TR Dizin İndeksli Yayınlar / TR Dizin Indexed Publications Collection
Permanent URI for this collectionhttps://hdl.handle.net/11147/7149
Browse
5 results
Search Results
Now showing 1 - 5 of 5
Publication Parmak İzlerinde Yönelim Kestirimi için \"sınıflandırma ile Regresyon\"(2023) Erdoğmuş, NesliParmak 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; Erdoğmuş, Nesli; Erten, Y. MuratAn 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, NesliParmak 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.Research Project Gizli parmak izlerinin sentetik üretimi(2021) Erdoğmuş, Nesli154614.34 Öz: Parmak izi tanıma sistemleri sınır geçişleri, kişisel bilgilerin korunumu ve güvenliği ve adli incelemeler gibi bir çok alanda önemli bir yer tutmaktadır. Parmak izi, pasaportlardan, cep telefonlarına kadar gündelik hayata nüfus etmiş olması bir yana, kriminal vaka çözümlemelerinde de halen en çok kullanılan araçların başında gelmektedir. Bu önem, dünya nüfusundaki ve nüfus hareketliliğindeki artış ile birleşince otomatik parmak izi eşleştirme ve tanıma araştırmaları hız kazanmıştır. Ancak kişisel ve/veya adli veri olması, elde edilmesindeki güçlükler ve uzmanlık gereksinimi nedeni ile gizli parmak izlerinin araştırma amaçlı toplanmaları ve erişime açık hale getirilmeleri diğer araştırma alanlarına kıyasla güç olabilmektedir. Öte yandan çok sayıda parmak izi örneğine sahip olmak iki açıdan önem arz etmektedir: 1. Gerçek olay çözümlemelerinde ve kimlik tespitinde, parmak izi taraması büyük oranda milyonlarca kayıtlı parmak izi görüntüsü üstünde yapılmaktadır. Laboratuvar ortamında gerçekçi performans değerleri elde etmek için benzer büyüklükte veri kümeleri gerekmektedir. 2. Son yıllarda çok geniş bir uygulama alanı bulan ve bunların birçoğunda elde edilen başarım oranlarını çok daha ileri seviyelere taşıyan derin öğrenme yaklaşımlarının performansları ile eğitim veri kümesinin büyüklüğü arasında olumlu bir bağıntı mevcuttur. Yapay derin sinir ağlarının eğitimi için geniş veri kümelerine ihtiyaç vardır. Bu projede, yukarıda bahsedilen etkenlerden ikincisine odaklanılmış ve sentetik gizli parmak izi görüntülerinin parmak izi işleme ve tanıma sistemlerinin eğitimi ve testlerinde kullanılmak üzere üretilmesi hedeflenmiştir. Gerçek parmak izi eşleştirme senaryolarında tarama yapılan veri kümelerinin büyüklüğü ve derin öğrenme yaklaşımları ile elde edilen başarımların veri büyüklüğüne olan bağımlılığı sebebi ile sentetik ve gerçeğine yakın veri üretme beraberinde büyük avantajlar getirecektir. Proje kapsamında üretilen parmak izlerinin ne kadar gerçeğe yakın oldukları, derin öğrenme sistemlerinin başarım oranlarını ne kadar arttırdıkları ölçüsüne göre değerlendirilmektedir. Bu doğrultuda, parmak izi tanıma ve eşleştirme alt adımlarından sınıflandırma, özellik noktası tespiti ve papil çizgisi yönelimi kestirimi görevleri için derin yapay sinir ağları geliştirilmiş ve eğitim için kullanılan sentetik parmak izi verilerinin bu ağların performanslarına olan etkileri ölçülmüştür. Örnek sayısının az olduğu sınıflandırma görevinde dikkate değer bir artış gözlemlenirken, yama-tabanlı geliştirilen ve bu sebeple az örnek sayısı probleminin bertaraf edildiği özellik noktası tespiti ve papil çizgisi yönelimi kestirimi görevlerinde benzer bir etki gözlemlenmemiştir. Parmak izi üretimi için biri model, biri de istatistik tabanlı olmak üzere iki yaklaşım denenmiştir. Model tabanlı sistemde parmak izlerinin sınıfı, özellik noktaları, papil çizgisi yönelim ve frekansı gibi tüm faktörler kontrol/tespit edilebildiği için bu yöntemler üretilen parmak izleri için performans testleri yapılmıştır. Ancak, istatistik tabanlı sistemde çekişmeli üretici ağlar eğitilmiş, ancak imgelerin parmak izi sınıfı dışında bir meta veriye bağlı olarak üretilmeleri sağlanamamıştır.Article Citation - Scopus: 1Performance Analysis and Feature Selection for Network-Based Intrusion Detection With Deep Learning(Türkiye Klinikleri, 2022) Caner, Serhat; Erdoğmuş, Nesli; Erten, Yusuf MuratAn intrusion detection system is an automated monitoring tool that analyzes network traffic and detects malicious activities by looking out either for known patterns of attacks or for an anomaly. In this study, intrusion detection and classification performances of different deep learning based systems are examined. For this purpose, 24 deep neural networks with four different architectures are trained and evaluated on CICIDS2017 dataset. Furthermore, the best performing model is utilized to inspect raw network traffic features and rank them with respect to their contributions to success rates. By selecting features with respect to their ranks, sets of varying size from 3 to 77 are assessed in terms of classification accuracy and time efficiency. The results show that recurrent neural networks with a certain level of complexity can achieve comparable success rates with state-of-the-art systems using a small feature set of size 9; while the average time required to classify a test sample is halved compared to the complete set.