Traıned monıtorıng for ıot network to ımprovement performance network based on deep learnıng algorıthms
Derin öğrenme algoritmalarına dayalı ağ performansını iyileştirmek için ıot ağlarının eğitimli izlenmesi
- Tez No: 979212
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti'nin (IoT) tanıtımı, farklı sektörlerdeki milyarlarca cihazın entegrasyonunu zorunlu kılarak büyük miktarda veri ve değişim yaratmıştır. Bununla birlikte, IoT'ler, ağlar arası iletişim ve ağların güvenliğini sağlama konusunda bazı zorluklarla karşılaşmaktadır. Gecikme, paket kaybı, tıkanıklık ve potansiyel güvenlik açıkları gibi ağ sorunları, ağ başlıklarının izlenmesini ve anomaliler açısından kontrol edilmesini zorunlu kılmaktadır. Bu tez, gerçek zamanlı IoT ağ izleme ve anomali tespitine yönelik derin öğrenmeye dayalı bir yaklaşım önermekte ve üç modele odaklanmaktadır: FFNN, CNN ve MLP, Derin Öğrenme Algoritmalarının popüler kategorileridir. Modeller, IoT ağ verilerini inceleyerek tutarsızlıkları belirlemek, arızalı düğümleri ayırt etmek ve gelecekteki sorunları teşhis etmek için MATLAB kullanılarak oluşturulmuş ve geliştirilmiştir. Modellerin sonuçlarını iyileştirmek amacıyla, Adam ve Momentumlu Stokastik Gradyan İnişi (SGDM) optimizasyon yöntemleri kullanılmıştır. Modeller sentetik IoT verileri üzerinde test edilmiş ve sonuçlar doğruluk, hassasiyet, geri çağırma ve F1 puanı gibi kalite kontrol göstergeleri kullanılarak vurgulanmıştır. Bununla birlikte, sonuçlar önerilen yöntemlerin, MLP ve CNN'nin FFNN, MLP-93 (%92,3), CNN-94 (%94), DT (%78,5) ve SVM (%85,7)'den daha yüksek doğruluk ve anomali tespit oranlarına sahip olduğu mevcut sonuçları iyileştirdiğini göstermektedir. Bu önemli gelişme, CNN'nin uzamsal ilişkiyi çıkarma ve MLP'nin IoT ağ verilerindeki doğrusal olmayan ilişkileri öğrenme verimliliğinden kaynaklanmaktadır. Mevcut araştırmada uygulanan diğer metodolojilerle karşılaştırıldığında, derin öğrenme modelleri karmaşık anormalliklerin belirlenmesinde daha yüksek bir doğruluk düzeyi sağlamakta ve bu da gerçek zamanlı IoT izleme için faydalıdır. Bu durumda, CNN modeli, ağ örüntülerinin belirlenmesi ve sorunların tahmin edilmesinde önceki modellere kıyasla dikkate değer bir gelişme göstermiştir. Bu sonuçlar, CNN ve MLP dahil olmak üzere derin öğrenme modellerinin, gerçek zamanlı IoT ağ performansı izleme ve anomali tespiti için geleneksel makine öğrenimi modellerine göre daha faydalı olduğuna dair güçlü bir sinyal vermektedir. Bu araştırmadan elde edilen sonuçlar, IoT ağlarının güvenilirliğini ve güvenliğini artırmada kullanılmak üzere şu şekilde genelleştirilebilir ve mevcut yönteme göre çok daha iyi bir çözüm sunar.
Özet (Çeviri)
The introduction of the IoT has forced the integration of billions of devices in different sectors, thereby creating huge data and change. Nevertheless, IoTs have some few challenges when it comes to internetworking and securing the networks. Networking problems like latency, packet loss, congestion and probable security holes make it imperative that networking headers are monitored and monitored are checked for anomalies. This thesis proposes a deep learning-based approach to real-time IoT network monitoring and anomaly detection, focusing on three models: FFNN, CNN, and MLP are the popular categories of Deep Learning Algorithms. The models were created and built with MATLAB to review IoT network data to identify discrepancies, distinguish malfunctioning nodes, and diagnose future problems. In an effort to enhance the outcome of the models, optimization methods of Adam and Stochastic Gradient Descent with Momentum (SGDM) was used. The models were tested on synthetic IoT data and the results highlighted by using the quality control indicators such as accuracy, precision, recall, and F1-score. However, the results show the proposed methods improve the existing results where MLP and CNN have higher accuracy and anomaly detection rates than FFNN, MLP-93 (92.3%), CNN-94 (94%), DT (78.5%), and SVM (85.7%). This considerable enhancement is due to efficiency of CNN for extracting spatial relationship and MLP to learn non-linear relationship in IoT network data. Comparing with other methodologies implemented in the current research, deep learning models provide a higher level of accuracy in the identification of sophisticated abnormalities, which is beneficial for real-time IoT monitoring. In this case, the CNN model showed remarkable improvement on its capability in the identification of network patterns and the prediction of issues as compared to prior models. These outcomes give a strong signal that deep learning models, including CNN and MLP, are more beneficial for real-time IoT network performance monitoring and anomaly identification than conventional models of machine learning. The work from this research can be generalized as follows to be used in improving the dependability and securability of the IoT networks while giving a much better solution than the current method.
Benzer Tezler
- SERU ÜRETİM KONTROLÜ İÇİN GERÇEK ZAMANLI GÖRÜNTÜ İŞLEME SİSTEMİ TASARIMI MODEL ÖNERİSİ
A PROPOSAL OF REAL TIME IMAGE PROCESSING SYSTEM DESIGN MODEL FOR SERU PRODUCTION CONTROL
MERVE ŞİŞCİ
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Profesör Doktor. ORHAN TORKUL
Doç. Dr. İHSAN HAKAN SELVİ
- Nesnelerin interneti platformları için makine öğrenmesi tabanlı bir tahmin modülü
A machine learning based prediction module for internet of things platforms
HALİL GÜLAÇAR
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Ultra low power IoT system for smart agriculture
Akıllı tarım için ultra düşük güçlü IoT sistemi
JANIB AGHA
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Bilgi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYKAL SARIOĞLU
- Yapay zeka ile KOAH hastalarının durum analizi ve IoT ilesolunum verilerinin takibi
Artificial intelligence-based analysis of COPD patients' condition and monitoring of respiratory data with IoT
MUHAMMED AYDINALP ÖZCAN
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN HÜSEYİN ÇELİK
- Yaşlı bakımında derin öğrenme ile video üzerinden sağlık durumunun takibi
Video surveillance of elderly person aimed to healthcare via deep learning
FAHRİ CİHAN ATTİLA
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriFırat ÜniversitesiEkobilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET İLYAS BAYINDIR