Sadettin Demir
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Sadettin Demir has a total of 9 co-authors. Here are the top co-authors by number of shared publications:
- Elif Özceylan
Istanbul Arel University, Faculty of Engineering, Department of Computer Engineering, Istanbul, Turkey
2 shared publications - Sevim Ceylan Böcekçi
Marmara Üniversitesi
2 shared publications - Şeyda Karcı
Marmara Üniversitesi
2 shared publications - Ayşe Berna Altınel Girgin
Marmara Üniversitesi
1 shared publication - Elif Nur Kucur
Department of Computer Engineering, Institute of Pure and Applied Sciences, Marmara University, İstanbul, Türkiye
1 shared publication - Esra Yılmaz
Marmara Üniversitesi
1 shared publication
Latest Publications
- 30 April 2026
- Published by International Journal of Informatics Technologies in Bilişim Teknolojileri Dergisi
- Vol. 19 (2) , 125-145
Araçların İnternetinde DDoS Tespiti için Optimize Edilmiş Topluluk Öğrenmesi
Dağıtılmış Hizmet Reddi (DDoS) saldırıları, hizmet kullanılabilirliğini ve bütünlüğünü etkileyerek ağ güvenliği için önemli bir tehdit oluşturmaya devam etmektedir. Anomali tespiti, imza tabanlı yöntemler ve makine öğrenimi (ML) yaklaşımları da dahil olmak üzere geleneksel savunmalar, yüksek yanlış pozitif oranları, düşük ölçeklenebilirlik ve yeni saldırı modellerine sınırlı genelleme gibi zorluklarla karşı karşıyadır. Anomali tespiti genellikle aşırı yanlış pozitif sonuçlar üretirken, imza tabanlı yöntemler yeni saldırıları tespit etmekte başarısız olur. Geleneksel ML teknikleri, gelişen ağ trafiğinin karmaşıklığını yakalamakta zorlanır ve bu da gerçek dünya senaryolarındaki etkinliklerini azaltır. Bu sınırlamaları gidermek için bu çalışma, Gradient Boosting, AdaBoost ve Naive Bayes'i optimize edilmiş sınıflandırıcı ağırlıkları ve yumuşak oylama mekanizmasıyla birleştiren bir topluluk saldırı tespiti modeli önermektedir. Araçların İnterneti (IoV) senaryolarına göre uyarlanmış CICIoV2024 veri setini kullanan topluluk, sırasıyla doğruluk, geri çağırma ve kesinlik açısından 0,96, 0,96, 0,98 ve 0,97'lik F1 puanı değerleriyle bireysel modellerden daha iyi sonuçlar elde ediyor. Bu sonuçlar, modelin dinamik IoV ortamlarında DDoS saldırılarını tespit etmedeki güvenilirliğini ve verimliliğini vurgulayarak, mevcut yöntemlerin temel zayıflıklarını ortadan kaldırıyor.
- 30 April 2026
- Published by International Journal of Informatics Technologies in Bilişim Teknolojileri Dergisi
- Vol. 19 (2) , 125-145
Araçların İnternetinde DDoS Tespiti için Optimize Edilmiş Topluluk Öğrenmesi
Dağıtılmış Hizmet Reddi (DDoS) saldırıları, hizmet kullanılabilirliğini ve bütünlüğünü etkileyerek ağ güvenliği için önemli bir tehdit oluşturmaya devam etmektedir. Anomali tespiti, imza tabanlı yöntemler ve makine öğrenimi (ML) yaklaşımları da dahil olmak üzere geleneksel savunmalar, yüksek yanlış pozitif oranları, düşük ölçeklenebilirlik ve yeni saldırı modellerine sınırlı genelleme gibi zorluklarla karşı karşıyadır. Anomali tespiti genellikle aşırı yanlış pozitif sonuçlar üretirken, imza tabanlı yöntemler yeni saldırıları tespit etmekte başarısız olur. Geleneksel ML teknikleri, gelişen ağ trafiğinin karmaşıklığını yakalamakta zorlanır ve bu da gerçek dünya senaryolarındaki etkinliklerini azaltır. Bu sınırlamaları gidermek için bu çalışma, Gradient Boosting, AdaBoost ve Naive Bayes'i optimize edilmiş sınıflandırıcı ağırlıkları ve yumuşak oylama mekanizmasıyla birleştiren bir topluluk saldırı tespiti modeli önermektedir. Araçların İnterneti (IoV) senaryolarına göre uyarlanmış CICIoV2024 veri setini kullanan topluluk, sırasıyla doğruluk, geri çağırma ve kesinlik açısından 0,96, 0,96, 0,98 ve 0,97'lik F1 puanı değerleriyle bireysel modellerden daha iyi sonuçlar elde ediyor. Bu sonuçlar, modelin dinamik IoV ortamlarında DDoS saldırılarını tespit etmedeki güvenilirliğini ve verimliliğini vurgulayarak, mevcut yöntemlerin temel zayıflıklarını ortadan kaldırıyor.
- Open Access
- 18 December 2025
- Published by Istanbul Ticaret Universitesi in İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi
- Vol. 24 (48) , 414-437
KULLANICI YORUMLARIYLA İLAÇ YAN ETKİSİ TESPİTİ: TRANSFORMATÖR TABANLI DUYGU ANALİZİ ÇIKARIMI
Sağlık alanında, özellikle ilaç incelemeleriyle ilgili olarak kullanıcı tarafından oluşturulan içeriğin artan hacmi, olumsuz ilaç reaksiyonlarını (ADR'ler) ve kullanıcı duygularını analiz etmek için önemli fırsatlar sunmaktadır. Bu çalışmada, duygu analizi yapmak için ilaç yan etkileriyle ilgili kullanıcı yorumlarını içeren birleştirilmiş CADEC+ADE veri kümesini kullanıyoruz. Bu çalışma, bir hasta perspektifinden ilaçların etkisini daha iyi anlamak amacıyla kullanıcı geri bildirimlerinin olumlu ve olumsuz duygularının ‘yan etkisi var’ ya da ‘yan etkisi yok’ şeklinde ikili bir sınıflandırmasını içerir. Bunun için beş farklı yöntemin performansını değerlendiriyoruz ve karşılaştırıyoruz: BiLSTM BioBERT, MBERT, SVM ve XLM-R. SVM dışındaki diğer modeller biyomedikal metinler üzerinde önceden eğitilmiş transformatör tabanlı model oldukları ve biyomedikal terminolojiye ilişkin üstün anlayışları için kullanılırken, SVM karşılaştırma için klasik makine öğrenimi temellerini sağlar. Modeller, yan etkilerine ve algılanan etkinliğe odaklanarak, ilaçlarla ilgili kullanıcı tarafından bildirilen deneyimleri içeren birleştirilmiş CADEC+ADE veri kümesinde eğitildi ve değerlendirildi. Sonuçlar BioBERT modelinin %99,2 doğruluk değeriyle bu alan için duygu analizinde diğer tekil yöntemlerden daha etkili olduğunu ortaya koyuyor. Buna ek olarak BERT modelleri ile oluşturulan topluluk öğrenmesi modelinde ise %99,6 oranında doğruluk değeri elde edilmiş olup, bu yöntem ile en yüksek doğruluk oranına ulaşılmıştır.
- 18 December 2025
- Published by Istanbul Ticaret Universitesi in İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi
- Vol. 24 (48) , 414-437
Open AccessKULLANICI YORUMLARIYLA İLAÇ YAN ETKİSİ TESPİTİ: TRANSFORMATÖR TABANLI DUYGU ANALİZİ ÇIKARIMI
Sağlık alanında, özellikle ilaç incelemeleriyle ilgili olarak kullanıcı tarafından oluşturulan içeriğin artan hacmi, olumsuz ilaç reaksiyonlarını (ADR'ler) ve kullanıcı duygularını analiz etmek için önemli fırsatlar sunmaktadır. Bu çalışmada, duygu analizi yapmak için ilaç yan etkileriyle ilgili kullanıcı yorumlarını içeren birleştirilmiş CADEC+ADE veri kümesini kullanıyoruz. Bu çalışma, bir hasta perspektifinden ilaçların etkisini daha iyi anlamak amacıyla kullanıcı geri bildirimlerinin olumlu ve olumsuz duygularının ‘yan etkisi var’ ya da ‘yan etkisi yok’ şeklinde ikili bir sınıflandırmasını içerir. Bunun için beş farklı yöntemin performansını değerlendiriyoruz ve karşılaştırıyoruz: BiLSTM BioBERT, MBERT, SVM ve XLM-R. SVM dışındaki diğer modeller biyomedikal metinler üzerinde önceden eğitilmiş transformatör tabanlı model oldukları ve biyomedikal terminolojiye ilişkin üstün anlayışları için kullanılırken, SVM karşılaştırma için klasik makine öğrenimi temellerini sağlar. Modeller, yan etkilerine ve algılanan etkinliğe odaklanarak, ilaçlarla ilgili kullanıcı tarafından bildirilen deneyimleri içeren birleştirilmiş CADEC+ADE veri kümesinde eğitildi ve değerlendirildi. Sonuçlar BioBERT modelinin %99,2 doğruluk değeriyle bu alan için duygu analizinde diğer tekil yöntemlerden daha etkili olduğunu ortaya koyuyor. Buna ek olarak BERT modelleri ile oluşturulan topluluk öğrenmesi modelinde ise %99,6 oranında doğruluk değeri elde edilmiş olup, bu yöntem ile en yüksek doğruluk oranına ulaşılmıştır.