Hidayet Takci
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Research Subjects
Hidayet Takci has a total of 16 co-authors. Here are the top co-authors by number of shared publications:
- Ibrahim Sogukpinar
Maritime Higher Vocational School, Piri Reis University, 34940 Tuzla, Istanbul, Turkey
2 shared publications Abdulkadir Şeker
1 shared publicationAhmet Firat Yelkuvan
1 shared publicationAlp Ustundag
Istanbul Technical University, Istanbul, Turkey
1 shared publication- Burak Eki̇ci̇
SİVAS BİLİM VE TEKNOLOJİ ÜNİVERSİTES
1 shared publication Burak Çağrı Okur
Bilisim ve Bilgi Güvenliği İleri Teknolojiler Araştırma Merkezi (BİLGEM), TÜBİTAK - BİLGEM, 41470, Kocaeli, Türkiye
1 shared publication
Latest Publications
- Open Access
- 28 September 2026
- Published by Ptolemy Scientific Research Press in Engineering and Applied Science Letters
- Vol. 9 (3) , 139-148
Email spam detection powered by deep learning, ensemble learning, and an optimization-based framework
This study evaluates a common experimental framework comprising deep learning, ensemble learning, and optimization-based feature selection techniques for spam email detection. To date, knowledge-based and machine learning-based methods have been used for spam detection. However, classical machine learning-based methods can be insufficient in representing and classifying complex spam content. In this study, experiments were conducted on the Enron and SpamAssassin datasets using CNN, GRU, XGBoost, and Random Forest algorithms, a genetic algorithm-based feature selection approach, and TF-IDF, Word2Vec, and embedding-layer representations. The contribution is the cross-comparison of established model, representation, and genetic-algorithm feature-selection combinations on two benchmark datasets rather than a new learning algorithm. Experimental results are presented using metrics such as AUC, F1 Score, and accuracy. The maximum F1-score and AUC value obtained in our study were 0.9997.
- 28 September 2026
- Published by Ptolemy Scientific Research Press in Engineering and Applied Science Letters
- Vol. 9 (3) , 139-148
Open AccessEmail spam detection powered by deep learning, ensemble learning, and an optimization-based framework
This study evaluates a common experimental framework comprising deep learning, ensemble learning, and optimization-based feature selection techniques for spam email detection. To date, knowledge-based and machine learning-based methods have been used for spam detection. However, classical machine learning-based methods can be insufficient in representing and classifying complex spam content. In this study, experiments were conducted on the Enron and SpamAssassin datasets using CNN, GRU, XGBoost, and Random Forest algorithms, a genetic algorithm-based feature selection approach, and TF-IDF, Word2Vec, and embedding-layer representations. The contribution is the cross-comparison of established model, representation, and genetic-algorithm feature-selection combinations on two benchmark datasets rather than a new learning algorithm. Experimental results are presented using metrics such as AUC, F1 Score, and accuracy. The maximum F1-score and AUC value obtained in our study were 0.9997.
- Open Access
- 22 June 2026
- Published by Ptolemy Scientific Research Press in Engineering and Applied Science Letters
- Vol. 9 (2) , 61-70
Predicting the privacy status of potentially private data items using feature selection algorithms
A privacy-based risk analysis demands a proper identification of whether a data element is private, non-private or potentially private. Though some of the personal characteristics may be inherently sensitive, others acquire sensitivity due to their statistical and semantic association with already known private variables. In this paper, we propose a feature-selection based technique to identify potentially private variables based on their relevance to known private variables. Our approach considers each feature as a target variable at a time, performs three different filter-based feature selection techniques: chi-square filter, correlation-based feature selection, fast correlation-based feature selection, generates feature-distance matrices based on the ranks obtained from these techniques and identifies relevant pairs based on the threshold distance. We have conducted experiments on the Adult dataset which shows that there are strong relations between workclass, occupation, marital-status, relationship, race, native-country, gender, income-class and age attributes. A relevant features subset for the income-class attribute that can predict as well as the complete feature set predicts with an 83% accuracy whereas the complete feature set predicts with an 85% accuracy. These findings show that feature selection can support privacy risk assessment by revealing implicit privacy dependencies that are not visible when variables are examined in isolation.
- 22 June 2026
- Published by Ptolemy Scientific Research Press in Engineering and Applied Science Letters
- Vol. 9 (2) , 61-70
Open AccessPredicting the privacy status of potentially private data items using feature selection algorithms
A privacy-based risk analysis demands a proper identification of whether a data element is private, non-private or potentially private. Though some of the personal characteristics may be inherently sensitive, others acquire sensitivity due to their statistical and semantic association with already known private variables. In this paper, we propose a feature-selection based technique to identify potentially private variables based on their relevance to known private variables. Our approach considers each feature as a target variable at a time, performs three different filter-based feature selection techniques: chi-square filter, correlation-based feature selection, fast correlation-based feature selection, generates feature-distance matrices based on the ranks obtained from these techniques and identifies relevant pairs based on the threshold distance. We have conducted experiments on the Adult dataset which shows that there are strong relations between workclass, occupation, marital-status, relationship, race, native-country, gender, income-class and age attributes. A relevant features subset for the income-class attribute that can predict as well as the complete feature set predicts with an 83% accuracy whereas the complete feature set predicts with an 85% accuracy. These findings show that feature selection can support privacy risk assessment by revealing implicit privacy dependencies that are not visible when variables are examined in isolation.
- Open Access
- 25 May 2026
- Published by Elsevier in Journal of Engineering Research
- Vol. 14 (3) , 2941-2952
SMS spam detection via a systematic machine learning pipeline: Feature engineering, hyperparameter optimizing, scaling, and ensemble learning
- 25 May 2026
- Published by Elsevier in Journal of Engineering Research
- Vol. 14 (3) , 2941-2952
Open AccessSMS spam detection via a systematic machine learning pipeline: Feature engineering, hyperparameter optimizing, scaling, and ensemble learning
- 2 December 2024
- Published by Cihannuma Dayanisma ve Isbirligi Dernegi in Cihannüma Teknoloji Fen ve Mühendislik Bilimleri Akademi Dergisi
- Vol. 3 (2) , 57-67
Kohonen Öğrenme Kuralı Yardımıyla Centroid Değerleri Güncelleme
Metin madenciliği alanında öne çıkan görevlerden birisi metin sınıflandırmadır. Konuyla ilgili çok sayıda tümevarımsal öğrenim algoritması bulunmakta olup onlardan birisi de centroid tabanlı sınıflayıcıdır. Performansı naive bayes sınıflayıcı kadar iyi olan centroid sınıflayıcıların en büyük problemi model misfittir ve bu problemin çözümü için centroid değerlerinin güncellenmesine ihtiyaç vardır. Centroid güncelleme için bugüne kadar birçok yöntem geliştirilmiş olup bu çalışmada yeni bir yöntem önerilmektedir. Önerimiz; kohonen öğrenme kuralı yardımıyla centroid değerlerinin dinamik olarak güncellenmesi üzerinedir. Bu öneriye uygun olarak veriler üzerinde deneyler yapılmış ve kohonen öğrenme kuralının centroid sınıflayıcı performansını artırdığı gözlemlenmiştir.
- 2 December 2024
- Published by Cihannuma Dayanisma ve Isbirligi Dernegi in Cihannüma Teknoloji Fen ve Mühendislik Bilimleri Akademi Dergisi
- Vol. 3 (2) , 57-67
Kohonen Öğrenme Kuralı Yardımıyla Centroid Değerleri Güncelleme
Metin madenciliği alanında öne çıkan görevlerden birisi metin sınıflandırmadır. Konuyla ilgili çok sayıda tümevarımsal öğrenim algoritması bulunmakta olup onlardan birisi de centroid tabanlı sınıflayıcıdır. Performansı naive bayes sınıflayıcı kadar iyi olan centroid sınıflayıcıların en büyük problemi model misfittir ve bu problemin çözümü için centroid değerlerinin güncellenmesine ihtiyaç vardır. Centroid güncelleme için bugüne kadar birçok yöntem geliştirilmiş olup bu çalışmada yeni bir yöntem önerilmektedir. Önerimiz; kohonen öğrenme kuralı yardımıyla centroid değerlerinin dinamik olarak güncellenmesi üzerinedir. Bu öneriye uygun olarak veriler üzerinde deneyler yapılmış ve kohonen öğrenme kuralının centroid sınıflayıcı performansını artırdığı gözlemlenmiştir.
- 21 June 2022
- Published by Journal of the Faculty of Engineering and Architecture of Gazi University in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
- Vol. 38 (1) , 451-460
Optimum parametreler yardımıyla performansı artırılmış KNN algoritması tabanlı kalp hastalığı tahmini
Kalp hastalıkları ölüm oranı bakımından bütün hastalıklar arasında ilk sırada yer alır. Hastalığın kesin tedavisi olmamakla birlikte doğru teşhis hastaların hayatta kalma süresi ve yaşam kalitesine olumlu yönde etki eder. Bugüne kadar kalp hastalıklarının teşhisi için çeşitli klinik yöntemler kullanılmıştır. Son dönemde hastalığın teşhisi için makine öğrenmesi algoritmaları da kullanılmaktadır. Bu kapsamda yaptığımız çalışmada kalp hastalığı teşhisi için KNN sınıflayıcı kullanılmıştır. Algoritmanın sınıflandırma başarısını iyileştirmek için optimum parametreler bulunmaya çalışılmıştır. KNN algoritması için ilk parametre uzaklık yöntemidir ve bu parametre için Manhattan, Euclidean, Chebyshev ve Cosine ölçümleri tercih edilmiştir. Diğer parametre komşu sayısıdır ve en uygun komşu sayısını tespit edebilmek için 1…15 arasındaki tek sayılar denenmiştir. Kalp hastalıklarını sınıflandırmak için kullandığımız KNN algoritması C++ programlama dilinde kodlanmış ve çalıştırılmıştır. Model değerlendirme aşamasında UCI Statlog (Heart) veriseti kullanılmış ve sonuçlar doğruluk ve ROC analizine dayalı olarak elde edilmiştir. KNN algoritması ile elde edilen en yüksek sınıflandırma doğruluğu %100 ve en yüksek AUC değeri 1,00 olarak ölçülmüştür. Bu değer; Chebyshev uzaklık ölçümü ve komşu sayısının 7 olduğu durumda elde edilmiştir.
- 21 June 2022
- Published by Journal of the Faculty of Engineering and Architecture of Gazi University in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
- Vol. 38 (1) , 451-460
Optimum parametreler yardımıyla performansı artırılmış KNN algoritması tabanlı kalp hastalığı tahmini
Kalp hastalıkları ölüm oranı bakımından bütün hastalıklar arasında ilk sırada yer alır. Hastalığın kesin tedavisi olmamakla birlikte doğru teşhis hastaların hayatta kalma süresi ve yaşam kalitesine olumlu yönde etki eder. Bugüne kadar kalp hastalıklarının teşhisi için çeşitli klinik yöntemler kullanılmıştır. Son dönemde hastalığın teşhisi için makine öğrenmesi algoritmaları da kullanılmaktadır. Bu kapsamda yaptığımız çalışmada kalp hastalığı teşhisi için KNN sınıflayıcı kullanılmıştır. Algoritmanın sınıflandırma başarısını iyileştirmek için optimum parametreler bulunmaya çalışılmıştır. KNN algoritması için ilk parametre uzaklık yöntemidir ve bu parametre için Manhattan, Euclidean, Chebyshev ve Cosine ölçümleri tercih edilmiştir. Diğer parametre komşu sayısıdır ve en uygun komşu sayısını tespit edebilmek için 1…15 arasındaki tek sayılar denenmiştir. Kalp hastalıklarını sınıflandırmak için kullandığımız KNN algoritması C++ programlama dilinde kodlanmış ve çalıştırılmıştır. Model değerlendirme aşamasında UCI Statlog (Heart) veriseti kullanılmış ve sonuçlar doğruluk ve ROC analizine dayalı olarak elde edilmiştir. KNN algoritması ile elde edilen en yüksek sınıflandırma doğruluğu %100 ve en yüksek AUC değeri 1,00 olarak ölçülmüştür. Bu değer; Chebyshev uzaklık ölçümü ve komşu sayısının 7 olduğu durumda elde edilmiştir.
- 31 December 2021
- Published by Bilecik Seyh Edebali Universitesi Fen Bilimleri Dergisi in Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi
- Vol. 8 (2) , 646-655
Spam Tespitinde Word2Vec ve TF-IDF Yöntemlerinin Karşılaştırılması ve Başarı Oranının Artırılması Üzerine Bir Çalışma
Elektronik posta, internet üzerinden gönderilen bir tür dijital mektuptur. Elektronik postalar aracılığı ile belge, resim, video, müzik gibi her türlü dosya gönderilip alınabilmektedir. Düşük maliyeti nedeniyle sıklıkla tercih edilmektedir. Elektronik postalar zaman ve para tasarrufu sağladığı için etkili bir iletişim yoludur. Düşük maliyetinden ve kullanımının kolaylığından dolayı reklam yapmak isteyenler tarafından etkin bir şekilde kullanılmaktadır. Bunun yanında siber saldırganlar da kurbanlarına bu tür elektronik postalar göndererek onlara zarar verebilmektedirler. Bu durumların önüne geçebilmek için, günümüzde makine öğrenmesi algoritmalarıyla spam elektronik postaları sınıflayan modeller tasarlanmaktadır. Bu çalışmanın amacı da spam tespiti konusunda literatürde sıklıkla yer alan Word2Vec ve Term Frequency – Inverse Document Frequency(TF-IDF) yöntemlerinin karşılaştırılmasını Türkçe bir veri seti üzerinde yapmak ve daha önce bahsedilen veri seti üzerinde yapılan çalışmalara göre başarı oranını artırmaktır. Bu amaç doğrultusunda, daha önce yapılan çalışmalar incelendiğinde, çalışmaların genellikle İngilizce veri setleri üzerinde yoğunlaştığı görülmektedir. Bu konudaki eksiği gidermek adına, Türkçe veri seti üzerinde yapılan bu çalışmada bahsedilen özellik çıkarma yöntemlerinin karşılaştırılması yapılarak iki farklı model oluşturulmuştur. Bu modellerde farklı sınıflayıcılar da kullanılarak en etkili yöntemin öne çıkarılması hedeflenmiştir.
- 31 December 2021
- Published by Bilecik Seyh Edebali Universitesi Fen Bilimleri Dergisi in Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi
- Vol. 8 (2) , 646-655
Spam Tespitinde Word2Vec ve TF-IDF Yöntemlerinin Karşılaştırılması ve Başarı Oranının Artırılması Üzerine Bir Çalışma
Elektronik posta, internet üzerinden gönderilen bir tür dijital mektuptur. Elektronik postalar aracılığı ile belge, resim, video, müzik gibi her türlü dosya gönderilip alınabilmektedir. Düşük maliyeti nedeniyle sıklıkla tercih edilmektedir. Elektronik postalar zaman ve para tasarrufu sağladığı için etkili bir iletişim yoludur. Düşük maliyetinden ve kullanımının kolaylığından dolayı reklam yapmak isteyenler tarafından etkin bir şekilde kullanılmaktadır. Bunun yanında siber saldırganlar da kurbanlarına bu tür elektronik postalar göndererek onlara zarar verebilmektedirler. Bu durumların önüne geçebilmek için, günümüzde makine öğrenmesi algoritmalarıyla spam elektronik postaları sınıflayan modeller tasarlanmaktadır. Bu çalışmanın amacı da spam tespiti konusunda literatürde sıklıkla yer alan Word2Vec ve Term Frequency – Inverse Document Frequency(TF-IDF) yöntemlerinin karşılaştırılmasını Türkçe bir veri seti üzerinde yapmak ve daha önce bahsedilen veri seti üzerinde yapılan çalışmalara göre başarı oranını artırmaktır. Bu amaç doğrultusunda, daha önce yapılan çalışmalar incelendiğinde, çalışmaların genellikle İngilizce veri setleri üzerinde yoğunlaştığı görülmektedir. Bu konudaki eksiği gidermek adına, Türkçe veri seti üzerinde yapılan bu çalışmada bahsedilen özellik çıkarma yöntemlerinin karşılaştırılması yapılarak iki farklı model oluşturulmuştur. Bu modellerde farklı sınıflayıcılar da kullanılarak en etkili yöntemin öne çıkarılması hedeflenmiştir.
- 15 September 2021
- Published by Firat Universitesi in Fırat Üniversitesi Mühendislik Bilimleri Dergisi
- Vol. 33 (2) , 709-719
Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi
Krom kaplama, malzemelerin fiziksel özelliklerini ve korozyon dayanımını iyileştirmek için tüm dünyada yaygın olarak kullanılmaktadır. Bu çalışmada krom kaplamanın örtme gücünü tahmin etmek ve örtme gücüne etki eden öznitelikleri belirlemek için makine öğrenmesi algoritmaları kullanılmıştır. Bu amaçla GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) ve XGB (eXtreme Gradient Boosting) algoritmaları seçilmiş ve bu algoritmaların hiper-parametreleri optimize edilmiştir. En yüksek R2 ve en düşük MSE değerlerini veren şartlar belirlenmiştir. Çapraz doğrulama için LOO (Leave One Out) metodu kullanılmıştır. En iyi sonuç SVR metodu ile elde edilmiştir. R2, MSE ve MAPE değeri sırasıyla 0,80, 0,26 ve 18.29 dur. Kaplamanın örtme gücüne etki eden en önemli iki öznitelik borik asit ve A kimyasalıdır. Bu kimyasalların yüksek seviyeleri kaplamanın örtme gücünü artırmıştır. Tüm algoritmaların hiper-parametreleri ızgara tarama yöntemi ile 2 veya daha fazla seviyede optimize edilmiştir. SVR metodunda en etkin iki hiper-parametre kernel ve C parametresidir. Kernel ve C hiper-parametreleri sırasıyla “rbf” ve 1 olduğu durumda en yüksek R2 değeri elde edilmiştir. Bu çalışma makine öğrenmesi algoritmalarını elektrokaplama sahasına uygulayan ilk çalışmalardandır. Bu yönüyle öncü olma niteliği taşımaktadır.
- 15 September 2021
- Published by Firat Universitesi in Fırat Üniversitesi Mühendislik Bilimleri Dergisi
- Vol. 33 (2) , 709-719
Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi
Krom kaplama, malzemelerin fiziksel özelliklerini ve korozyon dayanımını iyileştirmek için tüm dünyada yaygın olarak kullanılmaktadır. Bu çalışmada krom kaplamanın örtme gücünü tahmin etmek ve örtme gücüne etki eden öznitelikleri belirlemek için makine öğrenmesi algoritmaları kullanılmıştır. Bu amaçla GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) ve XGB (eXtreme Gradient Boosting) algoritmaları seçilmiş ve bu algoritmaların hiper-parametreleri optimize edilmiştir. En yüksek R2 ve en düşük MSE değerlerini veren şartlar belirlenmiştir. Çapraz doğrulama için LOO (Leave One Out) metodu kullanılmıştır. En iyi sonuç SVR metodu ile elde edilmiştir. R2, MSE ve MAPE değeri sırasıyla 0,80, 0,26 ve 18.29 dur. Kaplamanın örtme gücüne etki eden en önemli iki öznitelik borik asit ve A kimyasalıdır. Bu kimyasalların yüksek seviyeleri kaplamanın örtme gücünü artırmıştır. Tüm algoritmaların hiper-parametreleri ızgara tarama yöntemi ile 2 veya daha fazla seviyede optimize edilmiştir. SVR metodunda en etkin iki hiper-parametre kernel ve C parametresidir. Kernel ve C hiper-parametreleri sırasıyla “rbf” ve 1 olduğu durumda en yüksek R2 değeri elde edilmiştir. Bu çalışma makine öğrenmesi algoritmalarını elektrokaplama sahasına uygulayan ilk çalışmalardandır. Bu yönüyle öncü olma niteliği taşımaktadır.
- 1 April 2019
- Published by Institute of Electrical and Electronics Engineers (IEEE)
- p. 1-4
Classification of Extracranial and Intracranial EEG Signals by using Finite Impulse Response Filter through Ensemble Learning
Electroencephalogram (EEG) is the main diagnostic tool for the monitoring, diagnosis and treatment of epilepsy which is a neurological disorder. EEG signals can disrupt easily by involuntary movements that are called artifact contaminants such as blinking, coughing. In this study, the artifacts in the extrac- and intracranial EEG signals have been cancelled out from the EEG with the use of Kaiser window based Finite Impulse Response (FIR) filter. The most important features in the EEG signals have been selected by the Principle Component Analysis (PCA) method. The selected features have been classified by applying ensemble learning methods that are Boosting, Bagging and Random Subspace. The aim of this study is to increase the extrac- and intracranial EEG signal classification by calculating window spectral parameters. The algorithms' classification performances have been compared in terms of accuracy rates, sensitivities, specificities, prediction rates and training times according to the 5 × 5 cross validation. Subspace KNN algorithm, as revealed by results, is higher than the other algorithms' classification performances.
- 1 April 2019
- Published by Institute of Electrical and Electronics Engineers (IEEE)
- p. 1-4
Classification of Extracranial and Intracranial EEG Signals by using Finite Impulse Response Filter through Ensemble Learning
Electroencephalogram (EEG) is the main diagnostic tool for the monitoring, diagnosis and treatment of epilepsy which is a neurological disorder. EEG signals can disrupt easily by involuntary movements that are called artifact contaminants such as blinking, coughing. In this study, the artifacts in the extrac- and intracranial EEG signals have been cancelled out from the EEG with the use of Kaiser window based Finite Impulse Response (FIR) filter. The most important features in the EEG signals have been selected by the Principle Component Analysis (PCA) method. The selected features have been classified by applying ensemble learning methods that are Boosting, Bagging and Random Subspace. The aim of this study is to increase the extrac- and intracranial EEG signal classification by calculating window spectral parameters. The algorithms' classification performances have been compared in terms of accuracy rates, sensitivities, specificities, prediction rates and training times according to the 5 × 5 cross validation. Subspace KNN algorithm, as revealed by results, is higher than the other algorithms' classification performances.
- 8 December 2017
- Published by Journal of the Faculty of Engineering and Architecture of Gazi University in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
- Vol. 32 (4) , 1301-1310
Kişisel verilerin korunmasında öznitelik tabanlı gizlilik etki değerlendirmesi yöntemi
Normal 0 21 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-fareast-language:EN-US;} Kişisel veriler öncelikli olarak korunması gereken hassas bilgi varlıklarıdır. Bugüne kadar kişisel verilerin korunabilmesi için gizliliği koruyan kurallar, rehberler ve tasarımlar geliştirilmiştir. Özellikle son zamanlarda Gizlilik Etki Değerlendirmesi yöntemleri Avrupa ülkelerinde büyüyen bir ilgiyle geliştirilmektedir. Bununla birlikte gelişen bilgi teknolojileri bu düzenlemeleri yetersiz bırakmaktadır. Bu çalışmada kişisel verilerin korunması amacıyla öznitelik tabanlı yeni bir Gizlilik Etki Değerlendirmesi yöntemi önerilmektedir. Çalışma, kişisel verilerin korunması alanında genel yaklaşım olan verilerin bütününü değerlendirmek yerine öznitelik bazında veri setinin gizlilik etkisini değerlendirmeye dayalıdır. Öznitelik bazında hesaplamalar ile kişisel verilerin daha hassas ve gizli kalması gereken bölümleri belirlenebilecek ve gizlenebilecektir. Gizlilik etki değerlendirme hesaplamaları için veri homojenliği yöntemi tercih edilmiştir. Çalışmanın çıktısı gizlilik etkisine göre gruplanmış veri öğeleridir. Önerimize göre daha homojen veri daha hassas veridir ve gizliliği daha önemlidir. Önerilen yöntem iki farklı veri kümesi üzerinde test edilmiş ve elde edilen sonuçlar analiz edilmiştir. Çalışmamızın en önemli bulgusu gizli görünmeyen niteliklerin nitelik birleştirme sonrası gizli olabilmesidir.
- 8 December 2017
- Published by Journal of the Faculty of Engineering and Architecture of Gazi University in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
- Vol. 32 (4) , 1301-1310
Kişisel verilerin korunmasında öznitelik tabanlı gizlilik etki değerlendirmesi yöntemi
Normal 0 21 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-fareast-language:EN-US;} Kişisel veriler öncelikli olarak korunması gereken hassas bilgi varlıklarıdır. Bugüne kadar kişisel verilerin korunabilmesi için gizliliği koruyan kurallar, rehberler ve tasarımlar geliştirilmiştir. Özellikle son zamanlarda Gizlilik Etki Değerlendirmesi yöntemleri Avrupa ülkelerinde büyüyen bir ilgiyle geliştirilmektedir. Bununla birlikte gelişen bilgi teknolojileri bu düzenlemeleri yetersiz bırakmaktadır. Bu çalışmada kişisel verilerin korunması amacıyla öznitelik tabanlı yeni bir Gizlilik Etki Değerlendirmesi yöntemi önerilmektedir. Çalışma, kişisel verilerin korunması alanında genel yaklaşım olan verilerin bütününü değerlendirmek yerine öznitelik bazında veri setinin gizlilik etkisini değerlendirmeye dayalıdır. Öznitelik bazında hesaplamalar ile kişisel verilerin daha hassas ve gizli kalması gereken bölümleri belirlenebilecek ve gizlenebilecektir. Gizlilik etki değerlendirme hesaplamaları için veri homojenliği yöntemi tercih edilmiştir. Çalışmanın çıktısı gizlilik etkisine göre gruplanmış veri öğeleridir. Önerimize göre daha homojen veri daha hassas veridir ve gizliliği daha önemlidir. Önerilen yöntem iki farklı veri kümesi üzerinde test edilmiş ve elde edilen sonuçlar analiz edilmiştir. Çalışmamızın en önemli bulgusu gizli görünmeyen niteliklerin nitelik birleştirme sonrası gizli olabilmesidir.