TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
2 results
Search Results
Research Project Kablosuz Sualtı Algılayıcı Ağlarında Katmanlar Arası İletişim Ve Fırsatçı Spektrum Erişimi(TUBİTAK, 2018) Güngör, Vehbi Çağrı; Tuna, GürkanDünyamızın üçte ikisinden fazlası sularla kaplıdır. Denizlerden, göllerden ve_x000D_ nehirlerden oluşan sualtı dünyası doğal kaynaklar (petrol, doğalgaz ve değerli mineraller)_x000D_ bakımından oldukça zengin olup insanoğlu tarafından henüz tam olarak keşfedilememiştir._x000D_ Son yıllarda, bilimsel, çevresel, ticari ve askeri uygulamalarda kullanılmak üzere kablosuz_x000D_ sualtı algılayıcı ağların geliştirilmesi ve gerçekleştirilmesi noktasında endüstride ve_x000D_ akademide olağanüstü artan bir hızda ilgi olmuştur. Günümüzde sualtı algılayıcı ağlarının_x000D_ deprem izleme, denizbilim veri toplanması, felaket yönetimi, çevresel kirliliğin gözlemlenmesi,_x000D_ güvenli gemi seyri, çoklu ortam taktik izleme vb. alanlarda çeşitli uygulamaları bulunmaktadır._x000D_ Bununla birlikte, sualtı akustik ortamı güvenilir ve etkin kablosuz iletişim için ciddi zorluklar_x000D_ yaratmaktadır. Bu bağlamda, güvenilir ve etkin sualtı iletişimin sağlanması için özgün bir_x000D_ iletişim sistemi gerekmektedir._x000D_ Bu projede, kablosuz sualtı algılayıcı ağlarının ortak problemleri olan yayılım_x000D_ gecikmesinin yüksek ve değişken olması, sualtı kanal kapasitesinin yere, zamana ve_x000D_ frekansa bağlı olarak ciddi şekilde değişiklik göstermesi ve kablosuz sualtı algılayıcı_x000D_ düğümlerinin çok sınırlı enerjiye sahip olması gibi problemlerin adreslenmesi için konum_x000D_ farkında Katmanlar arası İletişim ve Fırsatçı Spektrum Erişim (Kİ-FSE) sistemi_x000D_ önerilmektedir. Geliştirilen Kİ-FSE sistemi kaynakları kısıtlı sualtı elemanları için geleneksel_x000D_ iletişim katman modelinde uygulama katmanından fiziksel katmana kadar iletişim_x000D_ katmanlarının yükünü azaltacak ve performanslarını geliştirecek tam bir katmanlar arası_x000D_ çözümdür. Ayrıca, Kİ-FSE sistemi sualtı ortamında etkin spektrum kullanımını sağlamak için_x000D_ fırsatçı spektrum erişim tekniklerinden faydalanmaktadır._x000D_ Genel olarak, bu projenin nihai sonucu sualtı ortamları için özgün katmanlar arası ve_x000D_ fırsatçı spektrum erişim esasına dayanan iletişim protokollerinin geliştirilmesi için gerekli_x000D_ metotların ve temel kavramların ortaya konmasıdır. Sonuç olarak; bu projenin kariyer ve_x000D_ eğitimsel faydalarına ilaveten, bu projenin sonuçlarıyla mümkün kılınabilecek sağlam ve_x000D_ geniş ölçekli sualtı algılayıcı ağları sualtı dünyasının bilimsel, çevresel, ticari, askeri, vb._x000D_ amaçlar için kapsamlı keşfini başarmayı mümkün kılacak ve sualtında bulunan yeni doğal_x000D_ kaynakların (petrol, doğal gaz, vb.) sualtı algılayıcı ağları tarafından keşfedilmesine önayak_x000D_ olacaktırArticle Citation - Scopus: 6Network Intrusion Detection Based on Machine Learning Strategies: Performance Comparisons on Imbalanced Wired, Wireless, and Software-Defined Networking (SDN) Network Traffics(Turkiye Klinikleri, 2024-07-26) Hacilar, Hilal; Aydin, Zafer; Güngör, Vehbi ÇağrıThe rapid growth of computer networks emphasizes the urgency of addressing security issues. Organizations rely on network intrusion detection systems (NIDSs) to protect sensitive data from unauthorized access and theft. 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 and classification performance for different types of network intrusions: wired, wireless, and software-defined networking (SDN). This research aims to fill this gap by examining these networks’ imbalances, feature selection, and binary classification to enhance intrusion detection system efficiency. Various techniques such as SMOTE, ROS, ADASYN, and SMOTETomek are used to handle imbalanced datasets. Additionally, eXtreme Gradient Boosting (XGBoost) identifies key features, and an autoencoder (AE) assists in feature extraction for the classification task. The study evaluates datasets such as AWID, UNSW, and InSDN, yielding the best results with different numbers of selected features. Bayesian optimization fine-tunes parameters, and diverse machine learning algorithms (SVM, kNN, XGBoost, random forest, ensemble classifiers, and autoencoders) are employed. The optimal results, considering F1-measure, overall accuracy, detection rate, and false alarm rate, have been achieved for the UNSW-NB15, preprocessed AWID, and InSDN datasets, with values of [0.9356, 0.9289, 0.9328, 0.07597], [0.997, 0.9995, 0.9999, 0.0171], and [0.9998, 0.9996, 0.9998, 0.0012], respectively. These findings demonstrate that combining Bayesian optimization with oversampling techniques significantly enhances classification performance across wired, wireless, and SDN networks when compared to previous research conducted on these datasets. © 2024 Elsevier B.V., All rights reserved.