EN
FIRATÜNİVERSİTESİ
.00000001

HAKKINDA

KİŞİSEL DETAYLAR
GPS: 38.680955 - 39.195835
+90 424 2370000
F.Ü Doçent Dr. CISCO Ağ Eğitmeni Bilişim Suçları Adli Bilirkişi
WEB siteme hoş geldiniz. Akademik personel

BİYOGRAFİ

HAKKIMDA

Fırat Üniversitesi Teknoloji Fakültesi Adli Bilişim Mühendisliği bölümünde Öğretim Üyesi olarak çalışmaktayım. Doktora eğitimimi Yazılım Mühendisliği alanında tamamladım. Yaklaşık 17 yıl (Aralık 2000 - Aralık 2017) Fırat Üniversitesi Enformatik Bölümünde Bilgisayar Okutmanı olarak çalıştım.

2010-2020 Yılları arasında F.Ü Uzaktan Eğitim Merkezi müdür yardımcılığı görevini yaptım.Farklı zamanlarda yaklaşık 8 yıl Enformatik Bölüm Başkan Yardımcılığı görevini yürüttüm. 2018 yılından 2021 Ağustos ayına kadar Teknoloji Fakültesi dekan yardımcılığı görevi yürütülmüştür. Fırat Üniversitesi Bilgi İşlem Daire Başkanlığında yaklaşık 10 yıl ağ sistemlerinin yöneticiliğini yaptım.

Ayrıca Fırat Teknokent Bünyesinde internet güvenlik yazılımları ve ağ sistemleri alanında faaliyet yürüten NETKORU Şirketinin kurucusu ve Genel Müdürü olarak 2017-2020 Yılları arasında çalıştım.

Bilişim suçları ile ilgili davalarda 49300 Sicil numarası ile Adalet Bakanlığ'na adli bilirkişi olarak destek vermekteyim.

ÇALIŞMA ALANLARI

PROJELER

Adli Bilişim, Makine öğrenmesi, yapay zeka, derin öğrenme, akıllı sınıflandırma, doğal dil işleme

Network cihazları yönetimi, ağ güvenliği, ağ adli bilişimi, bilgi güvenliği

Sosyal medya veri madenciliği, davranış analizi

DERSLER:

Ofis Saatleri

Lisans:
Makine Öğrenmesi
Ağ ve Sistem Güvenliği
Adli Bilişim Kanunları

Lisansüstü:
Bi̇li̇şim Güvenliğine Gi̇ri̇ş
Bi̇li̇şim Suçları ve Önleyici Tedbirler
Bilgisayar Ağlarında Güvenlik
Bilgisayar Ağlarında Başarım Analizi

Öğrenci ofis saatleri Cuma 14:00-16:00 Bu saatler arasında dersim yoktur, odama gelip sorularınızı sorabilirsiniz.


.00000010

KARİYER

  • İŞ TECRÜBESİ
  • ŞİMDİ
    2021
    Elazığ

    DOÇENT DOKTOR

    FIRAT ÜNİVERSİTESİ ADLİ BİLİŞİM MÜHENDİSLİĞİ

    Fırat Üniversitesi Teknoloji Fakültesi Adli Bilişim Mühendisliği
  • 2021
    2018
    Elazığ

    DOKTOR ÖĞRETİM ÜYESİ

    FIRAT ÜNİVERSİTESİ ADLİ BİLİŞİM MÜHENDİSLİĞİ

    Fırat Üniversitesi Teknoloji Fakültesi Adli Bilişim Mühendisliği
  • 2018
    2018
    Elazığ

    YARDIMCI DOÇENT DR.

    FIRAT ÜNİVERSİTESİ ADLİ BİLİŞİM MÜHENDİSLİĞİ

    Fırat Üniversitesi Teknoloji Fakültesi Adli Bilişim Mühendisliği
  • 2018
    2016
    Elazığ

    OKUTMAN DR.

    FIRAT ÜNİVERSİTESİ ENFORMATİK BÖLÜMÜ

    Fırat Üniversitesi Enformatik Bölümü Bilgisayar Okutmanı.
  • 2016
    2000
    Elazığ

    OKUTMAN

    FIRAT ÜNİVERSİTESİ ENFORMATİK BÖLÜMÜ

    Fırat Üniversitesi Enformatik Bölümü Bilgisayar Okutmanı.
  • ŞİMDİ
    2017
    Elazığ

    GENEL MÜDÜR

    NETKORU BİLİŞİM

    Netkoru Bilişim Yazılım Eğitim Danışmanlık San. Tic. Ltd. Şti. Genel Müdürü.
  • 2000
    2000
    Malatya

    ÖĞRETMEN

    MİLLİ EĞİTİM BAKANLIĞI

    Milli Eğitim Bakanlığı Doğanşehir Çok Programlı Lisesi Bilgisayar Öğretmeni.
  • EĞİTİM
  • 2012
    2016
    Elazığ

    YAZILIM MÜHENDİSLİĞİ - DOKTORA

    FIRAT ÜNİVERSİTESİ

    Fırat Üniversitesi Fen Bilimleri Enstitüsü Yazılım Mühendisliği Anabilim Dalı. Tez Adı: Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması
  • 2003
    2005
    Elazığ

    ELEKTRONİK BİLGİSAYAR EĞİTİMİ - YÜKSEK LİSANS

    FIRAT ÜNİVERSİTESİ

    Fırat Üniversitesi Fen Bilimleri Enstitüsü Elektronik Bilgisayar Eğitimi. Tez Adı: Bilgisayar ağları ve internet üzerinden başka bir bilgisayarın kontrolü
  • 1996
    2000
    Elazığ

    BİLGİSAYAR ÖĞRETMENLİĞİ - LİSANS

    FIRAT ÜNİVERSİTESİ

    Fırat Üniversitesi Teknik Eğitim Fakültesi Bilgisayar Öğretmenliği
  • İDARİ GÖREVLER
  • 2021
    2018
    Elazığ

    DEKAN YARDIMCISI

    FIRAT ÜNİVERSİTESİ TEKNOLOJİ FAKÜLTESİ

    Fırat Üniversitesi Teknoloji Fakültesi dekan yardımcılığı görevi
  • 2004
    2006
    Elazığ

    BÖLÜM BAŞKAN YARDIMCISI

    FIRAT ÜNİVERSİTESİ ENFORMATİK BÖLÜMÜ

    Fırat Üniversitesi Enformatik Bölümü bölüm başkan yardımcılığı görevi
  • 2006
    2007
    Elazığ

    BÖLÜM BAŞKAN YARDIMCISI

    FIRAT ÜNİVERSİTESİ ENFORMATİK BÖLÜMÜ

    Fırat Üniversitesi Enformatik Bölümü bölüm başkan yardımcılığı görevi
  • 2018
    2012
    Elazığ

    BÖLÜM BAŞKAN YARDIMCISI

    FIRAT ÜNİVERSİTESİ ENFORMATİK BÖLÜMÜ

    Fırat Üniversitesi Enformatik Bölümü bölüm başkan yardımcılığı görevi
  • 2010
    2012
    Elazığ

    MÜDÜR YARDIMCISI

    FIRAT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ

    Fırat Üniversitesi Uzaktan Eğitim merkezi müdür yardımcılığı görevi
  • 2020
    2012
    Elazığ

    MÜDÜR YARDIMCISI

    FIRAT ÜNİVERSİTESİ UZAKTAN EĞİTİM MERKEZİ

    Fırat Üniversitesi Uzaktan Eğitim merkezi müdür yardımcılığı görevi
  • DİĞER
  • ŞİMDİ
    2012
    Elazığ

    AĞ SORUMLUSU

    TUBİTAK ULAKBİM

    Tubitak Ulakbim Fırat Üniversitesi Uç Sorumusu
  • 2003
    2004
    Elazığ

    YÖNETİM KURULU ÜYESİ

    FIRAT HABER GAZETESİ

    Fırat Üniversitesi Fırat Haber Gazetesi Yönetim Kurulu Üyesi
  • 2002
    2003
    Elazığ

    WEB SORUMLUSU

    FIRAT ÜNİVERSİTESİ

    Fırat Üniversitesi Web Sitesi Sorumlusu
  • 2012
    2013
    Elazığ

    YAZILIM MÜHENDİSLİĞİ

    FIRAT ÜNİVERSİTESİ

    Fırat Üniversitesi Yazılım Mühendisliği Lisansüstü öğrenci temsilcisi
.00000011

YAYINLAR

AKADEMİK BAĞLANTILAR

ORC ID Google Academic YÖK Akademik Research Gate Web of Science (Researcher ID) SCOPUS IEEE IEEE

SEÇİLMİŞ YAYIN LİSTESİ
HEPSİ
SIRALAMA YAP
1 EKİ 2017

Data classification with deep learning using Tensorflow

Computer Science and Engineering (UBMK), Antalya

Deep learning is a subfield of machine learning which uses artificial neural networks that is inspired by the structure and function of the human brain. Despite being a very new approach, it has become very popular recently. Deep learning has achieved much higher success in many applications where machine learning has been successful at certain rates.
Konferans Uluslararası Fatih Ertam, Aydin, G.
img

Data classification with deep learning using Tensorflow

Fatih Ertam, Aydin, G. Konferans Uluslararası

Deep learning is a subfield of machine learning which uses artificial neural networks that is inspired by the structure and function of the human brain. Despite being a very new approach, it has become very popular recently. Deep learning has achieved much higher success in many applications where machine learning has been successful at certain rates. In particular It is preferred in the classification of big data sets because it can provide fast and efficient results.

In this study, we used Tensorflow, one of the most popular deep learning libraries to classify MNIST dataset, which is frequently used in data analysis studies. Using Tensorflow, which is an open source artificial intelligence library developed by Google, we have studied and compared the effects of multiple activation functions on classification results. The functions used are Rectified Linear Unit (ReLu), Hyperbolic Tangent (tanH), Exponential Linear Unit (eLu), sigmoid, softplus and softsign. In this Study, Convolutional Neural Network (CNN) and SoftMax classifier are used as deep learning artificial neural network. The results show that the most accurate classification rate is obtained using the ReLu activation function.

31 OCA 2017

A new approach for internet traffic classification: GA-WK-ELM

Measurement

The classification of internet traffic is one of the very popular topics of the present- day. In particular, the classification studies performed along with the use of machine learning (ML) approaches is increasing a little more with each passing day.
Dergi SCI-Exp Fatih Ertam, Avci, E.
img

A new approach for internet traffic classification: GA-WK-ELM

Fatih Ertam, Avci, E. Dergi

The classification of internet traffic is one of the very popular topics of the present-day. In particular, the classification studies performed along with the use of machine learning (ML) approaches is increasing a little more with each passing day. In this study, Extreme Learning Machine (ELM) methods were used for the classification of Internet traffic. Kernel Based Extreme Learning Machine (KELM) approach, one of the ELM approaches, was applied to the data.

In particular, Genetic Algorithm (GA) based software (GA-WK-ELM) was developed for the selection of the parameters which were used in the (WK-ELM) algorithm in which Wavelet function was used. It was seen that an accuracy rate of over 95% was achieved along with the application developed with GA. The average truth value metric was used in order to compare the performance of the classification performed. In addition, Receiver Operating Characteristic (ROC) curves were also generated.

1 HAZ 2005

Bilgisayar ağları ve internet üzerinden başka bir bilgisayarın kontrolü

YÜKSEK LİSANS TEZİ

Bu tez çalışmasında, bilgisayar ağlan ve internet üzerinden uzaktaki bir bilgisayarın güç sistemi kontrol edilerek; kapalı durumda bulunan bilgisayarın açılması, açık olan bilgisayarın kapatılması ya da yeniden başlatılması sağlanmıştır.
Tez Yüksek Lisans Fatih Ertam, Danışman: Güldemir, H.
img

BİLGİSAYAR AĞLARI VE İNTERNET ÜZERİNDEN BAŞKA BİR BİLGİSAYARIN KONTROLÜ

Fatih Ertam Danışman: Güldemir, H. Tez Yüksek Lisans

Bu tez çalışmasında, bilgisayar ağlan ve internet üzerinden uzaktaki bir bilgisayarın güç sistemi kontrol edilerek; kapalı durumda bulunan bilgisayarın açılması, açık olan bilgisayarın kapatılması ya da yeniden başlatılması sağlanmıştır. Bu uygulamanın hazırlanması yazılım ve donanım olmak üzere iki aşamada gerçekleştirilmiştir. Yazılım olarak web tabanlı programlama dillerinden ASP ve PHP ile ayrı ayrı iki yazılım geliştirilmiştir.

Bu yazılımlardan herhangi birisi kullanılarak uzaktaki sunucu bilgisayarın seri portuna, gerçekleştirilmek istenilen bilgi gönderilmiştir. İkinci aşamada uygulamanın donanım kısmı hazırlanmıştır. Sunucu bilgisayarın seri portuna gelen bilgiyi alıp işleyebilecek mikro denetleyicin* bir devre tasannu gerçekleştirilerek bağlanmıştır. Gelen veri işlendikten sonra bu devreye bağlı hedef bilgisayarın ana kartı üzerindeki güç sistemini harekete geçirecek pinlerine istenilen işlem komutlan gönderilmiş ve uygulama başanyla tamamlanmıştır.

1 OCA 2003

C İle Programlamaya Giriş

Bölüm Adı:Deyimler

Yayın Yeri:Fırat Üniversitesi Basımevi, Editör:Balık, H., Basım sayısı:1, Sayfa sayısı:200, ISBN:975-394-029-7, Bölüm Sayfaları:51 -70
Kitapta Bölüm Fatih Ertam
img

C İle Programlamaya Giriş

Fatih Ertam Kitapta Bölüm

Yayın Yeri:Fırat Üniversitesi Basımevi, Editör:Balık, H., Basım sayısı:1, Sayfa sayısı:200, ISBN:975-394-029-7, Bölüm Sayfaları:51 -70

1 OCA 2005

Temel Bilgi Teknolojisi Kullanımı

Bölüm Adı:İnternet ve İletişim

Editör:Kürüm, H., Basım sayısı:1, Sayfa sayısı:300, ISBN:975-6305-09-6, Bölüm Sayfaları:173 -189
Kitapta Bölüm Nobel Yayınevi Fatih Ertam
img

Temel Bilgi Teknolojisi Kullanımı

Fatih Ertam Kitapta Bölüm Nobel Yayınevi

Editör:Kürüm, H., Basım sayısı:1, Sayfa sayısı:300, ISBN:975-6305-09-6, Bölüm Sayfaları:173 -189

24 EYL 2017

An Effective Classification Method for Facebook Data

International Journal of Applied Mathematics, Electronics and Computers

Today, the use of the internet has become very common. One of the most important reasons for its widespread use is social media tools. Especially Facebook has a very important place in social media tools.
Dergi Fatih Ertam
img

An Effective Classification Method for Facebook Data

Fatih Ertam Dergi

Today, the use of the internet has become very common. One of the most important reasons for its widespread use is social media tools. Especially Facebook has a very important place in social media tools.

For this study, classification was done by using Facebook data. Classifications made by artificial learning algorithms on a previously used data set are compared with accuracy values and learning times. For this purpose, support vector machines (SVM), extreme learning machines (ELM) and K nearest neighbor (kNN) approaches are compared. For the study, SVM and ELM algorithms were observed using different activation functions. For the study with KNN, different K values were tested with different distance metric calculation methods. In the classification approach with ELM, it was observed that higher accuracy values were reached in a shorter time. In addition, Receiver Operating Characteristic (ROC) curves are plotted for the classification in which the best values are obtained for each algorithm

30 OCA 2016

Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması

Akademik Bilişim 2016, Aydın

Son zamanlarda nesnelerin interneti (internet of things, IoT) kavramı ile internetin kullanımının çok yüksek düzeylere ulaşması sebebiyle internet ile beraber sunulan servis kalitesinin artırılması, ağın verimli kullanılması ve farklı hizmet paketlerinin oluşturulabilmesi gibi konuların önemi daha da artmıştır.
Konferans Fatih Ertam, Avci, E.
img

Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması

Fatih Ertam, Avci, E. Konferans

Son zamanlarda nesnelerin interneti (internet of things, IoT) kavramı ile internetinkullanımının çok yüksek düzeylere ulaşması sebebiyle internet ile beraber sunulan serviskalitesinin artırılması, ağın verimli kullanılması ve farklı hizmet paketlerinin oluşturulabilmesigibi konuların önemi daha da artmıştır. İnternet üzerinden akan trafik verisinin sınıflandırılması,özellikle büyük ağlarda güvenliğin sağlanması, trafik yönetiminin etkin bir şekilde yapılabilmesiiçin oldukça önemli bir hale gelmiştir. Internet trafiğini hızlı bir şekilde artması ve kullanılanuygulamaların çeşitliliği ağın kontrol edilebilmesi için ağ yöneticileri tarafından bu bilgininbilinmesi neredeyse bir zorunluluk olmaya başlamıştır.

Sınıflandırma için yaygın olarak port, yük ve istatistik bilgileri kullanılmıştır. Port ve yük tabanlı yaklaşımlar ile yapılabileceksınıflandırma seçenekleri sınırlı olduğu için özellikle denetimli makine öğrenme (ML)algoritmaları internet trafik sınıflandırılmasında sıklıkla uygulanmaya başlamıştır. Destekvektör makinesi (DVM) ve yapay sinir ağları (YSA) tabanlı sınıflandırıcılar önceki çalışmalardaoldukça fazla kullanılmıştır. Yapılan çalışmada klasik sınıflandırıcı yöntemler yerine Uçöğrenme makinesi (UÖM) algoritması kullanılmıştır. UÖM ile yapılan sınıflandırmabaşarımının daha yüksek olduğu görülmüştür.

1 HAZ 2016

Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması

DOKTORA TEZİ

İnternet kullanımının daha verimli hale getirilmesi amacıyla, internet üzerindeki verilerin sınıflandırılması özellikle kurumsal ağları yöneten ağ yöneticileri açısından önemli bir yer tutmaktadır. Son zamanlarda internet trafiğinin sınıflandırılmasına yönelik çalışmalar artmıştır. Bu çalışmalar ile ağ üzerinde servis kalitesinin artırılması, ağın verimli kullanılabilmesi, hizmet paketlerinin oluşturulması ve kullanıcılara sunulabilmesi amaçlanmaktadır.
Tez Doktora Fatih Ertam, Danışman: Avci, E.
img

Kurumsal bilgisayar ağlarındaki trafik bilgisinin akıllı sistemler ile sınıflandırılması

Fatih Ertam Danışman: Avci, E. Tez Doktora

İnternet kullanımının daha verimli hale getirilmesi amacıyla, internet üzerindeki verilerin sınıflandırılması özellikle kurumsal ağları yöneten ağ yöneticileri açısından önemli bir yer tutmaktadır. Son zamanlarda internet trafiğinin sınıflandırılmasına yönelik çalışmalar artmıştır. Bu çalışmalar ile ağ üzerinde servis kalitesinin artırılması, ağın verimli kullanılabilmesi, hizmet paketlerinin oluşturulması ve kullanıcılara sunulabilmesi amaçlanmaktadır. İnternet trafiğinin sınıflandırılması amacıyla kullanılan ilk sınıflandırma yöntemi port numaralarının kullanılmasına yönelik sınıflandırmadır. Bu sınıflandırma yöntemi, internetin ilk kullanım zamanları için etkili ve hızlı bir sınıflandırma yöntemi olmasına rağmen günümüzde geçerliğini yitirmiştir. Ağ trafiğinin sınıflandırılması için kullanılan bir diğer sınıflandırma yöntemi ise yük tabanlı sınıflandırma veya derin paket analizi olarak adlandırılmaktadır. Bu yaklaşım ağda akan paketler üzerindeki imzaları tanımaya çalışarak sınıflandırma yapma prensibine dayalıdır.

Günümüzde yaygın olarak kullanılan ve bu tez çalışması için de seçilen bir diğer internet trafiğinin sınıflandırılması yöntemi ise makine öğrenmesi tabanlı yaklaşımlardır. Ağ üzerindeki akış bilgisinin toplanarak daha çok istatistiki yöntem ve algoritmaların kullanılması ile sınıflandırma yapılmasına dayanır. Tez çalışmasında, internet trafiğinin sınıflandırılması için daha önce hemen hemen hiç kullanılmamış olan Uç Öğrenme Makineleri (UÖM) yöntemleri kullanılmıştır. UÖM'nin başarımını karşılaştırabilmek amacıyla daha önce kullanılan makine öğrenmesi algoritmalarından Destek Vektör Makineleri (DVM), Naive Bayes (NB) ve Yapay Sinir Ağları (YSA) da veri setlerine uygulanarak karşılaştırılmıştır. UÖM algoritmaları ile yapılan sınıflandırma da diğer makine öğrenmesi algoritmalarına göre daha hızlı ve daha yüksek oranda başarım sağlandığı gözlenmiştir. Tez verilerine hem klasik hem de Çekirdek Tabanlı UÖM (ÇTUÖM) yaklaşımları uygulanarak sınıflandırma yapılmıştır. Sınıflandırıcıların her bir sınıfı için Alıcı İşlem Karakteristik (AİK) eğrileri oluşturulmuştur. Özellikle dalgacık fonksiyonunun kullanıldığı ÇTUÖM algoritmasında kullanılan parametrelerin iyi derecede seçimi için Genetik Algoritma (GA) tabanlı bir yazılım (GA-DF-ÇTUÖM) geliştirilmiştir.

9 MAY 2017

An Intelligent Classification Approach for Social Media Data

International Conference on Advanced Technology & Sciences ICAT’17, İstanbul

Social media has a great place in today's internet usage. In particular, it is important for companies that want to advertise on social media to invest in which area. Facebook has the highest usage rate among social media tools. In this study, artificial intelligence techniques were used to classify a data set generated with Facebook data.
Konferans Uluslararası Fatih Ertam
img

An Intelligent Classification Approach for Social Media Data

Fatih Ertam Konferans Uluslararası

Social media has a great place in today's internet usage. In particular, it is important for companies that want to advertise on social media to invest in which area. Facebook has the highest usage rate among social media tools. In this study, artificial intelligence techniques were used to classify a data set generated with Facebook data. In order to achieve this purpose, support vector machines (SVM) and extreme learning machines (ELM) are compared. The results of the studies were evaluated with accuracy values and ROC curves.

In addition, the processing speeds of the classifiers were also checked and compared. In this study, an intelligent classifier that could be preferred for social media data was tried to be offered. Different activation functions for both classifiers were selected and compared among themselves.

23 OCA 2013

Adli Bilişimde Ağ Cihazlarının Önemi ve Güvenilir Yapılandırmaları

ISDFS 2013, Elazığ

Ağ adli bilişimi, adli bilişimin alt dallarından birisi olarak kabul edilir. Ağ cihazları adli bilişimini ise Ağ adli bilişiminin bir alt dalı olarak görmek mümkündür. Adli bilişim uygulamalarında şüpheli kullanıcıların kişisel bilgisayarlarındaki verilerin tümünün kopyalanarak alınması ve incelenmesi suçun ya da suçsuzluğun tespiti için tek başına yeterli değildir.
Konferans Fatih Ertam, Tuncer, T., Avci, E.
img

Adli Bilişimde Ağ Cihazlarının Önemi ve Güvenilir Yapılandırmaları

Fatih Ertam, Tuncer, T., Avci, E. Konferans

Ağ adli bilişimi, adli bilişimin alt dallarından birisi olarak kabul edilir. Ağ cihazları adli bilişimini ise Ağ adli bilişiminin bir alt dalı olarak görmek mümkündür. Adli bilişim uygulamalarında şüpheli kullanıcıların kişisel bilgisayarlarındaki verilerin tümünün kopyalanarak alınması ve incelenmesi suçun ya da suçsuzluğun tespiti için tek başına yeterli değildir. Kullanıcıların ağ üzerinde gerçekleştirdiği trafiğinde olaydan öncesi ve olay sırasında kaydediliyor olması önemlidir.

Bu kayıtların bozulmaması için ağ cihazları üzerinde gerekli güvenlik önlemlerinin alınması, kullanıcının ağ üzerinde istediği cihazları takamaması, ağ sistemi içerisinde internete çıkış yaptığı IP adresinin ve MAC adresinin belirgin olması, kullanıcının ağın işleyişini bozma girişimlerinin en aza indirilmesi de oldukça önemlidir. Kullanıcılar, ağ cihazlarındaki kayıtlara müdahale etmemelidirler. Bu çalışmada, hem ağ adli bilişimi incelemelerini kolaylaştırmak hem de ağ güvenliğini artırabilmek için ağ cihazları üzerinde yapılması gereken yapılandırma ayarlarından bahsedilecektir.

16 EYL 2017

Intrusion detection in computer networks via machine learning algorithms

Artificial Intelligence and Data Processing Symposium (IDAP), Malatya

With the internet of objects, the number of devices with internet connection is increasing day by day. This leads to a very high amount of data circulating on the internet. It is one of the most common problems that can be distinguished from normal and abnormal traffic by analyzing in high data amount.
Konferans Uluslararası Fatih Ertam, Kılınçer, İ.F., Yaman, O.
img

Intrusion detection in computer networks via machine learning algorithms

Fatih ErtamKılınçer, İ.F., Yaman, O. Konferans Uluslararası

With the internet of objects, the number of devices with internet connection is increasing day by day. This leads to a very high amount of data circulating on the internet. It is one of the most common problems that can be distinguished from normal and abnormal traffic by analyzing in high data amount. In this study, an analysis was carried out by using machine learning approaches to determine whether the data received on the internet is normal or abnormal data.

In order to achieve this goal, the KDD Cup 99 data set which is frequently used in literature studies is classified by Naive Bayes (NB), bayes NET (bN), Random Forest (RF), Multilayer Perception (MLP) and Sequential Minimal Optimization (SMO) algorithms. Classifiers are also compared with false rate, precision, recall, and F measure metrics along with accuracy rate values. Classification times of classifiers are also given by comparison.

.00000100

ARAŞTIRMA

PROJE EKİBİ

BİLGİSAYAR MÜHENDİSİ

YAZILIM EKİP LİDERİ

Projelerin yazılım hazırlama kısmını yönetir. Yazılımların test ve analizini yapar, yazılım ekibini yönetir

ELEKTRONİK MÜHENDİSİ

NETWORK EKİP LİDERİ

Yazılımların üzerinde koşturulacağı donanım cihazlarını tasarlar, ağ ekibine liderlik eder

ARAŞTIRMA PROJELERİ

GÜVENLİ İNTERNET ALANI

TUBİTAK 1512 BİREYSEL GİRİŞİMCİLİK PROJESİ / YÜRÜTÜCÜ

Ev ve küçük işletmeler için "Güvenli İnternet Alanı" oluşturacak olan ağ cihazının geliştirilmesi amacıyla hazırlanmıştır. Ürünün AR-GE çalışmaları devam etmektedir.

Ticari prototipin ardından seri üretime geçerek ülkemiz için bilişim güvenliği alanında katma değer oluşturulacaktır.

FIRAT ÜNİVERSİTESİ KABLOSUZ AĞ ALTYAPISINI GÜÇLENDİRME PROJESİ

FIRAT ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJESİ / ARAŞTIRMACI

Fırat Üniversitesi WI-FI projesi ile yerleşke içerisindeki tüm açık ve kapalı alanlarda kablosuz internet hizmetinin verilmesi için outdoor ve indoor Access Point cihazları aktif-aktif çalışan kontrol cihazları ile beraber projelendirilerek kurulumu ve konfigürasyonu yapılmıştır.

2017 Yılı itibariyle kablosuz alanı genişletilmiştir. 200+ cihaz aktif çalışmaktadır.

İŞ ÇÖZÜMLEYİCİ MESLEK PROJESİ (İÇÖM)

AVRUPA BİRLİĞİ PROJESİ / EĞİTMEN

TRA2, TR72, TR52, TRB1 Düzey 2 Bölgeleri kalkınma programı, TRB1 Düzey 2 Bölgesi - TÜRKİYE TR 0405.02/LDI/356

Elazığ - Bingöl serbest muhasebeci mali müşavirler odası'nın İÇÖM Projesi kapsamında katılımcılara bilgisayar eğitimi verilmiştir

ETSO ÜYELERİNİN BİLİŞİM TEKNOLOJİLERİNİ ETKİN KULLANIMINI SAĞLAMAK PROJESİ

AVRUPA BİRLİĞİ PROJESİ / EĞİTMEN

TRA2, TR72, TR52, TRB1 Düzey 2 Bölgeleri kalkınma programı, TRB1 Düzey 2 Bölgesi - TÜRKİYE TR 0405.02/LDI/141

Elazığ Ticaret ve Sanayi Odasının yürütücülüğünde katılımcılara bilgisayar eğitimi verilmiştir

DERİN ÖĞRENME İLE İNTERNET VERİLERİNİN ANALİZİ

FIRAT ÜNİVERSİTESİ BİLİMSEL ARAŞTIRMA PROJESİ / YÜRÜTÜCÜ

Derin öğrenme (deep learning) yaklaşımları kullanılarak internet üzerinden alınan verilerin analizi ve sınıflandırılması yapılacaktır.

Proje hala devam etmektedir.

.00000101

SERTİFİKALAR

  • EĞİTMEN
  • 2017

    Palo Alto Networks Akademi Eğitmeni

    Palo Alto Networks Akademi Eğitmeni Sertifika Numarası:12242014-001

  • 2006

    CCNA 1 - Networking Basics

    TUBİTAK Ulusal Akademik Ağ ve Bilgi Merkezi Müdürlüğü, Akademi ID: 4692147

  • 2006

    CCNA 2 - Router and Routing Basics

    TUBİTAK Ulusal Akademik Ağ ve Bilgi Merkezi Müdürlüğü, Akademi ID: 4692147

  • 2004

    ECDL Test Sorumlusu

    European Computer Driving Licence

  • EĞİTİM
  • 2016

    Extreme Switching

    Extreme Networks

  • 2015

    İnovasyon Yönetimi Akademisi

    Türkiye İhracatçılar Meclisi - Ege İhracatçı Birlikleri

  • 2015

    Introduction to Cybersecurity

    Ağ Güvenliği Derneği

  • 2009

    Enterasys Switching and Routing

    Enterasys Networks

  • 2006

    Oracle Application Server Veritabanı Uygulamaları

    Faruk Çubukçu Eğitim Merkezi

  • 2006

    PL/SQL ile Uygulama Geliştirme

    Faruk Çubukçu Eğitim Merkezi

  • 2006

    Network Güvenlik Kavramları ve FORTINET Güvenlik Sistemleri

    RZK Mühendislik ve Bilgisayar Sistemleri

  • 2001

    Updt. Supp. Skills from MS Win NT Serv. to Win2000

    Microsoft Technical Education Center

  • 2005

    Oracle9i Database Administration Fundamentals I

    Oracle University

  • 2005

    Oracle9i: Introduction to SQL

    Oracle University

  • 2006

    Açık Kaynak Kod İşletim Sistemleri

    Linux Kullanıcıları Derneği - Pamukkale Üniversitesi

  • KATILIM
  • 2016

    Mühendislik ve Teknolojik Bilimleri İçin Tübitak Araştırma Projeleri Hazırlama ve Yürütme Eğitimi

    Fırat Üniversitesi

  • 2017

    Araştırma Projelerinin Endüstriye Aktarımına Yönelik Tübitak Projesi Hazırlama ve Yürütme Eğitimi

    Fırat Üniversitesi

  • 2013

    7. ULAKNET Çalıştayı ve Eğitimi / Ulaknetçe 2013

    Atatürk Üniversitesi

  • 2015

    9. ULAKNET Çalıştayı ve Eğitimi / Ulaknetçe 2015

    Dokuz Eylül Üniversitesi

  • 2016

    10. ULAKNET Çalıştayı ve Eğitimi / Ulaknetçe 2016

    Muğla Sıtkı Koçman Üniversitesi

  • 2017

    11. ULAKNET Çalıştayı ve Eğitimi / Ulaknetçe 2017

    Akdeniz Üniversitesi

  • 2017

    12. ULAKNET Çalıştayı ve Eğitimi / Ulaknetçe 2018

    TUBİTAK

.00000110

NETKORU BİLİŞİM

ŞİRKET HAKKINDA
Netkoru Bilişim Yazılım Eğitim Danışmanlık San. Tic. Ltd. Şti. 2017 Yılında Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TUBİTAK) Desteği ile Kurulmuştur. Fırat Teknokent AR-GE binasında "Güvenli İnternet Alanı" hizmeti verecek ürünlerin geliştirilmesi alanında çalışmalarımızı yürütmekteyiz. Kurumsal Ağların uçtan uça çözümü, yazılım geliştirme, yüz yüze ve çevrimiçi eğitim, proje danışmanlığı çalışma alanlarımızı oluşturmaktadır.
www.netkoru.com.tr || www.netkoru.net || www.netkoru.com
[email protected] || [email protected]
+90 850 532 1323
Fırat Teknokent AR-GE Ek Bina 63 / Z03 ELAZIĞ
GÜVENLİ İNTERNET
Öncelikli hedefimiz ev ve küçük işletmeler için "Güvenli İnternet Alanı" oluşturacak olan ağ cihazının geliştirilmesi için AR-GE çalışmaları yapmak.
SEVİYE : AR-GEDENEYİM : 2 YIL
PhpPythonIPS/IDS
KURUMSAL AĞ VE SİSTEM ÇÖZÜMLERİ
2000 yılından beri sektörde büyük ağların kurulumu ve yönetimini gerçekleştiren eğitimli personeller sayesinde ile ağınızın uçtan uça tüm ihtiyaçları karşılanır
SEVİYE : UZMANDENEYİM : 17 YIL
CiscoLayer1-Layer7SanallaştırmaKablolama
EĞİTİM
CISCO eğitmenliği sertifikalarına sahip sahada aktif çalışan deneyimli personellerimiz ile ağ ve sistem yönetimi alanında uzaktan ve yüzyüze eğitimler verilir.
SEVİYE : GELİŞMİŞDENEYİM : 10 YIL
CCNACCNPUzaktan Eğitim
DANIŞMANLIK
Uzun zamandır proje geliştirme ve yönetimi alanında tecrübe sahibi olan akademik danışman kadrosu ile projelerinizin iyileştirilmesine katkı sağlanır.
SEVİYE : ORTADENEYİM : 2 YIL
TubitakKosgebTeknokent
YAZILIM GELİŞTİRME
Yazılım Mühendisliği alanında doktora eğitimini tamamlamış personellerimiz, tüm yazılım geliştirme sürecinizi planlanarak hizmet sunulur.
SEVİYE : İLERİDENEYİM : 5 YIL
Açık kaynak kodVeritabanıProgramlama
.0000111

ÇALIŞMALAR

BÜYÜK İŞLER

img11
Network

Ağ Cihazları Altyapısı

img

Fırat Üniversitesi Ağ Altyapı cihazları Yenilenmesi - 2016 , 2007

Proje Yönetimi , Kurulum, Yapılandırma

2016; Fırat Üniversitesi Ana omurga , toplama noktası omurga ve kenar anahtarlama cihazlarının yenilenmesi işinde proje yönetimi, kurulum ve yapılandırma görevleri gerçekleştirilmiştir.
Bu kapsamda 2 adet ana omurga cihazı, mühendislik ve rektörlük kampüslerininde birer adet ara omurga cihazı, ve tüm binalar için 110 Adet kenar anahtarlama cihazı yapılandırılmıştır. Omurga cihazları 40 GB, kenar anahtarlama cihazları ise 10 GB bağlantı ile iletişimi sağlanmış, tüm son kullanıcı uçları 1 GB ile ağa dahil edilmiştir.

2007; Fırat Üniversitesinde toplama noktaları için 8 Adet omurga cihaz (3 Adet Fırat Tıp Merkezi için) ve 100+ gigabit ethernet portuna sahip kenar anahtarlama cihazının proje yönetimi, kurulum ve yapılandırılmasında görev alınmıştır. Ana omurgalar birbirine 10G ile kenar cihazlar ise omurgalara 1G fiber bağlantı ile bağlanmıştır.

img11
Eğitim

Uzaktan Eğitim

img

Fırat Üniversitesi Uzaktan Eğitim Sistemi - 2010, 2013, 2017

Proje Yönetimi , teknik destek

2010 Yılında uzaktan eğitim alt yapısı oluşturularak projelendirilmiş ve ilk kez İLİTAM ve Bilgisayar Programcılığı kullanıcılarının kullanımına sunulmuştur.
2013 Yılında mevcut sistem ALMS uzaktan eğitim sistemi ile değiştirilmiş, sanal sınıf ve lms yazılımları için sunucu yapılandırılması ve teknik destek sağlanmıştır
2017 Yılında mevcut sistemin bulut tabanlı yapıya taşınması ve sistemin işleyişi koordine edilmiştir.

img11
Güvenlik

FIREWALL

img

Fırat Üniversitesi Güvenlik Duvarı - 2017

Proje Yönetimi , Kurulum, Yapılandırma

Mevcut güvenlik duvarı yerine 2 adet aktif-pasif çalışan Palo Alto Güvenlik Duvarının projelendirilmesi, kurulumu ve yapılandırılmasında görev alınmıştır.

img11
Wi-Fi

Fırat Wi-Fi

img

Fırat Üniversitesi Kablosuz internet Alanı - 2013

Proje Yönetimi , Kurulum, Yapılandırma

Fırat Üniversitesinde kullanılan indoor ve outdoor Accesspoint (AP) cihazlarının projelendirilmesi, kurulumu ve yapılandırılmasında görev alınmıştır. 200+ üzerinde cihaz kapalı ve açık alanda üniversite öğrenci ve personeline hizmet etmektedir.400 cihaza kadar genişleme imkanı bulunmaktadır. Aktif-aktif çalışacak şekilde 2 kontrolcü ile günlük 2500+ üzerinde kulllanıcıya hizmet vermektedir.

.00001000

İLETİŞİM

İLETİŞİM FORMU

İLETİŞİME GEÇİN

Bilgi almak için formu doldurunuz
Geri dönüş için doğru bir e-mail adresi giriniz
AKADEMİK

ORC ID Google Academic YÖK Akademik Research Gate Web of Science (Researcher ID) SCOPUS IEEE IEEE

BAĞLANTILAR

KURUMSAL

GOOGLE MAP

38.680955, 39.195835