The increasing deployment of Internet of Things (IoT) devices introduces significant security challenges, while privacy concerns limit centralized data aggregation for intrusion detection. Federated learning (FL) offers a decentralized alternative, yet the interaction between feature representation, model architecture, and data heterogeneity remains insufficiently understood in IoT malware detection. This study provides a controlled comparative analysis of centralized and federated learning, optionally using amino acid encoding, under IID and Non-IID conditions using a 10,000-sample subset of the CTU–IoT–Malware–Capture dataset. First, we evaluate raw tabular features versus amino acid-based feature encoding, followed by a lightweight multi-layer perceptron (2882 parameters) versus a deeper residual network (70,532 parameters), across binary and multi-class classification tasks. In the binary setting, centralized training achieved up to 98.6% accuracy, while federated IID training reached 98.6%, with differences within statistical variance. Under Non-IID conditions, performance decreased modestly (0.1–0.5 percentage points), and accuracy was consistently lower when using encoded features compared with raw features. The degradation is smaller in deeper architectures and may offer improved stability under highly skewed federated conditions. In the four-class setting, the complex network achieved up to 97.8% accuracy with raw features, while amino acid encoding achieves up to 93.3%. The results show that federated learning can achieve performance comparable to centralized training under moderate heterogeneity, that lightweight architectures are sufficient for low-dimensional IoT traffic features, and that feature compression via amino acid encoding does not inherently mitigate Non-IID effects. These findings clarify the relative impact of representation, heterogeneity, and architectural capacity in practical FL-based IoT intrusion detection systems.
14 January 2022 in Eğitim Teknolojisi Kuram ve Uygulama
Akademik yazım, ön lisans, lisans ve lisansüstü programlardaki öğrencilerin çalışmalarının ve ortaya çıkardıkları ürünün kalitesinin artırılması ve yazma becerilerinin ilerleyebilmesi için bir gelişim faaliyetidir. Geri-bildirim ise öğreten-öğrenen arasında meydana gelen ve öğrenmeyi teşvik eden etkileşimli bir iletişimdir. Bu çalışmada, üniversite düzeyinde akademik yazımda kullanılan geri bildirimler ile ilgili yapılmış araştırmaların sistematik bir şekilde incelenerek, geri bildirimin öneminin ortaya çıkartılması amaçlanmaktadır. Bu bağlamda, geri bildirim konusunda yapılan araştırmaların yayın bilgileri, yöntemsel eğilimleri ve geri bildirime ait özellikler, nitel bir araştırma deseni olan sistematik derleme yöntemi ile incelenmiştir. Üniversite düzeyinde akademik yazımda kullanılan geri bildirimler ile ilgili yapılmış araştırmalara, ERIC ve Web of Science veri tabanları kullanılarak ulaşılmış, konu kapsamında olan ve erişimi sağlanan 84 çalışma örneklem olarak belirlenmiştir. Araştırmalardan elde edilen veriler, yayın sınıflama formuna girilerek içerik analizi yöntemiyle analiz edilmiş ve ardından yorumlanmıştır. Üniversite düzeyinde akademik yazımda kullanılan geri bildirimlere yönelik yapılan çalışmalarda yıllara göre artan bir grafik gözlemlenmiştir. İncelenen çalışmaların çoğu, duyuşsal boyut ve beceriler üzerinedir. Nitel araştırmalar yöntemsel olarak daha fazla tercih edilmiştir. Anket yoluyla veri toplanan içerik ve betimsel analizlerin kullanıldığı çalışmalar daha fazladır. En fazla geri bildirim, ders yürütücüleri tarafından verilmiştir. Geri bildirimlerin daha çok yüz yüze verildiği tespit edilmiştir. Akademik yazımda geri bildirimin özellikleri bakımından ise en fazla biçimlendirici, düzeltici ve yapıcı geri bildirimler verilmiştir. Biçimlendirici özelliği olan geri bildirimin ise öğrencilerin başarılarını artırdığı, daha çok işbirliğine dayalı çalışmalarda görüldüğü bulunmuştur.
Bu çalışma, işe alım süreçlerinde karar kalitesini artırmak amacıyla MAUT (Multi Attribute Utility Theory) ve TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) tabanlı bir karar destek modeli geliştirmeyi hedeflemektedir. Model, insan kaynakları departmanlarının karşılaştığı zaman kaybı, maliyet ve subjektiflik gibi sorunlara çözüm sunmayı amaçlamaktadır. Modelin geliştirilmesinde çok kriterli karar verme yöntemlerinden MAUT ve TOPSIS kullanılmıştır. Çevrim içi iş ilanlarından ve kamu personel alım duyurularından elde edilen verilerle kriterler belirlenmiş ve ağırlıklandırılmıştır. Python tabanlı doğal dil işleme teknikleriyle veri temizleme süreci yürütülmüş ve uzman görüşleri doğrultusunda kriter ağırlıkları belirlenmiştir. Model, adayların mezuniyet bilgisi, web teknolojilerine hâkimiyet, veri tabanı bilgisi, yabancı dil seviyesi, proje deneyimi ve iş tecrübesi olmak üzere altı kriter üzerinden değerlendirmiştir. Rastgele özelliklere sahip beş farklı temsili aday üzerinde yapılan uygulama sonucunda, modelin adaylar arasında objektif ve tutarlı bir sıralama sağladığı görülmüştür. Çalışma, MAUT ve TOPSIS yöntemlerini birlikte kullanarak işe alım süreçlerine entegre edilebilir esnek ve uygulanabilir bir sistem önermektedir. Bu yönüyle hem akademik hem de kurumsal düzeyde karar verme süreçlerine katkı sağlamaktadır.