TR Dizin İndeksli Yayınlar / TR Dizin Indexed Publications Collection
Permanent URI for this collectionhttps://hdl.handle.net/11147/7149
Browse
3 results
Search Results
Publication Parmak İzlerinde Yönelim Kestirimi için \"sınıflandırma ile Regresyon\"(2023) Erdoğmuş, Nesli; Erdoğmuş, Nesli; 01. Izmir Institute of Technology; 03. Faculty of Engineering; 03.04. Department of Computer EngineeringParmak izi yönelim bilgisi, papil biçimini daha görünür kılma, öznitelik çıkarma, örüntü tipi sınıflandırma, dizinleme ve eşleştirme işlemleri için kritik role sahiptir ve bu sebeple parmak izi kimliklendirmede önemli bir rol oynar. Bu projede, parmak izi yönelimlerini daha düşük hata ile ve daha kısa sürede kestirebilen bir derin sinir ağı elde etmek için, hangi ayrıklaştırma, sınıf etiketleme, kodlama yöntemlerinin, farklı görevler için hangi kayıp fonksiyonlarının ve ne tür bir ağ modelinin seçilmesi gerektiği ve bu ağın eğitimi için elimizde bulunan veri kümesinin nasıl genişletilebileceği sorularına cevap aranmıştır. Buna yönelik olarak öncelikle tam evrişimli bir sinir ağı modeli eşit uzunluk, eşit olasılık ve K-ortalama tabanlı 3 farklı ayrıklaştırma, tek-etkin, sırasal ve döngüsel 3 farklı kodlama, beklenen değer ve en yüksek olasılıklı sınıf dikkate alınmak üzere 2 farklı kod çözme ve 5 farklı sınıf sayısı ile buna bağlı ayrıklaştırma sayısı kullanılarak toplamda 44 deney tasarlanmıştır. Bu deneyler sonucu en iyi performans gösteren konfigürasyonlar için ise farklı eğitim kümesi genişletme yöntemleri hem aynı model hem de bir görü dönüştürücü kullanılarak test edilmiştir. Çalışmalar sonucunda FOE-TEST veri kümesinde iyi parmak izlerinde 5.34°, kötü parmak izlerinde 8.67° ortalama karesel hata değeri elde edilmiştir.Article Performance Analysis and Feature Selection for Network-Based Intrusion Detection\rwith Deep Learning(2022) Caner, Serhat; Erten, Yusuf Murat; Erdoğmuş, Nesli; Caner, Serhat; Erten, Y. Murat; Erdoğmuş, Nesli; 03.04. Department of Computer Engineering; 01. Izmir Institute of Technology; 03. Faculty of EngineeringAn intrusion detection system is an automated monitoring tool that analyzes network traffic and detects\rmalicious activities by looking out either for known patterns of attacks or for an anomaly. In this study, intrusion\rdetection and classification performances of different deep learning based systems are examined. For this purpose, 24\rdeep neural networks with four different architectures are trained and evaluated on CICIDS2017 dataset. Furthermore,\rthe best performing model is utilized to inspect raw network traffic features and rank them with respect to their\rcontributions to success rates. By selecting features with respect to their ranks, sets of varying size from 3 to 77 are\rassessed in terms of classification accuracy and time efficiency. The results show that recurrent neural networks with a\rcertain level of complexity can achieve comparable success rates with state-of-the-art systems using a small feature set\rof size 9; while the average time required to classify a test sample is halved compared to the complete set.Research Project Parmak İzlerinde Yönelim Kestirimi için "sınıflandırma ile Regresyon"(2023) Erdoğmuş, Nesli; 03.04. Department of Computer Engineering; 03. Faculty of Engineering; 01. Izmir Institute of TechnologyParmak izi yönelim bilgisi, papil biçimini daha görünür kılma, öznitelik çıkarma, örüntü tipi sınıflandırma, dizinleme ve eşleştirme işlemleri için kritik role sahiptir ve bu sebeple parmak izi kimliklendirmede önemli bir rol oynar. Bu projede, parmak izi yönelimlerini daha düşük hata ile ve daha kısa sürede kestirebilen bir derin sinir ağı elde etmek için, hangi ayrıklaştırma, sınıf etiketleme, kodlama yöntemlerinin, farklı görevler için hangi kayıp fonksiyonlarının ve ne tür bir ağ modelinin seçilmesi gerektiği ve bu ağın eğitimi için elimizde bulunan veri kümesinin nasıl genişletilebileceği sorularına cevap aranmıştır. Buna yönelik olarak öncelikle tam evrişimli bir sinir ağı modeli eşit uzunluk, eşit olasılık ve K-ortalama tabanlı 3 farklı ayrıklaştırma, tek-etkin, sırasal ve döngüsel 3 farklı kodlama, beklenen değer ve en yüksek olasılıklı sınıf dikkate alınmak üzere 2 farklı kod çözme ve 5 farklı sınıf sayısı ile buna bağlı ayrıklaştırma sayısı kullanılarak toplamda 44 deney tasarlanmıştır. Bu deneyler sonucu en iyi performans gösteren konfigürasyonlar için ise farklı eğitim kümesi genişletme yöntemleri hem aynı model hem de bir görü dönüştürücü kullanılarak test edilmiştir. Çalışmalar sonucunda FOE-TEST veri kümesinde iyi parmak izlerinde 5.34°, kötü parmak izlerinde 8.67° ortalama karesel hata değeri elde edilmiştir.