Yazar "Özalp, Ahmet Nusret" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Seyir halinde kural ihlali yapan araçların plakalarının belirlenmesi
    (Karabük Üniversitesi, 2012) Özalp, Ahmet Nusret; Görgünoğlu, Salih
    Trafik kazalarının bir sebebi de sürücü hatalarıdır. Hata yapan sürücülerin kullandığı araçların plakalarının doğru bir şekilde tespit edilmesi, hızlarının belirlenmesi önem arz eder. Bu çalışmada, öncelikli olarak görüntü işleme prensipleri hakkında bilgi verilmekte, araçların plakalarının belirlenmesi gerçek zamanlı hızlarının ölçülmesi, istenen güzergah üzerindeki araç sayısının hesaplanması ve araç yoğunluğunun belirlenmesi gerçekleştirilmiştir.Araçların hızlarının ölçülmesinde çok çeşitli yollar kullanılmaktadır. Bunların en yaygın olanı trafik araçları üzerinde bulunan sabit yada mobil radar teknolojileridir. Günümüzde gerçek zamanlı görüntü alan aygıtlar vasıtasıyla kurulan sistemlerle de hız ölçüm işlemi yapılmaktadır. Araç sayısının belirlenmesi, trafik yoğunluğunun öngörülmesi noktasında önemlidir. Böylece trafik denetimlerinin yapılacağı istikametlerin belirlenmesi, bu denetimlerin ne şekilde hangi zaman aralıklarında yapılacağına ilişkin sonuçlar elde edilebilecektir. Günümüzde manuel ya da elektronik sistemlerle yapılan bu işlemlerin, gerekli donanım alt yapısı hazırlanarak bilgisayar ortamında yapılması, bu tezde geliştirilen yazılımla gerçekleştirilmiştir.
  • Küçük Resim
    Öğe
    SİBER SALDIRILARIN TESPİTİNDE YAPAY ZEKÂ TABANLI ALGORİTMA TASARIMI
    (2023-04) Özalp, Ahmet Nusret
    İnternet ağlarındaki hızlı genişleme bilgisayar ağlarında güvenliğin sağlanmasını zorlaştırmaktadır. Siber saldırıların tespiti ve önlenmesi zorlu bir süreçtir. Bu saldırıların tespiti ve önlem alınması için Saldırı Tespit Sistemleri (IDS'ler) ve Saldırı Önleme Sistemleri (IPS’ler) geliştirilmiştir. Farklı güvenlik çözüm önerilerinin çeşitlendirilmesine rağmen IDS'lerin hala düşük algılama doğruluğu (Acc), Yanlış Negatifler (FN) ve Yanlış Pozitifler (FP) gibi bazı zayıf yanları bulunmaktadır. Bu sorunların giderilmesinde ise izinsiz giriş tespit doğruluğunu artırmaya yardımcı olan ve yanlış negatif oranını ve yanlış pozitif oranını büyük ölçüde azaltan Yapay Zeka (YZ) çözümleri ve Makine Öğrenimi (ML) teknikleri kullanılmaktadır. Siber uzaydaki tehditlerin belirlenmesinde yapay zekâ yöntemleriyle birleştirilerek siber saldırılara karşı yeni yöntemler önerilmektedir. Bu araştırmalar siber güvenlik alanında makine öğrenmesi ve derin öğrenme yöntemlerinin geleneksel kural tabanlı algoritmalara karşı daha başarılı sonuçlar ortaya çıkardığını göstermiş olsada; hala geliştirilen saldırı modellerinden IDS'lerin düşük algılama doğruluğu, Yanlış Negatifler (FN) ve Yanlış Pozitifler (FP) gibi saldırıların tespit edilmesinde eksik yönleri bulunmaktadır. Bu tez çalışmasının ilk bölümünde bilgisayar ağlarına yönelik siber saldırıların tespitinde veri setindeki özelliklerin frekans etkileri incelenmiştir. İlk olarak veriseti içindeki özniteliklerin frekansları belirlenmiştir. Belirlenen özniteliklerin yüksek frekans özelliklerinin siber saldırıları tespit etmedeki etkisi, yaygın olarak kullanılan makine öğrenme algoritmaları Random Forest (RF), J48, Naive Bayes (NB) ve Multi-Layer Perceptron (MLP) ile incelenmiştir. Her bir algoritmanın performansı Kesinlik (P), FP, Doğruluk (Acc) ve Gerçek Pozitif (TP) Oranı istatistikleri dikkate alınarak değerlendirilmiştir. NSL-KDD veri setindeki farklı tipteki siber saldırıların tespiti makine öğrenmesi algoritmaları ile analiz edilmiştir. Saldırı tespitinde makine öğrenmesi algoritmalarının başarı kriterleri olarak P, Receiver Operating Characteristic (ROC), F1 skoru, hatırlama ve doğruluk istatistikleri seçilmiştir. Sonuçlar, yüksek frekansa sahip özelliklerin saldırıları tespit etmede etkili olduğunu göstermiştir. Tez çalışmasının ikinci bölümünde yaygın olarak görülen siber saldırıların tespit edilmesinde iki farklı veriseti kullanılarak 4 farklı saldırı tespit modeli önerilmiştir. Tasarlanan saldırı tespit modelleri NSL-KDD ve CICIDS2018 verisetleri ile test edilmiştir. Önerilen modellerde ilk olarak verisetleri ön işlem ile normalize edilmiştir. Daha sonra hibrit modelde kullanılan Long Short-Term Memory (LSTM) ve Convolutional Neural Network (CNN) algoritmaları ile normalize edilmiş verilerden öznitelik çıkarım işlemi yapılmıştır. Son aşamada LightGBM ve XGBoost algoritmalarının saldırıları tespit edilmesi için sınıflandırma algoritması olarak kullanılmıştır. Önerilen modellerin test edilmesinde doğruluk, kesinlik, recall ve F1 score parametreleri kullanılmıştır. Yapılan deneysel çalışmada SQL Injection, Brute Force ve Denial-of-Service Attack (DoS) atakların tespitinde XGBoost algoritmasının daha başarılı sonuçlar elde ettiği görülmüştür. Önerilen bir diğer modelde ise CNN-LSTM/LightGBM algoritmaları ile yapılan testlerde, yaygın olarak görülen 14 saldırı türünün tespitinde başarılı olduğu görülmüştür.