Utku, Anıl

Successful completion of civil engineering projects involves complex interactions among various components such as managing costs, maintaining schedules, ensuring structural stability, and minimizing environmental impacts. Accurate risk prediction at the project level is important to support efficient resource planning and prevent potential delays or disruptions. Since traditional risk assessment methods based on expert judgments involve lengthy and subjective procedures, the development of data-driven and automated estimation systems is at the forefront. In this study, a comparative analysis of various machine learning methods such as RF, SVM, XGBoost, CatBoost, and LGBM for project risk assessments in civil engineering is presented. The dataset used in the study includes information on project type, cost change records and planning, and real-time history, as well as environmental data and safety documentation, and structural health measurements. Precision, accuracy, sensitivity, and F-score metrics were used to evaluate the models along with ROC-AUC measurements. Experimental studies showed that CatBoost and LGBM outperform the compared models with 95.5% accuracy.

AtıfTR Dizin1

İncele

Utku, Anıl

İnternet kullanımında yaşanan hızlı büyüme, siber tehditlerin çeşitlenmesine ve karmaşıklığının artmasına neden olmuştur. Bu durum, özellikle ağ güvenliği konusunda daha gelişmiş ve dinamik çözümler geliştirilmesini zorunlu kılmaktadır. Geleneksel güvenlik yöntemleri, özellikle güvenlik duvarları, belirli kurallar çerçevesinde çalıştığından, yeni nesil siber tehditlere karşı yetersiz kalabilmektedir. Güvenlik duvarları, ağ trafiğini izleyerek potansiyel tehditleri tespit eden ve engelleyen önemli araçlar olarak uzun yıllardır kullanılmaktadır. Ancak, statik kurallara dayanan geleneksel güvenlik duvarları, karmaşık ve dinamik tehditleri algılamada yetersiz kalmakta ve yüksek oranda yanlış pozitif/negatif sonuçlar üretmektedir. Bu durum, daha esnek ve kendini sürekli olarak geliştirebilen yapay zekâ tabanlı güvenlik çözümlerine olan ihtiyacı artırmıştır. Bu çalışmada, açıklanabilir yapay zekâ ve DNN tabanlı bir derin öğrenme modeli kullanarak güvenlik duvarlarındaki ağ trafiği loglarının analiz edilmesi hedeflenmiştir. Geliştirilen DNN tabanlı model, RF, kNN, SVM, LR ve XGBoost gibi popüler makine öğrenmesi algoritmalarıyla karşılaştırılarak performansı değerlendirilmiştir. Deneysel sonuçlar, geliştirilen DNN tabanlı modelin %99,87 doğruluk oranıyla karşılaştırılan modellerden ve literatürdeki çalışmalardan daha başarılı olduğunu göstermiştir.

İncele

Artuger, Firat

S-box, kriptografik yapılar için hayati öneme sahiptir. Çünkü bir simetrik şifreleme algoritmasında karıştırma olarak adlandırdığımız gereksinimi yerine getirmektedir. Bu yüzden geliştirilecek olan simetrik şifreleme algoritmasının başarımı önemli ölçüde s-box yapısına bağlı olacaktır. Bir s-box yapısı olabildiğince lineer bir yapıya sahip olmamalıdır. Yani bir s-box yapısının bakılması gereken en önemli kriteri yüksek lineer olmama değeridir. Lineer olmama değeri ne kadar yüksek olursa algoritmanın kırılması o kadar zor olacaktır. Bir s-box elde etmek için genellikle kaotik yöntemler kullanılmaktadır. Ancak bu şekilde elde edilen s-box yapılarında lineer olmama değeri düşüktür. Bu çalışmada özellikle bu şekilde üretilen s-box yapılarının lineer olmama değerini hızlı bir şekilde arttıran bir yöntem önerilmektedir. Bu yöntemde rastgele elde edilmiş bir s-box yapısında ilk değer sırasıyla diğer tüm elemanlarla yer değiştirilir. Bu şekilde s-box yapısının lineer olmama değeri artar veya eşit kalırsa s-box güncellenir. Bu şekilde sadece 255 iterasyon ile lineer olmama değeri 102.25 ‘den 107.5 ‘e kadar arttırılmıştır. Bir diğer s-box ‘da ise lineer olmama değeri 103.75 ‘den 107.25 ‘e çıkmıştır.

İncele