Tez No	İndirme	Tez Künye	Durumu
651828		Nesnelerin internetinde derin öğrenmeye dayalı veri analizi ve bilgi çıkarımı / Deep learning based data analysis and information extraction in the internet of things Yazar:İBRAHİM KÖK Danışman: PROF. DR. SUAT ÖZDEMİR Yer Bilgisi: Gazi Üniversitesi / Bilişim Enstitüsü / Bilgisayar Bilimleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Nesnelerin interneti = Internet of things ; Tahmin modelleri = Estimation models ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2020 155 s.
Nesnelerin İnternetinde (Internet of Things / IoT) cihaz sayısı ve üretilen veri miktarı hızlı bir şekilde artmaktadır. Bu artış mimari ve teknik açıdan birçok zorluğu beraberinde getirmektedir. Mimari açıdan ölçeklenebilirlik, esneklik, birlikte çalışabilirlik, servis kalitesi ve güvenlik gibi zorluklar bulunmaktadır. Büyük veri açısından ise verinin toplanma kalitesi, depolanması, iletimi ve analizi konularında büyük zorluklar yaşanmaktadır. Bu tez çalışmasında IoT'nin veri ve mimari zorluklarını gidermek için derin öğrenmeye (Deep Learning / DL) dayalı çözümler geliştirilmiştir. İlk olarak, IoT verilerinin gelecek değerlerini tahmin eden iki DL modeli önerilmiştir. Bu DL modelleri hava kirliliğine neden olan nitrojen dioksit ve ozon gazlarının gelecekteki değerlerini tahmin etmek için kullanılmıştır. Önerilen DL modelleri kullanılarak özgün bir hava kalitesi tahmin sistemi geliştirilmiştir. Deneysel sonuçlar, geliştirilen hava kalitesi tahmin sisteminin gelecekteki hava kalitesi seviyelerini %94.9 başarı oranıyla tahmin ettiğini göstermiştir. İkinci olarak, IoT uygulamalarında hem veri kalitesini artıracak hem de veri yönetimini kolaylaştıracak yeni bir protokol tasarımına odaklanılmıştır. Bu kapsamda öncelikle DL'ye dayalı üç eksik veri tahmin modeli önerilmiştir. Daha sonra, önerilen DL modellerini bünyesinde barındıran özgün bir eksik veri tahmin protokolü (DeepMDP) geliştirilmiştir. Geliştirilen protokolün gerçek dünya senaryosunda test edilebilmesi için kaynak kısıtlı cihazlardan oluşan yeni bir testbed mimarisi (DeepArch) oluşturulmuştur. Elde edilen sonuçlar, DeepMDP protokolünün eksik verileri %75 başarı oranıyla tahmin ettiğini göstermiştir. Ek olarak protokol, tasarlanan testbed üzerinde kenar, sis ve bulut hesaplama yaklaşımlarıyla test edilmiştir. Elde edilen sonuçlara göre protokolün kenar hesaplama yaklaşımında ağ performansını önemli ölçüde (veri boyutu %34 daha az, toplam sistem gecikmesi sırasıyla sis ve bulut hesaplamaya göre %8.64 ve %6.24 daha az) iyileştirdiği görülmüştür. Son olarak, sis hesaplamanın temel zorluklarına çözüm olabilecek yapay zeka destekli yeni bir katman (Foglet) önerilmiştir. Foglet katmanı sis hesaplamadaki görev aktarım problemi için kullanılmıştır. Adreslenen problem görev aktarımında %94.8 başarı sağlayan derin pekiştirmeli öğrenme yaklaşımıyla çözülmüştür. Ayrıca Foglet'e dayalı önerilen yaklaşımının görev hesaplama, görev aktarım ve toplam sistem gecikmesini sırasıyla %35, %6 ve %16 azalttığı görülmüştür.
The number of devices and the amount of generated data are increasing rapidly in the Internet of Things (IoT). This increase brings along many architectural and technical difficulties. Architecturally, there are challenges such as scalability, flexibility, interoperability, quality of service, and security. In terms of big data, there are great difficulties in the quality of data collection, storage, transmission and analysis. In this thesis, deep learning (DL) based solutions are developed in order to address data and architecture related challenges of IoT. Firstly, two DL models are proposed that predict future values of IoT data. These DL models are used to predict the future values of nitrogen dioxide and ozone gases that cause air pollution. A novel air quality prediction system is developed by using the proposed DL models. Experimental results show that the developed air quality prediction system predicts the future air quality levels with a 94.9% success rate. Secondly, we focused on a new protocol design that will both increase data quality and facilitate data management in IoT applications. In this context, initially three DL based missing data prediction models are proposed. Then, a novel missing data prediction protocol (DeepMDP) that incorporates the proposed DL models is developed. A new testbed architecture (DeepArch) consisting of resource constrained devices is created in order to test the developed protocol in a real world scenario. The obtained results show that DeepMDP protocol predicts missing sensor data with a 75% success rate. In addition, the developed protocol is tested on the designed testbed with edge, fog and cloud computing approaches. According to the results, it is seen that the protocol significantly improved the network performance (34% less data size, total system delay 8.64% and 6.24% less than fog and cloud computing approaches, respectively) in the edge computing approach. Finally, a novel AI-supported fog control layer (Foglet) is proposed to solve the main challenges of fog computing (FC). Foglet layer is employed for the task offloading problem in FC. The addressed problem is solved using a deep reinforcement learning (DRL) approach that achieves approximately 94.8% success in task offloading. Also, it is observed that Foglet-based DRL approach reduces task computation, task offloading, and overall system delays by 35%, 6%, and 16%, respectively.