A new data management system in IOT system
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Gedik Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
The proliferation of Internet of Things (IOT) devices has led to an unprecedented growth in data, necessitating effective management and classification strategies. This thesis presents a novel approach to IoT data management by utilizing machine learning techniques, specifically focusing on the classification of IoT devices. We developed a system that employs a Random Forest classifier, renowned for its accuracy and efficiency in handling large datasets with multiple features. To address the challenge of imbalanced datasets, which is common in IoT environments, we integrated Synthetic Minority Over-sampling Technique (SMOTE) with the Random Forest algorithm. This integration enhances the classifier's ability to accurately identify and categorize various types of IoT devices, even when some device types are underrepresented in the dataset. Our methodology involves a thorough analysis of IoT data, preprocessing steps, and the application of SMOTE for data balancing, followed by device classification using the Random Forest classifier. The results demonstrate significant improvements in classification accuracy and provide a scalable solution for managing the diversity and volume of data generated by IoT devices. This study not only contributes to the field of IoT data management but also provides a framework for applying machine learning techniques in similar contexts.
Nesnelerin İnterneti (IOT) cihazlarının yaygınlaşması, verilerde benzeri görülmemiş bir büyümeye yol açarak etkili veri yönetimi ve sınıflandırma stratejilerini zorunlu kılmaktadır. Bu araştırma, özellikle IoT cihazlarının sınıflandırılmasına odaklanarak, makine öğrenme teknikleri kullanımında IoT veri yönetimine yeni bir yaklaşım sunmaktadır. Birden fazla özelliğe sahip büyük veri kümelerinin işlenmesinde doğruluğu ve verimliliği ile tanınan Rastgele Orman Sınıflandırıcısını kullanan bir sistem geliştirilmiştir. IoT ekosisteminde yaygın olan dengesiz veri kümeleri sorununu çözmek için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) Rastgele Orman algoritmasıyla entegre edilmiştir. Bu entegrasyonda, bazı cihaz türleri veri kümesinde yeterince temsil edilmese bile, sınıflandırıcının çeşitli türdeki IoT cihazlarını doğru bir şekilde tanımlama ve kategorilere ayırma yeteneği geliştirilmiştir. Metodolojimiz, IoT verilerinin kapsamlı bir analizini, ön işleme adımlarını, veri dengeleme için SMOTE uygulamasını ve ardından Rastgele Orman Sınıflandırıcısını kullanarak cihaz gruplamasını içermektedir. Sonuçlar, IoT cihazları tarafından oluşturulan veri çeşitliliğini ve hacmini yönetmek için ölçeklenebilir bir çözüm sunmaktadır. Bu çalışma sadece IoT veri yönetimi alanına katkıda bulunmakla kalmamakta, aynı zamanda makine öğrenimi tekniklerinin benzer bağlamlarda uygulanması için bir çerçeve sağlamaktadır."
Nesnelerin İnterneti (IOT) cihazlarının yaygınlaşması, verilerde benzeri görülmemiş bir büyümeye yol açarak etkili veri yönetimi ve sınıflandırma stratejilerini zorunlu kılmaktadır. Bu araştırma, özellikle IoT cihazlarının sınıflandırılmasına odaklanarak, makine öğrenme teknikleri kullanımında IoT veri yönetimine yeni bir yaklaşım sunmaktadır. Birden fazla özelliğe sahip büyük veri kümelerinin işlenmesinde doğruluğu ve verimliliği ile tanınan Rastgele Orman Sınıflandırıcısını kullanan bir sistem geliştirilmiştir. IoT ekosisteminde yaygın olan dengesiz veri kümeleri sorununu çözmek için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) Rastgele Orman algoritmasıyla entegre edilmiştir. Bu entegrasyonda, bazı cihaz türleri veri kümesinde yeterince temsil edilmese bile, sınıflandırıcının çeşitli türdeki IoT cihazlarını doğru bir şekilde tanımlama ve kategorilere ayırma yeteneği geliştirilmiştir. Metodolojimiz, IoT verilerinin kapsamlı bir analizini, ön işleme adımlarını, veri dengeleme için SMOTE uygulamasını ve ardından Rastgele Orman Sınıflandırıcısını kullanarak cihaz gruplamasını içermektedir. Sonuçlar, IoT cihazları tarafından oluşturulan veri çeşitliliğini ve hacmini yönetmek için ölçeklenebilir bir çözüm sunmaktadır. Bu çalışma sadece IoT veri yönetimi alanına katkıda bulunmakla kalmamakta, aynı zamanda makine öğrenimi tekniklerinin benzer bağlamlarda uygulanması için bir çerçeve sağlamaktadır."
Açıklama
Lisansüstü Eğitim Enstitüsü, Mühendislik Yönetimi Ana Bilim Dalı, Mühendislik Yönetimi Bilim Dalı
Anahtar Kelimeler
IoT Data Management, Machine Learning, Device Classification, Random Forest Classifier, SMOTE, Data Balancing, IoT Devices, Data Analysis, Scalable Solutions, Classification Accuracy, IOT Veri Yönetimi, Makine Öğrenimi, Cihaz Sınıflandırma, Rastgele Orman Sınıflandırıcı, SMOTE, Veri Dengeleme, IoT Cihazlar, Veri Analizi