12 results on '"Erdem, Oğuzhan"'
Search Results
2. MSCCov19Net: multi-branch deep learning model for COVID-19 detection from cough sounds
- Author
-
Ulukaya, Sezer, Sarıca, Ahmet Alp, Erdem, Oğuzhan, and Karaali, Ali
- Published
- 2023
- Full Text
- View/download PDF
3. Bit vector-coded simple CART structure for low latency traffic classification on FPGAs
- Author
-
Soylu, Tuncay, Erdem, Oğuzhan, and Carus, Aydın
- Published
- 2020
- Full Text
- View/download PDF
4. Detection of Parkinson’s disease with keystroke data
- Author
-
Demir, Bahar, primary, Ulukaya, Sezer, additional, and Erdem, Oğuzhan, additional
- Published
- 2023
- Full Text
- View/download PDF
5. Pipelined Decision Trees for Online Traffic Classification on FPGAs.
- Author
-
Erdem, Oğuzhan, Soylu, Tuncay, and Carus, Aydın
- Abstract
Decision tree (DT)-based machine learning (ML) algorithms are one of the preferred solutions for real-time internet traffic classification in terms of their easy implementation on hardware. However, the rapid increase in today's newly developed applications and the resulting diversity in internet traffic greatly increases the size of DTs. Therefore, the tree-based hardware classifiers cannot keep up with this growth in terms of resource usage and classification speed. To alleviate the problem, we propose to group application classes by certain rules and create an individual small DT per each group. In this article, a pipelined organization of multiple DT data structures, called pipelined decision trees, is proposed as a scalable solution to tree-based traffic classification. We also propose two distinct algorithms, namely confusion matrix-based class aggregation and leaf count-based class aggregation algorithms, to set group creation rules that allows traffic classification on pipelined smaller DTs in a hierarchical order. We further designed an hardware engine on field programmable gate arrays, which can search those pipelined trees within a single clock cycle by transforming them into bit vectors and implementing multiple range comparisons in parallel. Our architecture with 12 classes can run in 928.88 giga bit per second and achieve 96.04% accuracy. [ABSTRACT FROM AUTHOR]
- Published
- 2024
- Full Text
- View/download PDF
6. Pipelined hierarchical architecture for high performance packet classification
- Author
-
Erdem, Oğuzhan
- Published
- 2016
- Full Text
- View/download PDF
7. Tree-based string pattern matching on FPGAs
- Author
-
Erdem, Oğuzhan
- Published
- 2016
- Full Text
- View/download PDF
8. Pipelined Decision Trees for Online Traffic Classification on FPGAs
- Author
-
Erdem, Oğuzhan, primary, Soylu, Tuncay, additional, and Carus, Aydın, additional
- Published
- 2023
- Full Text
- View/download PDF
9. Multi-pipelined and memory-efficient packet classification engines on FPGAs
- Author
-
Erdem, Oğuzhan and Carus, Aydin
- Published
- 2015
- Full Text
- View/download PDF
10. Value-Coded Trie Structure for High-Performance IPv6 Lookup.
- Author
-
Erdem, Oğuzhan, Carus, Aydin, and Le, Hoang
- Subjects
- *
INTERNET protocols , *ROUTING (Computer network management) , *COMPUTER network management , *RANDOM access memory , *COMPUTER storage devices - Abstract
Dynamically updateable and memory-efficient search structures for Internet protocol (IP) lookup have lately attracted a great deal of attention from the researchers. In this paper, we focus on the next-generation IPv6 routing protocol comprising large and sparsely distributed routing tables. The existing data structures either suffer from inefficient resource and memory usage (trie-based algorithms), or require complicated construction processes such as converting routing prefixes into their longer representatives and sorting (tree-based algorithms), or both. We propose a novel data structure denoted value-coded trie (VC-trie) for IP lookup. VC-trie provides significant memory saving in comparison with that of the existing solutions in both IPv4 and IPv6 domains. Thereby, our structure can support longer prefix lengths and larger routing tables. We also design an static random access memory (SRAM)-based pipelined architecture to assist the VC-trie structure to improve the throughput. The architecture is implemented utilizing a state-of-the-art field programmable gate array (FPGA) device and sustainable throughput of 448 million lookups per second (with a routing table consisting of 324 K prefixes) is achieved. Furthermore, the architecture can be enhanced with external SRAMs to relax the limitations of the existing FPGA device in on-chip memory. [ABSTRACT FROM AUTHOR]
- Published
- 2015
- Full Text
- View/download PDF
11. Designing a new fpga-based real-time traffic classification engine using machine learning techniques
- Author
-
Soylu, Tuncay, Erdem, Oğuzhan, and Hesaplamalı Bilimler Anabilim Dalı
- Subjects
Machine learning methods ,Internet ,on FPGA ,Elektrik ve Elektronik Mühendisliği ,Gerçek Zamanlı ,Real-Time ,Computer Engineering and Computer Science and Control ,Machine Learning ,FPGA Tabanlı ,İnternet Traffic Classification ,İnternet Trafik Sınıflandırma ,Makine Öğrenmesi ,Electrical and Electronics Engineering ,FPGA ,Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol - Abstract
İnternetin kullanımının artması birçok konuda olduğu gibi internet trafik sınıflandırmaya olan ihtiyacı giderek arttırmaktadır. İnternet trafik sınıflandırma internet servis sağlayıcılar (ISS), kamu kurumları veya özel şirketler için oldukça önemli bir kullanım alanı oluşturmaktadır. Bunun nedeni, her bir kuruluşun kendi internet trafiğini izlemek istemesidir. Buna ilaveten internet trafik sınıflandırma trafik önceliklendirme, trafik şekillendirme ve bant genişliği paylaşımı sağlama gibi ağ yönetim görevleri için kullanılmaktadır. Ayrıca, ağ güvenliği, dinamik erişim kontrolü ve saldırı tespiti gibi internet ağ güvenliği sağlama ve yeni nesil internet ağ mimarilerinin tasarımın da internet trafik sınıflandırmaya ihtiyaç vardır. İnternet trafik sınıflandırma mimarisi tasarımında önemli kriterlerden biri yüksek hızlarda yüksek sınıflandırma doğruluğunu destekleyebiliyor olmasıdır. Özellikle gerçek zamanlı trafik sınıflandırma yapabilmek için 100+ Gpbs hızlara ulaşabilen trafik sınıflandırma mimarisine ihtiyaç vardır. Önerilen mevcut sınıflandırma yöntemlerinin çoğu yazılım tabanlı çözümler olmakla birlikte bu çözümlerin bu hızlara ulaşabilmesi oldukça güçtür. Dolayısıyla yüksek hızlarda internet trafik sınıflandırma yapabilmek için yazılım tabanlı çözümler yerine yüksek hızlarda trafik sınıflandırma yapabilen donanım tabanlı mimariler tercih edilmektedir. Donanım tabanlı mimariler, yüksek hızlara ulaşmalarının yanı sıra bellek verimliliği, çıkan yüksek iş oranı (throughput), dinamik güncelleme ve düşük gecikme gibi trafik sınıflandırma kriterlerinde de yüksek başarım sağlamaktadırlar. Önerilen mevcut internet trafik sınıflandırma çözümlerinden port tabanlı, DPI tabanlı ve sezgisel tabanlı yöntemler şifreli trafik altında ve dinamik port atamalarında düşük performans göstermektedir. Son yıllarda, özellikle şifreli trafik ve dinamik port atamaları altında yüksek doğruluk elde eden makine öğrenmesi (machine learning - ML) tabanlı yöntemler tercih edilmektedir. ML tabanlı yöntemler, trafik akışının (traffic flow) sadece istatistiksel özelliklerine bakarak trafik sınıflandırma yapmaktadır. Yüksek hızlı ve gerçek zamanlı ML tabanlı trafik sınıflandırma için donanım mimarileri tasarımına ihtiyaç vardır. Bu tezde gerçek zamanlı, yüksek hızlarda ve doğrulukta trafik sınıflandırma yapabilmek için makine öğrenmesi tabanlı ve donanım üzerinde gerçeklenen trafik sınıflandırma yöntemleri incelendi. Bu tezin ana katkısı olarak paralel boru hatlı (pipeline) mimariler üzerinde uygulanan yüksek hızlarda ve doğrulukta sınıflandırma yapabilen makine öğrenmesi tabanlı Genişletilmiş Simple CART (E-SC) mimarisi önerilmiştir. Aynı zamanda, benzer katkıları sağlamak amacıyla her bir uygulama sınıfından bir ağaç elde edilen ve ağaçları bitmaplerle zenginleştirilmiş iki aşamalı hibrit bir yapı olan Simple CART Ormanları (SCF) mimarisi önerilmiştir. Son olarak yüksek doğrulukta ve oldukça düşük sınıflandırma gecikmesi sağlayan tek adımlı Bitmap Kodlu Simple CART (BC-SC) veri yapısı önerilmiştir. Alanda Programlanabilir Kapı Dizilimleri (FPGA) tabanlı paralel ve boru hattı üzerinde tasarlanmıştır. Increasing use of the internet is growing the need for internet traffic classification as for many subjects. Internet traffic classification covers a very important usage area for private companies, public institutions, governments and Internet Service Providers (ISPs). The reason for this is that each institution wants to monitor its own internet traffic. In addition, internet traffic classification is used for network management tasks such as traffic prioritization, traffic shaping and bandwidth sharing provisioning. Additionally, internet networking security such as dynamic access control and intrusion detection, and the design of next-generation internet network architectures also require internet traffic classification. One of the important criteria in designing internet traffic classification architecture is that it can support high classification accuracy at high speeds. Especially, in order to make real time traffic classification, reaching up to 100+ Gbps speed internet traffic classification architecture is needed. While most of the proposed classification methods are software based solutions, it is very difficult for these solutions to reach such speeds. Thus, in order to make internet traffic classification faster, hardware-based architectures that can make traffic classification in high speeds are preferred on behalf of softwarebased solutions. Hardware-based architectures are highly successful on traffic classification criterion such as low latency, dynamic update, high throughput, memory efficiency besides reaching higher speeds. Among the proposed Internet traffic classification solutions, port based, DPI based and intuitive based methods show poor performance under encrypted traffic and dynamic port assignments. In recent years, machine learning (ML) based methods, which obtain high accuracy especially under encrypted traffic and dynamic port assignments, have been preferred. ML based methods perform traffic classification by only examining the statistical features of traffic flow. There is a need for designing hardware architectures for high-speed and real-time ML based traffic classification. In this thesis, machine-learning based hardware traffic classification methods were examined in order to achieve real time, high speed and accuracy traffic classification. As the main contribution on this dissertation, Extended-Simple CART (ESC) architecture is proposed that can achieve high accuracy and speed on parallel pipelined architectures. In the meantime, in order to make the similar contributions, Simple CART Forests (SCF) architecture is proposed, which is a two-staged hybrid structure and whose trees are enriched with bitmaps. Finally, a single-step Bitmap Coded Simple CART (BC-SC) data structure is recommended that provides high accuracy and fairly low classification latency. The BC-SC data structure is designed on Field Programmable Gate Arrays (FPGAs) based parallel and pipeline.
- Published
- 2018
12. Detection of Parkinson's disease with musical features using machine learning methods
- Author
-
Kurt, İlke, Erdem, Oğuzhan, Ulukaya, Sezer, and Hesaplamalı Bilimler Anabilim Dalı
- Subjects
Öznitelik Çıkarımı ve Seçimi ,Disfoni ,Elektrik ve Elektronik Mühendisliği ,Makine Öğrenimi ,Dysphonia ,Feature Extraction And Selection ,Computer Engineering and Computer Science and Control ,Parkinson hastalığı, disfoni, müzikal özellik, makine öğrenimi, ses analizi, öznitelik çıkarımı ve seçimi, sınıflandırma ,Parkinson’s Disease ,Machine Learning ,Voice Analysis ,Nöroloji ,Neurology ,Parkinson hastalığı ,Musical Feature ,Ses Analizi ,Müzikal Özellik ,Sınıflandırma ,Classificatio ,Electrical and Electronics Engineering ,Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol - Abstract
Parkinson hastalığı ülkemizde ve dünyada Alzheimer hastalığından sonra en yaygın görülen, sinir sistemini etkileyen motor becerileri (yazma, denge, yutkunma, vb.), konuşma zorluğu, ses kısıklığı, düşünme ve davranış fonksiyonların kısmen veya tamamen kaybolmasına neden olan ve gündelik yaşantıyı olumsuz yönde etkileyen nörodejeneratif (sinir sisteminde geri dönüşü olmayan) hastalıklardan biridir. Hastalığın kesin bir tedavisi olmamakla birlikte hastaların gündelik yaşantılarını etkileyen semptomları azaltmayı sağlayan ilaç tedavisi uygulanmaktadır. Konuşma ve ses bozuklukları, Parkinson hastalığı sürecinin erken teşhisinde başvurulan en belirleyici semptomlardır. Bu amaçla bu çalışmada sesin müzikal özelliklerinin Parkinson hastalığının teşhisindeki etkisi incelenmiştir. Bu doğrultuda, Parkinson hastası ve sağlıklı bireylerden alınan ham ses kayıtlarından sesin ritim, ton, tını, perde ve dinamiklik gibi özellikleri çıkartılarak yapay öğrenme algoritmaları ile hangi özelliklerin hastalığı teşhis etmede daha başarılı olduğu araştırılmıştır.Bu tez çalışması, sesin müzikal özelliklerinin, Parkinson hastalığının teşhisinde kullanıldığı literatürdeki ilk örnek çalışma olacaktır. Parkinson's disease becomes a prevalent neurodegenerative disorder comes after Alzheimer's diseases in our country as well as all around the world. It affects the nervous system motor skills (writing, balance, swallowing, etc.), speech and voice production difficulties, mental and behavioral functions partially or completely. While not being a definitive treatment of this disease, drug therapy is being applied to reduce the symptoms affecting the daily lives of patients.Speech and voice disorders are one of the most significative symptoms of early diagnosis of the Parkinson's disease process. For this purpose, in this study, the effect of musical features on the diagnosis of Parkinson's disease was investigated. The rhythm, tone, timbre, pitch and dynamics features of the voice were extracted from the raw voice recordings of patients with Parkinson's disease and healthy individuals and the machine learning algorithms were used to determine which feature is more successful in diagnosing the disease.This thesis study will be the first case study in the literature in which the musical properties of sound are used in the diagnosis of Parkinson's disease. 96
- Published
- 2018
Catalog
Discovery Service for Jio Institute Digital Library
For full access to our library's resources, please sign in.