Wi-Fi-based indoor positioning offers significant opportunities for numerous applications. Examining the Wi-Fi positioning systems, it was observed that hundreds of variables were used even when variable reduction was applied. This reveals a structure that is difficult to repeat and is far from producing a common solution for real-life applications. It aims to create a common and standardized dataset for indoor positioning and localization and present a system that can perform estimations using this dataset. To that end, machine learning (ML) methods are compared and the results of successful methods with hierarchical inclusion are then investigated. Further, new features are generated according to the measurement point obtained from the dataset. Subsequently, learning models are selected according to the performance metrics for the estimation of location and position. These learning models are then fused hierarchically using deductive reasoning. Using the proposed method, estimation of location and position has proved to be more successful by using fewer variables than the current studies. This paper, thus, identifies a lack of applicability present in the research community and solves it using the proposed method. It suggests that the proposed method results in a significant improvement for the estimation of floor and longitude.

Efficiently detecting and treating cancer at an early stage is crucial to improve the overall treatment process and mitigate the risk of disease progression. In the realm of research, the utilization of artificial intelligence technologies holds significant promise for enhancing advanced cancer diagnosis. Nonetheless, a notable hurdle arises when striving for precise cancer-stage diagnoses through the analysis of gene sets. Issues such as limited sample volumes, data dispersion, overfitting, and the use of linear classifiers with simple parameters hinder prediction performance. This study introduces an innovative approach for predicting early and late-stage cancers by integrating hybrid deep neural networks. A deep neural network classifier, developed using the open-source TensorFlow library and Keras network, incorporates a novel method that combines genetic algorithms, Extreme Learning Machines (ELM), and Deep Belief Networks (DBN). Specifically, two evolutionary techniques, DBN-ELM-BP and DBN-ELM-ELM, are proposed and evaluated using data from The Cancer Genome Atlas (TCGA), encompassing mRNA expression, miRNA levels, DNA methylation, and clinical information. The models demonstrate outstanding prediction accuracy (89.35%−98.75%) in distinguishing between early- and late-stage cancers. Comparative analysis against existing methods in the literature using the same cancer dataset reveals the superiority of the proposed hybrid method, highlighting its enhanced accuracy in cancer stage prediction.

The electric power grid constitutes a foundational pillar of modern critical infrastructure (CI), underpinning societal functionality and global economic stability. Yet, the increasing convergence of Information Technology (IT) and Operational Technology (OT), particularly through the integration of Supervisory Control and Data Acquisition (SCADA) and Industrial Control Systems (ICS), has amplified the sector’s exposure to sophisticated cyber threats. This study conducts a comparative analysis of five major cyber incidents targeting electric power systems: the 2015 and 2016 Ukrainian power grid disruptions, the 2022 Industroyer2 event, the 2010 Stuxnet attack, and the 2012 Shamoon incident. Each case is examined with respect to its objectives, methodologies, operational impacts, and mitigation efforts. Building on these analyses, the research evaluates the extent to which such attacks could have been prevented or mitigated through the systematic adoption of leading cybersecurity maturity frameworks. The NIST Cybersecurity Framework (CSF) 2.0, the ENISA NIS2 Directive Risk Management Measures, the U.S. Department of Energy’s Cybersecurity Capability Maturity Model (C2M2), and the Cybersecurity Risk Foundation (CRF) Maturity Model alongside complementary technical standards such as NIST SP 800-82 and IEC 62443 have been thoroughly examined. The findings suggest that a proactive, layered defense architecture grounded in the principles of these frameworks could have significantly reduced both the likelihood and the operational impact of the reviewed incidents. Moreover, the paper identifies critical gaps in the existing maturity models, particularly in their ability to capture hybrid, cross-domain, and human-centric threat dynamics. The study concludes by proposing directions for evolving from compliance-driven to resilience-oriented cybersecurity ecosystems, offering actionable recommendations for policymakers and power system operators to strengthen the cyber-physical resilience of electric generation and distribution infrastructures worldwide.

Because it is one of the most fundamental programsrunning on the computer, operating systems, are known to provide security infrastructure for other programs and services that run on computer. Unless any precautions are taken against vulnerabilities on the operating system, the system becomes eligible to be exploited, it paves the way to achieve the target of attackers. Hence, remediation of vulnerabilities on the operating system is evaluated to be extremely significant. In this study,a new database was created by questioning vulnerabilities existing in the most widely used operating systems on desktop and laptop computers from National Vulnerability Database of the US and CVEDETAILS databases. With regard to these vulnerabilities, CVSS scoring system which is used for scoring them created by FIRST was examined, in the light of the of re-scoring of identified vulnerabilities, the analysis of security of the operating systems was done with quantitative methods. One of the most important element of cyber security, fundementals of vulnerabilities, and role in the exploitation of the vulnerabilities of the computers were explained. In this study recently occured cyber security incidents because of vulnerabilities were also examined, and information about vulnerabilities allowing attack in these events was collected. Consequently, considering hosting the vulnerabilities, it is aimed to assess the availability of the operating systems in terms of security. Özet Bilgisayar üzerinde çalışan en temel programlardan biri olması sebebiyle işletim sistemlerinin bilgisayar üzerinde çalışan diğer programlara ve servislere güvenlik altyapısı sağladığı bilinmektedir. İşletim sistemi üzerindeki güvenlik açıklıklarına karşı gereken önlemler alınmaz ise, sistem istismar edilmeye uygun hale gelmekte, bu durum saldırganların hedeflerine ulaşması için zemin hazırlamaktadır. Bu sebeple, işletim sistemlerinin üzerindeki güvenlik açıklıklarının kapatılmasının son derece önemli olduğu değerlendirilmektedir. Bu çalışmada bilgisayarlarda en çok kullanılan işletim sistemlerinde var olan güvenlik açıklıkları ABD’nin Ulusal Açıklık Veritabanı ve CVEDETAILS veritabanlarından sorgulanarak yeni bir veritabanı oluşturulmuştur. Toplanan açıklıklarla ilgili olarak FIRST tarafından oluşturulmuş CVSS puanlama sistemiyle yapılan puanlamalar incelenmiş, tespit edilen açıklıkların yeniden puanlamaları yapılarak çıkan sonuçlar ışığında işletim sistemlerinin güvenlik açısından analizi nicel yöntemlerle yapılmıştır. Siber güvenliğin en önemli unsurlarından birisi olan güvenlik açıklıklarıyla ilgili temel hususlar ile açıklıkların bilgisayarların istismar edilmesindeki rolü ortaya konulmuştur. Çalışmada ayrıca; yakın geçmişte açıklıklar kullanılarak gerçekleştirilen siber güvenlik olayları incelenmiş, bu olaylarda saldırıya imkan sağlayan açıklıklarla ilgili bilgiler toplanmıştır. Sonuçta, barındırdığı açıklıklar dikkate alındığında, işletim sistemlerinin kullanılabilirliğinin güvenlik açısından değerlendirmesi hedeflenmektedir.

Biyometrik kimlik doğrulama, kişilerin sahip olduğu fizyolojik veya davranışsal özellikler kullanılarak gerçekten iddia ettikleri kişi olup olmadığının teyit edilmesidir. Avuç içi doğrulama, biyometrik doğrulama içinde en yaygın kullanıma sahip yöntemlerden birisidir. 2019 yılının son aylarında ortaya çıkan COVID-19 (Coronavirus Disease 2019) pandemisi insanların ortak kullanıma sahip nesnelere temas konusundaki duyarlılığını artırmıştır. Bu sebeple, temassız şekilde elde edilen görüntülerin kullanıldığı avuç içi doğrulama çalışmalarının yapılması önem kazanmaktadır. Çalışmada, Hong Kong Politeknik Üniversitesi Temassız 3B/2B Veri Seti (Sürüm 1.0) (PolyU Contactless Database 1.0) kullanılmış olup doğrulama için Siyam Sinir Ağlarından (SSA) yararlanılmıştır. SSA eğitimleri 3.540 adet “benzer” ve 31.152 adet “benzemeyen” olmak üzere toplam 34.692 adet görüntü çifti kullanılarak gerçekleştirilmiştir. Çalışmanın test işlemleri ise 885 adet “gerçek” ve 31.152 adet “sahte” olmak üzere toplam 32.037 adet giriş örneği kullanılarak yapılmıştır. Çalışmada, avuç içi görüntüleri doğrudan kullanılarak elde edilen doğrulama sonuçları ile ön işlem olarak Yerel İkili Örüntü (YİÖ) kullanılarak elde edilen doğrulama sonuçları birbirleriyle karşılaştırılmıştır. Çalışma sonuçları ön işlem olarak YİÖ kullanılmasının doğrulama başarısını önemli ölçüde iyileştirdiğini göstermektedir. Çalışmada, avuç içi görüntüleri doğrudan kullanılarak elde edilen Eşit Hata Oranı (EHO) 0,1277 iken ön işlem olarak YİÖ kullanılarak elde edilen EHO 0,0938 olarak gerçekleşmiştir.

Endüstriyel kontrol sistemlerinde (Industrial Control Systems) siber-fiziksel saldırılar yalnızca sistemin çalışmasını kesintiye uğratmakla kalmamakta, aynı zamanda yanlış sensör değerleri, aktüatörlerin işlev kaybı veya gecikmiş süreç cevapları gibi farklı arıza biçimlerine yol açabilmektedir. Literatürdeki mevcut çalışmaların büyük bölümü saldırı tespitini yalnızca “normal–anormal” düzeyinde ele almakta fakat saldırının operasyonel etkisini tanımlayan arıza modlarını (failure modes) dikkate almamaktadır. Bu çalışmada, SWaT (Secure Water Treatment) veri seti yeniden yapılandırılmış, saldırı açıklamaları fiziksel sonuçlarına göre yorumlanarak beş ana arıza kategorisi (“Actuator Command Blocked”, “Sensor Drift”, “Sensor False Reading”, “Actuator Forced State”, “Actuator + Sensor Mixed”) ile birlikte “Normal” sınıfını içeren çok sınıflı bir etiket yapısı oluşturulmuştur. Ardından, zaman serileri pencereleme yöntemiyle geleceğe sızmadan (leak-free) 30 zaman adımlık örneklere dönüştürülmüş; etiketler sistem yanıt gecikmesini telafi edecek şekilde ileri kaydırılmıştır. Önerilen model, faz bilgisini (process phase) de girdi olarak alan, istatistiksel özellikler ile Uzun Kısa Süreli Bellek Ağları (Long Short-Term Memory Networks) tabanlı zaman bağımlılıklarını birleştiren faz-duyarlı (phase-aware) hibrit bir derin öğrenme mimarisi olarak tasarlanmıştır. Yapılan deneyler, geliştirilen çok sınıflı etiketleme ve model yapısının, yüksek F1-makro skorları elde ettiğini ve özellikle nadir fakat kritik arıza modlarında tahmin performansını anlamlı ölçüde artırdığını göstermektedir. Bu yönüyle çalışma, EKS güvenliğinde yalnızca saldırıyı tespit eden değil, saldırının türünü ve sistem üzerindeki etkisini açıklayabilen operasyonel olarak daha anlamlı bir perspektif sunmaktadır.