@article{article_1655066, title={Sistem Çağrısı Verilerinde Derin Öğrenme Mimarileri Kullanılarak Anomali Tespitinin Değerlendirilmesi: Performans ve Enerji Verimliliği}, journal={Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi}, volume={29}, pages={388–396}, year={2025}, DOI={10.19113/sdufenbed.1655066}, author={Şanlialp, İbrahim and Yıldız, Mehmet}, keywords={Sistem çağrısı, Anomali tespiti, Enerji verimliliği, Derin öğrenme}, abstract={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.}, number={2}, publisher={Süleyman Demirel Üniversitesi}