Cyberattacks targeting Internet of Things (IoT), have increased significantly, over the past decade, with the spread of internet-connected smart devices and applications. Routing Protocol for Low-Power and Lossy Network (RPL) enables messages to be routed between nodes for the Wireless Sensor Network in the network layer. RPL protocol, which is sensitive and difficult to protect, is exposed to various attacks. These attacks negatively affect data transmission and cause great destruction to the topology by consuming the resources. Hello Flooding (HF) attacks against RPL cause consumption of constrained resources (memory, processing and energy) in nodes. Therefore, in this study, a Gated Recurrent Unit network model based deep learning has been proposed to predict and prevent HF attacks on RPL protocol in IoT networks. The proposed model has been compared with Support Vector Machine and Logistic Regression methods, and different power states and total energy consumptions of the nodes have been taken into consideration and experimented with. The results confirm the promised and expected performance from the model in terms of source efficiency and IoT security. In addition, attack detection has been carried out with a much lower error rate than literature studies for HF attacks from RPL flood attacks.

Technological developments and transformations have rapidly risen since the Fourth Industrial Revolution. The prevalence of industrial devices interconnected over the wireless sensor networks and the provision of a sustainable data flow reveal the importance of the Industrial Internet of Things (IIoT). In the manufacturing industry, supervisory control and data acquisition (SCADA) systems are used to control IIoT for critical infrastructure. A cyberattack on the network-based communication structure embedded into the architecture of industrial equipment can significantly disrupt/sabotage product manufacturing and other industrial operations. The digitization of industrial control systems can expose the systems to malicious actors and therefore requires additional security solutions, such as intrusion detection systems (IDSs). Increasing sophistication of cyberattacks, industrial companies need to adopt innovative solutions like artificial intelligence (AI)-based attack detection to protect their valuable assets. In addition, AI-based approaches are more effective as they analyze network traffic, identify threats, and adapt to new attack techniques. This study aims to develop an AI-based IDS with high accuracy for SCADA security. In the study, cyberattacks that may occur against SCADA systems are examined. AI methods (including K-nearest neighbor, quadratic discriminant analysis, adaptive boosting, gradient boosting, and random forest) in different categories are used and AI models with various parameters are built. To improve the detection performance of the models, comprehensive experiments are carried out on two different SCADA data sets. As a result of experiments, the test accuracy rates exceeding 96.82% are achieved by all models: on the WUSTL-IIOT-2021 data set, the XGB model has outperformed with an accuracy of 99.99%.

Şehir sakinleri için daha sağlıklı bir yaşam ortamının sağlaması ve onların hava kirliliğine maruziyetinin en aza indirilmesi oldukça önemlidir. Bunun için yapılabilecek çalışmalar arasında kirletici parametrelerine ilişkin ölçümlerin düzenli olarak yapılması ve izlenmesi, hava kirliliğinin tahmin edilmesi ve insan sağlığı üzerindeki etkilerinin erken değerlendirilmesi yer almaktadır. Bu çalışmada, makine öğrenmesi yöntemleri kullanılarak hava kirliliği tahmini gerçekleştirilmiştir. İstanbul ili Başakşehir ilçesinde 2016-2021 yılları arasında ölçülen çeşitli hava kirleticilerine ilişkin günlük ortalama konsantrasyonları ile rüzgar yönü, rüzgar hızı ve hava basıncı değerleri kullanılmıştır. PM10, CO, SO2, O2 ve O3 kirleticilerin konsantrasyonları, Çoklu Doğrusal Regresyon, Destek Vektör Makinaları, K En Yakın Komşu, Karar Ağaçları, Rastgele Orman ve Çok Katmanlı Algılayıcı Sinir Ağı yöntemleri ile tahmin edilmiştir. Elde edilen sonuçlar karşılaştırıldığında PM10, CO, SO2 ve O3 konsantrasyonları tahmininde Rastgele Orman yöntemi, NO2 tahmininde ise Çoklu Doğrusal Regresyon, en iyi sonuçları sunmuştur.

Seed quality is a critical factor in crop production. Therefore, seed classification is required to obtain high-quality seeds and to enhance agricultural sustainability and productivity. This study focuses on the varietal classification of chickpeas, an important source of protein and fiber. Chickpea seed varieties can currently be identified by domain experts; their reliability and efficiency depend on the experience and skills of experts and are prone to human error. The design of classification models with high accuracy to assist in selection mechanisms is required for chickpea varieties. In this study, a novel hybrid methodology is proposed for the chickpea classification problem. This methodology combines three well-suited and robust components: feature extraction using three pre-trained models, feature selection with the ReliefF algorithm, and classification employing classical machine learning methods to enhance classification accuracy and efficiency. Various experiments have been conducted using the four hybrid models developed. Their performance has been compared in terms of accuracy, recall, F1-score, precision, and AUC. TL+SVM and TL+LDA outperformed the other models, with test accuracies of 94.4% and 94%, respectively. These results demonstrate the potential of a powerful model that will be beneficial as a component of computer vision systems in smart agriculture applications.

Hava kirliliği, günümüzde karşılaştığımız en büyük problemlerden bir tanesidir. İnsan sağlığı, iklim ve ekosistem üzerinde olumsuz etkilere yol açan hava kirliliğinin artmasında, atmosferdeki kirleticilerin miktarlarındaki artışın yanı sıra iç ortamlardaki hava kalitesininde katkısı olduğu bir gerçektir. Günlük yaşantısının büyük bir kısmını kapalı iç ortamlarda (evlerde, ofislerde, okullarda, hastanelerde, alışveriş merkezlerinde vb.) geçiren insanlar, ortamın havasındaki zararlı gazlardan ve partikül maddelerden etkilenmekte ve sağlık sorunları yaşayabilmektedir. Bu tarz ortamlardaki yaşam standartlarının insan yaşamı için optimum değerlerde tutulması ve insan sağlığını tehdit edebilecek faktörlerin belirlenerek ortadan kaldırılması ya da etkilerinin azaltılması gerekmektedir. Teknolojik gelişmeler sayesinde ortamın hava kalitesinin belirlendiği sistemler ile bu tarz sorunların ortadan kaldırılması mümkündür. Bu çalışma kapsamında, IoT tabanlı iç ortam hava kalitesi izleme sistemi gerçekleştirilmiştir. Oluşturulan sistem içerisinde Raspberry Pi 3 kontrol kartı, sıcaklık, nem, gaz ve ışık sensörleri kullanılmıştır. Sensörler aracılığıyla alınan iç ortam verileri, kontrol kartı aracılığıyla işlenerek elde edilmiş ve veri tabanına kaydedilmiştir. Hazırlanan web arayüzü ile iç ortamdaki yaşam koşullarına ilişkin bilgiler anlık olarak takip edilebilmektedir. Geliştirilen hava kalitesi formülü kullanılarak iç ortam hava kalitesi hesaplanarak kullanıcılara aktarılmaktadır. Taşınabilir donanım platformu ile herhangi bir iç ortamın hava kalitesinin tespit edilmesi sağlanmaktadır.

Günümüzde kullanıcılar satın aldıkları ürün ve/veya hizmetler ile ilgili görüş, öneri ve şikayetlerini e-ticaret sitelerinde paylaşmayı daha çok tercih etmekte veya diğer kullanıcıların yazdıkları yorumları dikkate alarak satın alma işlemine karar verebilmektedir. Duygu analizi, kullanıcıların ürünlere karşı tutumlarını belirlemede oldukça yararlıdır. Bu çalışmada, topluluk öğrenmesi tabanlı duygu analizi yapılması amaçlanmıştır. Bu amaçla, ilk olarak Amazon yemek yorum verileri üzerinde veri önişleme adımları gerçekleştirilmiş, metin önişleme yapılmış ve öznitelik mühendisliği ile veriler öğrenme modelleri için istenilen formata getirilmiştir. Daha sonra Rastgele Orman, CatBoost ve XGBoost topluluk öğrenmesi modelleri kullanılarak olumlu, olumsuz ve tarafsız (nötr) duygular şeklinde sınıflandırma yapılmıştır. Eğitim ve test doğruluğu, kesinlik, duyarlılık ve F1-skor metrikleri açısından sonuçlar değerlendirilmiştir. En yüksek %90,22 test doğruluk değerine Rasgele Orman ve CountVectorizer tekniğinin kullanıldığı sınıflandırmada ulaşılmıştır. Ayrıca web kazıma ile oluşturulan yeni bir veri seti üzerinde modeller test edilmiştir. Elde edilen sonuçlar işletmenin ürün ve hizmetleri ile ilgili bir öngörü sunmaktadır.