Federe öğrenme kullanılarak nesnelerin interneti (IOT) verileri analizi
Analyzing internet of things (IOT) data using federated learning
- Tez No: 959536
- Danışmanlar: PROF. DR. TURGAY TUGAY BİLGİN
- 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: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 172
Özet
Endüstri 4.0 ve dijital dönüşüm süreçlerinin etkisiyle birlikte, üretim sektöründe veri temelli karar alma mekanizmalarına olan ihtiyaç önemli ölçüde artmıştır. Özellikle üretim hatlarında meydana gelen arızaların önceden tahmin edilmesi, kalite sapmalarının zamanında tespit edilerek müdahale edilmesi ve süreç verimliliğinin artırılması, modern endüstriyel sistemlerin en temel hedefleri arasında yer almaktadır. Bu bağlamda, büyük veri analitiği ve yapay zekâ tabanlı karar destek sistemleri, üretim süreçlerinin daha öngörülebilir ve esnek hale gelmesine önemli katkılar sunmaktadır. Ancak bu teknolojik kazanımlar, aynı zamanda veri güvenliği, gizlilik ve yasal düzenlemelere uyum gibi çeşitli kısıtlamaları da beraberinde getirmektedir. Geleneksel makine öğrenimi yaklaşımları, büyük veri kümelerinin merkezi sunucularda toplanarak işlenmesini gerektirirken, bu yöntemler özellikle hassas verilerin işlendiği üretim ortamlarında güvenlik risklerini artırmakta, iletişim maliyetlerini yükseltmekte ve hesaplama yükünü yoğunlaştırmaktadır. Bu sorunlara çözüm olarak ortaya çıkan FL (Federe Öğrenme), merkezi veri aktarımına ihtiyaç duymadan, verilerin yerel cihazlar üzerinde işlenmesini sağlayan dağıtık bir öğrenme yaklaşımı sunmaktadır. Bu tez çalışmasında, üretim hatlarında OPC (Süreç Kontrolü için Nesne Bağlantısı) protokolü kullanılarak toplanan sensör verilerinin FL mimarisi ile analiz edilmesi hedeflenmiştir. Önerilen sistemde, istemcilerden elde edilen sıcaklık, basınç ve hız gibi üretim parametrelerine ait veriler, merkezi sunucuya iletilmeden istemci tarafında işlenmiş; her istemcide eğitilen yerel modellerin parametreleri merkezi bir sunucuda birleştirilerek küresel model oluşturulmuştur. Bu süreçte veri gizliliğini artırmak amacıyla diferansiyel gizlilik ve güvenli model toplama protokolleri sisteme entegre edilmiştir. Ayrıca iletişim maliyetlerini azaltmak adına gradyan sıkıştırma ve seyrek güncelleme gibi optimizasyon teknikleri kullanılmıştır. Modelin başarımı; doğruluk, hassasiyet, hatırlama ve F1 skoru gibi klasik sınıflandırma metriklerinin yanı sıra, sistem gecikmesi, ağ trafiği, hesaplama verimliliği ve veri heterojenliğine karşı genelleştirme kabiliyeti gibi kriterler üzerinden de değerlendirilmiştir. Uygulama sonuçları, FL mimarisinin küçük ve büyük ölçekli istemci senaryolarında dahi tutarlı ve güvenilir performans gösterdiğini ortaya koymuştur. Asenkron haberleşme yapısı sayesinde düşük donanımlı istemcilerde bile başarılı model eğitimi gerçekleştirilmiştir. Ayrıca, sistemin veri ön işleme bileşeninde; eksik veri tamamlama, zaman damgası senkronizasyonu, anomali tespiti gibi gelişmiş teknikler kullanılmış ve bu sayede sensör verilerinin modellemeye uygun hale getirilmesi sağlanmıştır. Geliştirilen yapı, üretim süreçlerinin çeşitliliğine uyum sağlayabilecek esnek bir mimari sunmakta, aynı zamanda gerçek zamanlı ve güvenli analiz altyapısı oluşturmaktadır. Dolayısıyla, bu tez çalışması FL mimarisinin üretim sektörüne entegrasyonunu ele alarak, veri gizliliğini ihlal etmeden, dağıtık yapay zekâ çözümlerinin nasıl uygulanabileceğini detaylı bir şekilde ortaya koymuştur. Geliştirilen sistem, merkezi veri toplamaya gerek duymadan, çok lokasyonlu üretim ortamlarında çalışabilecek, ölçeklenebilir, güvenli ve yüksek performanslı bir analiz platformu sunmaktadır. Bu yönüyle FL, yalnızca akademik düzeyde değil, sanayi uygulamaları açısından da geleceğin dijital dönüşüm bileşenlerinden biri olmaya adaydır. İlerleyen çalışmalarda sistemin daha büyük veri kümeleriyle ve gerçek saha koşulları altında test edilmesi, uygulama kapsamını daha da genişletecektir.
Özet (Çeviri)
With the impact of Industry 4.0 and digital transformation processes, the need for data-driven decision-making mechanisms in the manufacturing sector has significantly increased. Anticipating equipment failures on production lines, detecting quality deviations in a timely manner, and enhancing process efficiency have become fundamental objectives of modern industrial systems. In this context, big data analytics and AI (artificial intelligence)-based decision support systems contribute substantially to making production processes more predictable and adaptive. However, these technological advancements also bring forth challenges such as data security, privacy concerns, and compliance with regulatory frameworks. Traditional machine learning approaches typically require the aggregation of large datasets on centralized servers, which poses considerable security risks, increases communication overhead, and imposes heavy computational burdens—especially in environments dealing with sensitive data. As a solution to these limitations, FL (Federated Learning) has emerged as a decentralized learning paradigm that allows model training on local devices without transferring raw data to a central location. This thesis investigates the application of FL in analyzing sensor data collected through the OPC (OLE (Object Linking and Embedding) for Process Control) protocol on production lines. In the proposed system, parameters such as temperature, pressure, and speed are processed locally at the client side without being transmitted to a central server. Instead, only the parameters of locally trained models are aggregated on a central server to construct a global model. To enhance data privacy, the architecture integrates differential privacy techniques and secure model aggregation protocols. Furthermore, optimization techniques such as gradient compression and sparse updates are implemented to reduce communication costs. The model's performance is evaluated using conventional classification metrics such as accuracy, precision, recall, and F1-score, as well as system-level metrics including latency, network traffic, computational efficiency, and generalizability under data heterogeneity. Experimental results demonstrate that the proposed FL framework delivers consistent and reliable performance across both small- and large-scale client scenarios. Moreover, the asynchronous communication structure enables successful model training even on low-resource client devices. In addition, the system's data preprocessing module employs advanced techniques including missing data imputation, timestamp synchronization, and anomaly detection to ensure that sensor data is properly prepared for modeling. The developed architecture offers a flexible structure adaptable to various production processes and provides a secure, real-time analytics infrastructure. In conclusion, this thesis presents a comprehensive implementation of Federated Learning in the manufacturing domain, illustrating how distributed AI solutions can be applied without violating data privacy. The proposed system enables scalable, secure, and high-performance analytics in multi-location industrial environments without relying on centralized data collection. These findings highlight the potential of FL not only as an academic concept but also as a critical component of future digital transformation initiatives in the industry. Future studies will aim to extend the system's applicability through testing with larger datasets and real-world industrial conditions.
Benzer Tezler
- Enhancing botnet detection using federated learning in iot networks
Iot ağlarinda federe öğrenme yöntemini kullanarak botnet tespitinin geliştirilmesi
NİLÜFER USLAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Distributed anomaly-based intrusion detection system for IoT environment using Blockchain technology
Dağıtılmış anomali tabanlı saldırı tespit sistemi Blockchain teknolojisi kullanılan IoT ortamı için
NOUHA HEJAZI
Yüksek Lisans
İngilizce
2022
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ
- Federated anomaly detection for log-based defense systems
Log tabanlı savunma sistemleri için federe olağandışılık tespiti
UĞUR ÜNAL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
PROF. DR. HASAN DAĞ
- du-CBA: veriden habersiz ve artırımlı sınıflandırmaya dayalı birliktelik kuralları çıkarma mimarisi
du-CBA: data agnostic and incremental classification based association rules extraction architecture
BÜŞRA BÜYÜKTANIR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ