FSM Vakıf Üniversitesi Araştırma ve Akademik Performans Sistemi
DSpace@FSM, FSM Vakıf Üniversitesi’nin bilimsel araştırma ve akademik performansını izleme, analiz etme ve raporlama süreçlerini tek çatı altında buluşturan bütünleşik bilgi sistemidir.
Güncel Gönderiler
Öğe Türü: Öğe , PE Dosyalarında Zararlı Yazılım Tespiti için Makine Öğrenmesi ve Derin Öğrenme Yöntemlerinin Karşılaştırmalı Analizi(IEEE, 2026) Mutlu, Gökay; Rihani, Neşe; Bayazıt, Esra ÇalıkZararlı yazılımlar (malware), Taşınabilir Çalıştırılabilir (PE) dosyalar üzerinden siber güvenliği ciddi şekilde tehdit etmektedir. Bu çalışmada, PE dosyalarından elde edilen statik analiz öznitelikleriyle zararlı yazılım tespiti için makine ögrenmesi ve derin öğrenme modellerinin performansları karşılaştırılmıştır. Toplam 62.485 örnek ve 15 öznitelikten oluşan veri seti üzerinde Random Forest, XGBoost, LightGBM ve CatBoost gibi ağaç tabanlı topluluk modelleri ile MLP, DNN ve 1D-CNN derin öğrenme mimarileri eğitilmiştir. Deneysel sonuçlar, düşük boyutlu tabular verilerde topluluk algoritmalarının derin öğrenme modellerinden daha üstün performans gösterdiğini kanıtlamıştır. Modeller arasında Random Forest, 99.65% dogruluk (accuracy) ve 99.59% F1-skoru ile en yüksek başarıyı elde etmiştir. Bu akademik çalışma, zararlı yazılım tespitinde donanım maliyeti yüksek derin sinir ağları yerine, hafif ve performanslı ağaç tabanlı modellerin daha verimli bir çözüm sunduğunu göstermektedir.Öğe Türü: Öğe , Türkçe Çok Modlu RAG Sistemleri için Parçalama Stratejilerinin Karşılaştırmalı Analizi(IEEE, 2026) Aksu, Erdem Nezihi; Akgül, Yusuf Sinan; Yeşilyurt, Saliha; Genç, Yakup; Aydemir, SibelGeleneksel İçerik Erişimine Dayalı Üretim (RAG) sistemleri; tablo, grafik ve düzensiz yerleşimler içeren karmaşık belgelerle çalışırken bilgi bütünlüğünü korumada genellikle yetersiz kalmaktadır. Bu yapısal sorunların üstesinden gelmek amacıyla bu çalışma, dört farklı parçalama stratejisinin karşılaştırmalı bir analizini sunmaktadır: Basit (Naive), Dinamik, Görsel ve Hibrit RAG. Hibrit mimari; tablo hiyerarşisini koruyan yapıya duyarlı akıllı metin işleme ile hedef odaklı görsel vektör üretimini entegre eden çok aşamalı bir iş akışına dayanmaktadır. Bu stratejilerin performansı; 46 kurumsal entegre rapordan ve 1.380 soru-cevap çiftinden oluşan bir veri seti üzerinde, "LLM-as-a-Judge" yaklaşımı kullanılarak Bağlam Kapsama (Context Recall), Hassasiyet (Precision) ve Doğruluk (Accuracy) metrikleri üzerinden değerlendirilmiştir. Sonuçlar, Hibrit RAG’ın tek modlu sistemlerin sınırlamalarını etkili bir şekilde aştığını göstermektedir. En iyi tek modlu temel yönteme kıyasla Bağlam Kapsama’da 0,82’ye, Hassasiyet’te 0,82’ye ve Cevap Doğruluğu’nda 0,71’e ulaşılmıştır.Öğe Türü: Öğe , IoT Saldırı Tespitinde Gizlilik ve Açıklanabilirlik İkilemini Çözmek İçin Federe Öğrenme Tabanlı Karşıolgusal Açıklamalar(IEEE, 2026) Kaya, SametMakine öğrenmesi tabanlı saldırı tespit sistemleri, IoT ağlarının güvenliğinde kritik bir rol üstlenmektedir; ancak sistemlerin kara kutu yapısı, kararların analistler tarafından yorumlanmasını güçleştirmektedir. Öte yandan, merkezi eğitim yaklaşımlarının gerektirdiği veri toplama süreci gizlilik riskleri taşımaktadır. Bu çalışma, iki soruna birlikte çözüm sunan FedCF-IoT çerçevesini tanıtmaktadır. FedCF-IoT, diferansiyel gizlilik mekanizmalarıyla güçlendirilmiş federe öğrenme ortamında karşıolgusal açıklamalar üreterek ham veri paylaşımı olmadan açıklanabilir tahminler sağlamaktadır. Edge-IIoTset veri kümesi ile 15 sınıflı saldırı tespitinde %99,38 doğruluk (%93,21 makro F1-skoru) elde edilmiş ve karşıolgusal geçerlilik %98,8’e ulaşmıştır. Çalışmada bulgu olarak, diferansiyel gizlilik gürültüsü karşıolgusal geçerliliği düşürmek yerine %93,2’den %98,8’e yükseltmiştir. Federe öğrenme, merkezi eğitime kıyasla yalnızca %0,11–0,17'lik doğruluk kaybıyla gizliliğin korunabildiğini göstermektedir.Öğe Türü: Öğe , Alzheimer Tespitinde Düşük ve Yüksek Mertebeli Fonksiyonel Bağlantısallık Füzyonu(IEEE, 2026) Bayer, Aslı; Kumru, Hatice; Erdoğan, AyşeBu çalışmada, dinlenim durumu fonksiyonel manyetik rezonans görüntüleme (rs-fMRI) verileri kullanılarak Alzheimer hastalığının (AH) sınıflandırılmasında düşük mertebeli fonksiyonel bağlantısallık (LOFC), yüksek mertebeli fonksiyonel bağlantısallık (HOFC) ve bu iki yaklaşımın birleşimini içeren füzyon modunun (LOFC+HOFC) performansı karşılaştırılmıştır. Bağlantısallık matrislerine Fisher-z dönüşümü uygulanmış, farklı yoğunluk eşiği oranları kullanılarak ağ temsilleri oluşturulmuş ve bu ağlardan düğüm gücü öznitelikleri çıkarılmıştır. Elde edilen öznitelikler, Top-K (K=10) özellik seçimi ve Destek Vektör Makinesi (SVM) altında değerlendirilmiş; model performansı Leave-One-Out Cross Validation (LOOCV) yöntemi ile analiz edilmiştir. Sonuçlar, füzyon modelinin tüm eşik seviyelerinde tekli modalite yaklaşımlarına kıyasla tutarlı biçimde daha yüksek performans metrikleri ürettiğini ortaya koymuş; en yüksek sınıflandırma performansı %20 eşik değerinde gözlemlenmiş olup, orta düzey eşiklerin güçlü bağlantıları korurken gürültüyü bastırma açısından elverişli bir denge sunabileceğine işaret etmektedir. Bu bulgular, AH’nin yalnızca lokal beyin bölgelerini değil, aynı zamanda beyin ağlarının bütünsel organizasyonunu etkileyen bir bozukluk olduğunu desteklemektedir.Öğe Türü: Öğe , LLM-Orchestrated Multi-Agent Framework for Android Malware Detection from APK Analysis(IEEE, 2026) Özyurt, Halime Sıla; Akkok, Selma; Şahingöz, Özgür KorayIn recent years, the rapid growth of Android applications has resulted in an increasing need for more sophisticated and adaptive detection methods. Although machine learning and deep learning techniques have proven their utility with respect to structured features, these approaches usually lack semantic reasoning abilities and are ineffective against increasingly complex threats. This paper presents a parallel multi-agent model for Android malware detection via APK inspection, which incorporates the use of Large Language Models (LLMs)-based orchestration. The proposed model coordinates the actions of three independent agents that will be involved in the semantic reasoning of various components included in raw APK files, such as manifest permissions, structure of files, and behavior indicators. In contrast with a single-model framework, the suggested approach uses cooperative reasoning between different LLMs, namely Gemini 2.5 Flash, DeepSeek V3, and GPT-4.1-mini, and makes its ultimate decision on whether the analyzed application is malicious based on a majority vote. The multi-agent LLM layer proved its semantic reasoning capabilities during qualitative case analysis.
