Doktora Tezleri
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/5800
Browse
5 results
Search Results
Doctoral Thesis Su Altı Sensör Ağları için Enerji Verimli İstikrarlı ve Güvenli Bir Haberleşme Tasarımı(2023) Uyan, Osman Gökhan; Güngör, Vehbi ÇağrıSualtı Akustik Sensör Ağları (UASN'ler), geniş uygulama yelpazesi ve gelişmekte olan teknolojisi nedeniyle son zamanlarda bilim insanlarının ilgisini çekmektedir. UASN'lerdeki bir tasarım zorluğu, sensörlerin sınırlı pil kaynağı ve su altı ortamındaki zorlu kanal koşullarının neden olduğu sınırlı ağ ömrü ve zayıf güvenilirliktir. Ayrıca, sensörler gizli dinleme saldırılarına karşı gizlenmesi gereken hassas veriler iletebilir. Belirli bir iletim istikrarı seviyesini korumak için, bu çalışmada paket çoğaltma ve çok yollu yönlendirme yöntemi önerilmiştir. Ancak bu yöntemler gizli dinleme saldırılarını daha kolay hale getirmektedir. Veri güvenliği için kriptografik şifreleme en çok bilinen yöntemlerdendir. Ancak, şifreleme fazladan enerji tüketen ve ağ ömründe azalmaya neden olan ekstra hesaplamalara ihtiyaç duyar. Gizli dinlemeye karşı şifreleme ile birlikte bir karşı önlem olarak, verinin parçalanması ve farklı yollar üzerinden parçalar halinde iletilmesi bu tezde önerilmiştir. Bu zorlukları ele almak adına, çok yollu yönlendirme, paket çoğaltma, şifreleme ve veri parçalamanın ağ ömrü üzerindeki etkilerini analiz etmek için bir optimizasyon çerçevesi geliştirilmiştir. Ancak, önerilen optimizasyon modelinin çözüm süresi oldukça yüksektir ve bazen uygulanabilir çözümler üretememektedir. Bu amaçla, bu çalışmada, optimizasyon modellerine tamamlayıcı yöntemler olarak sualtı düğümlerinin enerji tüketimlerini tahmin etmek için farklı regresyon ve sinir ağı yöntemleri önerilmiştir. Performans değerlendirmeleri, önerilen yöntemlerin oldukça doğru tahminler verdiğini ve UASN'lerde enerji tüketimi tahmini için kullanılabileceğini göstermektedir.Doctoral Thesis A reliable and secure communication design for underwater sensor networks concerning energy efficiency(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2023) UYAN, Osman Gökhan; Güngör, Vehbi ÇağrıUnderwater Acoustic Sensor Networks (UASNs) recently attract scientists because of its wide range of applications and emerging technology. A design challenge in UASN's is the limited network lifetime and poor reliability caused by limited battery supply of sensors and harsh channel conditions in underwater environment. Moreover, sensors might transmit sensitive data that must be disguised against eavesdropping attacks. To maintain a reliability level, packet-duplication and multi-path routing method are suggested, which renders eavesdropping attacks easier. For data security, cryptographic encryption is the most acclaimed method. However, encryption needs extra computations, which consume extra energy and cause a decrease in the network lifetime. As a countermeasure along with encryption against silent listening, fragmenting data and transmitting in pieces over different paths has been proposed. To address these challenges, an optimization framework has been developed to analyze the effects of multi-path routing, packet duplication, encryption, and data fragmentation on network lifetime. However, the solution time of the proposed optimization model is quite high, and sometimes it cannot come up with feasible solutions. To this end, in this study, different regression and neural network methods have been proposed to predict the energy consumptions of underwater nodes as supplementary methods to optimization models. Performance evaluations show that the proposed methods yield remarkably accurate predictions and can be used for energy consumption prediction in UASNs.Doctoral Thesis Makine Öğrenmesi Tabanlı Ağ Anomali Tespiti(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Hacılar, Hilal; Güngör, Burcu; Güngör, Vehbi ÇağrıIntelligent technologies have led to a significant rise in internet users and applications. However, this rise in internet usage has also brought serious security challenges. Organizations rely on Network Intrusion Detection systems (NIDS) to protect sensitive data from unauthorized access and theft. To enhance the capabilities of IDS, Machine Learning (ML) and Deep Learning (DL) techniques have been increasingly integrated into these systems. In this context, anomaly-based network intrusion detection surpasses other detection mechanisms significantly in several instances. These systems analyze network traffic to detect suspicious activities, such as attempted breaches or cyberattacks. However, existing studies lack a thorough assessment of class imbalances, feature selection and extraction methods, hyperparameter optimization, and classification performance for different types of network intrusions: wired, wireless, and Software Defined Networking (SDN). Additionally, existing methods may achieve high accuracy; they may suffer from high training times, low detection rate (DR), and computational complexity. By combining metaheuristics and neural networks, it is possible to solve complex optimization problems that are challenging to solve using conventional methods. To address these challenges, this thesis study first evaluates different network intrusion datasets, such as wired, wireless, and SDN, together, considering class imbalance, feature selection, and hyperparameter optimization tasks. Secondly, it proposes a novel hybrid approach combining Deep Autoencoder (DAE) and Artificial Neural Network (ANN) models trained by a parallel Artificial Bee Colony (ABC) algorithm with Bayesian hyperparameter optimization.Doctoral Thesis Nesnelerin İnterneti Tabanlı Araç Tipi Sınıflandırma ve Ağ Anomalisi Tespiti için Makine Öğrenmesi Yaklaşımları(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2024) Kolukısa, Burak; Güngör, Vehbi ÇağrıThis thesis presents innovative approaches in the realms of Intelligent Transportation Systems (ITS) and Network Intrusion Detection Systems (NIDS) within the Internet of Things (IoT). Leveraging IoT technologies, a low-cost, battery-operated 3-D magnetic sensor has been developed for ITS to enable the classification of vehicle categories. The research presents machine learning and deep learning models that are improved by using oversampling, feature selection and extraction methods, hyperparameter optimization, and converting signals into 2-D images. New methods have been proposed for vehicle type classification to boost classification performance and achieve an accuracy of up to 92.92%. Additionally, the increasing reliance on IoT devices for such applications introduces significant cybersecurity risks. To mitigate these vulnerabilities, a novel logistic regression model trained with a parallel artificial bee colony (LR-ABC) algorithm has been proposed for network anomaly detection. This model incorporates hyperparameter optimization to enhance detection capabilities, showcasing superior performance on popular benchmark NIDS datasets with accuracies of 88.25% and 90.11%. Overall, this research contributes to the advancement of IoT and IoT cybersecurity by offering robust, scalable, and efficient solutions. These innovations not only enhance vehicle type classification and network security in the IoT era but also pave the way for future IoT infrastructure development in an increasingly connected digital landscape.Doctoral Thesis Endüstriyel Ortamlarda Enerji Hasatlayan Çoğul Ortam Kablosuz Algılayıcı Ağları(Abdullah Gül Üniversitesi, Fen Bilimleri Enstitüsü, 2020) Tekin, Nazlı; Güngör, Vehbi ÇağrıSert kanal koşullarına sahip olan Endüstriyel Kablosuz Algılayıcı Ağ'larda (EKAA), enerji verimli ve güvenilir kablosuz iletişim sağlamak büyük önem taşımaktadır. Ağ güvenirliğini sağlarken aynı zamanda ağın ömrünü uzatmak da zor bir problemdir. Bu çalışmanın amacı, EKAA'ların ömrünün eniyilenmesidir. Bunu yaparken, endüstriyel ortamlar için uygun olan iç mekan güneş, termal ve titreşime dayalı Enerji Hasatlama (EH) yöntemleri tanımlanmış ve bunların ağ ömrüne katkıları araştırılmıştır. Uygulama güvenilirliğini ve EH yöntemlerini birlikte değerlendirerek, ağ ömrünü eniyilemek için yeni bir Karma Tamsayılı Programlama (KTP) modeli formüle edilmiştir. Ayrıca, Kablosuz Çoğul Ortam Algılayıcı Ağ'larında (KÇOAA) iletişim, büyük veri boyutu nedeniyle fazladan enerji tüketimine sebep olur. Bu nedenle, büyük veri boyutunu iletimden önce azaltmak önemli hale gelir.Bu amaçla, iletişim ve enerji dağıtım hesaplamalarını dikkate alırken, sıkıştırıcı algılama ve görüntü sıkıştırma gibi veri boyutu küçültme yöntemlerinin endüstriyel ağ ömrü üzerindeki etkisi değerlendirilir. Öte yandan, özellikle çok sayıda algılayıcılar bulunduran ağlar için KTP modelini uygun bir zamanda çözmek bir hayli zordur. KTP'nin zaman karmaşıklığı sorununun üstesinden gelmek için sezgisel tabanlı yöntemler geliştirilmiştir.