Dijitalleşme ile suç dünyası da dijital bir hale gelmiştir ve internet üzerinden işlenen suçların sayısı her geçen gün artmaktadır. Siber suçlular ve saldırganlar kimliklerini gizlemek ve şifreli iletişim sağlamak için Karanlık Ağ adı verilen ve internet üzerinde bulunan gizli ağları kullanmaktadırlar. Karanlık Ağlar normal internet altyapısından farklı ve özel erişim yöntemlerine sahiptirler. Bu ağlara yapılan tüm erişimler şüphelidir ve incelenmesi gerekmektedir. Karanlık Ağ, şifreli iletişim sağladığı için günümüz güvenlik araçları ile tespit edilmesi ve sınıflandırılması zordur. Bu çalışmada şifreli ağ trafiği deşifreleme işlemi yapılmadan sadece paketlerin istatistiki bilgileri makine öğrenmesi yaklaşımı kullanılarak analiz edilmiştir. Veri seti olarak açık kaynak olan CICDarknet2020 veri seti kullanılmıştır. Paket analizi için K En Yakın Komşu, Lojistik Regresyon, Rassal Orman, SVM, Karar Ağacı, Gaussian Naive Bayes, Doğrusal Ayrımcı Analiz, Gradyan Artırma, Ekstra Ağaç ve XGBoost algoritmalarını kapsayan detaylı bir deneysel çalışma gerçekleştirilmiştir. Yapılan deneysel çalışmalarda Karar Ağacı algoritmasının %93,32 doğruluk oranı ile en yüksek sınıflandırma başarısına sahip olduğu görülmüştür.

Kablosuz sensör ağlar, medikal, askeri, endüstriyel, tarım ve çevresel uygulamada alanı izlemek için yoğun olarak kullanılmaktadır. Bu ağlarda birçok sensör düğüm bulunmaktadır ve bu düğümler kısıtlı kaynaklar sahiptir. Ayrıca bu sensör düğümler tekrar şarj özelliğinin çok olmaması nedeni ile enerjilerini bittiği durumlarda tekrar kullanılamaz hale gelmektedir. Enerji tüketiminin verimli kullanılması bu ağlardaki en önemli çalışma alanlarından biridir. Kümeleme yaklaşımı düğümlerin dağıtıldığı alanı kümelere ayırır ve her küme için bir küme başı seçer. Küme başı küme içerisinde bulunan sensör düğümlerden algılanan verileri toplar, birleştirir ve baz istasyonuna iletir. Kümeleme enerji tüketimini azaltarak ağın ömrünü uzatır. Bu çalışmada ızgara temelli kümeleme işlemi yapılmış ve en çok komşuluğa sahip düğüm küme başı olarak seçilmiştir. Küme başı enerjisi azaldığında ilgili küme içerisinde en çok ikincil komşuluğa sahip düğüm küme başı seçilmektedir. Önerilen yöntem MATLAB simülasyon ortamında gerçekleştirilmiştir. Çalışmada elde edilen bulgular incelendiğinde önerilen yöntemin, kümeleme yapılmadan oluşturulan ağlara kıyasla %60 daha uzun ömürlü olduğu ve sensör düğümlerde enerji tüketiminin verimli hale getirildiği gözlemlenmiştir.

Industrial Internet of Things (IIoT) environments are increasingly exposed to sophisticated cyberattacks, creating a growing need for intrusion detection systems (IDSs) that balance high accuracy with computational efficiency. Although existing studies primarily focus on classification performance, they often overlook deployment costs and model interpretability. To address these challenges, this study presents BOSE (Bayesian-Optimized Stacked Ensemble), an intrusion detection system that combines hybrid feature selection, Bayesian hyperparameter optimization, Out-of-Fold (OOF) stacking with leakage-free meta-feature generation, and SHAP-based explainability. Hybrid feature selection reduces the original feature space from 84 to 46 informative features, while Bayesian Optimization is used to determine the hyperparameter configuration of the ensemble models and leakage-free OOF stacking enables reliable meta-learning. Experimental results on the 50-class DataSense benchmark show that BOSE achieves a Macro-F1 score of 88.43% over ten independent runs, outperforming all directly comparable baseline models evaluated under the same end-to-end 50-class classification setting while remaining competitive with recent hierarchical multi-stage frameworks. In addition, the proposed model achieves an inference latency of 0.1421 ms, a throughput of 7035 packets/s, a runtime memory footprint of 19.11 MB, and a model size of 309.12 MB. These results demonstrate the CPU-based inference feasibility of the suggested framework under the evaluated workstation configuration and indicate its potential applicability to industrial edge gateways and industrial PCs. The proposed dual-level SHAP solution improves model transparency by explaining both feature-level contributions and ensemble-level decisions, making BOSE an accurate, computationally efficient, and interpretable solution for fine-grained IIoT intrusion detection.