Yazar "Asarkaya, Serdar" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Akıllı Sensör Verileri Üzerinde Makine Öğrenmesi Yöntemleri Kullanılarak İnsan Aktivitelerinin Tanımlanması
    (Sivas Cumhuriyet University, 2022) Asarkaya, Serdar; Ünsal, Emre
    Akıllı sensör teknolojilerindeki gelişmeler ve giyilebilir cihazların maliyetlerinin düşmesi sonucunda bu cihazlardan elde edilen sensör verileri kullanılarak günlük insan aktivitelerinin tanımlanmasına yönelik nesnelerin interneti tabanlı çalışmalar günümüzde önemli bir araştırma konusudur. İnsan aktivitelerinin tanımlanması sağlık, hasta takibi ve güvenlik gibi alanlarda aktiviteye bağlı sorunların çözümüne katkı sağlayabilmektedir. Bu çalışma, akıllı sensörlerden elde edilen veriler üzerinde makine öğrenmesi yöntemlerini kullanarak insan aktivitelerinin tanımlanmasını amaçlamaktadır. Çalışmada Karar Ağacı, OneVsOne ve Çok Katmanlı Algılayıcı sınıflandırıcıları ile modeller oluşturulmuş ve aktiviteleri içeren veri seti ile eğitim ve test aşamaları gerçekleştirilmiştir. Elde edilen sonuçlar karşılaştırılmış ve en iyi sonuca Çok Katmanlı Algılayıcı modeli ile ulaşıldığı görülmüştür.
  • Küçük Resim Yok
    Öğe
    DDOS SALDIRILARININ MAKİNE ÖĞRENİMİ ALGORİTMALARIYLA TESPİTİ
    (Fenerbahçe University, 2021) Asarkaya, Serdar; Kaynar, Oğuz; Yelmen, İlkay; Yıldırım, Fazlı; Zontul, Metin
    DDoS saldırıları, network saldırıları içerisinde en sık rastlanan saldırı türüdür. Bu saldırılar sonucunda bireyler ve şirketler para, itibar ve zaman kaybı gibi sorunlarla uğraşmak zorunda kalmaktadırlar. Saldırıları önleme amaçlı farklı yöntem ve sistemler denenmekle birlikte sorunların tamamen ortadan kalktığı söylenemez. Sorunlara çözüm önerilerinden birisi saldırıların erken tespit edilmesidir. Bu çalışma; DDoS saldırılarının tespiti için saldırıların makine öğrenmesi yöntemleriyle sınıflandırılmasını amaçlamaktadır. Çalışmada, seçilen veri setindeki veriler optimize edilmiş ve K-Nearest Neighbours, Multi Layer Perceptron, Support Vector Machine ve Random Forest sınıflayıcı modelleri geliştirilmiştir. Değerlendirmede ROC eğrileri ile Precision, Recall, F1-Score ve Accuracy metriklerinden yararlanılmıştır. En yüksek doğruluk oranı olan %99’a Multi Layer Perceptron modelinde ulaşılmıştır.