Nesnelerin interneti temelli veri kümesinde sentetik azınlık aşırı örnekleme tekniği ile güçlendirilmiş makine öğrenimi yaklaşımlarının performans analizi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, YAZILIM MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: ELA KALİFATİ

Danışman: Kerem Küçük

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Nesnelerin İnterneti (IoT) cihazlarından toplanan veriler genellikle dengesiz sınıf dağılımı sergilemekte ve bu durum, makine öğrenimi tabanlı saldırı tespit sistemlerinin performansını önemli ölçüde düşürmektedir. Bu çalışmada, sınıf dengesizliği problemini ele almak amacıyla Sentetik Azınlık Örnekleme Tekniği (SMOTE) yöntemi kullanılmış ve dört farklı makine öğrenimi algoritmasının (K-En Yakın Komşu, Destek Vektör Makineleri, Lojistik Regresyon ve Çok Katmanlı Algılayıcı) performansı kapsamlı bir şekilde değerlendirilmiştir. Deneylerde kullanılan ToN_IoT veri seti, yedi farklı IoT cihazından alınan verileri içermekte olup, veriler eğitim, doğrulama ve test olmak üzere üç ayrı küme halinde bölünmüştür. SMOTE uygulandıktan sonra, özellikle Hareket Işığı, GPS Takip ve Garaj Kapısı gibi azınlık sınıfların baskın olduğu cihazlarda doğruluk ve F1-skor değerlerinde önemli iyileşmeler gözlemlenmiştir. Örneğin, Çok Katmanlı Algılayıcı (MLP) algoritması, Garaj Kapısı cihazında doğruluğu %55'ten %97'ye yükseltirken, Lojistik Regresyon (LR) modeli test veri kümesinde %100 doğruluk oranına ulaşmıştır. Bu sonuçlar, SMOTE yönteminin sınıf dengesizliği sorununu etkili bir şekilde azalttığını ve makine öğrenimi modellerinin sınıflandırma performansını belirgin şekilde artırdığını göstermektedir. Çalışmanın bulguları, özellikle IoT tabanlı güvenlik sistemlerinde, veri setindeki azınlık sınıfların tespit yeteneğinin geliştirilmesi açısından önemli katkılar sunmaktadır. Bu araştırma, dengesiz veri setleri üzerinde SMOTE gibi yeniden örnekleme tekniklerinin kullanımının, saldırı tespit sistemlerinin başarısını artırmada etkili bir yöntem olduğunu kanıtlamaktadır. Gelecek çalışmalarda, farklı örnekleme stratejilerinin kombinasyonlarının veya hibrit modellerin performansa etkisi incelenebilir.