar ortaya çıkarmıştır. Geleneksel yöntemler genellikle güvenlik ihlallerine veya sistem arızalarına işaret edebilecek anomalileri etkili bir şekilde tespit etmekte zorlanmaktadır. Bu tez, zaman serisi verilerini Evrişimsel Sinir Ağları (Convolution Neural Networks / CNN'ler) tarafından analiz edilmek üzere görsel temsillere dönüştürmek için görüntü dönüştürme tekniklerini —Gramian Açısal Toplama Alanı (Gramian Angular Summation Field/ GASF), Gramian Açısal Farkı Alanı (Gramian Angular Difference Field/ GADF), Markov Geçiş Alanları (Markov Transition Field / MTF) ve Yineleme Grafikleri (Recurence Plots / RP)— kullanarak anomali tespitine yönelik yeni bir yaklaşım önermektedir. Model, verileri görüntülere dönüştürerek uzamsal ve zamansal örüntüleri daha iyi yakalayabilmekte ve böylece tespit doğruluğunu artırmaktadır. Ayrıca, birleşik ve sağlam bir tespit modeli oluşturmak için GASF, GADF, MTF ve RP'yi birleştiren çoklu görüntü dönüştürme tekniklerinin ortalama tabanlı bir füzyonunu sunmaktadır. TON_IoT Network veri kümesi üzerinde değerlendirilen önerilen model, ikili sınıflandırmada %98,95 ve çok sınıflı sınıflandırmada %97,05 doğruluk elde ederek bağımsız tekniklerden daha iyi performans göstermiştir. Bu sonuçlar, IoT sistemlerinde anomali tespitini önemli ölçüde geliştirmek için görüntü tabanlı yöntemlerin potansiyelini vurgulamakta ve IoT ağlarının güvenliğini sağlamak için daha etkili bir çözüm sunmaktadır. Çalışma aynı zamanda bu tekniklerin gerçek zamanlı uygulanmasına ve daha büyük, kaynak kısıtlı IoT ortamlarında ölçeklenebilirliğine yönelik gelecekteki araştırmaların önünü açmaktadır.
Özet (Çeviri)
The rapid expansion of the Internet of Things (IoT) has introduced significant challenges in anomaly detection due to the high-dimensional, noisy, and heterogeneous nature of IoT data. Traditional methods often struggle to effectively detect anomalies that may signal security breaches or system malfunctions. This thesis proposes a novel approach to anomaly detection using image transformation techniques —Gramian Angular Summation Field (GASF), Gramian Angular Difference Field (GADF), Markov Transition Fields (MTF), and Recurrence Plots (RP)— to convert time-series data into visual representations for analysis by Convolutional Neural Networks (CNNs). By transforming the data into images, the model is able to better capture spatial and temporal patterns, thereby improving detection accuracy. The research also introduces an average based fusion of multiple image transformation techniques, combining GASF, GADF, MTF, and RP, to create a unified and robust detection model. Evaluated on the TON_IoT Network dataset, the proposed model achieved 98.95% accuracy in binary classification and 96.56% accuracy in multiclass classification, outperforming standalone techniques. These results highlight the potential of image-based methods to significantly enhance anomaly detection in IoT systems, offering a more effective solution for securing IoT networks. The study also paves the way for future research into the real-time application of these techniques and their scalability in larger, resource-constrained IoT environments.
Benzer Tezler
- 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
- Nesnelerin internetinde uç bilişim için güven yönetim modeli
Trust management model for edge computing in the internet of things
BURCU BOLAT AKÇA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS
- Selecting the ideal approach for rationalization of electrical energy consumption in smart building management using machine learning
Akıllı bina yönetiminde elektrik enerjisi tüketiminin rasyonalizasyonu için ideal yaklaşımın seçilmesi, makine öğrenimi kullanımı
AHMED GHANIM DAOUD ALDAOUD
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Gedik ÜniversitesiMühendislik Yönetimi Ana Bilim Dalı
PROF. DR. GÖZDE ULUTAGAY
DR. ÖĞR. ÜYESİ TUĞBAY BURÇİN GÜMÜŞ
- A distributed blacklisting protocol for iot device classification using the hashgraph consensus algorithm
Hashgraph consensus algoritması kullanarak ıot cihazının sınıflandırılması için dağıtık karalisteleme protokolü
OZAN TARLAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KÜBRA KALKAN ÇAKMAKCİ
DR. ILGIN ŞAFAK
- Çok görünümlü kümeleme için karınca koloni optimizasyonu temelli bir yaklaşım
An ant colony optimization based approach for multi-view clustering
MELİKE ERTÜRK
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA