| Yazarlar (1) |
İbrahim ŞANLIALP
Kırşehir Ahi Evran Üniversitesi, Türkiye |
| Özet |
| Sistem çağrıları, işletim sistemi ile yazılım arasındaki etkileşimleri temsil eden kritik bir veri kaynağı görevi görmektedir. Bir veri kaynağındaki olağan dışı kalıpların belirlenmesi, sistem performansını iyileştirmek açısından önemli olan anomali tespiti olarak adlandırılmaktadır. Özellikle, derin öğrenme tabanlı yaklaşımlar sistem çağrılarında anomali tespitinin doğruluğunu artırırken, kullanılan derin öğrenme modellerinin enerji verimliliği göz ardı edilemez bir değerlendirme ölçütü olarak öne çıkmaktadır. Bu çalışmada, üç derin öğrenme modelinin (Tekrarlayan Sinir Ağı (RNN), Kapılı Tekrarlayan Birim (GRU) ve Uzun Kısa Süreli Bellek (LSTM)) sistem çağrısı verilerinde anomali tespiti için performansı ve enerji verimliliği karşılaştırılmıştır. Her model, Asgari-Azami Normalleştirmesi (Min-Max Normalization) ile ölçeklendirilmiş verilerle eğitilmiştir. Model performansı, Determinasyon Katsayısı (R²), Ortalama Kare Hatası (MSE) ve Ortalama Mutlak Hata (MAE) değerlendirme metrikleri kullanılarak ölçülmüştür. Enerji tüketimi tahmini ise Intel Power Gadget (IPG) ile gerçekleştirilmiştir. Bu karşılaştırmalı analiz, test edilen mimarilerin göreceli etkinliği hakkında ampirik içgörüler sunmaktadır. Bulgular, LSTM'nin anomali tespiti açısından daha iyi bir performans sergilediğini, ancak enerji verimliliği açısından RNN’nin daha avantajlı olduğunu göstermektedir. |
| Anahtar Kelimeler |
| Makale Türü | Özgün Makale |
| Makale Alt Türü | Ulusal alan endekslerinde (TR Dizin, ULAKBİM) yayınlanan tam makale |
| Dergi Adı | Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi |
| Dergi ISSN | 1308-6529 |
| Dergi Tarandığı Indeksler | |
| Makale Dili | İngilizce |
| Basım Tarihi | 08-2025 |
| Doi Numarası | 10.19113/sdufenbed.1655066 |
| Makale Linki | https://doi.org/10.19113/sdufenbed.1655066 |
| Atıf Sayıları |
