Optimizing network performance rough image processing techniques in omputer science it
Ağ performansını optimize etme bilgisayar bilimlerinde kaba görüntü işleme teknikleri bt
- Tez No: 957651
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 89
Özet
Nesnelerin İnterneti (IoT) ağlarındaki dijital koruma risklerini araştırmak için temel bir aygıt, Nesnelerin Botnet'idir (BoT-IoT) veri kümesidir. Bu inceleme, ham bilgileri RGB görüntülerine dönüştürerek ve ardından Destek Vektör Makinesi (SVM), K-En Yakın Komşular (KNN) ve Düzensiz Orman gibi hesaplamaları yararlı bir sınıflandırma modeline uygulayarak sipariş BoT-IoT bilgileriyle başa çıkmak için orijinal bir yol önermektedir. BoT-IoT veri kümesi, ilk önce her bileşen vektörünün görüntüdeki bir pikseli adreslediği RGB görüntülerine dönüştürülür. İlk bilginin mekansal verilerini korumak için, bu fotoğraflar bu şekilde .png tasarımında kaydedilir. Bu değişiklik etkileşimiyle IoT bilgi incelemesi için örnek tanıma ve görüntü düzenleme prosedürlerinin güçlü kapasitelerinden yararlanabiliriz. BoT-IoT veri kümesinden sağlanan RGB görüntüleri daha sonra toplu bir sınıflandırma yöntemi kullanılarak sıralandı. Topluluk, her biri genel sınıflandırma sorununa belirgin nitelikler katan en çarpıcı Düzensiz Orman sınıflandırıcıları, KNN ve SVM'yi içerir. Son sınıflandırma seçeneğinde ortaya çıkmak için, ayrı sınıflandırıcıların tahminleri ağırlıklı demokratik bir sistem kullanılarak paylaşılır. Önerilen strateji, topluluk modelinin genellikle %99,36'lık büyük bir kesinlik elde ettiği BoT-IoT veri kümesindeki deneme keşifleriyle kanıtlandığı gibi ikna edicidir. Dahası, model hassasiyet, inceleme ve F1 puanı açısından iyi performans göstererek, Nesnelerin İnterneti ağlarında zararlı eylemi zararsız hareketten ayırmadaki yeterliliğini sergiler. Topluluk ayarı içindeki her sınıflandırıcının bağlılığını açıklamak için iç ve dış inceleme de tamamlandı. Bu inceleme sınıflandırıcıların uygun özelliklerini ortaya çıkarır: Keyfi Timberland, yükseltilmiş spekülasyon için topluluk öğreniminin sınırını birleştirir, KNN yakındaki mahalle verilerinden yararlanır ve SVM test seçeneği sınırlarıyla başa çıkmada başarılı olur. Her durumda, bu çalışma topluluk öğrenim stratejileri ve RGB görüntü modelleri kullanarak BoT-IoT bilgi kaydıyla başa çıkmanın yeni bir yolunu sunar. Elde edilen olağanüstü kesinlik, bu stratejinin Nesnelerin İnterneti ağlarında dijital korumayı iyileştirme yeteneğini gösterir. Etkili ayırt edici kanıt ve kötü niyetli faaliyetlerin hafifletilmesi yoluyla, önerilen yaklaşım IoT güvenlik araştırmasının ilerlemesine katkıda bulunur ve ağ çerçevelerini ortaya çıkan dijital tehditlerden korur.
Özet (Çeviri)
A fundamental apparatus for exploring digital protection risks in Internet of Things (IoT) networks is the Botnet of Things (BoT-IoT) dataset. This examination proposes an original way to deal with order BoT-IoT information by changing over the crude information into RGB images and afterward applying calculations, for example, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Irregular Woodland to a helpful classification model. The BoT-IoT dataset is at first changed over into RGB images, where each component vector addresses a pixel in the image. To protect the spatial data of the first information, these photographs are in this manner saved in the.png design. We might take benefit of the strong capacities of example acknowledgment and image regulation procedures for IoT information examination with this change interaction. The RGB images delivered from the BoT-IoT dataset were then sorted utilizing an aggregate classification method. The ensemble includes the most striking Irregular Woodland classifiers, KNN, and SVM, every one of which contributes unmistakable qualities to the general classification issue. To show up at the last classification choice, the estimates of discrete classifiers are shared utilizing a weighted democratic system. The recommended strategy is compelling, as proven by trial discoveries on the BoT-IoT dataset, where the ensemble model accomplishes a great exactness of generally 99.36%. What's more, the model performs well with regards to precision, review, and F1-score, exhibiting its adequacy in isolating noxious action from harmless movement in Internet of Things networks. Inside and out review was likewise finished to explain every classifier's commitment inside the ensemble setting. This examination uncovers the fitting properties of the classifiers: Arbitrary Timberland consolidates the limit of ensemble learning for upgraded speculation, KNN makes utilization of nearby neighbourhood data, and SVM succeeds at dealing with testing choice limits. In any case, this work offers a new way to deal with BoT-IoT information recording using ensemble learning strategies and RGB image models. The extraordinary exactness achieved features this strategy's capability to improve digital protection in Internet of Things networks. Through effective distinguishing proof and alleviation of pernicious activities, the proposed approach adds to the advancement of IoT security exploration and safeguards networked frameworks from arising digital threats.
Benzer Tezler
- Araç-yol etkileşimi ortamında sinyalize kavşaklarda kişi gecikmesini enküçükleyen bir algoritma
An algorithm minimizing person delay in isolated signalized intersections in vehicle-to-infrastructure environment
ABDULLAH KARADAĞ
Doktora
Türkçe
2025
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ERGÜN
- Building energy consumption modeling and prediction using data-driven models
Bina enerji tüketimi modelleme ve tahmini için veri odakli modeller
SODABA ROGH
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiOSTİM TEKNİK ÜNİVERSİTESİElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL AVCIBAŞ
- Network protocols and performance analysis of mpls (multiprotocol label switching) with traffic engineering
Ağ protokolleri ve mpls (çok protokollü etıket anahtarlaması) ile trafik mühendisliği performans analizi
MUSTAFA MAHMOOD HAMZA HAMZA
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA DANACI
- Network digital twins: Tackling challenges and enhancing wireless network management
Ağ dijital ikizleri: Sorunları ele alma ve kablosuz ağ yönetimini geliştirme
ELİF AK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- Düşük güçlü ve kayıplı kablosuz sensör ağlarında topolojinin ağ kurulumunda enerji tüketimine etkisi
The effect of network installation on low power and lossy wireless sensor networks on energy consumption
NAMIK CEYLAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN